Sie sind auf Seite 1von 363

Ft

a:

---'

--

t-r,r.r,]l

1l

cole notionole suprieure du ptrole et des moteurs

Ph. TASSI et S. LEGAIT

thorie des probabilits


en vue des applications

statistiques

,dffifl
,:*,, i

,tri'[e;

t"

-l

.',:

6 {) o = o L o
o
f

o)

ffi?
.$ffiffi
/ .. tj.i.'
rll:-9.:l:11

o. c

.c

o
(D

.\

,#fr.&TfrIr .ri'*1H1i*'r
*;::;""ii**tq:;:.:'ft.4*[ii,'rffi,F*urisjit{'1rrr:#]r':*

o
o a

.o

a f

o-

TUTIONS TECHNIP

-l
, ll'i:

':, :'r- Q''|r a u

,t**jt-"\{

i
3

I I

I I I I I
I

i- 5l-9.21-:3il
I
l I

TAS

1l

il it

fi

352

il

{,1'

'') '-' i

.r - I r' .- "l f

't

519.
AR?

?1-:3il

TAS

INSTITUT FRANAIS DU PETROLE

cole Nationale Suprieure du Ptrole et des Moteurs


Centre d'tudes suprieures d'conomie et gestion

Thorie des probabilits


en vue des applications statistiques
Philippe Tassi
Directeur scientifique de Mdiamtrie Professeur I'ENSPM et I'ENSAE

Sylvia Legait
Attach de t'INSEE

otnorus rEcHNtp
27, rue Giroux 75737 Paris Cedex 15

lgg0. Editions Technip, Paris et Institut Frmtais du Ptrole, Rueil-Malmaison

tsBN 2-7108-0582-O rssN 0758-147X


Toute reproduction, mme paftielle de cet ouvrage, par quclque procd que ce soil est rigouretnement interdite par les lois en vigueur

AVANT-PROPOS

dj longue histoire des mthodes scientifiques montre que principale victoire du chercheur, du praticien, de |ingnieur, esi t;upprnt,.s"ge la du doute. Le scientifique clair remprace de prus en prs frquemmenio"" uttirrations comme "le rsultat est ...> par des interrogations : *queile est ra probabirit pour que re rsultat soit ..". Le calcul et la thrie des probabilits jouent, joueront et un rle fondamental dans ra dmarche scientifique, d'une part en raison de ra nature ara_ toire de la plupart des problmes rels, d""utr" part grce la ncessit de recourir aux mthodes statistiques de traitement de donne-s sans cesse plus nombreuses
et complexes analyser.
Le dterminisme tant souvent une rduction htive de la ralit, il n'est plus, maintenant, d'ingnieur chimiste. physicien, fiabiriste, astronome, sans parrer bien sr des speialistes de ra gestion, d" i'"onornie et prus gnrtement des sciences sociales et humaines, qui n'aient manipurer res i r"" modres de ra probabilit et de la statistique. Mentionnons, "on"pt, titre 0,""".pie, ra physique des particules : les lectrons ne dcrivent pas des trajectoires autour du noyau comme le font les plantes autour du soleil. Les particules obissent en effet aux lois de la mcanique quantique, et la notion de trajectoire doit tre abandonne. De manire gnrale, la seure chose qu'ir est possire de connatre est la probabilit de pr_ sence d'une particule en un point donn et un instant donn.

, .L',ouvrage propose une introduction aux principales notions des probabilits dont le praticien sera amen se servir. ll est rdig pour des lecteurs dj familiariss avec un certain bagage mathmatique en anaryse et en l'usage de plus en plus repndu des mthodes proba'bilirt""-I argbre. En effet, qui ira encore en grandissant de par re dveroppement de rogiciers adapts - montre qu'une mauvaise connaissance des proprits fondamentares des techniques est r,origine d'interprtations parfois aberrantes des rsultats. ll nous apparat donc important d'insister sur les bases, afin de faciliter la comprhension des mthodes. La rdaction fait en outre appel de nombreux exemples d'applications et exercices rsolus
ou rsoudre.

de nprobabilit des causes>

. Le chapitre 1 prsente les concepts probabilistes usuels selon I'axiomatique. maintenant classique, de Kormogorov. il'contient garement res rsurtats sur re conditionnement er [indpendanCe. et le clbre thJrme d Thomas
Bayes, dit

chapitre 2 pronge re carcur des probabirits dans ra thorie. prus gnrare, de la mesure et prsenre res principaux tments de rintgr"tion gnrarise au sens de Lebesgue, dont ra pubrication, au dbut du 2o'"sicre, a permis
PH. TASSi - S. LEGAIT

une

AVANT PROPOS

approche unifie des probabilits. Nous avons adopt cette dmarche car elle apparat pdagogiquement intressante, de par l'unification du langage qu'elle permet et la porte des proprits qu'elle engendre.
Dans le troisime chapitre sont regroups les principaux rsultats sur les variables alatoires relles ou multidimerrsionnelles. La piupart d'entre eux sont des cas particuliers de ceux obtenus au chapitre 2. Le chapitre 4 est important pour le praticien: il fournit les dfinitions et proprits de dix-huit lois de probabilit parmi les plus rencontres dans les applications. ll donne galement les principes des papiersfonctionnels adapts la dtermination d'une loi de probabilit au vu des donnes, ainsi que des lments sur la gnration d'chantillons alatoires souvent utiliss en simulation.
Le chapitre 5 est consacr la gomtrie des variables alatoires. Aprs avoir donn une reprsentation gomtrique de certains des outils de la statistique descriptive, il contient les bases sur lesquelles sont fonds le modle linaire et la

rgression.

Au chapitre 6 est prsent l'un des outils les plus simples utiliser lorsque l'on veut connatre la loi d'une somme de variables ou tudier les comportements asymptotiques : il s'agit de la fonction caractristique.
Le chapitre 7 porte sur les convergences de variables alatoires. De nombreuses applications statistiques sont fondes sur des proprits (aux limites,, autorisant ainsi des approximations justifies d'un comportement inconnr:. Ainsi, l'un des indices les plus utiliss en statistique est le nornbre des observations: lorsqu'il est impossible d'obtenir des rsultats exacts, la taille, parfois ieve, de n autorise

l'usage de rsultats approxims.

Un certain nombre de complments et d"approfondissements font l'objet du chapitre 8. ll est souvent important, en pratique, de pouvoir mesurer la odistance, existant entre deux lois de probabilits. ou entre des observations et un modle
thorique donn. Ouelques indicateurs de proximit sont prsents dans ce chapitre.

L'observation de donnes alatoires fait parfois apparatre un ordre naturel ainsi un phnomne qui va en s'amplifiant donnera naissance des donnes ranges en ordre croissant. En outre, depuis quelques annes, on voit se dvelopper' des mthodes statistiques utilisant des observations ordonnes, mthdes dont les proprits de stabilit sont du plus haut intrt. Le clrapitre 9 est donc consacr aux rsultats probabilistes particuliers ce type de modle ordonn.
:

Enfin, les chapitres 10 et 11 portent sur les processus, c'est--ciire une gnralisation des variables alatoires. Leur domaine d'utilisation le plus frquent est celui des sries temporelles, dont l'observation varie non seulement en fonction de l'individu observ mais aussi selon l'instant d'observation. Le chapitre 1O fournit des rsultats probabilistes sur les proeessus, et le chapitre 1 1 prsente des exemples de processus, en particulier les processus autorgressifs et moyenne mobile trs rpandus en automatique et en prvision.
Les auteurs
PH.

TASSI S. LEGAIT

TABLE EES MATIERES

AVANT PROPOS TABLE DES MATIERES


Chapitre 1 : LES eONCEPTS pROBAB|L|STES 1 Espace probabitisable 1 .1 xprience alatoire 1.2 Evnement 2 Proprits des tribus 3 Ouelques tribus particulires

3
5
11

12 12 12
13

Probabilit sur un espace probabilisable 4.1 Dfinirion d'une probabilir 4.2 Proprits d'une probabilit 5 Fonction de rpartition 6 Probabilit conditionnelle, indpendance d,vnernents

3.1 Exemples "... 3.2 Tribu engendre 3.3 Tribu borlienne

16 16 16 17 18 18
21

22 23 23 24 27 29 33 33 35
35

6.1 Probabilit conditionnelle 6.2 lndpendance . . 6.3 Thorme de Bayes

Exercices
Chapitre 2 : PROBAB|L|TE, MESURE, tNTEGRAT|ON 1 La thorie de la mesure : histoire et apport aux probabilits 2 Notion de mesure

3 Mesurabilit

2.1 Df initions 2.2 Propritr . ::::' ' ".:: 2.3 Meiure.iriin, sii

:.:.

:::::::.'

37 39

4lntgration ...

3.1 Application mesurable 3.2 Mesure-image 3.3 Tribu-produit .


des fonctions mesurables tages positives des fonctions mesurablei positives

40
4A

43

4. 1 lntgration 4.2 lntgration

44 46 46 48

PH TASSI . S. TEGAIT

TABLE DFS MATIERES

4.3 Fonctions intgrables 4.4 Proprits de l'intgrale 4.5 Gnralisation 4.6 Exemples ... 5 Ngligeabilit . 5.'l Dfinitions 5.2 Proprits

50
51

52 53 54 54 55 59
61

6 Mesure dfinie Par une densit 7 lntgration par rapport une mesure-image 8 lntgration par rapport une mesure-produit
8.1 Mesure-produit 8.2 lntgration
Exercices
Chapitre 3 : LES VARIABLES ALEATOIRES 1 Caractristiques des variables alatoires relles (unidimensionnelles) 1.1 Fonction de rpartition . . ' . 1.2 Densit de probabilit . . ' .

64 64 65 67
71

1.3 Moments ... 1.4 Fractiles 1.5 Changement de variables

72 72 73 75 77 78

Vecteurs alatoires 2.1 Fonction de rpartition

80
80

2.2 Densit de probabilit . . ' . 2.3 Moments ... 2.4 Changement de variables 2.5 Lois marginales 2.6 lndpendance 2.7 Lois conditionnelles

80
82 85 86 87
91

Exercices
Chapitre 4 : LES LOIS DE PROBABILITE USUELLES

103
107 107 107

Les lois

discrtes

..".

1.1 La loi de Dirac 1.2 Loi indicatrice (ou loi de Bernoulli) .. 1.3 Loi de Poisson
1

.'

.4 Loi binomiale 1.5 Loi multinomiale . . . 1,6 Loi hypergomtrique 1.7 Loi binomiale ngative
elassiques

108 109 110 110


113 115

2 Les lois continues

2.1 Loi uniforme 2.2 Loi gamma 2.3 Loi de Weibull


PH

116 116
117 119 TASSI S. LEGAII

TABLE D.ES MATIERES

Loi bta Loi de Gumbel 2.6 Loi normale unidimensionnelle 2.7 Loi normale multidimensionnelle 2.8 Loi log-normale 2.9 Loi du khi-deux 2.10 Loi de Student 2.11 Loi de Fisher-Snedecor Les papiers fonctionnels 3 1 Principe des pcrpters papiers fonctionnels toncltonnels :.: _,,,,v,r/ u 3.2 txemples de construction de papier fonctionnel 3.3 Cas de variables discrtes
2.5

2.4

121

124

124
131

135 136 138

140
142

143 143
147

Divers

4.1 Cration de lois de probabilit 4.2 Les coefficients de symtrie et d.ailaiissement srrucrure gnrre , ra tamiirfnentierre 11 4.4 Y:" Gnration d'hantillons alatoires
Exercices
Chapitre 5 : GEOMETRTE DES VARTABLES ALEATOTRES 1 Espaces de variables alatoires

148 148
150

152 154
158

...

165 165 165

1.1 Les espaces 9, elL. . . _. 1.2 Lesespaces7jett'. '' z -._. 1 .3 Les espaces 9 et I

'

' "

rob
169 171 171

Un peu de gomtrie 2 1 Statistiqu" J"""riptlu"'d",;l,;q;;' : : : : :. : : : : : : : : :. :. : : :. : : : : 2.2 Gomtrie dans.L,

L, ....... : :... 3 ltry"'jmarion.da's 2.4 lnterprtation des tois?u tni_oeux Lie Stuoent

174

175
180
185 185

Chapitre 6 : UN OUTTL: LA FONCTTON CARACTERTSTTOUE

1 Dfinition et proprits 1.1 Dfinition ...


1

d,une fonction caractristique

j" i"i'jii"i;;;, 1 3 Un "^".ft" 2 Fonctions caractristiques


2.1 Loi de Dirac .... 2.2 Loi de Bernoulli 2.3 Loi binomiale 2.4 Loi de Poisson 2.5 Loi uniforme continue 2.6 Loi gamma 2.7 Loi normale 2.8 Loi du khi-deux 2.9 Loi de Cauchy
PH TASSI

.2 Proprits

;;i;'

185 187 190


191
191

des lois de probabilit usuelles

191 191 191

192 192 192 192 192


1

S. LFGAIT

TABLE DFS MATIERES

2.10 Loi de Laplace 2.11 Loinormale multidimensionnelle

192
193
193

2.l2Loimultinomiale.'.

3 Applications de la fonction

caractristique

3.1 Loi d'une somme de vecteurs alatoires 3.2 Caractrisation de l'indpendance de deux vecteurs alatoires 3.3 Obtention des moments non centrs . . Seconde fonction caractristique . . . . """": 4.1 Dfinitionsetproprits '. 4.2 Applications aux dveloppements d'Edgeworth et de Gram-Charlier ...

194 194
195 196

199 199

Exercices
Chapitre 7 : I-ES GoNVERGENcES DE VARIABLES ALEAToIRES

202 206
207 247 209 209

'! Convergence Presque sre 2 Gonvergeneeenprobabilit


.

.""!

2.1 Cas des variables alatoires relles 2.2 Cas des vecteurs alatoires . . ' . .

212 213

3 Convergence 4

en loi . . . 3.1 Dfinition de la convergence en loi

3.2 Caractrisation de la convergence en

'roi".:::::.::::::.:::::::

12
218

Relations entre les diverses formes de convergence

4.1 lmplicationsdiverses ..'. 4.2 Thormes de combinaison

218
221

.'

5 Les lois des grands nombres 6 Comportements asymptotiquement gausslens 7 Application aux lois de probabilit classiques 7.1 Loi de Poisson 7.2 Loi binomiale 7.3 Loi gamma 7.4 Loi du khi-deux 7.5 Prcision de l'approximation gaussienne donne par le thorme

223 227
231 231

232

234 235
236 238
241
241

central limite

Exercices chapitre 8

COMPLEMENTS ET APPROFONDISSEMENITS SUR LES LOIS DE PROBABILITE


de Paul LvY en variation de Hellinger de LiPschitz

tr

Les distances ,1 La distance 2 La distance .3 La distance .4 La distance

241

242

243 244
PH TASSI , S. LEGA]T

TABLE DES MATIFBFS

1.5 La distance de prohorov 1.6 Comparaison de distances 1.7 Autres indicateu rs ci'cart 1.8 Retour sur les convergences

Application la fonction de rpartition empirique 2.1 Proprits distance finie

244 245 246 249


251

2.2 Proprits asymptotiques 2.3 Vitesse de convrgence : loi du logarithme itr 2.4 lndicateurs de proiimit avec Fn . . .-. .
"

252
252

3 Ordres sur les variables alatolres

253 254 258


261
26a,

Chapitre 9 : OBSERVATTONS OFDONNEES 1 Loi de l'chantillon ordonn

1.1 Dfinition de la staristique d,ordre 1.2 Loi de la statistique d,ordre

261

Lois particulires de l'chantillon

262
...

2.3 Loijointe d,un couple 2.4 Catcutdesmomenrs

?1L"' 2.2 eas partiiulier

de

X1r1

srdonn

des valeurs

(X1py

3 Comportement asyrnptotique

extrmes X1l/ ..'.':..':'......:.:::.:.:.:::.:::..

263 263 266


267

268 273 273


275

3.1 Convergence d'un fractile empirique 3.2 Convergences des valeurs exirmes 3.3 Les lois des extrmes 3.4 Elments sur la dmonstration des convergences en loi 6e Xlny La loi de l'tendue
4.1
'Rsultar

276 280

4.2

gnral L'tendue W

284 284 286


289 289 289 290
291 291

Chapitre't 0 : NOTTONS ELEMENTATRES SUR LES PROCESSUS 1 Dfinition d'un processus alatoire 1.1 Dfinition d'un processus

.....

1.2 Processus quivalent Processus stationnaires . . 2.1 Stationnarit stricte 2.2 Stationnarit faible 2.3 Remarques diverses sur la stationnarit

292

Corrlation et corrlogramme 3.1 Le coeff icient d'autocorrlation

293
296 296

3.2 Exemples de corrlogrammes


.S
LEGAIT

298

PH.TASSI

TABLE DES MATIEBES

Fonction d'autocorrlation partielle . . .

302 302 302 303 304 304


3O7 3O7 3O7

4.1 Dfinition gnrale 4.2 Le thorme de Frisch et Waugh ' .. . . . ' 4.3 Systme de d termination de (h) 4.4 Un exemple

5 Les oprateurs
1

B et

Chapitre 11 : EXEMPLES DE PROCESSUS ' '


Le processus de 1.1 Les processus accroissements 1.2 Le processus de

Poisson

'

Poisson

indpendants

2 Les processus de vie et de mort 3 Le mouvement brownien 4 Les processus autorgressifs

308 310
311 311 311

4.1 Dfinition .. . 4.2 Etude du modle AR(P) .

312
319 319

Les processus moyenne

5.1 Dfinition ... 5.2 ProPrits d'un MA(q) 5.3 Remarque sur le lien'entre AR et MA

mobile

':'''

'

319 320 323 327 355

BIBLIOGRAPHIE . TABLES NUMERIOUES

INDEX

1C

PI'J.

TASSI - S. LEGAIT

Chapitre

Les concepts probabilistes


Dans de nombreux domaines relevant ou non de I'exprimentation scientifique' le langage courant fait de plus en plus appel au vocabulir.e probabiliste. engenrant d'ailleurs de nombreux barbarismes ou'improprits o,usge. on parlera ainsi d'vnement (plus que probabreu ; un match de srection en rugoy opposera res upossiblesn contre les uprobabres) ; une situation venir sera dcrite comme <pos_ sible. sinon probable, I etc.
De telles expressions, mQme impropres, montrent que rincertain, r,aratoire, prennent le pas sur le dterminisme.'Raison supplmeniaire pour fonder sur des bases solides la thorie et le calcul des probabilits. dvelopper son enseignement et vulgariser ses rsultats

[:f;":"rr.uivent

que et en astronomie. ce^s applications aux science. t rr sciences sociaau 19" sicte, sous t,imputsion de "i."t". A"frann, Laplace,

it en tant que nombre compris entre o et r #ui et aux Grecs, ra probabiFermat et Pascal connaissent implicitement l'axiome "pp"itr" au 17. sicre. o'a'oitivite et la notion de probabilit conditionnelle. Ds ta iin oe ce sicre tes tois des grands nombres de Bernoulli. Le 18" sicle ""irt"nii"pLrance, voit se dveloppi'le conoitionnement, la formule de Bayes, ra thorie asymptotique,.et |usage des probabirits en physi_
f

si

le concept des probabirits remonte aux Egyptiens

Outef"t,

De nombreuses approches du concept de probabirit ont t proposes : on peut citer, par exempre, r'interprtation frqueniiste von Mises) fonde tIprace, sur la norion d'expriences rptes, ta pronaoitite;;t;;;ri;;(Keynes, Koopman), la thorie logique (carnap), la'formaiisaiion suolective ioe rineti, savage), t,approche purement mathmatique (Kolmogorov).

Le lecteur intress par l'tude comparative de ces diverses fondations des probabilits pourra se reporter r'ouvrage de T. Fine- p* il;i#;;; avons choisi la prsentation abstraite de axiomes oe ror,.nogolJu, appere (point de vue de ra thorie de ra mesure>, comme nous re verrons "ouu"nt cette approche dfinit une structure purement mathmatique, peu au chapitre 2. interprtable a priori pratique. Elle n'est cependant pas sans liaison .en i;int"rprtation frquentiste, mais ne la requiert point. On gardera "u"" nanmoins en mmoire cette dernire, pour la facilit de comprhension.
PH TASSI - S.

LEGAIT

LES CONC EPTS PFOBABILISTES

1
1.1
|

ESPACE PROBABILISABLE

Exprience alatoire

En guise d'introduction, nous allons considrer I'exprience physique qui consiste .esuret la diffrence de potentiel U s'exerant entre les bornes d'un circuit de rsistance R: 1O ohms et dans lequel circule un courant d'intensit

2 ampres. Si le montage de l'exprience est parfait, le voltmtre indiquera une d.d.p. U : Rl : 20 volts. Tutes choses gales par ailleurs, les mmes conditions d'eiprience conduiront toujours au mme rsultat de 2O volts. Ce type d'exprience

sera qualifie de dterministe, le rsultat tant parfaitement dtermin par la connaissance des paramtres qui la rgissent (rsistance. intensit). par opposition, une exprience sera dite alatoire si son rsultat ne peut tre
prvu a priori.

On note par Q I'ensemble de tous les rsultats possibles pour une exprience donne ; Q esi le rfrentiel, ou l'espace fondamental de l'exprience. Un lment a,l de O est dit rsultat lmentaire. Exemples

a) Considrons l'exprience consistant noter le rsultat du lancer d'un d rgulier ; le rsultat du lancer prend ses valeurs dans Q : {1 , 2,3, 4, 5' 6 }' b) Soit l'exprience consistant tirer au hasard un individu dans une population de taille N, reprsente par un identifiant s, d : 1 N ; O : {1, "' N} S! l'exprience consist slectionner u+n chantillon de taille n (1 ( n ( N)compos
Cff chanti llons potentiels.

d'individus tous diffrents, l'ensemble des rsultats possibles Q est l'ensemble des

1.2

Evnement

lmentaires : on peut concevoir sanS difficult un ovnement complexe> comprenant plusieurs rsultats lmentaires, dont on peut dire, une fois l'exprience effectue, s'il a t ralis ou non. Ainsi, dans l'preuve du lancer d'un d' si O est l;ensemble t1,2,3,4, 5. 6] des rsultats numriques possibles, un vnement tel que *le rsultat d'un lancer est pair, est un vnement alatoire complexe, comjos des rsultats lmentaires {2, 4,6}. De mme. si un individu d'identifiant I lf < t ( N) est donn, on peut considrer l'vnement complexe E dfini comme tous les chantillons de taille n contenant l'individu L Cet vnement E est donc la runion O"s Ci-] chantillons vrifiant cette proprit. E (complexe), peuvent donc tre associs tous les vnequi le dfinissent'; si l'un d'entre eux est ralis iors de l'expments lmentaires rience, l'vnement E le sera galement.

ll n'y a aucune raison de ne s'intresser qu'aux rSultats (ou vnements)

A un vnement

12

PH.

TASSI S. LEGAIT

LES

C ONC

EPTS PROBABITISTES

Notons ,41'ensemble de tous les vnements alatoires en |,absence de toute ide a priori sur res vnements susceptibres d'intresser ; i,""perir*nt;;,;; pourra prendre .& : g (A), ensemble des parties Oe O.

Historiquement, des conditions de manipulation des vnements ont conduit doter -4 d'une structure d'algbre, c'est--dire que .4"rt-un" crasse de parties, de Q, contenant Q, et stabre pa'. intersection et comprmentation (et donc par ru_ nion) ; sont vrifies les conditions suivantes
:

oQtr-'.r4
o

C An*r,de rimite o: Y An: lim / An,il n'y a aucune raison pour que A soit un vnement, ou n e e; de mme pour la limite d'une suite dcroissante. cette non-stabilit <aux I limites" a conduir natureilemenr
munir

de A dans e). Cependant' dans une structure d'algbre, la stabilit par runion ou intersection dnombrabtes n'est pas assure ; insi, si (A"t ; rfi, une suite crois_ sante d'vnements de ,4, c'est--dire une suite te'ile que "st An

cA

A! ,tC., B!.4+ A)B!.& ! .4 + Ae u4 dsigne le complmentaire

,4 a'""e sii"cil,riu",
e

ou a-argbre.

Dfinition

parties de

Une tribu (ou o-argbre) sur |espace fondamentar e vrifiant


;

est une crasse .dl de

o Q! ,"r/

.,(/

o,-4

est stable par complmentation, i.e. :A .4+Ae .& eststable par runion dnombrable : Ane .il,yn! lN + n

!,*

Ona,

Le couple &, ,',/7 est apper espace probabirisabre (on dit aussr espace mesurable) ; un lment de -4 est un vnement.

Remarque : la thorie des probabirits a son vocabulaire propre ; ainsi deux nements A et B sont dits incompatibles si A O B:
e,

v_

PROPRIETES DES TRIBUS

cette partie est compose de rappers mathmatiques sur res tribus, peut tre omise par le lecteur bien au fait des proprits de ces structures. et Certaines dmonstrations font l'objet d'exercices simples.
Proprit

Une tribu est stable par intersection dnombrable.


PH. TASSI

- S. LEGAIT

LES CONCEPTS PROBABILISTES

En effet, (An)ne

ru

tant une suite d'lments de ''&' on a:

An= (uA"). nn .& d'aprs b ; le rsultat est tabli. Or U e.& d'aprs b et c. et (U4) ! n.n
Proprit 2

Q!.&.
Proprit 3

A,B! ,'4, avecACB: B-A"'(' Cela dcoule de B - A : B Ct .


Proprit 4 Soit (An)n61*,An

! ,&,Vn ! lN, une suite d'vnements de '4: on dfinit AnetlimsupAn:1n9* An;alorsliminf Anet timinf "-: I "!* vnem ents de "4' lim sup An sont des

raliss L.vnement lim inf An est ralis si tous les vnements An sont d'vnements sauf un nombre fini. De mme, lim sup An est ralis si une infinit An est ralise.

Thorme

soit ,-& une algbre de parties de Q ; -4 est une tribu sur O si et seulement (croissante ou dcroissante' au si- L& est rn" .i"r." stable par limite monotone
choix).

Dmonstration

o CN:,.4estunetribu.
.4,

par A la Soit (An)n une suite croissante d'vnements de ''&' et notons On, or U An e "{puisque .&estunetribu; lim/An;onsaitqueA :

est donc stable par limite croissante'

o CS : .& est une algbre stable par limite croissante' compl .& tant une algbe, on sait que O ! ''4'et que '4' est stable par e '4 ? On a-t-on ; d'vnements mentation. "iioti'n) une suite nE,*
PH TASSI . S. LEGAIT

LES CONC EPTS PROBABILISTES

runion finie

: . to::l. Bn :
.

_ 9^ m(n

A. i

Bn

! ,,4 puisque
on

,_&

est une algbre donc stable par


''

lim '/

Bn

..,

Par construction, (B j est une suite croissante d'rments de ,-4. puisque est stable, par passage la limite croissante, u An e ,,&. .Oest une tribu.

.&

Thorme 2

:::A.4,e
Dmonstration

r.

I C lN, une famille de tribus sur

e; .& - n i!l

,4,esl
'

une tribu

o Ae -4 o Soit (AJne une suite d'vnements ae k: h{ vi e t, (Anl !. &i ce qui implique que, pour tout i ! ', y O" e &, et donc U Ane ,,&.
Ae,-&i <+Vi, ! &,
Thorme 3 Soit .& une tribu sur e, O.C O. : La classe 9n, {ClC : Ann,, trace de ,,4 sur e,.

o ViC l, O ! &i o A! .4 e Vi! 1,

Oe

,-&

l l i

I I

A4_,,4}est unetribu surO., appele

Dmonstration

o O' : OnO';comme Ae. ,&, e,e Ga, o soit c e Gn,; en notant, pour distinguer,
rapport O' et par

par * ra comprmentation par la complmentation par rapport O, on a

appartena nt

,4,c* est."nI-A!O'

..* - lC

A o o'

Soit (Cjn61, une suite d.lments

de

6n;

on peut crire:

et

:
Y

cn:

An

o Q'

Pour tout

n! lN
Ga,

t" :

,Y o",Q' ; uAnc ,'4,doncYa"a


G

ll en rsulte que la classe


PH TASSI - S.

est une tribu sur

e,.
1

LEGATT

LES CONC EPTS PBOBABILISTES

Corollaire; si f)'
Thorme 4
n

! &,

n,

= { C/C e .4, e c o'].

Considrons une partition finie (A'), i :

n, de f), telle que

: i:f

A,

O; la classe .4:

{I i!l

At

te g

(11,2,. , n])]

est une tribu sur O'

Drnonstration

oO:.>.Aieil
l:
I

c(I

i!!

A.,)

: >-4e.t/
i!l

c Soit (l*) une suite cje parties de { 1, ..., n }'

U(: A') : : Aie", i!u lk k i!lk


dsnc .& est une tribu sur O'

3 3,I

OUELOUES TRIBUS PARTICULIERES

ExemPles

est o I : \ A, Alest de faon vidente une tribu, appele tribu grossire' I la tribu la plus fruste sur O. .9p., ensemble des parties de o, est galement une tribu. appele tribu discrte, la plus fine existant sur Q.

o soit A
par A.

e g@l; 9=

oengendren {Q, A,A, O } est une tribu sur Q, dite tribu

3.2 Tribu engendre


Supposonsmaintenantque,-pouruneexprience-donne'seulesquelques a" g @'), soient intressantes en tant qu'vpartiei d" n, torrunt rn" plus gross.e, c'e:l- "'G "iu.i nements. plutt que de munir O de la tribu a'vnements la petite plus tribu contenant v' la g{Ol, tant on pr{r"ra dfinir -4 comme de admissible' est Montrons qu'une telle dfinition
16

PH TASSl S, LEGAIT

LES CONC EPTS PROBABILISTES

! t. :;"l"ffnrrU,",us"

de parries de O, et considrons toutes tes tribus (.4,),

il existe au moins une tribu contenant G, c,est d'aprs re thorme ,,? o,est une tribu qui,
contenue dans chaque tribu .&i, i

g
"n

@) ; donc I * e uii", contient G, et est

l.

Dfinition 2

on appelle tribu engendre par une crasse G rJe parries de prus petite tribu contenant G-, c'est--dire I'intersection de toutes les e ra tribus contenant G. On ta note o (Gl.
Exemples

o G: [Q]:a(G):tA,A1 o G : {A} avec A + e et A * e : o(Gl :{@.A.,A} oG:[Ar,...,An] o I A, :e: i:1 o(4t,...,An) : {.I. A,, I e gU1, ., n})}
En effet,
ments A,
:

i!t (At,....An) o tant une tribu contenant chacun des vne_

donc:

I {,, o,, t!g({1,...,n})}


ie

vte g({1,....

n}),

A' e o (Ar' "'' An)

Ca(A1,...,An)

ona monrr(thorme4)que{ r Ai.r g({1. .,n})} raitunetribu;


elle contient chacun des A,. oonc eltJFJn,,"nt la prus petite des tribus contenant les A,
:

er

iAr, ...,An)

c I I.
it-t

Ai, I

g{i1,

.. ,

n}}}

L'inclusion tant tahrie erans les deux sens, re rsurtat est dmontr.

3.3

Trbu borcEiemme

[-es notions d"aigbre ou de tribu oni t dfinies jusqu, prsent sur des esBaces f,) amorBhes, c'est--dire sans aucune rfrence i'eirr toporogie. i\en_ rnoins, dans les situations usuelles elassiqures, fl est
iR,

ou

lRp,

au z, au lf{. ll est
17

PH.

TASSI S. LEGAIT

LES CONC EPTS PROBABILISTES

donc frquent de supposer qLle Q est un espace topologique, et mme mtrique ; il est alors cohrent de souhaiter disposer d'une tribu d'vnements compatible avec la topologie de Q. Plus prcisment, on imposera que les ouverts et les ferms pour la topologie de O soient des vnements.

Dfinition 3

soit Q un espace topologique ; on appelle borliens les lments de la tribu engendre par la famille O des ouverts de Q
:

I : o(Ol

A;

ll est vident que fi est galement engendre par la classe ,9 des ferms de I s'appelle la tribu borlienne.

Eans le cas particulier usuel o O est lR, la tribu borlienne, note 9l est engendre par les diverses classes des intervalles :l* co, x1, l- -, xl, lx, + -1, que x < y. La classe des 1x, + -[, [x, y], [x, yt, ]x, y[. x et y tant deux rels tels privilgi. ouverts { l- -, x[ ] iouera par la suite un rle
De mme, sur lRp, la tribu borlienne classe des pavs ouverts ]- -, xt I x .." x ]-

-,

frP

est engendre, entre autres, par la xp[.


lR.

Remargue.' on notera

,4 l" t

ibu borlienne de

4 PROBABILITE SUR UN ESPACE PROBABILISABLE


Comme nous I'avons annonc dans l'introduction, la prsentation de la probabilit adopte est celle de A. Kolmogorov (1933). Celui-ci propose une axiomatique cohrente au niveau du langage mathmatique, fonde sur la notion de omesur" norrnaliseo (cf. chapitre 2) et la thorie des ensembles, mais dans laquelle l'interprtation concrte des concepts n'apparat pas. Les hypothses portant sur les vnements ont t nonces dans les paragraphes prcdents. Suivent les axiomes portant sur la probabilit elle-mme.

4.1 Dfinition d'unc Probabilit


Dfinition 4

Soit un espace probabilisable (O, .41. On appelle probabilit sur (O, .41 l'application P : ,-4' - tO. 1 l, telle que a) P{O) : 1
:

1B

PH TASSI - S. LEGAIT

tES CONC EPTS PROBABILISTES

b) Si (An)est une suite d,vnements disjoints

p( ; A.) : ; n:1 " r"i:l


et de a-additivit.

p(A-)
n'

Les conditions a et b portent respectivement les noms d'axiomes de normalisation

Dfinition 5

Soit un espace probabirisabre (o, &). on appeile probabirit sur (e, .41 l'application p : ,r/ - IO, 1l telle que a) P(Q) = 1 c) Ae .&, Be e,llB: e: p(A+B) : p(A)+p(B) d) soit une suite d'vnements (Anldcroissant ur" @',ii, \ p (An) : o.
:

Les conditions c et d portent respectivement les noms d'axiomes d'additivit, de continuit monotone. Au plan des notations, I'intersection A O B de deux vnements
sera aussi note AB. ll est ais de montrer que res dfinitions 4 et 5 sont quivarentes
:

oor|.,1"l:o9::; :i"

'u

condition (b) soit vrifie' Alors. en prenant

An : a

P(A., +

Arl

P(A1)+ p(Az)
@
:

D'autre part, soit une suite (An) dcroissant vers

ce qui implique

An: _r- (A.n-Ar*1), m=n


:

P(An)
P

_Im:n

p(An.,-A',*r).

(An) est alors le reste d'ordre n de ra srie


:

une srie convergente car

u, -

(A, -Ar*1)

eui est

I. I m: ll s'ensuit que lim \ p (An) :


PH. TASSI

u.:

m:1 -:.
O.

P(Ar-Ar*1):

P(A')

- S. LEGAIT

19

LES

C ONC EPTS

PROBABILISTES

b) Supposons vraies (c) et (d), et soit on note


:

(Aj

une suite d'vnements disjoints

ASoit Bn

n:1

An,Ae-o

:
/

A, A

: :

a m<n

A.; par construction, la suite Bn converge en croissant vers


A) converge donc en dcroissant vers @ ; I'axiome A) converge vers O quand r * oo.

lim

Bn. La suite {Bn

(d) implique que P (Bn

crire J

D'autre part, si
I + (J

l), avec I et J

let J sont deux vnements de .& tels que lC J, on peut

I disjoints. L'axiome(e) implique que

P (J

ll s'ensuit

- l): P (J)- P (l) :


P (Bn)

Vn.

(Bn-A)

P(A)
:

En outre, en tendant l'axiome (c) un nombre fini d'vnements


P

(Bn)

m:l

>.

'|

P (Am)

et par consquent

limP(Bn)

oo

m:1
:

>_

p(Am)

:p(A) :p(

m=1

Exemple: Supposons Q fini,

{cdr, .... ,r,r }, o tous les "individus, de Q sont a : 1 N. telle une population de personnes physiques identifies par leur numro nScurit Socialeu ou une population d'entreprises identifies par leur numro SIRENE. A toute partie A de O, on associe la fonction f dfinie par
discernables par un indice identifiant s,
:

* f 1R1 :

cardinal de A
N

Montrons que f est une probabilit sur o f (Q) : o A! g

P, g@l).ll

est vident que l'on a

(al, Be g(al, AnB

- e:

I (A+B)

f (A)+f (B).

91A1 elant fini, ces deux conditions suffisent montrer que f, valeurs dans t0, 1 l, est bien une probabilit.
20
PH.

TASSI S. LEGAIT

LES CONCEPTS PROBABILISTES

4.2

Proprits d'une probabilit

Les dmonstrations sont, en gnral, immdiates.

Proprit 5
P(@) Proprit 6

A,Be .4: ACB;alors p(B-A) : p(B)-p(A) >


Proprit 7 (probabilits totales)

O.

P(AUB) + P(AnB)
Dmonstration

p(A)+p(B).

AB
On peut crire
:

AUB:A+(Bo), B:(BoA)+(Bn).
D'aprs l'axiome (c)
:

P(AUB):P(A)+p(Bn) P(B):P(AnB)+p(Bn).
En liminanr p (B

n ;, on obtient le rsultar.

Gnralisation : formule de poincar


P(A1

uAzU..'uA")

r.!r

P(Ak)-,Ii ,(A,A,)+...+
(-1)n+1 p(Arn...nAn)

Proprit 8 (sous a-additivit)

t'?o"'

=;

P(An)

Dmonstrafron.'soit (Bn) la suite d'vnements dfinie de la faon suivante Br : A' Bz : AzO ,,, ..., Bn: An O An_t a ... n 1
PH. TASSI

- S. LEGAIT

LES CONC EPTS PFOBABILISTES

Les vnements(Bn) sont 2 2 disjoints et

U Bn :
P (An).

On

Comme, pour tout

n.

Bn C

An, on a P (Bn) <

ll s'ensuit

P(U An)

: P(UB.) : n"'n1
P

_>" P(Bn)

( > P(An)
n

Remarques 1) Si (An) est une suite dcroissante d'vnements de limite A, alors

(A)=

lim

P (An)'

2) Si (An) est une suite croissante d'vnements de limite A, alors

P(A)
Bn

lim/P(An)'

Pour dmontrer 1), il suffit de se ramener la condition (d) en crivant An - A. Bn \ @ donc P (Bn) \ 0 et par consquent P (An) \ P (A). De la mrne faon. on crit Bn = A - An.

Dfinition 6
Le triplet

(A, ,-4, P) porte le nom d'espace probabilis.

5
fr,
Dfinition 7

FONEflON DE REPARTITION
fr'l;
on sait que

Soit P une probabilit dfinie sur l'espace probabilisable (lR, contienl en particulier tous les intervalles de type l- -' x[.

On appelle fonction de rpartition de P l'application F : lR


Par :

tO, 1l dfinie

vx

! lR, F (x) :

(l- -'

x[)

Remargue

On trouve frquemment, en particulier dans les ouvrages anglo-saxons, la dfinition F (x) : P (l- -, xl). La diffrence entre les deux dfinitions dpend de P ({x}), probabilit de l'vnement lmentaire {x}.
Les proprits de F rsultent pour la plupart des proprits 5 8.

Proprit 9
La fonction F est croissante.
PH. TASSI

- S. LEGAIT

LES

C ONC

EPTS PROBABILiSTES

En effer,

soirx( y;l_, xlcl_ *, y[;

ta proprit 6 tabtir te rsutrat.

Proprit 1O
La fonction F est continue gauche.

converge en croissant
croissant

Soit (xn) une suite de points de lR telle que lirn

^n:x; alors la suite (J__, xn[) vers'- -. x[) et donc p(]_;, xn[) = F (xn) converg" n vers P(l- oo, x[): F (x).

Proprit 11 lim F (x)= X*+oo. o lim F (x)= O x--oo. Ces rsultats proviennent de p (lR)
1

= 1 et p (el :

O.

Remargue De faon analogue on dfinirait la fonction_de rpartition d'une probabilit dfinie sur lRp. muni trrwuuEverrerlrenrs n d,vnements ,j7''Pconlenantlespavs(J--, ' de sa tribu ^oti

x. x1--

""";;;';

x,|[

(xr,

xo)

(l-oo, xl [x ... x]--, ;o 1;

IN DEPE N DANCE D'EVENT rVr rVrS

PROBABILITE CONDITIONNELLE,

L'axiomatique de Kolmogorov contient une spcification de la probabilit d'un vnement conditionnellemeni a ,n uuti.

6.1

Probabilit conditionnelle

Dfinition 8
Soit un espace probabilis p, .4, p) et_B e,r/tetque p(B) ) O. On appelte probabilit de A conditionneilemeni a a, p.ooutit tonortionnele de A o, sachant que B va tre ralis (ou est ralis) le'nombre
:

(AiB)

P(AnB)
P (B)

PH TASSI - S

LEGAII

..

L.ES CONC EPTS PBOBABILISTES

Vrifions que la fonction ainsi dfinie est bien une probabilit sur O

Q, *41:

<

< 1, VA e .& car AaBCB P(OJL : P(B) :1 P(Q'B) : P (B) P (B)


P(A/B)

Soit (An) une suite d'vnements disjoints. Comme les vnements (An sont aussi disjoints, on a
:

B)

P P

((U An)a

(U An,/B)
n

: :

nnn P (B)

B)

(U

(An
P

B))

(Ann
P (B)

B)

(B)

P(AnaB)

P(B)
.el

l\./Bl est bien une probabilit sur (A,

Remargue
En crivant P (B/A), et en tenant compte du fait que commutativit, on tablit
:

P (A

B) =

P (B

n A)

par

P(A/Bl.P(B)
bre fini d'vnements
:

P(B/A) .P(A)

La dfinition de la probabilit conditionnelle peut tre gnralise un nom-

P(An

n C)

:P lA/Bn

C) . P(B

C)

= P (A/Ba c) . P (B/C) . P (C).


:

Soit (A,), i : 1 n, une famille finie d'vnements; on tablit aisment

P(.n.

nnn An) : PlA,/ et A,).P(A"/ n 'i:3 r:r i:2 '

A').......P(An)

6.2 lndpendance
Dfinition 9
Deux vnements A et B sont dits indpendants si
:

P(AnB):P(A) .P(B)
24
PH, TASS1

'

S' LEGAIT

tES CONC EPTS PROBABILISTES

Remargues

o L'indpend3lq" esr une proprit des vnements er de ra probabirit. o si P (A) et p (B) sont tous d'eux strictemeni poriiil., porturer que
indpendants revient imposer
P
:

A er B sont

(B/A): P (B) ou

P (A,zB)

p (A)

tionnant" est nulle.

<L'information> apporte sur l'vnement conditionn par l,vnement ucondi-

Dfinition 1O

i"i[J:":ii!".Ji"'"

e rarme des n vnemenrs A,, ..., Ao ; ,e est dite


...

o,Air
Remarques

rl (Aik)

pour tout k, pour toute suite (i1. .... ik) de (1, ..., n).

,!,

p (Aii)

_""",it,3,1

dit parfois que tes vnemenrs A1, ..., An sont uindpendants dans teur
ra

b) Pour savoir si

famiile .gest indpendante.

ci*
Exemple

. * cl

: 2"- c3- cl : 2n - n- 1 retations.

ir

faut donc vrifier

Soit l'exprience consistant au lancer de deux ds;

Q:{(i, j), i:16, j:16}


On considre les vnements
:

A:(iest

impair).
:

B:(jest

impair),

e:(i+

jest

impair).

On vrifie facilement

P(A) : P(B) : P(AB) = P(AC)


P

(ABC)

P(C): 172 : P(BC) :1/4


mais ra famiile (A. B, c) n,est

9.

Les vnements A, B et pas indpendante.


PH TASSI -

c sont indpendants 2 2,

S LFGATT

25

LES CONC EPTS PROBABILISTES

D{inition

11

(An)ne

N*

est une suite d'vnements indpendants si


..., ik), P

vk ! tN* v (ir,
Proprits 12

(Ai1 n ...

n o,J

i!,,

t(o,/

1)Si A et B sont deux vnements indpendants alorsA et B le sont aussi, ainsi que A et B.
d'vnements indpendants, on obtient encore une 2) ' Si (A^) est une suiteindpendants en remplaant un nombre quelconque suiiet'unurn"nts
de A' Par leurs comPlmentaires.

Dmonstration

P(AnB)

: PtA-AnBl: P(A)-P(AnB) = P(A)-P(A)P(B) : P(A)(1 -P(B)) : P(A)P(B) P(nB) = t -P(AUB) = 1-P(A)-P(B)+P(AB) - 1-P(A)-P(B)--P(A)P(B) = (1 -P(A))(1 -P(B)) : P ()P (B)

Proprit 13
Soit (An)neru* une suite d'vnements indpendants; on a
:

P( n
Dmonstration

n!lN*

An)

n P(A") neN*
rr

P( n
Comme

kk : n_P(An) An) n:1 " n:l


dcroissant

kn An est une suite d'vnements n=1 "


koo

vers

n=1"

An' on a

n P( a A^)\P( " n:1


d'ot
:

n:1

An)

"

n A.) P( n' : 'n=


zo

t<k lim P( n An) =.lim n. k-c n:1 " k- n:1 1

P(An)

= n.
n=
1

P(An)

PH. TASSI

- S. LEGAIT

LES CONC EPTS PROBABILISTS

Dfinition 12 : Gnralisation
Soit (Q, .4, el un espace probabitis et soit {G,, 1 ( i (n} une famiile de parties de ,*/. Les parties ? 14 i ( n, sont indpendantes si :
,,

,Air

...

a Aik) :

e tR,) ,! .,

wur
-ijJ

Lou| k, pour toute suile (i1, ..., ik) de (1, ..., n) et pour tout vnement A,de

Dfinition 13
sont indpendantes si
Dans le cas particurier o res G,sontdes sous-tribus de
:

.4,

res G,,

l <i<n,

P(A
pour tout Ai appartena nt

i=1
G,.

A,)

: ti i-l

p(A,)
'

Le thorme qui suit propose une condition suffisante . d'indpendance bus engendres.

de tri-

Thorme 5

1=.i n} une famiile de parties de .dreile que ,g,soitsrabre s pourtout ( ( Pjl'_!{t tntersection finie, 1 i n o ( 9,1, 1< i < n, indpendantes < g,, 1{ i s< n. indpendantes.
:

par

6.3

Thorme de Bayes

Thorme 6 soient A et B deux vnements de probabirit strictement positive ; on a


:

P(A/B)
Dmonstration

P(B/A)
P

P(A)

(B/AI. P(A) + P(B/). P()

ll suffit d'crire l'vnement B sous la forme d'o

B:

(BaA) U (BnA)
P(B/A]P(A) PB/AIP(A) + P(B/)P(A)

p(A/Bt- P(AnB) : P(B)

PH TASSI . S. LEGAIT

LES CONC EPTS PBOBABILISTES

Gnralisation

Soit A.,, Ar, ..., An,


V1

vnements formant une partition de Q, tels que


P

<i(n. F(A,))O:
(B/Ai)
P P (Ai) P

(4,,/B) =

: j:1
Exemple

(B/Ai)

P (Ai)

la seconde a 2 cts npilen, la troisime est truque de faon que la probabilit d'obtenir.pileo soit de 1/4. On tire une pice au hasard. on la lance et elle donne
est la probabilit d'avoir lanc la deuxime pice "pilen. Ouelle
?

On dispose de 3 pices de monnaie : la premire est parfaitement quilibre.

Soit B l'vnement (obtenir pile", et A, l'vnement <tirer pice, i = 1,2, 3.


P

et lancer la

ime

(Ar/Bl

:
P

(B/A2l P (A2l
(B/A2l
P

(B/A1)

P (A1)

(42)

+ P

(B/A3)

P (43)

1x1/3 1/2x1/3+ 1 x1/3+ 1/4x1/3

4
7

L'importance du thorme de Bayes dpasse trs largement le simple nonc du thorme 6. et porte sur les concepts. En effet, s'il existe un lien de type causal entre A et B, c'est--dire si B est, en un certain senS, une <cause> de A, le principe baysien revient calculer P (A/B) partir de probabilits portant sur B, sur la cause. d'o son interprtation cornme nthorme sur la probabilit des causes> trs importante pour l'tude de l'environnement causal B d'un phnomne observ A. ll existera done des rnthodes statistiques baysiennes lies aux probabilits baysiennes.

2B

PH.TASSI

-S

LEGAIT

EXEREICES
1'1
un facteur doit distribuer n letlres dans n botes aux leftres dont on a retir les plaques, les rendant

indiscernables.

Comme les n lettres portent n noms diffrents, le facteur suppose qu'il y a une lettre et une seule distribuer dans chaque bote et il dispose donc les lettres au hasard.

calculer la probabilit qu'une lettre au moins soir distribue son destinataire rel. calculer sa limite quand n crot.
lndication

1l.t:t: -A l'vnemenl ,,;. 1me leftre est distribue son desrinataire P(ArUAzU...UAn).0na:
P

rei>. 0n cherche

U A,) :2 p (A,)- tr p (A. n A.)+ ... + i:1 ' '' i<j 'r I
rk'

(-

l;t'*t

(i1'...,

> . p (A, t...o A,;+...+ (- l)n*iR 1R, n... a ik) '1

An)

Ce rsultat est connu sous le nom de formule de poincar.

L'ensemble

{1, .... n}. 0n te munir

des rsultats possibles de l'exprience est l'ensemble des permutations


de ia piobabitir
:

de

VA! 3 (ni,
P(A
d'o
:

p(A)

: ##
!

'l

a...fiA.): ,k'

ln-k)

' Vk! {1'2' ',nl


+ ...

e1..n,1

llr

i:l

'

:n

' n -r:n

(n-2)
nl

+ (- l)k+l k n

(n

nl

k)

+..+ (-l)n'l -1- = nl


PH,

i (-l)k*, .t. ------> t-e-r n-oo k:l ' ' k!

IASSI

S. LEGAIT

LES CONCEPTS PROBABILISTES

1.2

soir Q

{ 1, 2, ...,

nl

(n

1).

1) Dlinir une 2)

probabilit P sur

O telle

que:Vi! Q, P ({i}) :;
:

Trouver une condition ncessaire et suffisante sur n pour que

: (A, B) e g

(al

t@,

a],

A et B indpendants,

3)

0n note

Vp 'p! Q A-

: {i!Q/pdivise i}, K:
{q

{p, p diviseurpremier de n}
n

(n)

Card

e Q/q est premier

avec

}'
K alors Oo',, ',, Oo* sont indpendants.

a)

Montrer que si

p,, ..., pk sont lrnents de

b) MontrerquerP(n)
lndications

: n l'l (l--)' I p!K I '


n

llLafonctionV:91A1-t0,11,P(A):estuneprobabilitsurO(cf.4.1)et
n

Card A

vrifie:Vi!O P({i}):
2) S'il

existe A et B indpendants (A et B non gaux @ ou

O) alors on a ;

n Card A f-l
Card Adivise

B:

Card A x Card B.

premier, 1

n (CardAn B< Card A) doncn estnonpremier. Rciproquementsi n estnon k> 2 et p2 2, n : kp. Soit A : {1, 2, ...,k} et B : {k, k + 1, ..., k + p - 1 } ;

onabienP(AnB)
3)a) Sipdivisen,

: P(A)

P(B)

lk!O, n:kp

et

Ao:

{p,2p,...,kp} d'o;

PiAi: 'p'
p {Ao'

kkl -:-= kp n
(Ao'
1

-p

...

Apk}

oJ

car les p, sont premiers

:
k

_ Pr " Pr
lI

car Pt '..

Pn

divise

: n
30

PlAl . P:'
I

PH TASSI - S. LEGAIT

LES CONCEPTS PROBABILISTES

b) Soit B

[q

! Q/q est premier

avec n].

$:
d'o:
P(B)

n
P!K

=?(n) n n =

p!K

PtI p'

:n

p!K

(1--)

puisque les o sont indpendants.

PH.

IASSI

S. LEGAIT

Chapitre 2

Probabilit, mesure, intgration


L'axiomatique de Kormogorov (1933) qui a servi de base pour re chapitre prcdent repose sur des concepts mathmatiqus gnrau^ qr" uJni les mesures et l,in_ tgrale par rapport une mesure. Le dveroppement de ra notion de fin du 19" sicle et du dbut du 20' sicle donne naissance une mesure de ra thorie dont la probabilit ne peut que profiter, celle-ci en tant un cas purti.rri"r. ce chapitre, qui peut tre omis en premire lecture, fournit aux lecteurs familiariss unu ;r;;J;tation mathmatique abstraite. les principaux rsultats rattachs "u". au concept de mesure, et qui seront repris et utiliss dans la suite de l'ouvrage pour les probabilits.

LA THEORIE DE LA MESURE : HISTOIRE ET APPORT AUX PROBABILITES


Les fondements de ra probabirit mathmatique prsents au chapitre prc_ dent, dus . Kolmogorov (1933), ne marquent, bien sr, ni I'achlvement ni les dbuts de cette science. Les premiers crits sur le calcul des probabilits semblent remon-

reprenant nombre de rsultats obtenus par Blaise pascal et Pierre de Fermat. Huyghens dfinit, en particurier, r'espranc" j,rn" variabre ara_ toire prenant ses valeurs sur un nombre fini de points.
Le 18" sicle est marqu par la contribution de la famille Bernoulli -Jacques, Nicolas, Jean, Daniel - ; Jacques Bernoulli. dans son -r, publi en 1718 nonce la loi des grands nombres. En 1733, de Moivre"oni""tandi, obiient la loi normale (ainsi qu'elle sera dnomme bien plus tard par poincar) en approfondissant les calculs de la loi des grands nombres et en utirisant |approximation asympotique de n ! trouve auparavant par rui-mme et stirling ; it ntie egaiement ra premire forme du thorme central limite. Autre personnalit importate pierre : Simon de Laplace; commencs en 1778, ses travux servent de rfrence jusqu' ra fin du 19" sicle et au dbut du 20' sicle. Citons Jean Dieudonn : n... le cercle vicieux de la dfinitionfd'une probabititl en termes de cas quipossibtes, I'apparition de variables alatoires discrtes mais nombre infini de valeurs possibles, telles que celles de Poisson, et des variables alatoires loi absolument continue telles que des variables alatoires nor-atii.
PH TASSI S LEGA]T
aa

ter 1525 (cardano) ; Huyghens, en 16s7, prsente un ensembre cohrent de concepts probabilistes,

PROBABILITE MESUFF, lNTEGRATION

ont amen graduellement une idatisation mathmatique qui engloberait toutes ces possibilits,. Le dveloppement de la thorie de la mesure va y contribuer
fortement.

En 1881, A. Harnack introduit la notion d'ensemble discret, puis, en 1882, celle *d'galit en gnral,, qui anticipe le concept d'galit presque sre du paragraphe 5. La nmesure, d'un ensemble apparat ensuite dans de nombreux travaux ;

ies dfinitions sont diffrentes selon les auteurs (Cantor, 1884; Peano, 1887; Jordan, 1892). Mais c'est Emile Borel qui va introduire la notion d'ensemble de mesure nulle (1894), et la thorie des ensembles mesurables (1897). Travaillant sur lR, et, plus prcisment sur [0, 1 ], il privilgie la classe des ensembles ouverts, qu'il .mesure, partir de la longueur des intervalles; il montre que l'on peut dfinir sur cette classe {qui portera plus tard le nom de classe nborliennen) une <mesure> p vrifiant les propriis, vues au premier chapitre, de s - additivit et de diffrence:

(ACB:s(B-A) : s(B) -

s(A))

La thorie de la mesure de Borel va alors ouvrir la voie l'intgrale de Lebesgue, ou intgrale gnralise. qui va permettre I'intgrale de Riemann et aux jusqu' la fin [robabilits Oe Opasser certaiRs contre-exemples gnants. En effet. f un segment sur fonction d'une du 19" sicle. la seule faon de df inir l'intgraie partir de Nanmoins, Riemann-Darboux. de les sommes Ia, b]consistait utiliser tgZO, t'integrale de Riemann s'tait vu opposer des particularits o elle tait inemployable, comme les cas o f- converge simplement vers f, f n intgrable au sens de Riemann pour tout n, f norlnleman-n-intgrable.

En 1901, H. Lebesgue donne une thorie de l'intgration plus gnrale que Riemann, partir ciu concept de mesure introduit par Borel. C'est cette construcLebesgue qui est prsente dans ce chapitre, ainsi que ses tion de l'intgrale -Sous de l'impulsion de J. Radon, les concepts de mesure et d'intgration applications. lRn; ainsi apparatra la thorie de la mesure abstraite dfinie IR et qlitt"tont vite ,ur un ensemble Q quelconque muni d'une tribu (1913)' C'est cette notion de mesure absiraite qui a permis le dveloppement de la thorie mathmatique des probabilits. Par exemple, pour dfinir dans tous les cas I'esprance E (X) d'une variable alatoire X, il fallait l'intgrale de Lebesgue et ses extensions. L'achvement de la construction des thories de la mesure et de l'intgration peut tre dat de 1g30, avec les thormes de dcomposition de Lebesgue-Nikodym et l'existence
des densits.

Ainsi. la thorie de la mesure et de l'intgration ont jet les bases d'une formalisation homogne et cohrente des probabilits, en y introduisant la rigueur du raisonnement mathmatique ; rappelons en effet que Keynes, en 1921, crivait ou d'al propo, des probabilits que ./es savants y dclent un relent d'astrologie n/e calcul que (1919) affirmant plus en direct que est encore von Mises chimie,, et des probabilits n'est pas une discipline mathmatique"'
La probabilit tant un cas particulier de mesure se voit donc, partir des annes trente, appliquer une grande partie des rsultats de mesure et d'intgration'
PH, TASSI

- S. LEGAIT

PROBABILIIE, MESURE, INTEGRATION

2
2.', Dfinitions
Dfinition
1

NOTION DE MESURE

soit (Q' 4 un espace mesurabre..on appere mesure positive sur (Q, .4) toute appticarion 1u dfinie sur a u"rlis Oa;;"iR-: [0, + oo] vrifianr "4 l'axiome de a_additivit :
Pour toute suite (An) d'lments de

.r/, n ! lN*, deux deux disjoints

tr(;_A^)n' :; p(A-) n=1 n=1 ' '"n'


Remargues

a) Par la suite, on dira mesure pour mesure positive. d'une mesu re p te nombre (positif) p (a);p (Q) peut tre u*",:)"u?"?.l:l?il;;;1""* c) Une probabilit est une mesure de masse
1.

Dfinition 2
Le triplet (o, probabitit).

'i/,

!r) est appel espace mesur (ou probabilis si g est une

Une autre dfinition de la mesure peut tre donne

Dfinition 3 soit (Q' '''/y un espace mesurabre. une apprication lr dfini e sur dans lR*, non identiqu"r"nre"i"'-+ *, est une mesure si ; 1) g est addirive

.4

vareurs

V(A,

B)

e ,,, AnB :e, tt(AUB):1l(A)+s{B) u \Q. AJ : .! gfn,tt t:l i_1


,

(ouvA,,...,Andeuxdeuxdisjoints
2) V (An) suite croissante d,lme nts de ,4,

lim i g(A^)

n"n

: g (tim 1 A

PH. TASSI

S.,

LEGAIT
35

PROBABILITE, MESURE, INTEGFATION

Montrons que les dfinitions 1 et 3 sont quivalentes

a) La a-additivit entrane I'additivit de faon triviale'


De plus, si An
1

A, alors;

A : A., + (Az-A.,)
avec Vn, An

+... +

(An-An-r) +'..
:

An-,r lments de ,'4, deux deux disjoints ; d'o

s(A)
or:
et donc

s(A.,)

nlru(An-An-') tl :
u(An)

: -

n'A

nl,

ll(An-An-,r) + l(Al)

/(An-An:

p(An-r) car An-r C An

An-1 +(An-An_r)
g (A)

:An

d'o

= lim
k*oo

(Ar)

b) Rciproque

Soit (An) une suite d'lments de ,'4, deux deux disjoints'

n.d'lments croissante v,ooq suite v, vvt v,,s une Ju,.e U A, B en = ^k est


tI t

de

,4

dont la limite

est U

AL'
tr

k= 1

Ona:
lim 1p(Bn)

: g(lim l Bn) : ll(U

Ak)

c'est--dire'
Or

,irn

r s r*1,, ont

/(uAk)

/ est additive donc

nn : 1l(U Au) k:1 ^


:

k=1

I_P(An)

et. en passant la limite

n!'
36

:
'(Ar.)

p (u

Ak)

PH. TASSI

- S. LEGAIT

PFUUAUTLl'

L \ltSuRL

TNTFGFAIIO\

Dfinition 4
d'vnements(An), n
1r

Une mesure g sur


est dite finie,

(o. 4

! tN. tetsquepJ
1

sera dite a-finie

It P: e

dnombrabre <** v n. i ulr (+oo. ta mesure

si Q est runion

g(cD Pestuneprobabilit.

Exemple
Soit
a.r

! e.

On dfinit l,application 6.upar:

V A! .4, ,

,,(A)=1siar!A
,

(A)-f

si u A
ar.

est une mesure (c'est mme une probabilit). dite mesure de Dhac au point
S

Dfinition

o on appete mesure discrte s,ur (1:


s(A) :r(AOl)

dnombrabte appartenant _dviitiant p @

,*/7

to_ute mesure

o on dit que 1, est concentre


Exempte.'l

= : al!Al sur r.

/ tete qu,ir existe _ti : -et V A e,,4, p({ull

1,2, ..., n}

V1 <i(n

pUit) =].

g est appele probabilit

tt(l):1
uniforme sur { 1, 2, ..., n}.

2.2

Proprits
1

Proprit

Tl

s'il existe au moins un vnement A ter que /


est non dgnre), p

En effet

:s (A U e)

(e) =

(A)

<

O.

+ oc, (c'est--dire si

p (A) + p @1.

Proprit 2

V(A,B)
PH. TASSI. S.

e &,p(AUB) :p(Al+u a) _s(AnB)


37

LEGAIT

PROBABILITE, MESURE, INTFGFATION

Proprit 3

ACB + ll(A)( s
Proprit 4

(B).

s(UAn) (Ig(An). nn
Proprit 5

soit (An) suite dcroissante d'lments de ,4 de limite A ; on suppose qu',il existek'telque p(An) . + -.Alors lim\g(An) : l(A)'
En effet,

Vn

1, (Ar

An)/ (Ak
rr (Ak

A).

ll s'ensuit

An)

/ p (An

Al

+ s(A*) La condit'ion g (Ak)

p(An) / 1t(Anl

lt(A)

oo fait que l'on peut simplifier. Remarquons que pour une probabilit. la ondition 3 k : g (An) est f inie, est toujours vrifie.
Proprit 6 : Composition de mesures
Soit (gn), n e lN, une suite de mesures sur (O, '*/7 et (in), n C lN' une suite de rei positifs; alors P : > ,1n /n est une mesure sur 1A' '41' ,

< +

Dmonstration '

soit tablir la o-additivit de g

nqn (IAr) : Am' ):I 'u('n.'':1 n " " m

nm - t : nln (An.') mn : I p (A.).


m

En particulier, si (Pn) est une suite de probabilits sur (o,,-41 et

: L^ P^ est une probabilit sur @, ,,4\ Cette proprit permettra I.tir"ti* o"''tnisuis ou o pronabilits.
alors p
PF],

si2 n:,1,, ^n^ :.'

la

.IASSI

S. LEIGAIT

PROBABITITE, MESURE, INTEGRATION

Thorme 1 ; Egalit de deux mesures

. };t: A,,47 un espace mesurabre ter que -4. estengendre 17 de parries .( - mesurabtes de e, stote pur.
o si g et v sont deux mesures a-finies
elles coincident su( ,,4. alors elles sont gales.

intrriion tini".

par une famiile

sur (e. ,,4) co:incidant sur G, arors

En particulier, si deux mesures finies sur (lR,

&)

co'incident sur les intervalles,

2.3

Mesures sur (lR, g/l

Dfinition 6

on appelle mesure continue sur

(rR.

fr')

toute mesure p vrifiant


O

Vx! lR. p({x}) :


a) Mesure de Lebesgue

On appelle mesure de Lebesgue sur (lR, fr.y la mesure

i(la,bl) - b-a, Va,b.a < b

dfinie par

on admettra I'existence et l'unicit - d'une telle mesure. La mesure, prolonge la notion de longueur, et est continu. Proprits 1)
.

est a-finie

tR: 9_ln,n+11et,tr'n,n+tl) : n!Z : 3) Va, b, . (la, bl) :


2) Y aC lR,, ({aJ)
Remarque
De la mme faon, on dfinit u. mesure de Lebesguq sur
,a

O donc, est une mesurecontinue. (ta,

bl) = ,i fla, b[) : i (ta, b]y.

(lk,

frly:

in(,!.!kp la,,b,J) :.t-t.


t=l i:l
PH. TASSI

JaLb,l) r r

: n
i:l

(b,-ai) 'l
39

- S. LEGAIT

PROBABILITE, MFSUBE, lNTEGRATION

b) Mesure de comptag"
On dfinit sur (lN,

g lNll l'tre p" :

xC

(N ), gc (A) est gal p^ au nombre d'lments de A. La mesure s'appelle la msure de comptage. C'est une mesure discrte sur (lR, frl puisque boncentre sur lN.
lN
.

gc est une mesure d'aprs la proprit 6. Si A

* : x:o
*

masse de Dirac en x, x' .6 x

!g

3
Dfinition 7

MESURABILITE

3.1 Application mesurable


Soient (O, .&l et (O', ,,4,'lrdeux espaces mesurables. Une application O' est dite mesurable si
:

f :Q

v A' e -4',
ou:
Dfinition 8

f'

iA'l e ,4.

r'

1.&'y

c,4

f-1 1,4i
rendant

: {f-1 (A'), A' ! .4.' } est une tribu ; c'est la plus petite tribu f mesurable, dite tribu engendre par f, note a (f).
est mesurable de lA, ,'&) dans (lR,

Propnl 7
Soit

A C O : A e ,4'e 1o

g,L

Dmonstration

Soit A

,,&.Montronsque loestmesurable. SoftBe

&:

oSi

BcontientOetl
O

1 r Si B contient O er pas 1 o Si B contient 1 et pas 0 DoncVB e &,1;1 (B) e ,,4 et 1o estmesurable.Rciproquement:si loest mesurable, alors 111 ({1}} : A e -4..
o Si B ne contient ni ni
40
PH, TASSI - S. LEGAIT

:Qe .& l;t (B) : Q e .4 l;t te) : A e .4 1;1 {B) : A ! .4


1;1 (B)

PFOBABILITE, MESURE, INTFGRATION

Vocabulaire; Si A
Proprit 8
Soient @,

e ,,&, on dit que A esl -ol-mesurable.

,r/)et (O', .&'y Ae,2<espaces mesurables oit .d,, est engendre par uneclasse G'departiesde e', etf :e * A,;ators, --

o (l-' (G')l : f' (,4'l : t-, @ (G)l


Dmonstration

. G' C.4+ 1-' (G'l C t' (,,&') + o(f-, (G,l) c o1t1 1.4,y1 : I-, (.&,) puisque f' (,,4,1 est une tribu. o Soit 8r: {A' C e,/f A,) ! o(t-1 (qTt on montre facirement gue fi rest une tribu, dite tribu induite de o 1f-1 1G,y par f. En outre, 8, contient G, VA.! G't-, (A,) ! r, (G) C o6-1 1G,y d'o: o(G')C8, f-'(o( G'D C tn ( g) C o(f-1 1G,y1 pardfinition de fir.
..

Proprit 9 : Critre de mesurabilit

Soitf : (O,.4) -.@',^.4'l o.4, f mesurable <+ f-' ( G,y C ,,4


Dmonstration

: o(6,1, G, C A,. -4 et o (t-1 ( G)l C ,d. @,aprs


1,,4,y

Si f esr mesurable,. f-1_-1 ,,4,) C proprit B)d'o t1 1G;1 C .4.


(proprir 8). f est mesurable.

la

Rciproquemenr : si

f-' ( G,) C,4, o g-i ( 6,)l C,-4, donc f1

c,4

Exemple

!1e(J *, 1 intervalles Thorme 2

aoolication f : (o, .r/7

all est ./-mesurabre.

1n,

l--,a1.

En effet

est mesurable si et seutement si

,4

v a ! tR, est engendre par ra crasse des

Soit Q et Q' deux es^paces topologiques, ,-4 et ,,&, leurs tribus borliennes. Touteapplicationf :O - O'contiue est mesurable.
PH. TASSI

- S. LEGAIT

PROBABILITE, ]VESURE, INTEGRAT1ON

Dmonstration

Thorme 3

: o(O) et "4' : o(O'l f est continue de Q dans O' <+ f-l @'l C O =+ f-' @') c o @l : -4. = f mesurable (d'aprs la proprit
.04
Soient trois espaces mesurables (O,

On note

l'ensemble des ouverts de O

et O' l'ensemble

des ouverts de O'

9).

:O-Q'et g:Q'-O":

.rl), (A', .r4, P", .4:'l

et deux applications

t-'
Dmonstration

(a (g))

a (gof)

et si f et g sont mesurables alors gof est mesurable.

a(gof)

(gof)-' G&"1

: f-l [g-t (4"11: f-l (e,(S))


donc (sofl-1 G.4"1

Si f et g sont mesurables s" k&"1 C .&' et 1 G4'l C .4, c f1 G'{') C .4' et gof est mesurable.
Proprit 1O : Critre de mesurabilit

Soit (Ei, ,/),1, i ! l, une famille d'espaces mesurables et (f i)i! , des fonctions de Q'dans E. On munit Q'de la tribu engendre par les (fi). i ! l, c'est--dire

de a p us

o"n"I?":H,l.:":,il;:l:l.ul,
i!l I
I

f : (A, .47
Dmonstration Vi e l,

@', "4'l est mesurable

<+

V i ! l,

of est mesurable.

of est mesurabte <+ Vi

o .9. (f , of)-1 4 il C .d tel <+ f-' [ !, [' 4 ill c -4

! I (f of)-x (fi il C .&

e ol'f-'',!, ['
<+

i!t

Ftgil]l

c '4
l

f-' [a( !. q' ni)l] c,t{ iel o 11 &'7 c '4'


<+ f est mesurable.
42
PH, TASSI

- S. LFGA]T

PROBABII ITE, MESURE, iNTEGRATION

Thorme 4 a) si f et g sont deux apprications me_surabres de (e, .d,r "- \--' v? t fg sont mesurabtes de e, 4 _ (tR, fr)
O)

(rR,

fr,r

arors f + g,

est une suite d,applications mesurables de (O, ,4) * lR, g.) alors supf inf fn. rim sup f rim inf fn sont mesurabres n, condition qu,eiles n, ne prennent pas des valeurs infinies. En particulier, si lim fn : f existe, alors f est mesurable.
rN

Si (fn)ne

Dfinition 9 : Variable alatoire soit (o, .&, p) un espace probabiris, er (a', -{') un espace probabirisabre. on appelle variable alatoire une application mesurabte i oetinie s", ta, kl'i valeurs sur (e' , _{,)
,.

v A' e ,4'
Notations

x-1 A') -4

o si (o" ,r/r : (rR, &7,X est une variabre aratoire reile, ou unidimensionneile, ou univarie (v.a.r.)

o Si (O', ."1'l : (R", 9."1, X est une variable alatoire n_dimensionnelle, ou n-varie, ou un vecteur alatoire de dimension n o si(Q', ,rl') esttout ou partie de (2, g1zy,X est une v.a.r. discrte.

3.2 Mesure-image
dans

soient @, '4' ') un espace mesur, f une apprication mesurabre de (o, .4r " 'vi (o" ,/'t. oo oerinit J l'", k; i"{,"--''-"

V A' ! .&', pf (A') : p{f-,


gf est une

""""ii""

(A,)}

est valeurs dans IR* par construction o Soit (A'n) une suite disjointe d,vnem ents de

pl . pf
c

mesure sur .4;,dite mesure-image depparf. En effet: a un sens puisque t-1 (A,,) e .4

sr (:A'J

: : :zp{f_1

.d, p{f-1 (:A.n)} tt{> f-1 (A,n)}


(A.n)}

PH TASST - S

LFGA|T

43

PROBABILITE, MESURE, INTEGRATION

Application : Loi d'une variable alatoire Dfinition 1O


,,4' ) un espace probabilisable, o Soient @, ,,4, P) un espace probabilis , @', (O',

X une v.a. dfinie sur (Q' .4'1 valeurs dans


note Px.

''4'l

o on

par X appelle loi de probabilit de la v.a. X la probabilit image de P

V A, e .4;, px (A') :

p (X-1 (A'))

Notations

X-t (R')

: {u ! A /
:

x(ar)

! A'} : {X ! A'} ! A')

o On crira souvent

px (A,)

p(X

o On donnera

frquemment une variable alatoire le nom de sa loi de

probabilit, Par abus de langage.

3.3
o

Tribu-Produit
11

Dfinition

Soient (O, On note

.&i), i ! l,

(l quelconque inclus dans lN), des espaces mesurables.

n:

,!,

n,"t Pn,l" projection


(r.r;);e
r

de O sur Q,:

@i

La tribu-produit des ,,4

iel.

i!l

, note @ &, est la tribu engendre par les (pn ), icl ' @ il. : o ( l) ,-' ..l 1..0(,ll

'

i!l

Thorme 5 : Cas d'un produit fini de tribus

Soient

a ! G..'

LQr&rl,

i:1n,

nespacesmesurablestelsque

&r: o1 G,let

oonnote'

.,=knE:

1,,=T="

A'AeG

PH.

TASSI

S. LEGAIT

PROBABILITE, MESURE, INTEGRATION

Alors

l(i(n '
En particulier
:

A ,,4.=o ( n 'l(i(n '

e,l

@ ,-4.: o ( n 1(i(n ' l(i(n


on dit que
ra

,,4.1

t'

tribu-produit est engendre par res pavs mesurabres.

Dmonstration
Soit
:

A e Gi,,I.
donc
:

A,

,*2n

p;

(Ai)

,*T*n

-,

oou:

i:1
n

n G,C a "

1=<i(n

,-{.
I

o( n G) C a i:l
Rciproquement, montrons que

1(i(n

,,4

Vi :

1n
n

p-; G{t) C o ( n 61 t' "i ' i:1

Vi:1n.VA.! :Ai X.l.O, e o( n n I G..oi,te1 r ,


)rt i:1
donc:

G,)
|

o-l .i:n c1 ,.i lG,) , Co(


1

'etn donc:

p-; 4)

- o, @(G)t - s(nrli rc1 c r t,!.


t|

c,

8
- S, LEGAIT

&i:

o (,8, o-l t-d,ll

. " ,,!., G,l

PH. TASSI

PROBABILITF, MESURE, INTEGRATION

corallaire g.e g,: fr'z el A


Thorme 6 : Mesurabilit des applications Une application

1<i<d
Qi,

g fi'ni- fi:1 -

n.

valeurs dans un espace

produit

f : (O,.&) * (fl

si et seulement si V

i ! I f. est mesurable.

.9,il),, iet

(fi (ar))ie

r est mesurable

ll suff it d'appliquer la proprit 10 aux fonctions pn.

4
4.1 Intgration
positives
Dfinition 12

INTEGRATION

On se place, dans tout le paragraphe, dans un espace mesur @,

&, pl'

des fonctions mesurables tages

On appelle fonctiotr tage une fonction mesurable f dfinie sur :(O, ,4 valeurs dans (lR, fr.1, ne prenant qu'un nombre fini de valeurs x,, i 1 n. Notations
Soit

:
Ai

: f-l ({x,})' A' e -4 ' f : ,-r. 1o, ^' I|

6*

est I'ensemble des fonctions tages positives'

Thorme 7 (sans dmonstration) Toute fonction numrique positive est mesurable si et seulement si elle est limite croissante d'une suite de fonctions tages positives'

Dfinition 13
Soit
:

r e *, f

:,_t,
l:
I

*,

to,

(x,

o)

46

PH. TASSI - S. LEGAIT

PROBABILITE, MESURE, INTEGRATION

On dfinit

I
Remargues

ldp

: I

i:1

x, | ll(A,)
r.

La quantit J f Op est appele intgrale de

f par rapport

p.

1)Si A ! ,,4, p(A) : ! 1a dp 2) On fait la convention 0 X (+ -) 3)


1t-1rs

si f

=,1', "' to' :,1.,

fl

ryl

uj

lri

x, l(A,) - :yj l(B,). cequi donne un sens ta notation I I a a,dont ta dfinition est intrinsque au s'ens o elle ne dpend pas de la spcification choisie
pour f.

4) Onnote
Proprit
11

J fdp: ! 1ofd1t:,:r,,

x,

l(A, O A)

e 8*, ge 8*, atorsf +ge g* etJ(f +g) dp : !tap + lsdtt Si .!lR,ators e 8* et J(,f fldp: jlaU ^f 2) f ! 8*, ge 6*,sif (g ators !f dp (.l"Sdp.
1) Soit f

Dmonstration
1)

f :. ). *, to, n:,],, y, 1r,


t|
:

On suppose, sans perte de gnralit, que

,r. l:l
On peut alors crire que
:

A,

= Q:

j:1

A,
'
PH. TASSI

i:1 J-r

:-r t-t

- S. LEGAIT

PROBABILITE, MESURE, INTEGRATION

d'o

+g:

nm i:1 j:1

(x,+Y;) oo,

n t,
nB,)

(f +

g)d/

+> Iij 4*,rt(Ai nBj) 'rt lrtuln


t tap + "[ sdll
s

2l g:
or:
d'o

+g-f

-f ! 6., I

gdtt

: I

ldtt + -i

(g

-fl

dP

"i(s-dtt2O
J

sdtl21ldp
i'
',

Exempte: On munit (lR,


Soit
:

g'l
n

de la mesure de Lebesgue

t:

,I.,

f (ti)

I rti- ril' t ! lR*' t'1,

<t

alors

J fd:,I.,

f (ti)

i(lti-r,t,l) :,j1

t(ti) (ti-ti-1)

ce qui revient calculer une intgrale de Riemann'

4.2
4B

lntgration des fonctions mesurables positives

On note

,tt* l'ensemble

des fonctions mesurables positives'


PH. TASSI _ S. LEGAIT

PROBABILITF, MESURF, INIEGRAT|ON

Dfinition 14
Soit f une fonction mesurable positive. On

dfinit t tdp :

sup g!8* s<f


I!

_f

gdrr

Thorme 8 (Beppo-Levi) soit (fn), n

! IN. une suite

alorsJlim lfndg

croissante de fonctions de

lim

fnd1t.

"lt

teile que rim

l tne ,.1(,*

f:

En particulier, d'aprs le thorme 7, si f lim 1 fn alors :

,,/(,*,

(fn)ne

ru

g*,croissante,

I lap :
Proprits 12

lim 1 Jfn dp

1)Vf e ,/(*, g! "(/,., l(f+g) dp:ltdp+lgfp V. e R. J (nll dp: I tdp

2)e "4L*, ge,tr,, f ( g + [ fdp(


Proprit 13
Si (fn)ne
rrv

.1" sd1,r

est une suite de fonctions

de ,/L*

r;n:O r^ n dtt: ;
:

lr-art 'n -r n=O "


ra

cette proprit est une apprication directe du thorme g de Beppo-Levi suite de fonctions croissantes

9n:
Lemme de Fatou
Si (fn)ne
rru

: p:o

fp

est une suite de fonctions mesurables positives alors

et:

liminf fn:tim

I inf f_!,.4L* o_ p>n


p

J (tim inf fn) dp ( tim inf (,ifn ds)


PH TASSI -

S LEGAIT

49

PROBABILITE, MESURF, INTEGFATION

Dmonstration
Par application du thorme 8 (Beppo-Levi),

(tim

t inf f^) dl/ : lim 1 "i ( 'If fo) dl n pln ' Pn vp 2 n "i ( ilf fo) dr Jfo dtt,
pn

d'o

+J(inf f^) dp( inf lr^dp p>n ' P2n '


:

(lim inf f^) d/ ( lim 1 n'np>nPn

inf I

1^

dp:

lim

inf J fn dg

4.3

Fonctionsintgrables B, fr.|. on

Dfinition 15 soit f une fonction mesurable dfinie sur (o. ,,41 valeurs dans dfinit les fonctions
:

et:
f*
,/-mesurableset
et
f

f* = f .i{rro} f_ _ _f .l{r*o}
sont mesurables puisque les ensembles {f f : f* - f-.
:

} 0} et {f < 0}

sont

f est dite intgrable (ou g-intgrable) si

11*dg<+oetJf-dp1+ onPosealors: Itatt: r* dp- Jr att


Dfinition 16

f mesurableestintgrablesi J
En remarquant que
quivalentes.

lfl : f* +

ltl

dg < + ' f-, on r;1on[;" que les deux dfinitions

sont

Proprit 14
On note

(O, ,,&,g) l'ensemble

des fonctions intgrables dfinies sur lQ, ,'41.

@, f* I
1,

,'4,11) est un espace vectoriel sur lR et la fonction de 'C (O,

Idp

est une fonction linaire'

"4, p) dans lR'

PH TASSI - S. LEGAIT

PROBABITITE, MESURE, INTEGRATION

Cas des variables alatoires relles

Dfinition 17

SoitX:(A,.,4, p) - !n,8,y unev.a. on appelle esprance de X la quantit


:

p_intgrabte(i.e.

-i lXl dp < +*)

E(X)

-lXoP

4.4

Proprits de l,intgrale

Proprit 15
Soient f et g deux fonctions mesurables telles alors f est intgrable. ll

quelil <

S ; si g est intgrable,

suffitderemarquerquef*

et:
Proprit 16

( g et f- ( S donc: I f* dp ( -f sd1r ( +oo J {- dp ( "i gdrr ( +


< "i ltl
ap.

Sif est intgrabte,ll +apl


En effet
:

II tapl : l"f f*dp - I f-dpl < .f ftdp + ! r-dp : I ltl


Proprit 17 : Ingalit de Cauchy_Schwarz
Soient f, g mesurables. de carr intgrable, alors
:

dp

("i

sds)'

<

(1
,,

t" a (1 s"

ap)

ll suffit d'crire que, pour tout rel

!(t+lg)'dtt>o
Proprit 18
Soit f une fonction mesurable intgrable
;

st{lfl )a}t< 1rildp


a
PH. TASSI

- S, LEGAIT

51

PROBABII ITF, MESUBE, INTEGRATION

Dmonstration

J lrl os
d'o
:

:
,l

Jrl,lrur

lfl ds + J1lrl<ar lfl ds >'l

dtt rlrl>ut lfl

ltl

os >- a l1{l,l=u}

dp: ap({lfl > a})

Proprit 19 : lngalit de Bienayrn-Tchebychev

sa premire dmonstration est due Tchebychev et date de 1863.


Soit une v.a. X telle que (X E

{X))'soit intgrable'

E(X-Eg))2 ,r., r/v\l \.t + > t) P(lx-E(x)l E2


Dmonstration

llsuffitd'utiliserlapropritl8avecf
Proprit 2O : lngalit de Jensen

: (X-E(X))', a:

!2 et

g:

P'

soit p :

(p (x) soienl lR une fonction convexe, X une v.a.r. telle que X et : alors intgrables; lR

{P(x))>

P (E(x))

4"5
ll

Gnralisation
Ces rsultats s'tendent au cas de fonctions mesurables valeurs dans lRn;
lRn

.ll

dsigne une norme sur

(toutes les normes sont, rappelons-le, quivalentes)'


(1R",

o Une fonction f mesurable @, .&,l/)-*

fr,n1 sera dite intgrable si

\ llfll ds ( +oo : (f,), i: 1 n;alors: o UnebasedelRnayanttchoisie.oncrit f I f dtt: (J fidp) (i : 1 n) o X: (Q, .il, p\ * (1R". fr)1 tant un vecteur alatoire de coordonnes i:1 n: /*'\
"l

(X')'

X:l
52

l\
\

\1 \x I
n,/

PH-

TASSI S, LEGAIT

PROBABILITF, ]\IESURF, lNTEGRATION

X est intgrabte donc :

si

X,l

Oe

<

+ oo, Bour

tout

l=

1 n. Le vecteur-esBranee est

E(X)

('" \. ,,",

J x., on\
\
I

x"ae

4.6 Exemples
a) lntgration par rapport une mesure discrte
Soit un espace T":yr. LO, { brable, lment de ay', VAe -d,
,

/)

ret que g est discrte, c.est__dire

dnom_

s(A)
Alors
:

ar!Atll

p({a})

et toute fonction
absolument

f convergente

ar!l mesurabre est intgrabre si ra

vf e "u,* lfap:

: f(u)p({wll
srie r r (4 p (uil u!l
:

est

Application la mesure de comptage sur ( IR, gt1

F":

: n:O

n
:

Une fonction mesurable relle f est /c_intgrable si

J lrl cs. :

: i^ tr(n)l < +n:0

c'est--dire si la srie de terme gnrar f (n) est absorument convergente. On a alors

i- ,,n, I rdp": - n:o


b) lntgration pat rapport ta mesure de Lebesgue sur (lR, fr) on peut montrer que si une fonction f est intgrabre au sens de Riemann sur un intervalle b],
Ia,
arors f est intgrabre par rapport ra ,.nesure de Lebesgue et
:

PH TASSI - S.

LEGAIT

53

PROBABILITF. MESUFE, lNTEGRATION

J1a, bl f d

-i3 tl*t o"

De mme sur la, b[ {- oo absolument convergente , on montre que f est intgrable par rapport la mesure de Lebesgue et
:

J, .. Id: lir,'l-

J!t1^1

or:

lim ,i3tl^t :r|,

o*

NEGLIGEABILITE

C'est une notion cousine de "l'galit en gnralo cite au paragraphe 1 ; en 1882, Harnack dfinit l'galit en gnral de deux fonctions f et g si, pour tout ! > O, {x/lf (x)- S (x)l > e} esl un ensemble discret. L'apparition quelques annes aprs de la mesure conduit assez naturellement la ngligeabilit.

5.1

Dfinitions
.&, pl un espace mesur.

Soit (Q,

Dfinition 18
Un ensembleAest ditg-ngligeablesi

f Be

,t4, AC

B et,t,r(B)

0.

Dfinition 19 une proprit n dfinie sur o sera dite vrifie /-presque-partout (/-p.p.) si I'ensemble des ar ! Q pour lesquels elle est fausse est pr-ngligeable. Dfinition 2O
Une fonction mesurable relle estp-ngligeable si est g-ngligeable, i.e.
:

{ol (ul +

o}
0

tt{ul (al * 0} :
Remargue
Dans le cadre d'un espace probabilis que srement" (p.s.).

P,,,4,

P), on emploie le

qualificatif npres-

54

PH' TASSI - S' LEGA1T

PROBABILITE, MESURF, }NTEGRATION

Proprit 21

f:

soient f et g deux fonctions mesurabres. on dfinit la reration * par * f g si g /r-p.p. c'est une relation d'quivaience sur l,ensemble des fonctions mesurables.

Proprit 22

soient (fn)ne ru et (gn)n!N, deux suites de fonctions reiles mesurabres ; si : fn 9n g-p.p.Vn, alors
:

o Sup f n : srjp gn /-p.p. o inf fn = inf gn g_p.p. o lim sup fn : lim sup gn /_p.p. o lim inf fn = lim inf gn p_p.p. o lim gn : lim fng-p.p. ( condition queVc.r, lim fn (r.,)existe).
n

5.2

Proprits

Proprit 23

soit f une fonction mesurabre reile intgrabre dfinie sur est finie g-p.p. Dmonstration
On suppose que

(o, &, pr.Arors f

f)

O.

:1*1. Vn ) 1 ng(M) : .[n1* dp < lldp( +oo car nlt ( f d'o: p(M) : o Pour une fonction intgrabrequerconque, I : f* - f-, ir suffit de considrer les deux ensembles Soit:M:
{c.rlf (ar)
:
:

et
Propril 24

: trl f' M- - {arl fM*


1)

: (ar) :
(c.r)

+ -1 +
oo1

Sif !,/(.*, J,tdp :

O e>

f:

O g-p.p.
55

PH.

TASSI S. LEGAIT

PROBABII

IIF.

ML SURF,

I\

ILCFATION
't

2) Si f est une fonction relle mesurable

f :O /_p.p.<+Jlfl ds:O
3) Si f est une fonction relle mesurable et Ae ,t4

g(A) : I + Jofds:
4)
Si f est une fonction mesurable

f : O _p.p. + JfOg : I
Dmonstration
1) si

Si

h!i*:

h- I
n

h: Op-p.p.alors:

x, 1^ i:1 | Ai
x, rr(A;)

si| e .,U*
orsi 0
d'o
:

-lno/:: i:1
.

:O
f}

lfdtt :

sup{-fhdpr, h

e 6*, O < h <


/-p.p.
o

( h ( f: .. f : O g-p.p. + h : Jfdp: O: Vn)1o<ttLf>tI:-f

+ Jhdp :

Jfdg :

Rciproquement, si

r
1

tr<

, dlt(nJfdP rt
n

donc:

Vn ) 1 p lI )-l:

rtlt+ol:
d'o:
2) lmmdiatcar 3) Si
en effet

< ; tt 1, >!1 ; tt >1tt tn: n I'l n:1 1


f :O
P-P.P.

f e "4f

f : O g-p.p. < lfl : O /-p.p. et 1r(A) : O alors f .ln : O ,u-p.p.:


(ul+O} CA
O/-t-p.p.
PH TASSI S. LEGA]T

{co/ (f . 1^l@l+O\:{coeA/I

donc:

ltlu/f .1^+ 0l:0 etf .1A:

PROBABILITF, N/ESURE, INTEGRAIION

D'aprs 1) eela entrane alors que

Pourf : fo * f-, 4) SoirA

1.7a

dr

IOtau

lotaa=Lt.d/r-f-dp:q
JU

: {f + o}, u(A) : O. ldp: lOtau: lUtau:

fdg:9

(f

O sury

Proprits 2S

t,

Jtap: jsdp 2) Soit f intgrabre, g mesurabre. teiles gue f : etJgds jfdi.


=
3) Sip est o-f inie,

:,""'rl

f et g deux apptications mesurabtes positirres, teiles que f

g r_p.p.;

g p-p.B. Arors g est intgrbre,

f: g
Dmonstration
1) Soit

s_p.p. <+

VA ! ,*

la tdp :

f, sal

A: {f + s}, p (A) : O I tap: lotau + IUtau: lUtau:.! sdr:.f, odr + sdr : gdrt J fi 2) llsuffitdeposer f = fn f- et g: g* _ g erd,appliquerl). 3) f : gp-p.p. VA e ,t( lo.f : 1A.g /./_p.p. - lotau: .f, odl d'aprs2)
Rciproquemenr : VA

, lO ldp :

1O

OdU.

f: g

Notons que l'on peut supp.oser


p-p.p.,

ilsuffit

f et g jouant un rle symtrique, on montre simplement que


t PH TASSI S. LEGAIT

f g " sans perte de gnralit. d'avoir, f 1{rtn} : I 1{r"n} lr-P'P' f f tt,=nt =91{,<n} lt-P'P'
;

pour montrer

't

urn,

: 9l ti>nJ P-P'P'
57

PROBABILITE, MESURE, INTEGRATION

onnote: (F>G I ro ror

F:f.l{r"n} etG:9.1{t"n}

Lnlr>n]

rdP

lon{r=n} sds :

L oou

et il s'agit de montrer que F Supposonsdoncque

: G

lJ-p.p-

f 2 S : g tanta-finie f An ! &,An C An*r et o : limlAn, /(An) < +: :

On pose

Bn: An n {s(n}:Bn C Bn+l,et limlBn:liml {g(n}: Yu /


lim
1

[g<+-]
g

Bn,g(ar)

+oo

f(t^r) puisque

f2

ll faut montrer que

Vn, f I Bn : I l Bn g-p.p.

ttrn
o:

,ilen tt'n

glBn) *nlsn

g'n )
g lBn)

trn tou :

-i(f

trn -

dg

* Jrn gdl

Jrn odl = Jrn ndg : ng(Bn) < + oo


On simplifie et
:

-i(f len

- glBn) dlt: o = 1len = 9lrn


limlf lBn = liml glrn
f 1,,r,rn
/-P.P.

A-P'P'

d'aprs la proPrit 24.1).

1,'r,rn
p-p.p.

l/-P'F'

d'o:

f :g

PH.

TASSI S. LEGAIT

PROBABILITE, MESURE, INTEGRATION

Thorrne g (dit de Lebesgue ou de la convergence domine ; 1gO3) soit fn une suite de fonctions mesurabres et g une fonction intgrabre.

onsupposequeVn,lf"l

< g p_p.p.et fn

Alorsfn etf sontintgrablesetJlf.

1r - fl du *

p_p.p.

O (n_oo;

6
Dfinition 21 soit (,

MESURE DEFINIE PAR UNE DENSITE

unespace mesur etf ! "r(,* @,-{,/).on v:.r/ *"{tp lR'par:

dfinit |apprication

VA e

.4,

y(A)

lOtau

v est une mesure dite absorument continue au sens fort par rapport g, et de densit f par rapport p.

On note : v

.p; v dfinit bien une mesure


J l:nn tdlt

sur (e,,,41

' (nio An) : : ;


d'aprs la proprit Remarques

13.

nlo Jl^ fdp:rv(A)n' n:o ^n n

: J

(lon f) drr

1)

Sif : I'

p-p.p.,

VA C ,lOfdp

= lOfaU doncyestdfinieparune

classe d'quivalence de densits, gales g_p.p.

Notation

fe

dv

dp

2l si f est intgrabre, on peut de cette faon engendrer une probabirit sur @,.r/l en crivant: vA e
PH. TASSI

.4

p(A)

= +#
59

- S, LEGAIT

PROBABILITE, MESURF, INTEGRATION

ExemPle

v:oe-exl,p-(x) .i
:

est une probabilit sur (lR, fr'1ae densit f (x)

0e-0* 1,..(x)

Thorme 1O
Soit g une fonction mesurable;
"f

g esiv-intgrable <+ gf est g-intgrable ; on a alors

Sdv: Jgfd/

Dmonstratian

cSi

g:1A,Ae.4l J 1o dv :

v (A) : JO fOl

.l'1

: af dp ! gldU

oSig ! 8* g: I x 1^i Aie '&

: : -isdv : I ^i v(A,) : I x, to, tou J> x 1o. fdg lgldlt o Si g e"ht) g : liml gn, gn ! d*
.igdv :
o Sig
lim

1-igndv

lim

Jgnfdg : ! gfd!

Jlim 1 gnfdl(Beppo-Levi)

: g* -

g-

sestv-intsrable

e
<+

(-in. ov ( + oo {ln. fdg ( o _ < * lrn- rou < irn_ o,


gf
estg-intgrable

+ +

oc

oo

Thorme 11

Soit v une mesure de densit f par rapport trr' : O ,s(A) :0 + Y(A)


D'aprs la proPrit 24.31:

g(A) 60

:O-lOldg:v(A)

:O
PH' TASSI - S. LEGAIT

PFOBABILITF, MSURE, INTEGRATION

Dfinition 22
Une mesure v quelconque sur (O, ,.r4) est dite absolument continue au sens faible par rapport une mesure l.{ sur (A,,,Ol

VA ! &, p(A) :
On notera v < p
Ur

O =+ v(A)

"i:

domine

u).

on voit donc d'aprs ra dfinition 21 et re thorme 11 que toute mesure absolument continue au sens fort I'est au sens faible.
En pratique. il est frquent de travailler sur (lR, g,'), (n", fl.n1ou(N, .7(N)), munis de lois de probabirit qui seront domins par,i. msur.,0" L"b""gue sur rR, 'n, mesure de Lebesgue sur rRn, os rtc, mesure discrte de comptage sur rN;ces lois admettront donc des densit" p", r.pport , nou

lt".

Les thormes suivants noncent des conditions gnrales d'existence de densits. Thorme 12 (Radon-Nikodym ; 1930) soit g une mesure a-finie sur (e. .4'y et v une mesure sur @,.q absorument continue au sens faibre par rapport g. Arors ir existe une ctasse un,qi"-G
de foncrions mesrrabres positives

si v est o-finie, et eiles sont intgrabres si et seurement si v est finie.

r.p v

@,.ta) - (rR*, fr;i,-e'"1." rr-p.p.,teiles que f ! G. en outre, ces fonctions f sonr g-p.p. iinies si et seurement

Dfinition 23
v est dite trangre

p si

lN !.il,
Thorme
1

u(N)

Les mesures g et y sont donc presque partout supports disjoints.

: O et

v(N;

3 (Lebesgue-Nikodym ; l93O) soient deux mesures g et v sur (e, -tJl, p o-Iinie. il existe une unique crasse de foncrions mesurabtes positives f :iO, ,_41 I g,.y, eg"r""r_p.p.,Li ffil,' une unique mesure v, trangre p, telles que
:

v:f.!+v'

7 INTEGRATION PAR RAPPORT A UNE MESURE-IMAGE


Soit un espace mesur @,.d, p), etlt une application mesurable

e,.tll -

1c:,.e)
61

PH TASSI - S

LEGAIT

PROBABILITE, IVESURE, INTEGRATION

Thorme 14 (Thorme de transfert)

fr'\'f.est intgrable par Soit f une application mesurable ', (O','&'l - (lR' mesurable foT rapport a t" r"suie i;";; gi si et Leulement si I'application outre en @,:.4,) - (lR, fr'1 est intgrable par rapport lr ;
:

I
Dmonstration

tapt:3 o'o
n

foTdg

oSi f e 6*
n

f:,Ir*,
l:l

1o,A,e.z/'

1o. oT dg : X' .l -OfoTOg : JO i:1 "'l

:;

xl 1^oTdP i:1 r-o Ai


n

,It
n

*,

ln t1r-'{n;)} d/
: -l= r *,i gT(A,) I o'
fdgr

: ;
o

,=t

x, rlr-t (Ai)l l'-

Sif ! Jf, f = limlfn o fn ! * foT: limlfnoT


:

On utilise le thorme 8 de Beppo-Levi

In

tor dP

lim

'

ln

tn oT

dg

lim t

ln, tn dltr :

Jn' togr

o Pour f quelconque. on pose


Application

f : f* -

f-'

SoitXunev.a.de(Q,.'4,Pldans(1R,8'l,etguneapplicationmesurable: j ffn,-'&.1. Ani" goX est p-intgrable si et seulement si g est i,^,' n)


Px-intgrable; on a alors
E
:

(goX)

goX

dP

J,^

dPx
PH' TASSI S' LEGAIT

PROBABILITF, MESURE, INTEGRATION

En particulier

(X)

:
lR.

J,,

oex

o I est I'application identit de

lR

dans

o si Px < (,r mesure de Lebesgue


rapportet: E(x)
o Si Px

sur rR). pX admet une densit f par

= Ittd: J]: xf (x) dx


W)l
+oo

4 F" (tt"mesure de comptage sur (lN, g

g":
l'observation x"), on a

il existe une densit f telle que pX


:

f .pc; en posant p,
+
x

^lo

f (x) (*probabilit de

E(X)
Exemples
1) Une

: ltfdp": ' x:O


:

v.a.r X est dite suivre une loi de poisson si

pxE(X)

: e-. ^x x! x:0

:-itop*:
(x) .,1
:

2) Si px
E(X2)

ni xe-i x:O - JJ

':
x!

e-" l,r_

= |nX, Ot :

Jn x" dpX

x, e-, dx : l-(3;

: ,

Thorme 15 (Changement de variable) soit T un diffomorphisme (c'est--dire ung application inversible, diffrentiable ainsi que son inverse) de * :- 9,.t, g'orun continment ouvert de lRn : ?j^U T (#) un ouvert de tRn; alors;n etant'ta"rr"rL o" Lebesgue sur
lRn:

11t.nlt = 1s.lL{t-rll .In


PH TASSI - S

LEGAIT

63

PROBABILITE, MESURF, INTEGRATION

o J

drives Premires de T-'.

11-1)

est le jacobien-de T-1, c'est--dire le dterminant de la matriee des


:

a Rappelons que, sous les conditions usuelles de rgularit' on

J (T-') Corollaire

{T)

r^gPport ^1 g" n g une mesure admettant une densit I pt' U : F 19(l ; alor ^ fr sur (gl ouvert de lRn). et soir T un diffomorphirt" de par par rapport i n donne trrT admet une densit Pr : 1 s/.lJ(T-'\l foT-'' n

Soit

INTEGRATION PAR RAPPORT A UNE MESURE.PRODUIT

8.1 Mesure-Produit
Thorme 16 Soient

l}r &i, lr,) n esPaces mesurs (i : 1 n) tels gue li n n On note' o, n = ,9,'' ,!,, "'

a-finies'

ll existe une unique mesure

/ appele mesure-produit sur @, ,-o\telle nn ,11 : n lr(A,) ! : ,,4,,p VA -''i ,' '- 'i-1 A,) '' i:1
'

que

Notation

lJ:

1(i(n

Fi

Thorme 17

: 2, la mesure-produit g est dfinie par VA ! &.,8 &r,! (A) :Joz tt1(Ar2l dltr(url - Jnr tt2l{rll dpr(utl
Si n
:

64

PH' TASSI - S. LEGAIT

PROBABILITE, /ESURF, INTEGRATION

o:

or., : {^z ! Qr/ (c't'

o,rr)

e e

A} A} en ur) et est .& r-mesu-

orr: {rt e Q,/ (t't' .

torl

(resp. Arr) est appele section de A en a,1 (resp. , 1", raDle (resp. ..{ ,, -mesurable).

Remarques

1) On vrifie aisment Ou" Aarl est ..{r_mesurable

larr(l"or): . ,d r-mesurable
On

<+

(a,

t' on no," F,1 I'application


lAot :
1A o Fr,, donc

r): de O, dans ()1 X f)2 : u2 * @,, ur), po,t est


cl
1

olrl

e A <+ 1o(u'

puisque ses 2 composantes le sont (thorme 6).

"

tor,

uut .rlr-mesurable et par l-mme

o.r= &r.

2)

SiA: At

X Az A, e f

o,' :

&r,A2e

.il2

A, si a'r, ! A',

d'o

lO"':@si ,r/e,
:

s(A)

: ,n, u,

(A,,,) dt,,

L.,
.k

p2 (A2l

dttl

p2 (A2l p1

(A1)

Exemple : Mesure de Lebesgue

Vk,

k'

Llk, :

ik*k.

8.2

lntgration

Thorme 18 (Fubini)

ttr) et (Qz, &2, lt2) deuxespaces mesurs, /r, et tt2 a-finies. On note ! : F1 E /r, sur (er x er, &., 9.421. Soit X une fonction mesurable positive ou intgrable dfinie sur (o.t x er, &1 a .421.
Soient

(Qt,

.ilt,

PH. TASSI

-S

LEGAIT

65

PROBABILITF, MESURE, INTEGRATION

Ona:

tn'

* nr*ou

: tn., ttn, * @,, url dttrl 61tt : tn, ttn1 * 1u| url dtt,tl dP2

Remargue

LorsqueX

1o avec A

e .41 Lt42
lt (A)

: tn' t\
Exemple

'n.,

* nr

to dlt :

Jn,,

tt' (A'rl dtt'


dPz] dttt

1a,., drzJ dP,

: fo' [Jn, ln

Soit (X, Y) un couple de v.a.r. de densit f par rapport


E (XY)

i, : p(x' Y) : f i,

Jn xvoe

J J,*, xydp(x'

Y): J J,*, xv f (x, v) dx dv

: J,, [J,^ xY f (x. Y) dx] dY

66

PH. TASSI

- S. LEGAIT

EXERCICES

2'l

Soit g) un espace mesur, f une fonction relle dfinie sur fonction relle quelconque. Montrer que fg est g_ngligeable.

lA' e'

O 1u-ngligeable et g

une

lndication

{u/f (u) s(al + 0} C {u/r@l +


2'2
continue gauche.

0}

0n appelle fonction de rpartition sur lR. toute fonction de lR dans lR croissante au sens large et

Montrer qu'il existe une biiection entre l'ensemble des mesures g finies sur lB et l'ensemble des fonctions de rpartition dfinies une c0nstante additive prs. 0uelle est la fonction de rpartition conespondant la mesure de Lebesgue,. ?

lndication..A partir d'une mesure

on dfinit Fu par

Vx ) a
Vx ( a

Fa {x) Fa (x)

: tt

(Ia, xl
([x, a[]

: -p
Fu (x)

0n vrifie que F. est bien une fonction de rpartition et:

Vx ! lR, Fb (x) :

constanre

D'autre part, on construit partir d'une fonction de rpartition F la mesure dfinie par

tt (la, x[l

F (x)

(a),

Vx )

A la mesure de Lebesgue correspond la fonction de rpartition : F(x)

: x (+ constante).

2'3

En se servant des rsultats du 2.2, on cherchera une condition ncessaire et suffisante pour qu,une mesure soit continue sur lR.

lndication
Une mesure est continue si

0r:
TASSI S. LEGAIT

= 0 Vx e H. s({x}) : p([a,x])-([a,x[):
g ([x]]

F1x*;-r1x1

donc une mesure est continue si et seulement si sa fonction de rpartition est continue.
PH.

6l

PROBABILITE, MESURE, INTEGBATION

2.4

Soit @, ,-4, vrifiant :

glun

espace mesur,

(fn)n>t
f-

une suile de fonctions relles positives intgrables

Ir

n-co --->

p-p.p.

!lndtt' lrdp
o

f est positive et intgrable.

Montrerque

Jlfn-fl dg * 0
:

quandn*oo.

lndication.'ll suffit d'crire

+ "ilf-fnl dl = -i(r-rn)* ds "f(f-fn)- dl


Comme
:

-f (f -f.)

dp: I {f.-fn)* dp - t (f -fn)- apn*a


:

par hypothse il reste prouver que

..

-f(f-f-)'dg-. r' n**


(f

-fn)*
(f

(f, -

intgrable

et:
donc
:

-fn)*

g-p,p.
o

d'aprs le thorme

-l(r-rJ*
:

dp

2.5

Calculer en utilisant le thorme de Lebesgue

n*oJa
lndication

lim

.+

n2

.'_l

x'

"-n2

dx (a>o)

f+ J a

oo n2 * r-n'xz , dx: ----

1+x2

[,e-u' l*na ----------

du

l+
u g-u'

uz

n-

f+ - Jg

1. {u} -----2 lna'+1 " 1+ + n

du

6B

PH. TASSI

- S, LEGAIT

PROBABITITE, N/SURE, INTEGRATION

Soit

fn (u)

:
0,

ltnr, * *1(r)

u e-u

1+

--^
nz

,z

lorsque n
donc
:

* -,

1[nr, *_J (u)

fn(u)-0
0r:

lf,
et:

(u)l

ue-"

Jfr- ,r-'" u, : Jn-

donc:

f, u'
(u) du

o,
o

:* (

+oo

rim Jf,

PH. TASSI

- S. LEGAIT

Chapitre 3

Les variables alatoires


sur un espace probabilis. Outre les principales caractristiques des variables alatoires relles (fonction de rpartition, densit, moments, etc.), le chapitre prsentera res variables multidimensionnelles et traitera des liens entie variables : indpendance, conditionnement, etc. lr fera rfrence, autant qu,ir sera possible de le fare, a rup_ plication statistique de la thorie des probabilits.
RAPPEL DES DEFINITIONS Nous regroupons ici res

Ce chapitre est consacr

l'tude des variables alatoires dfinies

isurtats

vus dans res chapitres prcdents

Dfinition

@,,-4., P) et

.(A',.,,&,1 espace probabilisable, on appelle variabte atatoire mesurable X: (Q, ,d1 - @,,,r/,1.
Dfinition 2

tant respectivement un espace probabilis et un

tv..ixiout"

"ppti""tin

on appelle loi de probabirit de la v.a. X


Px, dfinie sur (O'.

&,1,

ra probabirit image de p par X, note

VA, ! ,,4.,, px(A,) : p(X_l (A,)) : p{X! A,}


Langage et notations Si (O', ,,&'l est (tR, g,) (resp. ( tp, (resp. vecteur alatoire de dimension p).

&pD, X est une

v.a. reile, note v.a.r.

fffi"jj

o Ayant muni (rR, &) (resp. ( rp, g,p}), de ra mesure de Lebesgue i, (resp. '10), une.,v.a.r. (resp. vecteur aratoire) sera dite absorument continue si px<<, io) ; on dira, de faon usueile er par abus de rangage que x est

"

PH. TASSI

- S. LEGAIT

LES VARIAB

tFS ALEATOIRES

De mme, si X prend ses valeurs dans tout ou partie de(2, 9(Z)l,Xest g (ZDest muni de la mesure de comptage une v.a. discrte et PX << gc quand @,

lJ c.

o Les lettres rondes dsigneront I'espace des valeurs prises par la variable
est X (O).

ainsi ,%

Exemple '' A partir de l,exprience consistant lancer un d parfaitement par le d quilinr, on peut tinir une v.a. discrte : la valeur du point amen (t : ti, z, s,4, 5, 6]), ou une v.a continue : la distance entre le centre de gravit : lR1)' du d pr rapport un origine lie un repre 'fix (fi Remargue: Dans la pratique statistique. il est parfois difficile d'avoir des obserodiscrtiSer' AinSi les vationS d'une v.a. continue, et on Sera Souvent amen la tranches de revenus, des dmographes utilisent des classes d'ge, les conomistes
etc.

un Dans la Suite, et sauf mentioh expresse, les v.a. seront toutes dfinies sur mme espace Q,,4,P\.

CARACTERISTIOUES DES VARIABLES ALEATOIRES REELLES (u NIDIM ENSION N ELLES)


1

,1 Fonction de rPartition
partant de la dfinition, de la fonction de rpartition d'une probabilit (cha-

pitre 1) :

Dfinition 3
variables odiscrtes,).

soit X une v.a. valeurs dans tout ou partie de (lR, fr) rce qui inclut les

on

la appelle fonction de rpartition (f.r.) de X la fonction de rpartition de


:

probabilit P^

Vx ! lR,

notefrquemment Notation

: Px (l--, x[) F(x) :P{t';/X(.,l<xl\ F(x) : P(X < x)'


F(x)

F*' Par la suite, lorsqu'on aura besoin d'identifier la f.r. cl'une v.a. X, on utilisera
12
PH.

IASS]

-S

LEGAIT

LES VAR]AB LFS ALEATOI RES

Proprits : Elles sont identiques celles vues au chapitre 1

o F est continue gauche e F est une application croissante e lim F(x) : 1 x*+oo o lirrr F (x) : I
X--oo

Remarque : Si X est une v.a. continue,

F est en plus eontinue droite et drivable.

1.2 Densit de probabilit


Dfinition 4
fonction mesurable f

soit X une v.a. absorument continue par rapport ,1. on sait qu,ir existe une
df inie sur (lR, &.,1,

posi,tr", teile que

f tant la densit de probabilit de X.


Remarques
gale h pourx

Px:

.,

1) Par dfinition. une densit sera donc valeurs sur CA er nullesur, A! 4.,sera crite
:

rR+.

Toute densit f,

f (x)

h (x).

to(x)

Ainsi,parexemple,radensitf (x) d'uneroi uniforme %ro,,r neserapascrite:

1 {r1^1 : 6
f
mais
:

t,^, :

si o

x -<

sinon,

f (x)

tto,r1(^)

2) Soit unev.a. discrte:PX <</" o dnombrabl"

u'

!":

Z ",

xdcrivant l,ensemble

^'oo*

e g,r*11*1y

: > xeI

pxu.rl

,^

t (x)

pour f (x) mais celui de probabilit lmentaire.


PH. TASSI

on retrouve donc I'anarogie avec re cas continu : ici pX - 1 . Fc o yx gl:, px ({*}). En calcul del probabilits, on n'emploie pas le terme de densit - S. LEGAIT

l3

LES VARIABLES ALEATOIRES

Ainsi, comme on l'a vu au chapitre 1, les cas discret et continu se traitent de la mme faon : par exemple, ointgrer, consistera, pour le premier, sommer une srie, pour le second calculer une intgrale de Riemann (dans les cas usuels), ou une intgrale gnralise comme vu au chapitre 2.
Liaison entre densit et fonction de rpartition

Thorme

fr./ muni de la mesure de Lebesgue i, X une v.a. absolument continue, de densit f i-presque partout continue, de f.r. F : alors F est drivable -presque partout, et :
soit (lR,

dx-O
Dmonstration

lim

F(x+6; dx

F(x)

d,

F(x)

(x)

Sous les hypothses du thorme. on a


F

(x): {n 1,__, ",dp* : JR 1 x{f (t) d, (t)

: Jr- f (t)dt'

]- -,

Remargues

1) Retrouver la densit f par drivation de F ou F par intgration de de sens que pour les v.a. continues.

f n'a donc

(t)dx: Cela correspond la proprit P(O) : 1 : F(+oo) ; en effet : {n f (^tdx: PX(IR) P(Q) :
Jrn f
1 1

2) Ona:

Pour une v.a. discrte, de probabilit lmentaire f, on a

x!9[

f (x)

sf

Jf t (t) dt :

(b)-

F (a)

PH.

TASSI S. LEGAIT

LES VARIAB LES ALEATOIRES

.3 Moments

crte ou continue.

, D"n: tout ce qui suit, res diverses intgrares et sommes sont crites sous rserve d'existence, en utirisant re symbore d;intgration sans orstinguer v.a. dis_

Dfinition 5

on appelle moment non centr d'ordre k de ra v.a.r. X ra quantit

rr.
En passant dans l'espace-image
:

Jo xk op

r* :
Si
PX admet une densit

JIR xk dpx

1x1

f par rapport une mesure p sur

lR, on a

rr :
Si X est absolument continue
:

JtR xk i 1x; cp

1x;

rr,
Si X est discrte
;

:fI

^k

t1";

0,,

-n:
Pour k

Px (lxl)

1,

.t

^uxk

n'est autre que l,esprance E (X).

Dfinition 6
On appelle moment centr d,ordre k de la v.a.r. X la quantit
;

ttr.

: 1e

tX

E (X)lk dp

lrr : JtR (x Pour k

m.,)k opx (x)


:

:2,

le moment p2porte lenomdevariancedeX.noteV(X)

V(X) :E(X-E(X))2
PH TASSI S

LEGATT

t5

LES VARIABLES ALEATOI RES

Par simple dveloppement, on tablit le rsultat suivant, conRu sous le nom de thorme de KOENIG :

V(X) : E(X2) - E2(X) : mz- m|


La quantit a (X)

la mme unit que X.

: firc

s'appelle cart-type de X. Elle est mesure avec

Dfinition 7

Onappellemomentfactorield'ordrekdelav'a'Xlaquantit:

/[r]: Etx(x-1)
Proprit Soit
1

'..

(X-k + 1)l

I'ensemble des fonctions mesurables df inies sur (Q, .4 ' Pl valeurs pour (X' Yl ! 92' dans (lR, fr,1, intgrables. I est un espace vectoriel sur lR ;

ona: r E(X+Y) : E(X) + E(Y) o Va ! IR E(aX) : aE(X)

et

V(aX)

a2 v(x)'

Ces rsultats dcoulent directement de la linarit de l'intgrale.

Proprit 2 : Ingalit de Bienaym-Tchebichev'

Pllx-al > si < **,


Preuve

v! >

o, Va

rR

E(X-

a\2: lA (X-a)2 dP
< !) dP + -l(X-a)2
:

E(x-

al2

: I (X-a)21t1*-al

ltl*-ul>eldP
dP

En minorant la premire intgrale par 0, on a

E(x-

alz

2 (X-a)21t1*- al> eldP > ! t' ltlx-al)e1


E(x:

d'o:

a\2

>

e2

P{lx- al>El

corollaires.. lls varient selon le choix de a et de la v.a. considre. a) Pour a :0, on obtient

P(lxl
16

>rr

.3 t'
PH TASSI , S. LEGAIT

LES VARIABLES ALEATOIFES

b) Pour a E (X), on obtient ra formure *crassique,. dj vue au chapitre 2, de Bienaym-Tchebichev :

P(lx-E(x)l > 6) < v(x)


E,

loi binomiale g fiOOO,+), on montre (cf. chapirre 4) que E (X) : bOO et 2 V(X):250;pourr.: b: p(lX-bOOl > 5) << tO,cedontonsedoureapriori,
puisqu'une probabilit est valeurs sur [0, I ]. Supposons que X suive une loi uniforme valeurs sur densit f (x) : 1to, (*) ; on montre (chapitre 4) que : r1

cette formule donne une majoration de ra probabirit pour que X prenne des valeurs hors de t'inrervaile lE (X) - ! , E (X) + e[. Le principe Crn" de ta dmons_ tration donne une ide de la qualit de cette majoration. Par exemple. si X suit une

[0,

].

%rc, r1, d"

: "t L'ingalit de Bienaym-Tchebicheu f?urnit. pou, ; :t,1_111 p(lx


E(x)

:]

v(X)

12

-11 >T) <E

alors qu'il est trivial que

P(lx-]t 2',

"1,
2

1.4

Fractiles

Dfinition 8
On appelle fractile d'ordre a de la loi de X {O < a que xd : sup {x,zF" (x) < a}
:

<

1) le nombre rel xo tel

PH, TASSI

LES VARIABLES ALEATOIRES

Dans le cas d'une v.a.r. X continue, F* est strictement croissante et continue. et donc xo est l'unique nombre tel que :

F*(x/:a
Exemple d'une v.a. discrte Soit X valeurs dans (lN, 9l(lN))de loi de Poisson de paramtre 3 (cf. chapitre 4) : X - > I (Sl. ta lecture de la table 4 nous f ournit les valeurs de F", et donc
son

graphe:

0,1992 0,0498
X

a:

Ainsi pourO < x ( O,5, ontrouveXo,s:

: P(X<1) : P(X:O) = 3 ; poura: 0,1992, lefractilevautl. 1


F*(x)

0,0498. Pour

Notations :

o o

Pour a:0,5, xa estappelmdiane;poura: O,25 (resp.0,75). xoest le premier (resp. troisime) quartile Pour a : k/10 (k entier de 1 9), x^ est un dcile Pour s : k/lOO (k entier de 1 gg),"xo est un centile.

1.5
o o o

Changement de variables

Thorme 2

g Soit X une v.a.r. absolument continue, de densit f . 1 g par rapport , tant un ouvert de lR" Soit g,une application g; - g (g tant un autreouvertde lR), inversidiffomorphisme). Y: po X est une v.a.r. absolument continue, de densit g par rapport
g (y)

ble, continment diffrentiable ainsi que son inverse (9 est un

focp-' (y).l(e-')'

1v)1

7(y)
PH,

18

TASSI S

LEGA]T

LES VARIABLES ALEATOI RES

Exemples

a) X suit une loi exponentielle de densit


f (x)

e-x

,*_ (x)

On considre la v.a. y : r,&, par l,application g de lRi - lRi dfinie par e fu) = r,6. tr est vident que g vrifie les hypothses du thorme 2.

d'o:

u:lRi'
g (y)

(-'|(v):2v

= 2y e-v, l rn; (V)


:

b) soit X une v.a. suivant une roi uniforme sur lo, 1 de densit [ f (x) = IIo,,,t(*). soit
diffrentiable, ainsi que son inverse a pour densit
:

p:x--xtdel0, tI
g(y)

dans ]0,

e-, :x *

1[

uneapprication inversibre,continment
,,,& de lO,

rIoans t,

ii . y: i;'

Z6-

1ro,r1(v)

c) ll est parfois possibre de dterminer ra roi de de la fonction de rpartit'on de y,


Soit X de loi normate N (0, 1) (cf. chapirre 4),

y:

9 (X) par

re carcur direct

et y

= g(X) = { 2
si y si

< Y) = O Fy(y) :P(Y<y) :P(X'<ZVl


Fy(Y)

P(Y

y)O

: p(-,/2y < x < \/2y) :


Par drivation, on obtient la densit

Fx

tt/Wl _ Fx\6)

f,

de

ry (y)

: J' t* 6/2y y t,^. (v) ., -I Vil 6

f.Y(y) :

"

,n1

"-Y

lR.

(Y)

Y-1/2

e-

'

1,n;

(v)

PH. TASSI

S.

LEGAIT

79

LES VARIAB LES ALEAIOI RES

2
Soit X

VECTEURS ALEATOIRES
; on notera par X,

: (A, .4, P) * (lp, g.p) : 1p). vecteurX(i

;"

|me

coordonne du

cas discret, de la mesure de comptage-produit.

On munit lRo, 8,o7 de la mesure de Lebesgue iD ou ventuellement, dans le

2.1 Fonction de rpartition


La f.r. de X est une application de lRp dans
F

[0, 1 ] dfinie par

(x'' ' xo)

: :';" .::_,'.
P

",

l-,; :':,,

xp (",)

"o]

{X.,

<

x,. ..., Xp

*o}

2.2 Densit
Si

de probabilit

0,

il existe une fonction mesurable positive f :(lRp, n'pl'1lR*, fr'*l telle que PX : f . r;f est la densit de probabilit de X.

X:

(Xr, ...,X0) est un vecteur alatoire absolument continu par rapport

Thorme 3 : Lien entre densit et fonction de rpartition

: f (xr, . ...,^o) P
Ainsi, dans le cas n
le Pav

P F (x'. ..., xo)

:----:x, x, ... x,
sur

D : l- -,

x, I X

: 2, la f.r. au point (xl, x2) est l'intgrale de la densit ]- -, xz[ soit


:

F {x,,

xr)

: Jlo

f (u. v) du dv

BO

PH TASSI . S. LEGAIT

LES VARIABLES ALEATOIRES

Exemple
Soit (X, y)de densit f (x,

y)

o:

: + x"A

to

(x, v)

A : {(x,Vl;x 2 l,y 2 O,y (

x}

On dfinit les domaines suivants

: {(x,y) ; x ( 1 ou y < O} c: {(x,Yl; x} l,y ) x} D: {(x,yl x21,0 < y ( 1}; E: A-D


B
F est

dfinie par

F (x'

Y)

: "l i

r-

-,

xlxr - -. yl

-;1

du dv

V(x,y) ! B
F(x,y) : g

o Soit

(x,

y) ! D F(x,y)

: 4 # r{ out o, :
:d'j#our
t- t - I - 2x' - 2v

o Soit (x, y)

ir-I,
dv
B1

F(x,y)

ov+{'{#dur

F(x,y)
PH.

IASSI - S. LEGAIT

LES VAFIAB LES ALEATOIFES

Soit (x, Y)

!C

F(x,y)

:4
-1

'J#duldv.{l{#duldv
1

; :
1

Remargues a) Jpn f (xr, .... xo) dx, ... dxo

b) si (Xr, ..., Xo) est un p-uple de variables alatoires discrtes, sa loi est 't dfinie par la donne des valeur" P,., . . ,0, P,, . ;o ! JO, 1
:

P,,, ...

io

[Xr

*t,r,

*, : ^2i2, Xp : ; i. c
r

xlp]

avec

Xr (O)

J'i

{^1.

ljl

et:

: rl i1!11 io!lo
Moments
X

"rP

2.3

a) Esprance
On appelle esprance de

(Xt, ..., Xo). le vecteur

E(x)

/
/'\

rx.r\

[ e.

o E (X,)

: lO X, dP sous rserve que l'intgrale existe'

x'r/

b) Covariance
Dfinition 9 soient X et Y deux v.a.r. ; on appelle covariance entre X et Y, note Cov (X' la quantit :
B2
PH. TASSI

Y)

- S, LEGAIT

LES VARIABLES ALEATOIRES

cov(X, y)
ou

: lo tx- E (x)lly- E (y)l dp ={*z tx_ E (x)l tv_ E (y)l 6p(x,y)


Cov(X, Y)

{tX

E (X)1.

ty- E (y)l}
y:y]

Remarque.' Dans le cas discret

Cov(X,Y)

\^" yeU !-. xe#


E

(^-E(X)) (v-E(y))p[N:x ;
:

Proprit : On montre aisment que

o Cov (X, Y) o V (X 1Y)

(Xy)

(X)

E (y)

V (X)+ V (Y)+ 2 Cov (X, y)


:

a et b tant des rels quelconques


Cov (aX,

bY): ab Cov (X, y)

Thorme 4 : (Cauchy-schwarz)
X et Y tant deux v.a.r. p-intgrables
:

E'(xy)

<

E(x.).E(yr)

Dmonstrafi'on : sous rserve d'existence des intgrares, pour a E(X+6Y12 2 L

! rR querconque,

E(X+6yl2
ou nul
:

E(X') +2aE(Xy)+a2 g1yz;

ne sera positif que si le discriminant de l'quation du second degr en a est ngatif

e2(xy)
Corollaire
et Y

E(x').E(yr) <

En appliquant I'ingalit de cauchy-schwarz, non pas X et


E (Y), on

trouve

y mais x

E (x)

cov2 1x.y) Dfinition 1O

( v(x).v(y)
:

on appelle coefficient de corrlation linaire entre x et y la quantit

P(x'Y)

:
:

Cov (X, Y)

o(x).o(

Du corollaire du thorme 4, on dduit

-1<p(X,Y) (1
PH, TASSI

- S. LEGAIT

B3

LES VARIAB LES ALEATOIRES

c) Matrice de variances-covariances
Dfinition 11
On appelle matrice de variances-covariances du vecteur X la matrice (p, p) de terme gnral a,,
:

o,j I
peut donc s'crire

[(XiE

E (Xi)) .

(Xj-

E (Xj))]

r:

{tx- r (x)lttx-

E (x)1}

Remarque
La diagonale de

est compose des variances V (X,), ..., V

(Xp).

Proprits dimension p; on a

Soient u et v deux vecteurs quelconques de lRp, X un vecteur alatoiie'.de


:

: E(tXu) : tu.E(X) : telX;.u oV(tuX) :tuIu o I est une matrice dfinie positive o Cov (tuX, tvXl : tu I v
o E(tuX)
Dmonstrations
Elles sont fort simples. Ainsi V ('iuX)

'1':,; l::1,, ,,T1riJ;":',:'lu - e ..xu)r]


V(>
p

Remargue

i:1

X,)

: :

i:1

v (xi) +Z

i+j

ii

Cov (X,, X,)

Corollaire
A (q, p) ; Y

Soit T une application linaire de lRp dans lRq, reprsente par une matrice

AX dsigne le vecteur de dimension q transform de X par l'application.

Alors

E(AX)

AE(X)

V(AX)
B4

AV(X)tA

: R>tn
PH, TASSI

- S. LEGAIT

LFS VAFIABLES ATEATOIRES

. En particulier, puisque I est dfinie-positive. I-1 Jlest aussi, et on sait ou,il existe une matrice symtrique : r-1 lc sera note'f.j ;;;"];; ^telle que'c2 faisant le choix A:\-t./2, V 12-ttz : lo,et le vectew y fl.e
a toutes ses composantes non

corrles.

.Il

,"'.rlj"irli

2.4
o

Changement de variables

Thorme 5
Soit

X:

g o soit(p: g - g c Rq - g ouvertdeRq diffrentiable ainsi que son inverse. Arors : y :


f .1
par rapport alatoire de dimension q, de densit par rapport
g (y)

(Xr, ....Xo) un vecteur alatoire : (A,.4, # tant un ouvert de lRp; ^ o,

p)-

(tRp, ge.pldedensit

inversibre.continment

,o

eox

est un vecteur

tocp-.

(yl

lJ (p-t)l l

srr (vl

o J (p-1) est le jacobien de rp-t, c'est--dire le dterminant de la matrice des drives premires.
Rappelons que J (rp-1) n'est autre que J-1
(rp).

Exemple
Soit (X, Y) un couple de v.a. de densit

f (x,y)

2 e-(x+v)

l*xF

(x,y)
ra roi

ondfinit lesv.a.

u : X+y et V:X-y.

oueileest

de(U,v)Z

L'application (x,

(x + y, x

e'(u,vl:( z_, 2
J

_i

- y) est de classe cr, ainsi que son inverse p-,: u+v u_v
|

(p-') :

1/2 1/2 1/2 -1/2


{(u,v)/v
1

et:
(p

(lRi

x lR|)

} - u er v( u} :
e-^u io(u,v)

d'o

g(u,v):
- S. LEGAIT

^2

PH. TASSI

B5

LES VABIABLES ALEATOI FFS

Remargue : Mthode de la fonction muette Soit X un vecteur alatoire valeurs dans (lp, g.pl et p une application de lRp dans lRq. On pose Y : g (X). S'ii existe une application f de Rq dans lR telle que pour toute fonction muette mesurable positive h (sous rserve d'existence des
intgrales)
:

Eth(p(X))l

: J_^ h(p(x)) dPx(x) :.1_^ h(y) f (y) diq lRq tRp


io.

(y)

alors f est la densit de Y par rapport

2.5

Lois n'larginales

Soit X de dimension p. On appelle loi marginaie la loi de tout sous-vecteur (Xr, ..., Xq) (q < p) extrait de X. ll existe donc C1 : o lois marginales d'ordre 1 (correspooant q : il.C: hcis marginates d'orcife z, rc.; au total, un vecteur de dimension p permet d'eng'endrer 2p - 2lois marginales. Les plus utilises sont les lois marginales d'ordre 1.
Le calcul de la densit marginale de (X.,. ...,Xr) n'est qu'un cas particulier du

2.4, o g est une application de

lRp

dans Rq dfinie par

(Xt, ..., XJ
Thorme 6

(X1, ..., Xq)

(Xr, ....Xo), alors (X.,. ..., Xo) (q < p) est un vecteur alatoire admettant par rapport io la densit
Si f est la densit par rappoft o d'un vecteur
:

X:

(x1,...,r0)

:
:

J,*o_o f (*.,,..., xo) dxoo, ... dxo

Dmonstration
Soit h une fonction muette

J h ((xt,..., xo)) f (xr....,x0) dx,, ...d"0 : lRp


d'o le rsultat.

J,*oh (*,,,....n0)
dx,,

tJ,*o-o f (xr' "" tof d*o*, "' dxoJ

"

dxo

Application : loi d'une somme de v.a"


Soit dterminer la loi de la v.a.

Y:

,1,

X,,

(X,,, ...,X0) sont p v.a.r.

PH TASSI - S, LEGA1T

LFS VARIAB LES ALEATOIRES

Une mthode usuelle eonsiste dfinir l,application

p : Rn

fin

lJ'-{l \ l\*o/
Ayant calcul la loi de p obtenir la loi marginale de y.

/*'\ l\/\

l*,

\',-'/ \v
I
lRp

(Xt,....X^),il suffit alors d,intgrer sur t t)'

1 pour

2.6

lndpendance

Dfinition 12
..., Xn) n vecteurs lj't P)et vateurs @,.4,

(),1

alatoires o dans (lRPi, fipi).

X est dfini sur un espace probabilis

(X'), 1Y,t

<,<n est une famiile de vecteurs aratoires indpendants si

{&p\1.,<i<n est une famille de tribus indpendantes.

D'aprs la dfinition 13 du chapitre

r,

res (X,)sont indpendants si

Remargue

vAe &p,,p(xr!A1,...,Xn!A") : rl p(x, !Ai). " i=1


|

en prenant A,

supposons que les v.a. X1, ..., Xn soient toutes des variabres : {x,}, on obtient sous i,hypothse d'indpenejance reiles discrtes;
:

P(Xt:"t,...,Xn:xn) :.fl
Thorme

t-l

p(Xi

:xi)

7'

X1, ..., Xn sont n vecteurs alatoires indpendants

p(Xt,...,Xn)

i:1

pxi

PH. TASSI

- S. LEGAIT

LES VARIABLES ALEATOIBES

Dmonstration :
On considre la classe
:

G-I,i,^'nezaef
D'aprs lethorme4du chapitre 2

'

A 1(i (n

gBoi

: slGl
Xn n vecteurs alatoires

De plus, G eststable par intersection finie. Soient X1, ..., indpendants.


" Xn) ll suff it de montrer que Pfit' '

et

i:1

Pxi concide

nl sur G '
n

p(xr, ',*") t i-i t-

fi
I

A,)

p(Xr ! A1,..., xn!An)'

i=l

:
donc
:

i:f '
...,

pxi 141

i:1

pxi t

11 i:1

A,)

,(x1,

X6)

- pxi

(thorme 1, chapitre 2)

Rciproquement, si

,
P(xl'
...'

xn)

': - i:1

Pxi

ona:

vAi ! glip(Xr ! A1,...,xn ! An) :

P(Xt'

''xn) p*, r

(,i., i=1

o,,

:
:
Thorme 8
n

i:1 '!,

rl

A,)

i-1 '

Pxi(A,)

P(xi

! Ai)
(resp. f)

on note par F, la f.r. de X,et


est la f.r. (resp. densit)d

X:

Ral-1, la densit de (X;, ...

Xn)

X,lorsqu'elle existe;
n

X,....Xn sontindpendants <+ F(xr,...,^n)

:1!.,

F'(",)

BB

PH, TASSI

- S, LEGAIT

LES VARiABLES ALEATOI RES

nant pour

ll est clair que [imprication + est une consquence de ra " dfinition en A l'intervaile ou re pav ouvert tmentaiJ" rnor"

pre_

l- -.^,,
On admettra la rciproque.

[x

...

x] - *,

*0,[

Thorme 9

io,' on a

Si les v a. (X'), i : 1 n, sont continues par rapport aux mesures de Lebesgue


:

a)f

dsignant la densit de X. par rapport io

X1, ...,

Xn indpendants

= f

(x,, .,., xn)

: ti f,(x,). i:1 r'r' +


X1, ..., Xn sont indpendants et pXi

b)

o f (x.,, ...,

"n)

,1.,

s,{^,)

o g densit de probabilit

(i :1n)

q..,
P;

Remargues

a) Ceci n'est bien sr ralis que si les densits f sont dfinies sur tout lRpi. Ainsi, pour des v.a.r. X et Y, la densit f (x, y) : (x+y) 2 e-' 1,.. \^r n,est oas sparable, c'est--dire ne peut tre mise sous ra forme d'un
les v.a. X et Y ne sont pas indpendantes.

orotJ;'iii^I ;iri;;

simplifi.

b) La densit d'un n-upre (x., ..., X-) de v.a.r. indpendantes n'est donc que re produit des densits des v.a.r. x.' Le caur de ra roi oe'ta somme de v.a.r. est arors

Exemple Montrons que si X et y sont deux v.a.r. indpendantes suivant res rois gamma y (p,0) eT y @, d)de densits respectives (cf. chapitre 4)
:

f.,.

(x)

p-' op 1 (x) _ -. ,H;''' l-(p) e-d* x


1

fy(v)
alors X+ Y suit une loi y
PH TASSI

e-ov

yq-'dq I,n-

(y)

+ q, 0)

-S

TEGAIT

LES VARIABLES ALEATOI RES

Dmonstration

11'

Y;(x' v)

r (p) r

(q)

e -d(x+y)

1n-1

UO-1 ?P+q

1Ri x Ri

(x, y)

Soit T

(,j
:

/x\

(u: *-r)
"-vd
uP-l
(v

/tt : x \

On en dduit la loi du couPle (U, V)

f
d'o
:

1r,r,

yy(u,

v)

r (r) r

(q)

- Ll;o-t eP+q 1{v)u)o}

fu(v)

: l t,r,v1 (u, v) du, Vv )


e-ve |p+q

r(p).r(q)
Posons

uo-t

(v

u)a-1 6u

I:

u/v'.
fu (v)

:
:

dp+q vp+q-1
B (p,

rtp).r(q)
q)
(q)

"-v0

Jl ,o-t (1 - tlc-r 6,
dp+q

r (p) r
B (p,

e-vavp+q-1

o:
Or:

q)

: 1[ tn-t (1 - t1o- t6,

B(p,q)
d'o
:

: I*f#
"-dv
uP+Q-1 ap+qlR* (v)

fv (v) Thorme 1O

|-

,,

Alors:

Soient n v.a.r. (Xr, ..., Xn) indPendantes, dfinies sur (O,


E

'4,

gl, intgrables'

(Xr,...,Xn)

,!,,

{*,t

90

PH. TASSI

- S. LEGAIT

LES VARIABLES ALEATOI BFS

Dmonstration

(n:

2)

E(X1 X2)

: JX'Xrdp : -f-i xr x, f ,, (x,,) f, (xr) dx., dx, : J xr f ., (x.,)dx., . I xzf zgr) dx.: E(X1).E(X2)
;
alors Cov (X, y)

Corollaire I

(X, Y1

Soient X et Y deux v.a.r. indpendantes

g;.

O (et donc

Remargue
La rciproque est fausse en gnral. Ainsi, soit X une v.a.. discrte de loi

px{-Z} : px{- 1} : px{1} :


Y:
X2 suit la toi pY{1}

px

{2}

1/+

pY

donc:

E(X)

:0

E(XY)

{4}

1/Z

E(X3)

E(XY)

E(X) E(Y)

:0

Or X et Y ne sont manifestement pas indpendantes.

Corollaire 2

. Soient n v.a.r (Xr, ...,Xn) indpendanres, dfinies sur (e, .4, p), intgrables; alors:
V (X., + ... + Xn)

: .I.

V (X,)

Corollaire 3

si X : (Xr, ..., X/ est compos de p v.a.r. indpendantes, ra matrice de variancescovariances de X est diagonale.

2.7
1

Lois conditionnelles

Prsentation

Nous allons adopter une prsentation simple et intuitive en reprenant la dfinition d'une probabilit conditionnelle (cf. chapitre 1). Nous considrerons successivement le cas de deux variables discrtes puis de deux variables continues. puis
PH. TASSI

- S. LEGAIT

91

LES VARIABLES ALEATOIRES

nous prsenterons une formalisation plus thorique d'une loi conditionnelle, qui pourra tre omise en premire lecture.

soit un couple de v.a.r. (X, Y). Le principe est de connatre. la loi de Y sachant : x' qu'rnl-re"tisation de la v.a. i a fourni ie rsuttat x, dite loi conditionnelle YIX

a)

Cas de deux v.a. discrtes

suppose que la loi du couple (X, Y) est connue. D',aprs la dfinition du chapitre 1. on a :

on

P[{Y:y}l{X:x}]: ----.P [X: x]


La variable

P[X:x et Y:y]

YIX:

x est donc une v.a. discrte dont la loi est parfaitement connue'

Application aux tableaux statistiques


Soient X et Y deux variables statistiques discrtes prenant les valeurs {x.', "', xn} pour X et {Yr. ..., Yo} pour Y. Observant sur une population Q de N individus les valeurs prises par les deux variables, on peut constituer le tableau de contingence suivant, qui donne la Structure de la population selon les deux critres X et Y :

vj X

Total

X.

n..
U

n.

l.

Total

n.j

On note : n,, le nombre d'individus tel que X prend la valeur x,, Y la valeur Y, :

*:

nppn

'],

jIr

n'i;ni

jIt

n'iini

ilt

n'i

PH TASS1 S, LEGA1T

LES VARIAB LFS ALFATOIRES

quantits

tuOt"jult

{n.,

( i( n} er {n , I < j<

p} consrituent tes marges du

La loi du couple (X, Y) est connue puisque

lon sait carcurer res probabirits

P{X:*i,y:yj} :

pij

,t < i < n, I ( j < p)


:

Les lois marginales de X et y sont dtermines de la faon suivante

V1 < i( n, p(x:*i) = Fi.:,. 0,, :.9. j:l

''

j:1

p(X:"i,y:yj)

v1 <

j(

p, P(Y:yj)

pj

:,!.,
P

0,,

:,!., ,(*:^i,y:yj)
x.) (

p(y:y,lX:x,): :yjlX: :

(Y: v.. ')' X : P (X: x,)

P (Y

x,)

Pi
#

P'i :
O.

n'j
ni.

Cette expression n'a de sens que si p (X : x,) On trouverait de mme


:

P(X:xlY:y,) :
'

P'j :
P.j

n'j
n.j

(p,+O)
l
:

Remargue.' Si les variables X et y sont indpendantes, alors

P[X et;

:x. Y:y] : P[X:x]. P[Y:y]


P[Y:yl X:x]:
{y

PIY:yl
de

La probabilit de l'vnemenr l'vnement {X: x}.


PH. TASSI

: y} ne dpend pas de la ralisation

- S.

LEGAIT

93

LES VARIABLES ALEATOI FES

Exemple numrigue (E)

n.

21

35

31

96

18

10

39

22

31

65

49

55

52

44

:200

On a, par exemple, la loi marginale de X

P(X:1) :0,48, P(X:21 : 0,195, P(X:3) :0,32S


La loi marginale de

9 P(X:1lY:1) : ;;,
On remarque aussi
P
:

XIY:

1 est

18 P(X:2lY:1) : -t-_ ,, (X:3lY:1]l:

22

49

(X: 3, Y: 2l :

31
2OO+

(X:

3) . P lY

:2) : 65
-2OO

55 -2OO

Les vnements

{Y: 2} et {X: 3} sont donc dpendants.

Rflexions sur l'indpendance En analyse statistique. au vu d'un tableau rpartissant une population Q de taille N selon les variables X et Y, on se pose souvent la question de savoir si ces critres sont indpendants ou non.
PH TASS]-S LEGAT

LES VARIABLES ALEATOI RES

A ct du tableau. observ, o, n rignes et p coronnes, que [on peut assimirer une matrice (n. p) d'lment courant-n 1o, p,, : n,,./N si on travaille en fr_ quence), on constitue le tableau thoriqul T qu"''l,on onli"noruit sous lhypothse d'indpendance, d'lment courant
:

nll
ou:

Pi.

F.j

n. n. : -fi

pij : pi pj

ple,

Si X et Y sont indpendantes, res tabreaux T et o seront identiques. En pratique, les deux tableaux ne seront jamais gaux, et on utilisera un critre d,cart (T, o) entre le tableau thorique t le tableau observ. on peut penser. par
exem_
:

(T.Q) :
ou bien
:

np i:l j:l np : j:1 i :1

(T,Q; :

n1.
U

ce dernier indicateur a en prus ra proprit d'avoir une roi rimite connue fixe lorsque [\ * oo, la loi du khi-deux (cf. chapitre 4).

et

b)

Cas de deux variables continues

Soit (X, Y) un couple de v.a. continues, de densit f (x, y) par rapport la mesure de Lebesgue reT soir f, ra densit (marginare) oe x.'L roi J"ix: admet pour densit ^
:

f (ylx)

f (x'

Y)

f* (x)

lntuitivement, on crit

f (ylx)

: |;n'r f (ylx (
dx*0

< x+dx)

Or:
F(yl

x(X<x+dx) :

P{Y<y, x<X<x+d1}

P{x(X<x+dx}
Ft*,

1(^

+ dx, y)

F1x,

y1(r. v)

F" (x + dx) - F"


PH TASSI . S. LFGAIT

(x)

LES VABIAB LES ALEATOI

RE S

(ylx) :

dx*O

lim

Fr*,y(* + dx,

y)- #
F* (x)

F(x. (x, y)

F* (x + dx)

:
Remarque
Si on note

dx-O

lim

u, l^

F(x'Y) dxl

fx,l
f*

(", y)
(x)

F" (x + dx)

F" (x)

de

l'ensemble des valeurs possibles pour le couple lX,Yl, '//xla section par x, valeur fixe de X :

7/

f" (x)
I

lr^1

(x, v\ dy et f

(ylx)

f (x, v)

lr^t

(x,vl av

96

PH TASSI - S. LEGAIT

L-

LES VAFIABTES ALEATOIRES

Formule de Bayes: en crivantf (x,

y):f

(ylx).

f"(x)
f
(x

:
I

f (xly).f"(y), on a:
fu (v)

f(ylx) :-Remargue

(x

fu(v) f* (x)
I

y)

--l--:

y)

f (xly')

f, (v)dv

par exemple

ll est clair que les rsultats noncs pour des v.a.r. (pour faciliter l'criture) sont gnralisables un vecteur (X, y) de lRpx lRq:dans ie cas continu, on aura
:

2 Dfinition

gnrale d'une loi conditionnelle

Dfinition 13
On considre un c_ouple de v.a.r. (X, y) : @,,rd,p) - (lRr, fr.21. Onnels p(x,y) la loi de (X, Y) et px la loi de X; supposons qu,il existe une application
:

P];Ox,t(-tO,il
telle que
:

o Vr^r ! O, Pt (ar, .)est une probabitir sur (O,,dl . VA ! .4,rL (.. A)est une appticarion mesurable dfinie sur (e,.dy A1' y!A2) : p(x,v) 1A1 xA2) : o p(X! _r^ pLg,A2l dpx(x). Ators on note pl (x, Ar) : pY/x: * tnr) Lt pytv -x esr appete conditionnelle de y sachant X: x.

loi

Application

Lorsque X et Y sont discrtes, en considrant les vnements

Ar:

{v}, on retrouve

A,,

{x} et

P{X:x; t:

yJ

: 7Y/x:x{Y:y}. P{X:x} : P(Y:yl X:x) P(X:x)


:

o Lorsque X et Y sont continues, on peut crire

P[x ! A,;Y! A2]:


PH TASS] S. LEGAIT

Jo.,

"o,f

(x.y)dxou:JAr ,tort(x,y)dyl

dx

91

LES VARIAB

tS

ALEATOIRTS

Or:

Ptx !A1

;Y

=or,

to1

t"'x-*
=

(Az) oPx(x)

I
d'o
:

Jo, ,",x

(Az)

f"

(x) dx

f(x,y)dyl t"i^ "|". A1 A2

dx:,1^ pYlx:*
At

(Ar)f*(x)dx

et ce quel que soit A1q" "1"^

,tq on en dduit
" (Az)

(cf. propriI 25.3, chapitre 2)

par'rapport . de la loi de

A,

f (x,

y) dy -

PYI

x:

YIX:

(x), presque partout 2' f* ^' "


x.

donc

if {xtYl
f*(x)

esr ta densit

3 Esprance

conditionnelle

Soit le couple de v.a.r. (X, Y). de loi P ; on notera Px et PY les lois marginales de X et Y, pYlx et PxlY les lois conditionnelles de YIX : x et XIY : y.

Dfinition 14

Si l'express'on J,* y dPYlx existe, on l'appelle esprance conditionnelle de Y


sachant
Exemples
a) Lorsque X et Y sont discrtes
:

X:

x. On la note E (YlX: x).

E(Ylx:"i)

i,,

,, P(Y:v,lX:"J
E(YlX-x)

u, 0,,
:

:+

u,

n,,

b) Si Yl X : x est une v.a. continue de densit f (ylx)

: Jyf (ylx)dy

Remarque;

E (YlX

x) est une fonction de x.

Thorme 11 Si

g est une application de lR2 dans


:

lR et sous rserve d'existence des int-

grales, on a

98

PH'

TASSI S'

LEGAIT

LES VARIABLES ALEAIOI RES

: -i I I (x, y) opvlx = " (y)l oex 1x; E (p (x, Y)) : (p (x, y)l x : x) dpx (x) "[
( (x, y))
:

On note de faon mnmotechnique


E

(p (X,

Y))

Ex E (p (X, y)lX)

En particulier. E {y) : E* E(yjX), ce qui permet de calculer E (y) en passant par un conditionnement bien choisi, puisque X dpend de rutirisateur.

Application au tableau statistique prcdent (E) :


Le calcul direct donne
:

1 :rOO - x 52 + 4x 44): E(Y) @9 + Zx 55 + 3


Utilisons la formule de dcomposition
:

4g1

E(Y)

EX E(YIX)

E(YlX:t; :;t,t -" de mme,


1

x9+2 x21 +3x3s+4x31y

: JP
96

E(ylx = 2)
E(Y)=
1

:#.

E(ylx:3)

:#

IOO
1

(96 E(YlX: t)+39 E(yl


491

X:2)+6s E(ylX:3))

: -l:- (2go + gg + 1 ._-, 231 : 200

200

On retrouve, bien sr, le mme rsultat ; notons cependant que nous avons obtenu les moyennes partieiles t"-u"reurs de X, ce qui peut fournir une information intressante. Par exempre, "eton si v est te sataiie o rn" nomencrature d'activit socio-professionnete, on i saraire ,"t;;;;r;roi"rrron, qui permer des analyses et des
comparaisons plus approfonOies.

Dfinition 1S

on appelre courbe de rgression de la v.a.r. y en la v.a.r. X ra courbe


{(x,
PF TASSI-S

fl: Y: E (YlX: x)l


uo

LcAlI

ES VARIABLFS ALEATOIFES

Formule de la variance

X et Y tant deux v.a.r. dfinies sur (Q, *41, soit calculer V (Y) ; P dsignant la loi du couPle on a :

(Y)

: Or:
ll s'ensuit
:

"1"(v

E (Y))2 dP (x. v)

J,u t J,* (v

- E ()2 dpYlx (y)l oPx

1x1

y- E (Y): y- E (YlX1+ E (YlX)- E (Y)


E

ly- E()2:(y,l-(v

(YlX))2+(E(Ylx)(y)

(Yll2+2(v-

(YlX) (E(YlX)- E(Y))

E (Y))2 opYlx

:
+

-i (v - E (YlX))2 oRYlx
-[ (E (Y I x)

1t1

()2
(E

dPY

lx (y)

(y

(Ylx))

(Ylx)

E (Y)) deYlx 1u;

factorisation de

Comme E (YlX) est une fonction de x, cette dernire intgrale est nulle aprs E (Y I X) - E {Y) qui est indpendant de y. D'o :

.'-0 'v0

:-f

t-i (v -t

E (Y I x))2

cpvlx (y)l dPx (x) + .f (E

(Y

X)

E (Y))2 dex 1x;

v (Y) :
soit
:

v (Ylx) v
(Y)

dPx (x)

-[ (E

(Ylx)

Ex (E

(Yln))2 dPx 1x1

Extv (Ylx)l + vx tE (Ylx)l

Lorsque X et Y sont discrtes, on dit que I'on dcompose la variance de Y selon les strates {X: x,}. Pour chaque strate, on note
:

Vi

: E(YlX: *i) : '


V

1P

,t., ^ J:l ni.

n'j Y'j

o'i :
On a, de Plus
:

tP i. n,, (V;1* 1)2 (YlX: x,) : j j:1 . n,. ''

E(Y)

1np1! :V:*,r,,

,:,,

n'i u,, :

,:1n'.v,
PH TASSI -

1oo

LEGAIT

LES VARIABLES ALEATOIRES

La formule de la variance donne

v(Y)
V

lnln : -= N :

i:1

N i:t ''

"i

(Y) :

variance ointra-strates> + variance <inter-strates> moyenne des variances + variance des moyennes

Application au tableau statistique prcdent (E)

o1

V(YIX:

1)

: ;:1 (1 ..^ X9+ 4x21 +9X35+ 16X31)- (:28A2 Yo 96


)

8384 9 2i2

De mme

o'r: v(ylx : ,l :#,


La formule de dcomposition donne
:

o3: V(ylx

- 3) : #
78400
96

\_/lV\

-_

1 I. 8 384 ! 2474 r 2746\r 1 rr_ 200 96 39 65 ' 200 '


7

774 39

T --

15

129 65
1

l-t

_-

491
200
,

1
Dfinition 16

^__. 491 "

'

zoo '

2oo -(

44t

491 ' : ql 11g :1'18 zoo ) 4oooo

On appelle rapport de corrlation cje y en X la quantit

'tY x

vtE(Ylx)l
\//v\ V (Y)

PH. TASSi

- S. LEGAIT

LES VAIABLES ALFATOIFES

Remargues:

a) Ce coefficient n'a pas de liaison avec le coefficient de corrlation linaire


p (x,
Y).

b) Ona:

e<

n*<

constante;

c) Si Y et X sont indpendants, la loi conditionnelle de YIX est identique la loi de Y, et E (YlX) : E (Y), et donc : vtE (YlX)l : VIE (Y)l est la variance d'une

4":

102

PH. TASSI

- S, LEGAIT

EXERCICES
3'1
Soit X une variable alatoire relle absolument continue de densit
croissante. Ouelle est la loi de F (X)
?

et de f.r. F

strictement

lndication
P

tF (x)

< yl :

v donc ta densit de F (X) est fr1x1 (v)


continue de densit

rlo,

r1

(y) (roi uniforme sur

[0,

r ]).

3'2 soit X une v.a.r. absolument

f* et de f.r. Fr. soit y


0

la v.a. dfinie par:

Y:X si X)x Y:x-UO siX(x


Donner la loi de Y. Calculer E (y).

lndication

Y: X l{*:'ro} + xo'lfr=xo1;donc Y:
0n dit que Y possde une masse de Dirac au point +oo
xo.

sup (X,

xo)

E(Y)

{(
l[,

f,

(x) dx

+ xoP{X(xol

3.3

Soient X, Y, Z trois v.a. relles,rttrroqu,

X suit une loi uniforme surl0,

de densit

f (x)

lto.

r1

(r)
:

: x fix admet pour densit fvlx:, (y) : (y-x)e-(v-*) 11x,+_1 (y) o la loi conditionnelle de Z pour (X, y) : (x, y) fix admet pour densir : (y - x) e- z (v -') 1,*- {z) Fzlrx, vt= 1r. r1 (z)
la loi conditionnelle de y pour

1)

Calculer la densit du tripler

lX,y,Zl.

2) 3)

calculer la densit de Z et celle de la loi conditionnelle de (X, y) sachant Z Calculer


:

z.

E(VY-XlZ:zl er rlv{-xt
PH.

TASSI S. TEGAIT

LE S

VARIAB LES ALEATOI RES

0n donne

1+ : r(7)

Jo

tJ t e- udu : Vn

4) 0n pose
lndications

mutuellement indpendantes et exprimer les densits de U et de

u:

X et

V:

Z (Y

X). Montrer que les trois variables X, U, V


V.

sont

1)
frx,v,z)

f1y,v1{x,v):(Y-x) s-(v-x)10(x,v)
(''

Y'zl: (y-x)' s-(v-x)

{1+z)

1ot,r*

(x'y'z)

2l

frQl: ii rl-- (t,-')t


f (z)

g-(v-x)(t*') dt,l d'

f(x,vtlz=,

i..1,^*(z) (v-x) (1*4 1o (x' (x, vI : z)t (t, - xl" ev) f, t'+
115 ,[" '' -16 Vz+1

3)
E

(/t- xlZ:zl: i I I ot/ r^ tt+ i)3 (v - *)' (y-xl {z*lldxdv '{" t- J V7r _-,4 E1 1-T1 : EztE/T-l 7ll : Ez (*
u

\/z+

144

PH

TASSI S.

LEGAIT

LES VARIABLES ALFATOIFES

4)

Changement de variables

A $,v,2) :
La densit de

(y

-x, z(y-x),x):{u,v,w) J(p-t) : 1U

(y

X, Z (y

X), X) esr

g(u,v,w)

: u2e-'-u I 1^
U.

(u,v,w)

o:

} 0;v } 0 et 0 <w<1} g(u,v,w) : ue ,llo,*_1 (ule-u llo,**1(v) 110,'|1wy


{(u,v,w)/u

A:

d'o l'indpendance de U, V et fu (u)

W:

X et:

u e-'1

,0, * _1

(u), fv (v)

: ,-n t,o, * _1 (v) )

3'4 Soit X une v.a.

donne. 0n donne sa densit g e- *, ralit [X], o [.] dsigne la parrie enrirc de X.

relle continue reprsentant la mesure d'un phnomne physique dans une unit

(x):

x)

0,,

0. 0r ra donne observe est

en

1) 0n pose Y

Ix].

Donner ra roi de y, son esprance et sa variance.

2)

Oue dire lorsque ra donne observe est, cette fois, r'entier re prus proche ?

lndication
1

Y est une v.a. discrte o

Vne

IN

P{Y:n} : p{n(X(n+1}:
E(Y)

: i nP{Y:n}:Je'' n:0
I

g(r)dx:e-na11 -s-a1 d*1 n

v (Y)

('l _ 1r
on

2) Pourtxl
observe

Z:

<X<[X]+0,b, onobserveZ:[X], er pourtXl+O,S<X<[X]+ t, +


[X]
t

^ P(Z:0):1-e 7

^^ n*0, P(Z: n): P(n-0,5(X<n+ 0,b):r-rn1r7 E(Z):2sh-. -PH.IASS] S


LEGAIT

u-a

e-^

(1

-e-

LES VARIAB LES ALEATOIRES

3.5

Soient X et Y, deux v.a. indpendantes de densils respectives lnf (X, Y). Sup (X, Y) et Donner les densits de U

V:

f et g et de f.r. respectives

F et

G.

0nralisation
Soient X,,,

...,Xn n v.a. indpendantes, de mme loi, de densit:

f (x)= t,o.,,
Ecrire les densits de

(x).

Un:

l:ltn

X, et U, :

*,

'='n
F(u).G(u)

lndication

Fu(u):P(U(u): P(X(u et Y<u):


d'o
:

fu(u):f
De mme
:

(u) G

(u)

F (u) g (u)

: I -P(V2ul : 1 -P(XlvetY2ul : I -(1 -F(v)) (l -G(v)) fv(v): f(v)(1-G(v))+s(v) (1-F(v)) d'o:


Fv(v)
0n en dduit
:

Fun(u)
est la f.r. des X,. Donc
:

Fn(u) o F (u)

1to,,l(u)* 1lr,*-1(u)
+

Fun

(u)

: :

un

10. rJ

(u)

lr, *

-t

et:

flr (u)
De mme:
Fvn

un- 1 1lo,,t

(r)

(u)

(1

- (l :

uln) I

to, ,1

(u)

+ 1,', * -1

(u)

et: fvn(u)
n (1

uln-1 1,0,,,

{u)

106

PH. TASSI

- S. LEGAIT

Chapitre 4

Les lois de probabilit usuelles


La pratique des probabilits dans la modlisation statistique passe trs souvent par une parfaite connaissance des lois usuelles ; le probabiliste-statisticien a en effet besoin
:

* de connatre et interprter leurs caractristiques fondamentales (esprance, cart-type , mdiane, etc.) en fonction des paramtres qui interviennent dans l,expression des densits ou des fonctions de rpartition - de pouvoir approximer ces lois par des comportements asymptotiques limites apparaissant dans un certain nombre de situations.
ce chapitre rpond querques-uns de ces objectifs. La partie asymptotique sera vue ultrieurement au chapitre 7, car elle nceisite des outits mathmatiques suppimenta ires.

nes observes

d'identifier la ou les lois de probabilit des variables engendrant les don_

LES LOIS DISCRETES


On rappelle qu'une v.a. est dite discrte si elle prend ses valeurs sur un ensemble fini ou dnombrable de points. par extension, la loi de probabilit d'une v.a. discrte sera dite galement discrte.

1.1

La loi de Dirac
1

Dfinition

soit a e R, un point fix. on appeile roi de Dirac au point a ra probabirit dfinie sur lR par
:

: u(x) :0
u(x)

SI

X:A

si

x*a

La loi de Dirac est la plus simple probabilit existante, associe un phnomne dterministe X dont le rsuitat de toute exprience est a. C'est, par exemple,
PH,

TASSI S. LEGAIT

141

LES LOIS DF PROBABIL]TE USUELLES

la ptanque, la loi de probabilit de la variable X mesurant la distance entre une bouie vise et le point d'impact de la bouie tire, lorsque le tireur ne fait que des <carreaux> : X suit une loi -.

Application
Soient n rels distincts fixs (a',. ..., an)et n rels (pr, ..., pn)tels que
:

O<pi<1, i:
n

n, et.t.
l:l

O,:

t
:

On sait. d'aprs le chapitre 2, que la combinaison linaire

o' ', ,f ',


est une probabilit P associe une v.a. discrte prenant ses valeurs sur {ar, an], et telle que
:

'..,

(X:

a,)

p;

Si p, :

'n -,

pour tout i. la loi de X est dite uniforme.

Moments E(X)

: a,

V(X1

:9

1.2

Lci indicatrice (ou loi de Bernoulli)


1

Dfinition 2
On appelle variable indicatrice X la variable valeurs dans {0,
} telle que
:

tx1t1:

Px{o}: q(q:1-P)
(p ! t0, 1l)
On note : 11,p) la loi de la variableX et on I'appelle loi indicatrice ou loi de Bernoulli de paramtre p. Par extension, la loi de Bernoulli est la loi du rsultat d'une exprience ne pouvant prendre que deux rsultats possibles {a, b} quantitateinte, etc.

tifs ou qualitatifs:une porte est ouverte ou ferme, une lumire allume ou


Moments

E(X):p
108

V(X):pq
PH' TASSI - S. LEGA]T

L[S LOIS DE PROBABILITE

USUELLES

1.3

Loi de Foisson

Dfinition 3
La v.a. X suit une roi de poisson de paramtre (

o) si

o :

rN

er:

Vx
On nore

! lN px1x1 - s-a

^x

x!

:X -) .4 (^1.

comme nous re verrons dans re chapitre consacr aux processus, ra roi de Poisson apparat, sous certaines hypothses, dans les phnones de comptag d'vnements pouvant survenir Bendant une unit de temps donne: nombre de voitures passant devant un observateur, nombre d'entres ou de sorties d'une salle
d'attente, etc.

Moments

E(x)

'.' : : i r"-^1:^ - yi x! x:0 x:1 "-o(x_1)! " yIO "-olr


E(X)

:2

Plus gnralement, carcurons re moment factorier d'ordre k

/rr.l:

E (X (X

1)

". (X - k + 1))

: ; x(x-1)...(x-k*1)e-^ i x:0 xl
:X k ik ; e- ' : (x-k) ! x:k /1L1
oo

U:O

yl

,1

D'o

et donc

Ft2t: E(X(X-1)) : E(Xt)-E(X1:22 E(X2l :


:

^2+ v (X): 2

ll convient de remarquer que la loi de Poisson est la seule loi discrte avoir l'esprance gale la variance, quelle que soit la valeur de,. La table 4 donne les valeurs des probabilits d'une loi de poisson.
PH,TASS]

-S

LEGAIT

109

LFS LOIS DE PROBABIL]TE USUELLES

1.4 Loi binomiale


compose de deux types d'lments, le premier (l) en proportion p, le second (ll) en proportion q : 1 - p. Soit X le nombre d'lments du premier type prsents dans l'chantillon de taille n ainsi obtenu ; X est une variable alatoire valeurs dans {0, 1, ., n}. La loi de X est appele loi binomiale de paramtres n et p, et est note !4 (n, pl. Supposons qu' l'individu no i de l'chantillon (i : 1 n) on associe la v.a. Y' qui prend la valeur 1 si le ime individu est du type l. et 0 sinon :

On considre n tirages quiprobables, indpendants dans une population

P(Y,

:1) P(Y, :O)

si si
n

i!(l) i!(ll)
:

Alors, il est vident que le nombre X d'individus du type (l) dans l'chantillon vrif ie

X_:

i:1

Yi

Comme Yi -) gJ (1, p), on peut crire que la loi binomiale somme de n lois de Bernoulli indpendantes. ll s'ensuit
:

!/J

(n. p) est la

E(X)
soit
:

: : i:f

E(Y')' V(X) V(X)

: :

i:1

V(Y')

E(X)

:np,

:np(1 -p)

Une dfinition explicite de la loi JJ (n,pl est la suivante:

Dfinition 4
Une v.a. X suit une loi binomiale de paramtres n et p si
Px 1x1
:

Cx p" (1 - p)n-x pour x e {0, 1, ..., n}'

La table 3 est consacre aux probabilits lmentaires d'une loi binomiale.

.5 Loi multinomiale
pi,

ll s'agit d'une gnralisation de la loi binomiale. Considrons une population compose d'lments de m types, chaque type j en proportion :

1(j(m, Pi)0, t. o,:1 j:1


l

110

PH, TASSI

- S. LEGAiT

LES LOIS DE PROBABILITE USUELLES


.

On tire, dans cette population, de faon quiprobable et indpendante, un chantitton de taite n, et on dfinit ra varia'bre ar"ioii", iik-i,;;;;;; tr dg,ns {9, 1,...., n }, reprsentanr re nombre J'tments o tvpJ i iigrr"n, dans r,chan_ tillon' on dit que re ve*eur(N,, ,.,,')suir une roi murtinom,r,'i" pr, ..., p,n, note .t/ (n, pr. ..j, :..,^f nn.t. nrr3'"rticitemenr, on a

oiil;!il'Jl,
:

Dfinition 5
Le vecteur aratoire

1=

(Nt, .... N.n) suit une roi murtinomiare de paramtres


m

n,pr pr;pj >0, V j=1,...,r,,In


si:
Px(n.,....
tm,

J-l

pj

:1

n)=
m

nl

n.!...n tm :n,
)

oft... on'
t

ou:

j:1

j:1

n! n' | ... n.!


est le nombre de (n.,. nr. ...,

nr)

partages d'un ensemble de n lments, avec:


m

iIr

i :D

paf :

Proprit 1 : La loi marginale de N est une loi gB h, p). En effet, un rment tir est soit du type (avec probabirit ra p,), soit non i pi) ; te nombre totar d'rments du iype j aans r,chantiron;;l; jdil;;;'i;; !1 binomiale 4 h, p;). Retrouvon. par re carcur. vvr(rsr soit r,vnement t

""ie*rili

A. dfini
I

R,

[(n,,, .... nj_.,,nj*.,, ..., n.,n),


p (N,

,ij

Di

: tr: n -

n,]

n,)

A.

nfr o-."
n

;r

il*un

nl

n.

jr(1

nr

Pi)

-n.J>

"*t

(n

n,)!

A; nr l...nj-r ln,*.1 !...n,,nl


n

Pr' ...p
(1
PH, TASSI

n,,"

ill p.'

- pj)n-nj

- S. LEGAIT

LES LOIS DE PROBABILITE USUELLES

ll s'ensuit Consquence

{Nj: n,): cll eli

1t

pj)n

nj

E(Nj)

: nFj

(Ni)

: npi(l -pi)

lntuitivement, il n'y a aucune raison pour que les v.a. N, et N, (i + U soient non corrles, a fortiori indpendantes; calculons Cov (Ni, Nl). Comme auparavant,

(N, N1) suit une loi multinomiale de dimension 3 (une l'oi .trinomials") puisqu'un lment tir est soit de type j (pj), soit de type I (p,,), soit non (1 - pr - pi)
:

(N, Nr) (NjNr)

->
n!

"U,

(n : pl

p/ 4, oi, t''

:
(nj, nrl

nj+nt(n
d'o
:

(ni- )!(nr- 1)!(n - n,- nr) :n(n-1)pipr


Cov (N,,

- pi- pr)n-nj-nr

N/: :

n Fj p,

La loi multinomiale en statistique

Soit Y une v.a.r. continue, I son espace de valeurs. (f (y) sa densit, (Yr, ...,Yn) un chantillon de n observations de Y. ll est trs frquent (tranches de i""nr, ti"ncnes d'ge)de partitionner U enclasses.C,, i : 1 K
:

K g- :

i:1
r (v)

C.. r' la classe C. dtermine par C,


I

[e _,,, e,[

112

PH. TASSI

S. LEGAIT

LES LOIS DE PROBABILITE USUETLFS

on dfinit les K v.a.


dans
C,.

Ni.i:

K, o N, dnombre

res points de (y.,, ....yn)

Le vecteur (Nr. .... N*) suit une loi multinomiale

'b

1n

) pt, ..., F*) avec

o,: Jj,,_.,
1

f (v)dv

.6

Loi hypergomtrique

on considre un tirage quiprobable sans remise de n lments dans une population de taille N (n ( N) ;on s'intresse un type donn (l)d'lments de la population, que I'on supposera tre en proportion p (Np est donc entier). soit X le nombre d'lments du type tudi, prsents dans l'chantillon de taille n obtenu. La loi de X est appele loi hypergomtrique de paramtres N, n, p, et est noteJf,(N, n, pl.
Une dfinition explicite de la loi J(1N, n, p)est la suivante, partir du dnombrement "cas favorables./cas possibles, :

Dfinition 6
X suit une loi hypergomtrique de paramtres N, n et p, si tNP /'n-x uNq
Px (x)
:

pour Max(O. n -

Nq)(x(

cft Min(n, Np), avecq

'x

: 1-

F.

Moments
E

(X):

nP

(X):

N-n

N-1

npq

Dmonstration Soiteo,

a:1
(
I

N, la v.a. associe tout individu a de la population telle que

Eo:1 ro:

si a appartient l'chantillon

t
PH TASSI - S. LEGAIT

O sinon.

LES LOIS DE PROBABILITE USUELLES

Comme

il y a Cft-11 chantillons de taille n contenant l'individu a, et


:

Cfi

chantillons possibles de taille n


P

(eo:

cil-l
1)

Cfi

On peut crire

: Yoro a:1 o Yo prend la valeur 1 si a est de type (l), Y : O sinon.


E(X)

x-

= I YoE(eo) a:'l Nn : a:1 aN

puisque :
d:l

Y- :

Np, nombre d'individus de type (l)dans la population.

De mme:

V(X)

G:l

aTp
1l 1l

EEoe,.\:P (toeO: 1) : P(!a: 1, eO:

(!o: 1). P(c, : 1,/to:

n(n-1)
N(N-1)

Covrc.E-l:
V(sa)
En outre

n(n-1)
N(N-1)

n'
N2 -:

n(n-N)
N'z(N-1)

Ele'?al_ Ez

leol:+ -
" a*
PH. TASSI

nN >. YJt: N'P': tq:r a:l

S. LEGAIT

LES LOIS DE PROBAEILITE USUELLES

D'o

V(X):

(1

^ n{n-N} * nN Y'+ -) N a:1 r'r,N - t)


N

(Nt

Pt

- :
:

N Y2,

a:1

al

En remarquant

que :

q:1

y?

::

a:1

Yo

Np, on obtient

(X):

pz*Nprffi # (l
N-l
p

*)l

: lll-r*, p,_ Ll,l-.N) N-1


d'o
:

v(x):

N-n
N-1

noo

. 9n constate que, en notant Vn (resp. Vr) ra variance de X seron ra roi hypergomtrique (resp. loi binomiale), oria :
N-n <1 dsque n)l N-1 V n En particulier, si n -- , [\ -* *,,N -O;

V, :

tirages avec remise et sans remise sont quivalents en terme de variances de X. 1

-1;souscesconditions,

les

.7

Loi binomiale ngative

on considre une popuration dont une proportion p est compose d.rments d"un type I donn. on dsire obtenir n rmenis du ifi";n procdant une suite de tirages quiprobables et indpendants. Soit "; Y la variable alatoire dsignant le nombre de tirages ncessaires pour obtenir les n lments voulus. La loi de X: Y - n est appere roi binomiare ngative de paramtres n er B, g t,il
De manire plus explicite, on a
;

".ti

Dfinition 7
X suit une loi binomiale ngative de paramtres n et p si
;

Px(x;

: CII_. nf x- |

pn q* pourx '

! lN
1t5

PH.

IASSI - S. LEGAIT

LES LOIS DE PROBABILITE USUELLES

La forme de Px (x) est obtenue en remarquant que {X : x} signifie que x tirages ont donn un lment d'un type diffrent de (l), n tirages (dont le dernier) ont dnn un lment du type l. Sous l'hypothse d'indpendance, la probabilit d'un tel vnement est qx pn, et il faut multiplier par le nombre de tels chantillons
de

taile

n+x

soit C[l_,1

Remargue L'analogie avec le schma binomial est intressante. Dans celui-ci, le nombre esi tlx, et c'est le nombre d'individus de type I qui est alatoire. Dans la tirages de loi binmiale ngative. ou, plus exactement pour la loi de Y, c'est le nombre d'lments de type I qui est fix et donc la taille de l'chantillon global qui est alatoire. De telles approches sont parfois utilises en statistique, notamment en thorie des sondages [6], en biomtrie. pidmiologie et essais thrapeutiques.

Moments

Cas particuliers de tirages effectus jusqu' l'obtention du premier lment du type dsir porte le nom d loi de Pascal, ou loi gomtrique de paramtre p. Sa dfinition explicite

: n-; : n oq pp- V(X) : dans le cas n: 1, la loi de la variable Y dsignant le nombre


E(X)

estPY(y):pqY-1 poury
Ses moments sont
:

{0} 17,
V (Yl

E(Yl

q/p2

2
2.1
Dfinition

LES LOIS CONTINUES CLASSIOUES

Loi uniforme

I :.b-a
1

X suit une loi uniforme sur le segment Ia, b]. a par :

b, si sa densit est donne

f (x)

1t.,

ul

(*)

On note

* -, *r",u1i la f.r. est F (x)

x-a
b-a

pour x

! [a. b].
PH. TASSI - S. LEGAIT

116

LES LOIS DE PROBABILIIE USUELLES

Remargue
En faisant lechangementdevariables

x-4, x*
b-a

on est ramen une loi

uniforme sur le segment [0, 1 ], de densit g (x): l,o,


Graphes

,,, (x).

Moments

.%rc,tj,

E(x)

: +t

v(x)

:+

.%r^,ntt E(X)=

+,V(x) : \{

Rappelons (cf. chapitre 3, exercice 3.,l)que l'image par sa propre f.r. de toute v.a.r. continue X est une v.a.r. de loi Ql.ro, proprit est trs utile pour r1. cette simuler - ou engendrer - des chantillons extraits de la loi de X (cf. 4.4).

2.2

Loi gamma

Dfinition 9
X suit une loi gamma de paramrres p et 0, densit est : f (x) :

p)

O,

e>

O. note y (p, d), si sa

j= "-,,

xp-i

1n +

(x)

PH, TASSI

- S. LEGAIT

LES LOIS DE PROBABILITF USUELLES

ou:

r(p)
Remargues

:.f

+co

e-x xp-1 dx

a) Si le paramtre d'chelledest gal'1, on criray (p, 1)ou la v.a. Y : dX suit r (p). La densit d'une loi r (p)est
:

(p);si 0+1,

f (x)

=ir (p)

e-^

"n-1

1,r*

1x)

b)

Si p:1,
0;

la loi gamma Y

.1, d)

porte le nom de loi exponentielle de

paramtre

saI.r. est F (x)

- 1-

"-0x.

Forme de la densit de y (p)

o<p<1

1<p<2

Proprits de I- (p)

l-(p)

: (p-1) I-(p-1), Vp ) 0 l-(p) : (p* 1) !, Vp ! lN - {0}


T (1/21

(parintgrationparparties)

: G
-(-l't/2rP e
Do
(1

l-(p+1)

+-

tzp

)(P-.+-)
PH. TASSI

- S. LEGAIT

LES LOIS DE PROBABILITE USUELTES

Moments

SiX suir une loi y (p, 0), on a:


E
On en dduit
:

(X') :

l- (p +

r")

o'f
V

(pl

(Xl

: p/0

(Xl: p/ 0p u r+p-l 1 e- u (71

Dmonstration
E

(Xr)

+c J"

0P ;;l r(p)

e- x xr+p-l dx

v^:

.** -[
1

E(Xr)

ot ffi
:

o r(p)
r(n+r1

du

Dans le cas de la loi exponentielle, on a

E(X)

: 1

0et vrXl

:l

type

moyenne de X ou l'inverse de son cart-type. ceci donne naissance une forme diffrente de ta cjensit, parfois utirise, o d esr o,r""t*"nii,e1per"n""rgrement ou r,cart_
:

Le paramtre d est donc interprtabre comme |inverse de ra vareur

I (x,0)
ou plus gnralement
:

u-.rt

,,0"

(*)

I (x, 0, pl

: J= -t _ (x) t (p) e-x/s 0-p xp I R; '"'

2.3

Loi de Weibuil

Cette loi est due au mathmaticien sudois W. Weibull t211.

Dfinition 1O
X suit une loi de weibuil de paramtreset 0, donne par :

a)
(x)

o, e>0, si sa densit

est

f (x)

: a0

xa-1 e-o^o 1,*.

PH. TASSi

- S. LEGAIT

LES LOIS DE PROBABILITE USUELLES

Fonction de rPartition

.
effet, si a

Fr(x)

1-e-o^o

: 1, on retrouve la loi exponentielle Y (, 0l dont la f.r. est 1 - e-dx, soit de grandeur x) : e-d*. Pour dcrire des phnomnes dont l'ordre plus faible que beaucoup x} est ) du type extrmes d'vnements {X d'apparition
p (X )
e-dx, on est conduit assez naturellement tudier leS exponentielles e-0^q.

La forme de la f.r. donne une ide intuitive de I'origine de la loi de Weibull. En

Remargue La variable Xa suit la loi y (1, 0l; la loi de weibull se dduit donc de la loi **1 /a. exponentielle par le changement de variable '1

Moments

1x1

:----- o /a
Q1

rt1 +1)

l-(1

v(x) =
Dmonstration
E

2^1 +-) a.a-

l-'(1

+-)

62/a

(X)

: J'

+oo

oo

x a0 xa-1 e-e

^a dx

= .f

+oo

e-d ** dx en intgrant par parties'

E(X)

.r.L-" o :J ^t- e-'^1 (;)


Oaqaf/aqag1/ad
E (X2y

du

1
+oo

1
e-d*'
dx

oo 1 ,1',*Zl : 2 rt?ld a g2/a


o g2/a
t-(1

: l'

-*" a0xa-1 e-d"od* : 2 t

d'o

V(X)

2^1 r' +-) +-l 1t aa 02/a


PH, TASSI

. S, LEGAIT

LES LOIS DE PROBABILITE USUELLES

2.4
f
(p)et

Loi bta

Soient X et Y deux variables alatoires indpendantes suivant respectivement f (q). p ) 0, q ) 0. Nous allons chercher ta loi de ta variabte Z:X/y.
La loi du couple (X. Y) a pour densit
:

f,r,", (',y)
Considrons

: ;;+ e*(x+v) xp-1 yq-1 1,^. IR; x il,+ r (p) r (q) ".(x,y) la transformation g : lR* x lR+ * lR+ x .lR;- definie-pa

/x\

\rl-\r:*,r)
Le jacobien J (S-t)de la transformation (U, Z), d'aprs le thorme 5 du chapitre 3 :

lu:X

g-t est u/22 ; d'o la densit du couple

frr,r1(u, z)

: --je-u 1r * |t up-l (l lo-t -yr(p) r(q) z z'


f (p) f (q)
zq+l

Pour obtenir la loi de Z, il suffit d'intgrer par rapport u

ce qui conduit

On pose

B (p,

q)

q)

rlP) ' r

(q)

r(p+q)

d'o

f-121 L'
PH TASSI - S. LEGAIT

':

B (P,

(1 +

210*e

rR*

'

'

LFS LOIS DE PROBABILITE USUELLES

Dlinition

11

Z suit une loi bta ,sur lR* de paramtres p et q, dite loi bta de seconde
espce. On la note (p; q). Rappels

B(P,q)

+ xp-l : J (1 + 11n+o O --dx

: J" x.P1

(1

x)a-1 6*

B(p,q)
Dfinition 12
La variable alatoire

B(q.p)

11 (-, 22 -)

:7f

de premire espce de paramtres p et

f : -!1+Z

suit une loi bta (p, q)sur [0. 1] dite loi bta

q,
:

> 0, q )

O.

dans f, (z), on trouve facilement la densit de T

T est une v.a. valeurs dans t0,

En faisant le changement de variable

fr(t)

,.hrn-r

11

-t)q

11ro..,r(t)

La loi bta sur [0, 1 ] est extrmement utilise, car pouvant tre dfinie sur tout intervalle Ia, b] par le changement de variables Y: a + bT.
Remargue
Dans le cas

p: 1 et q :1,f r(t) :
:

lto, 1l (t) : P (1,1)

%rc, tl.

Forme de la densit de T
suivante).

Elle varie selon les valeurs des paramtres p et q (voir les graphes page Moments
E (Tr)

B (P + r'

q) B]gj::f: E rzr\: B (p, q) B (p, q)


tr+p-1 (1 _ t)q-1

tt

En effet

E(rl
122

J"1

B (p, q)

dt:

B(P+r'q;
B (p, q)
PH. TASSI

- S, LEGAIT

LES LOIS DE PROBABILITE USUELLES

q)1

p>1

l'intgrale.

De mme pour E (Zr), condition que q


:

) r afin d'assurer |existence de


pq

On en dduit

E(T)

p+q

V(T) v
(z)

E(zl

: --o q-

(q> t)
|

(p+q)'(p+q-1) p(p+q- 1) :--_____-____;_DOUr(q


(q

1)'(q

- 2) '

>2)

La variable Z n'a donc de moments d,ordre 1 et 2 que pour q

2.

Thorme

Soient X et Y deux v.a. indpendantes suivant respectivement


p ) 0, q ) O. Alors ta variabte : espce.

(p)

et

(q).

iX+Y
T

suit une toi bta (p, q)de premire sous la forme

les dfinitions qui prcdent.

Le rsultat est immdiat; il suffit d'crire

X/Y

1+X/Y

et utiliser

PH. TASSI

- S. LGAIT

142

LES LOIS DE PBOBABILITE USUFLLES

2.5

Loi de Gumbel

Dfinition 13
X suit une loi de Gumbel si sa densit est
:

f" (x)

:
:

exp (x

ex), x ! lR

Sa fonction de rpartition est


Fx

(x)

- exp (- ex)
V(X)
Tr
2

Moments E(X) : -0,57722


o O,57722 est la constante d'Euler.

Remargue

La loi de Y - - X porte aussi parfois le nom de loi de Weibull, ne pas confondre avec la loi tudie au paragraphe2.3. La densit et la fonction de rpartition de Y sont
:

fy(y)

: exp(-y-e-Y) Yc lR Fy (y) : exP (- eY)

2.6

Loi normale unidimensionnelle

Dfinition 14
X suit une loi normale de paramtres m et o
par
:

(o) O) si la densit est donne


(x

t*(xt
On note

:;fr"-T

(x-m)

! rR)
:

X -)

N (m. a).

Les paramtres m et a sont aisment interprtables. En effet, calculons E (X)

1 ^* E{X):----J o t/2t
oo

xe

-------r-

(x-m)

2o

dx

124

PH. TASSI

- S. LEGAIT

LES LOIS DE PROBABILITE USUELLES

En posant

: x-m
o-

on obtient

E(x):
De mme

car la fonction intgrer est impaire.


:

^ -=-f*-, VZlr -

"-u"/2du:m

E (Xz)

^1^+ :-

(x-m)

l' o \f27r "mt+

xt e

zo2

dx

2^o

!** -5- :/2r "

u'/2 6u

*L

,/Zo -

J**
oc

Uz

_2

"-u

/2

6u

^ 2o2 ^+ : m'+ J ----=-t/r o


= m- + ----/_ l- (=
2

v1l2 e-udv

o20'3 t/n

Comme:

_3 (t) |

:t1 , (t t1

,,F
2

ona:

v(x)
type de X.

o.2

Les paramtres m et

reprsentent respectivement I'esprance et l,cart_

Loi normale centre rduite


La

v'a' u
1),

X-m

suit une roi normare d'esprance nuile et de variance


:

1,

note N (0,

dite loi normale centre rduite de densit

1 -u2 fr,(u) :p(u) : ,:e " r/2r


PH.

(ue

lR)

TASSi S. LEGAIT

125

LES LOIS DE PROBABILITE USUELLES

La f.r. de U est note O, et dfinie par

o(u)
Les valeurs de la loi N (0,1).
<D

^u1 J__ W

"-

t'/2 dt

sont donnes la table 1 ; la table 2 fournit les fractiles de

Forme de la densit

Cette forme est celle d'une courbe en oclocheo.

Remarque
La loi normale N (m, o) converge vers la loi de Dirac au point m lorsque a tend vers
O.

Approximations
De nombreuses approximations de la f.r. <D (x) ont t donnes dans la lit.terature. L'une des plus prcises (erreur de I'ordre de 1O-5) est
:

O(x1

- (x) (au + bu2 + cut)


1 + 0,33267 x

(x)O)
c

0,4361836
:

- -

o,'t201676

0,937298O

Plus simples sont

O1x1

: 1-

0,5
(1 + ax + b x2 + c x3 + d xo)o

(x)O)
PH. TASSI

126

- S. LEGAIT

LES LOIS DE PROBABILITE USUELLES

avec une erreur de l'ordre de

2,5.

lO-a et

a:0.196854 b:0.11b194 c:
1

O,OOO344 d:0,019527
(x

Q8l:;+b;-cxndf
avec une erreur de l'ordre de 2 . 1O-3 et
:

o)

: 2,490895 b= 1.466003 c : 0,024393 d : 1_ ;2 U'suit une loi y (1/2,1).

O.t7gZS7

Thorme 2
La v.a.

Dmonstration
En appliquant, par exemple, la technique de la fonction muette, on a
:

u' -+' 1 ^+oo u' -i2du :Jto ft ^** h(it" 2du e JGI_-h(;)

: ,8.t"*- n (y) e- t #
: :
On en dduit
:

,fr lo

h (Y) Y-

1t2 u-Y (Y

{" + r(t)
r+1

y-1/2 e-y h(y) dy

E(!u'f/':" --2
(d'aprs le paragraph e 2.2).
PH TASSI S. LFGAIT

r(1) ,2

''

LES LOIS DE PROBABILITE USUELLES

D'o

(lul')

2r/2

r( r+1. z
r
:

(tl
1

Les moments de U et de X s'en dduisent

Vr e

N, impair:

E(Ur)

: E(X-m)':0
r+1

oVr ! lN,pair:
E(U')

2r/2 :Trl

or 2r/2 r+1 E(X-m)':-G-r( Z


Polynmes de Hermite
Partant de la densit g (x) de la loi N (0,1), on a
:

9'8):-x9(x) e., Vl : (x, _ 1) p (x) g,.,(^) : -(x.-3x) 9(x)


Un simple raisonnement par rcurrence permet d'tablir que la drive d'ordre n de p (x)se met sous la forme d'un produit de rp (x) par un polynme de degr n, not Pn (x), et que pour n pair (resp. impair), Pn (x) ne comporte que des puissances paires (resp. impaires) de x
:

,ln)1x)

pn (x)

(x)

Dfinition 15
On appelle polynme de Hermite d'ordre n le polynme Hn (x)dfini par
:

,tn)

1x)

(_ 1 )n H n (x) rl
:

(x)

c'est--dire, avec les notations prcdentes


Hn

(x)

= (- 1)n Pn (x)
1.

Par convention, on pose Ho (x)


128

PH,

TASSI S. LEGAIT

LES LOIS DE PROBABILITE USUELLES

Exemple

H,(x)

:x.-3x, Ho(x) :xo-6x2+3 Hu(x) :xu - 10x3+ 1S, H6(x) :xt- 1s xa+45 x.- 1s, etc.
H.(x)
u'

= x, Hr(x) : xt-1,

Propril 2

Hn (x) est le coefficient

de

Iun
n!

dans le dveloppement de

LIX-

-2

Dmonstration
Soit u un rel quelconque
:

9(x-u)

:
:

1 - {.;d 2 : -Jrr"
co , irn

p(x)

u,.-

n:O n! un : : n! n:O -Hn(x)


|

p(x)

dduit

en faisant un dveloppement de Taylor et en utilisant la dfinition 15. on en


:

2 u^^

"'^--,

un ; (x) Hn. , n:O n!

ll s'ensuit que Hn (x) est le coefficient

Remargue
u"

o" 4 n!

dans le dveloppement de

""

-7

ux- -2 par rapport x; on obtient Drivons e

,r-i ue 2 PH. TASSI

un+t n' ' n:O n!

rr^

n:O nl
129

- S. LGAIT

LES LOIS DE PROBABILITE USUELLES

En galant les coefficients de un, on a

Fl (x)

: n Hn*., (x)
:

De mme, en drivant par rapport u, on a


u

(x-u) e

2=
:

Un-1

n:1 (n-1)!

n"

d'o, en galant les termes en un-1

(n-1)! -^

Hn (x)

Hn-r

(x) (n-1)!

Hn-z(x)

(n-2)

Hn(x)-xHn_1 (x)+(n- 1)Hn_Z(x) : 0


En multipliant cette dernire galit par n et en remarquant que
:

on a, pour

n22:

Hn(x)

: n(n-1;
xFl.,(x)

Hn_r(x)

H"(x)

.'

nHn(x)

Proprit 3 Soient Hn et Hn deux polynmes de Hermite, Hn (X) et X par Hn et Hk, X de loi N (0,1); on a
:

Hn (X) les v.a. images de

:0 V(Hn(X)) : n!
E(H^(X)) Cov (Hn(X), Hr(X)) Dmonstration

a)

g[{*
dxn

e(x)dx]

: o: {*
(-

o(n){") o" Hn(x) o(x) dx


(X))
PH. TASSI - S. LEGAIT

t-l)" {n
1)n
E

(Hn

LES LOIS DE PROBABILITF USUELTFS

l_n._o.n. ^^-.,:) on parttes, a:

uk,

: l*

tn (x)

Hn

(x) p (x) dx avec

k(

n. En intgrant par

uk,

n : (-

1)n

"i Hn {x) e(n) {x) dx

: (- 1'" f : o+(-

Ltn(x)
O

-l +p(n-tl tx!__ * (- 1;n*r j,, tn

(x) 9(n-r)1x;dx

1n*t

l,*

tn_r (x) p(n-r)

1x; dx

: k ,k-r, n-l
ll s'ensuit
:

Si

<n: uo,n-k:.f
n,

" .uc
Hn_r(x) p(x)

: kl uo, n-n
Cov (Hn(X), Hk(X))

dx: O et uk,n:

Si

k:

uo,o:1 et un,n:V(H.(X)) :n!

2.7 Loi normale multidimensionnelle


Soit X un vecteur alatoire de (lRp, fr.o1, ae coordonne courante X., i : 1 p.

Dfinition 16
Soit

: 1 t \
\,0/

un vecteur quetconque de

tRp.

X est un vecteur normar (ou gaussien) si,

vu, u'X

est une v.a.r. normare.

Remarques
est normaldans (Rn, 9/l9l, alors AX est normal dans(lRd, fr,d1.
PH TAsst - s.

a) on en dduit que si A est une application linaire de lRp dans

lRd,

et si

LEGAIT

131

LES LOIS DE PBOBABILITE USUELLES

b) Si u,

1 et

,j :

o,

j+i,

xiest unev'a'r' normale'


:

La loi normale multidimensionnelle peut tre galement dfinie par sa densit

Dfinition 17 Soit m ! lRp et I une matrice (p. p) relle symtrique positive. X est un vecteur normal de dimension p si sa densit est donne par
:

f" (x) :
Proprit 4

(2rP/2

\6At

I s-2 '{"-m) r '

1.

(x-m)

E (X) est le vecteur esprance m et > est la matrice de variance-covariance et on note la loi de X : N (m, I).

Dmonstration
gonale S et une matrice diagonale D telle que

tant une matrice relle symtrique et positive, il existe une matrice ortho:

ts>s:D
Si af, .. , af Oesignent les valeurs propres positives de toutes diffrentes), D

(non ncessairement

Diag

1oi, , oil
(y1,...,y0)

Effectuons le changement de variables dfini pat Q i

":
g-1 (y)

(x1,..:,xrl4> y:

tSx

: sy car tS : S-t (S est orthogonale); lJ(p-')l :lDetSl :t


:

On note

g: tsm;t(*-m) >-t (x-m) : t(y - g)ts >-1 S (y - rr) : t(v- ti D-1 (y-p) p1

:,I, 7

lv'-u')'
PH TASSI - S. LEGAIT

132

LES LOIS DE PROBABILITE USUELLES

d'o

g (y1' ..., yn)

u = (2e/276'

2 ti'' e-

p 0i-u)2
,1

s (v1, ..., yoi

: f, --! Vzroi
i-1 Y:
E(Y)

T
"-

Ni- u)2

"1

donc Y.,, ..., Yo sont indpendantes et suivent respectivement N (g,, a;). On note

(Y.,, .... yO).

1r et V(Y) : D o V (Y) dsigne la matrice cJe variance-covariance de y, d'o

Ona:

= E(SY) = SP: m V(X) : V(SY) : SV(Y) tS:


E(X)
Proprit 5

SD

tS:

Vu ! lRP, tu
En particulier V (Z

->

N (tum,

tulu)

ce rsultat vient directement des proprits du paragraphe 2.3 du chapitre 3.


:

u X,) :

I t,l

u, u, E

(Xi- mi)(Xj- mj) : tu

V (X) u

Dfinition 18

La loi

rduite, de den'sit

t\ (O, lD) est appele loi normale (multidimensionnelle) centre


:

et

(xr, ..., Xn)

1 (2rlPtz --e

(t2l2x1

Thorme 3

Soit

X: (X' Xz) un couple gaussien valeurs dans lRz. X., et X, sont


133

indpendantes <+ Xr et X2 sont non corrles.


PH.TASSI

-S LEGAIT

LES LOIS DF PROBABILITE USUELLES

Dmonstration
Si X, et X. sonl indpendantes, alors X., et X. sont non corrles, quelle que soit la loi de X, et X2 (cf. chapitre 3, thorme 10). La rciproque est fausse en gnral mais est vrifie dans le cas gaussien.
En effet supposons que
:

c'est--dire que Cov (X.,. Xr)

X-)N : O.
:

[;r ) (r3,)]
_I
-

La densit de X s'crit

f(xr,xr)

^ o1 o2 z7r -

expl

,o1r"Z
2
1

(*.,-m.,)'

_1
-n
1

(*.-Ti)'

:_
N

-t
1

(xr

mr)
2

(x2

o't

m2)

2 C2

',/z'
(m,, af let
N

o',

1/2t o,

On conclut que X., et X2 sont indpendantes et suivent respectivement les lois

(mr, o7l.

Remargue Deux variables gaussiennes non corrles ne sont pas forcment indpendantes : pour cela, elles doivent ncessairement constituer un couple gaussien. Exemple
Soit X de loi N (0, 1) et une v.a. c dfinie par P {c = telle que X et c soient indpendantes. On pose Y: e X. FY(Y)

11 1l:;;Ple:-1]:22

: P{Y<":
:

;i;.;",
i
11 ,*(vl+

::'1,..i:-:i; ll ,,
,
P{X>-y1:F*(y)
PH. TASSI - S. LEGAIT

donc Y
134

->

N (0. 1)

LES LOIS DE PROBABILITE USUELLES

Cov(X,Y):E(XY)-E(X) E(y)
donc X et Y sont non corrles.

E(Xy)

E(cX2)

E(e)E(X2;:6

supposons que X et y soient indpendantes ; arors re coupre (X, y) serait o gaussien de loi N ((^), lz)er X + y suivrait ators une loi N (0, v).
o

Or:

P{X+Y:}: P{e:-1}:
ll

ce qui est absurde puisque la loi N (o, \/r) est continue. Donc X et indpendantes tout en tant pourtant non corrles. avec un couple gaussien.

ne sont pas

conviendra par ra suite de ne pas confondre deux variabres gaussiennes

2.8 Loi log-normale


Dfinition 19
Soit Y une variable alatoire suivant une loi normale N (m, o). La v.a. X dfinie Far X: exp Y suit une loi log-normale.
La densit de X esr
:

fx (x)

=:-\/27r
ox

exp

(- (L"gl=ry' I 1 20'

R+

(x) I

La densit de X se dduit de celle de

y par le changement de variables : y -

ey

Forrne de la densit

PH. TASSI _ S. tFGAlT

135

LES LOIS DE PROBABILITE USUELLES

Moments

(X)

/2

V (X)
En effet
:

"^*o"
1so'

"2^nc2

17

Yr )o 1, E (Xr) :

E (erY)

+oo 1 - latr-rrt : .[ srvs 2o' ' ^!t/2ro

dy

E(Xr)

: f_*e

+co 1

fu rr-(+ ,rto"l' *t+-,P- 2o'


E (Xr) :

"t'*

l-

o" ,"

2.9 La loi du khi-deux


On considre n v.a. (Xr, ...,Xn) indnendantes suivant toutes la loi normale
N (0,
1).

Dfinition 2O
La variable alatoire Ulibert, note X2

(n). "

i: 1

'

Dterminons sa densit:on sait que

paragraphe 2.6). Or la somme de deux v.a.r indpendantes suivant respectivement f h, 0l et f (q, d) suit une loi f b + q, 0) (la dmonstration de ce rsultat est propose au chapitre 6, paragraphe 3.1).

1^1 Xf t

suit une

loi , (1 , 1) (cf

Donc,engnralisantunesommedenv.a.r.'On en dduit la densit n

1n^n I Xf suit r ( ,,ll 2 i:1


lrR.
(x)

: r.. un trt
136

**-' "-i --f Z"rrf (t


I

PH TASS]

-S

LEGA]T

LES LOIS DE PFOBABITITE USUETLES

Thorme 4

soir un vecreur aratoir.ex dg (rRp, /tp), de roi : N (m, r). La v.a. I- t (X - m) suir une toi Ou X, (p).
mmes notations qu'au paragraphe2.T

y: \x -

m)

on peut se limiter au cas m : 0 : ir suffit de centrer


:

re vecteur. Avec ies

tX:-t X: tXSD-ttSX On note Z - tS X ; Z est un vecteur gaussien d,esprance nulle et de matrice de variances-covariances D : Diag @?, , oft, ot, o? : y (2,1.
tx :-' x :
9_ i:l 1 oi
"uit
par dfinirion une toi yz (p).

. La loi du x2 possde une interprtation gomtrique : soit X un vecteur normal de dimension p, M le point (alatoire) danJRp de co'ordonnes (X.,.
...,

Xoi:

llOwll' :

i:l

X|, carr de ta distance


I

l'origine du point alatoire normal M,

suit une loi du y2 p degrs de libert.


PH TASSI

-S.

LEGAIT

131

tES LOIS DE PROBABILITE USUELLES

Forme de la densit

n:2

n:1

Moments
De la relation existant entre les lois;2 (n) et y (n/2l1, on dduit
:

E(Uj)
d'o

:r''(t*'l

r (+)

E(Un)

:n

V(Un)

=2n

Les fractiles de la loi du khi-deux sont donns la table 5.

2.1O

Loi de Student

Dfinition 21
Soient X et Y deux variables alatoires indpendantes suivant respectivement N (0, 1) et x2 (n). On appelle loi de Student n degrs de libert la loi suivie par le rapport :
?_

/Y V;
Cette loi est note Tn
PH TASSI . S. LEGAIT

LES LOIS DE PROBABILITE USUELLES

Densit Pour trouver la densit, il suffit de remarquer qus

1nz r(vlety(rl.
T2

rapport de deux variables

YNY et indpendantes et suivant respectivement t

: {

est aussi

te

n
:

suit donc une loi bta

P(t'
1 1

Tn est

^ 2

) de seconde espce. La densit de

f. 'n
Forme de la densit

(x)

:
"6
e

tl, i;t

(1 +

n+l x2 - -=-z
n -)

La courbe reprsentative de la fonction frn (x) est symtrique par rapport l'axe des ordonnes, de forme (en croche> eomme pour ra roi normare.

Moments
E (Tn)

: 0 (symtrie) (n > 1) :
n

v(Tn)

(n)2)

"_2
Les moments s'obtiennent partir de ceux de la loi bta de seconde espce (cf.2'41' d'o les conditions d'existence sur le degr de libert n. Les fractiles sont donns la table 6.
PH. TASSI - S. TEGAIT 1?O

LES LOIS DE PROBABILITE USUELLES

Cas particulier : loi de Cauchy Pour n


N (0,

1it

x'tr t.

= 1, T,

'

: -+VY

o X et Y suivent indpendamment, respectivement

La loi suivie par T1 porte le nom de loi de Cauchy ; c'est aussi la loi du rapport de deux v.a. normales c'entres rduites indpendantes (cf. exercice 4.2).
Sa densit est
:

fr' (x) :

n(1 +xzl

Tf suit une loi p

moments de la loi bta de seconde espce font que T., ne possde aucun moment, donc, a fortiori, ni esprance, ni variance. Sa f.r. F est donne par
:

(+ , ll

O" deuxime espce et les conditions d'existence des

F(x)

:t

*;

Arctgx

2.11

Loi de Fisher-Snedecor

Dfinition 22
Soient X et Y deux v.a. indpendantes suivant respectivement les lois
x2 (m). La variable

x'

(n) et

X/n

,^
,.

suit une loi de Fisher-Snedecor

n et m

degrs

de libert note Fn,

nX/2n -FLa densit de F s'en dduit


:

suit une loi

(7 -) 2

de seconde espce.

f, (x)

r(+ 7t
m

nn/2

*n/2

^m/2
(m + nx)

n+m

1,**

{*)

PH. TASSI

- S. LEGAIT

LES LOIS DE PROBABILITE USUELLES

Forme de la densit

Remarque

Tl, carr d'une variable de student n degrs de libert. suit une loi
Fisher-Snedecor 1 et n degrs de libert.

de

Moments
E

(F'n'm'

-)

: -!(m m-z

>

2)

V(F 'n,ml Proprit 6

n(m-4]l (m-212

2m2(n -----im>4,

+m-2)

On note fo (n, m) le fractile d'ordre a de la loi F (n, m)

Ona:

t" t-a'

(m. n)

fo (n, m)

Dmonstration
Nous aurions pu dfinir, partir des v.a.r. X et y de roisyr 1n; ety, 1m; 1it n,y a aucune raison de privilgier X comme numrateur) la variabl'V par
:

l,

' -

Y/m

x/n
Fn.'',

Par dfinition, V suit une loi de Fisher

avec U -)

Fn,* et V-)

F.,n ;

ll est vident que I'on U et 1./Vontdonc mme loi.


n.

a UV :

P(F_ _<f-(n,m)) 'n,m q'


PH.

TASSI S tEGA]T

LES LOIS DE PROBABILITE USUETLES

Ona:

P('F
d'o
:

<f-(n, a

m))

P(F 'm,n <_):1_a fo(n,m) '


ft -o(m' n) :
f"(n,
n-')

Les fractiles de la loi de Fisher-Snedecor sont en table 7.

Exemple
Soit Fu,, dont on cherche le fractile d'ordre 0,05.

Ona:
fo,os

(5,8)

fo,e5 (8,5)

On lit sur la table f.,ss (8,5)

4,82 et donc fo,ob (5,8)

O,2O7

LES PAPIERS FONCTIONNELS

Les deux paragraphes prcdents ont prsent diverses lois de probabilits et leurs proprits. Toutefois. lorsqu'on dispose d'un chantillon (X,,..., Xn) d'une v.a. X, c'est--dire d'une suiie d'expriences indpendantes o X, est le rsultat de mme si farfois le contexte fexprience no i, t" toi p Oe X n'est, a priori, pa, "onnre, vers tel ou tel type de loi de de l'tude peut guider le statisticien-probabiliste

probabilit.

ll importe donc d'utiliser au mieux un certain nombre de pratiques de la statistique descriptive afin d'orienter le statisticien spcifier I'hypothse que P est une loi bien dfinie ; il s'agit l d'un problme d'adquation une loi de probabilit, pour lequel existent des outils relevant de la statistique mathmatique (cf. par exemple [ 19] ou [20]).
Cependant, en premire approche, un diagramme en btons, un histogramme, le graphe de la fonction de rpartition empirique, et surtout l'usage d'un bon papier fonctionnel peuvent tre des auxiliaires prcieux.
142
PH. TASSI - S, LEGAIT

LES LOIS DE PROBABILITE USUELLFS

3.1

Principe des papiers fonctionnels


n
v.a.r. indpendantes reprsentant n ralisations d,une
F.
:

Soient X.,, ..., Xn,


Fn dsigne la

v.a. X continue de loi p, de fonction de rpartition

fonction de rpartition empirique Fn(x)

:+ :,, r,*,.*,
(Xr....,Xj
strictement inf_

proportion observe du nombre de ralisations dans rieures x, introduite au chapitre 3.

ll arrive frquemment que lespace .w des vareurs de X soit partitionn. par exemple par l'usage d'une nomenclature (tranches d'ge, de revenu, etc.), tel qu :

j c, s- j:1
'

C,de limites de classe (e,-,', e,). La fonction

Fn est alors value en

e,,l:

1 k.

L'ide est de faire apparatre une relation dtermiste simple entre F (x) et x, caractristique de la loi p; dans la plupart des cas, on cherche ne relation de type linaire entre des fonctions h (F (x)) et g (x), h et g dterminer
:

h (F (x))

g (x)

droite.

Dans un repre arithmtique usuer, si.ln nole (e,) en abscisses et h (Fn (e,)) s en ordonnes, le nuage de points (c (e,), h (Fn (ej))) aura peu prs ra forme d;une

forme tinaire. Le papier ainsi gradu par re fonciions fonctionnel (h, g) adapr la loi .

si, au lieu d'utiliser un repre arithmtique, on emploie des axes clj gradus par g en abscisses et h en ordonnes, re nuage de poinis (e,, F^ (e,)) aur r mme

s'di hi;dilJ r;

;;;i;;

. cetlg proprit permet alors, quand on dispose de n ralisations d.une exprience alatoire, d'indiquer, selon la forme du nuage si ces ralisations chance de provenir du modle probabiliste reprsent par le papier fonctionnel. ";i;;Cet indicateur d'adquation la loi doit tre ensuite infirm ou contirm par la thorie des tests d'adquation non paramtriques de la statistique mathmatique ([1 1]).

3.2

Exemples de construction de papier fonctionnel

fonction de rpartition
PH, TASSI - S. TEGAIT

a) La loi normale : droite de Henry ll s'agit de l'exemple le plus clbre. soit X de loi N lm, o), de densit et de
:

143

LFS LOIS DE PBOBABILITE USUELLES

f (x)

1
--=:o1Fzn

- zo ^, e
f (t)dt

(x-m)

F (x)

:J

-o En notant par la fonction de rpartition de la loi N (0,1 ) :

F(x)
qui conduit
:

x-m : O(---)
o

<D-

'

1F 1x;1

:
:

x-m
o

ll existe donc une relation linaire entre 1 (F (x))et (F (x)) : h

(t)

:.I-Jr_
t

OrF(x)
N (0,1).

! tO,1l et <D-'(f

(*))n'estautrequelefractileur,",d'ordreF(x)delaloi

Le nuage de points (t, ur (r)) sera donc reprsent par une droite dans un repre arithmtique usuel ; si, pour simplifier, on gradue I'axe des ordonnes par la fonction O-', le nuage (x, F (x)) aura pour image la mme droite. Ce papier chelle arithmtique en abscisse et gradu par O-' en ordonne est appel papier gaussoarithmtique : un chantillon donn aura de fortes chances de provenir d'une loi normale si le graphe du nuage (e,, Fn (e,)) est ajust sur une droite dans un papier gausso-arithmtique (voir page suivante). Cette droite porte le nom de droite de
Henry.

b) Loi exponentielle
Xsuit la loi r (1,
01,

dedensitf (x) : 0 e-tu(x)0, d>o) ; F (x) : 1 - e-tu.

1-F(x) :

: -6t ll existe une relation linaire entre h (F (x)) : Log (1 - F (x))et x; le nuage de points (e,, Log (1 - Fn (e,))) sera reprsent par une droite dans un repre arithmtique ; le nuage ("1 1 Fn (e,)) aura pour image la mme droite dans un repre
Log(1

"-tu

-F(x))

arithmtique en abscisse et gradu par la fonction Log en ordonne. Le papier fonctionnel adapt la loi exponentielle sera donc log-arithmtique, dit papier
semi-logarithmique.
PH TASSI - S. TEGAIT

LES LOIS DE PROBABILITE USUFLLES

o
.o
E s .
L

.g

(o

-c
uJ

o b

'o
a a q a o
a. (
a_

v,

LIJ c')

qr rr)o O)orJ or)O) O o)-o) srq C o'o C oo6.O =O aa O(t'

E E o o

=
o

FFHE=F d-dS'co-

o- -

E S== ----=-;-

PH. TASSI

- S. LEGAIT

LS LOIS DE PROBABILITE USUELLES

Remarque

Le papier serni-log sert galement identifier un modle multiplicatif m. s. r. dans une dcomposition tendance-saisonnalit-ala d'une srie tetmporell. ut ,n" telle chelle, on voit apparatre alors un graphe analogue

X- :

un modle additif saisonnalit stable.

c) Application nurnrique
mtorologique du Parc Montsouris (Paris, 14e arrondissement) sont fournies ciaprs. L'unit est le degr Celsius, avec deux dcimales'
Les tempratures releves 1O heures, sous abri, en mars 1953, la station

0.60

0.1

4.OB

o.25 0.68 2.48


o.00

9 6.44 O.17 .16 3.43 1.64 2.22 2]7 4.08 1.23


1

.74 .23 5.32 2.85 0.35


1 1

0'A2 1 '74 3.80 3.67 5.05

2 34 0.55

1'27

0'26
3.22

Soit X la v.a. i'eprsentant la temprature prcdemment df inie. Peut-on faire l'hypothse, grce aux donnes fournies. que X suit une loi exponentielle ? On trace, sur papier semi-logarithmique, le nuage de points (";, 1 Fn (e,)) o les e, sont les ertrmits des classes choisies : tO ; 0,5[, [0,5 ; 1t, i1 ; 1 ,51,11,5 ;21' + oo[' 12;2,51,12,5;31, t3 ; 3,5t, t3,5 ; at, ft;4,51, [4.5 ; 5[, [5 ;

Le nuage s'ajuste sur une droite. On peut done penser que le modle dont sont issues ls donnes est une loi exponentielle de paramtre gal la pente de la droite en valeur absolue.
1-F en chelle logai'ithmique
1

0,9 0,8 0,7 0,6 0,5

0,4
0,3

0,2

1,5 2

(Echelle arithmtique)

2,5 3

3,5

4,5
PH. TASSI

S, LEGAIT

LES LOIS DE PROBABILITE USUETLFS

3.3

Cas de variables discrtes

Lorsque X est une v.a. discrte, on peut rechercher des relations caractristiques vrifies pour une loi bien dfinie, et tudier dans quelle mesure les donnes observes satisfont cette relation. Nous allons citer deui exemples.

a) Loi binomiale
On sait que siX suit une loi

P(X:x) : CIP" (1 -P;n-*


ll s'ensuit
:

fi fi, pl:

x:0,

1,...,n

P(X:x+1) :h(x) P - 1-P -.il-x P(X=x) *;


:

(o(x(n-1)

si X suit une loi binomiale 9l fi,p), le graphe de h (x) en fonction dex est la restriction {0, ... n - 1 } de t'hyperbole

b) Loi de Poisson
Soit X de loi

p(n-x) (1 -p)(x+

1)

I e)
P

(X: x)

:h(x) :

, x!lN ^ x_1

si X est une v.a. suivant une loi g6y, te graphe de h {x) en fonction de x sera
la restriction lN de l'hyperbole
f1

(Xr, ...,Xn), on porte en ordonnes

x+ 1 En pratique, si (a.,....,u") sont les K valeurs entires prises par X, et si t K) est la frquence relative d'apparition de a dans l'chantillon observ
:

f. 'j

t'*'' r

h (aj)

et a. en abscisses. Si les donnes proviennent d'une loi de poisson, le nuage de t1 points (a,, .7) est peu prs linaire; comme
h (a,) h (x)

1 - r*1
^^

peut tre approxim par l'inverse de la pente de la droite.


PH, TASSI

- S. LEGAIT

LES LO S DE PF]OBAB]LITE USUFTLES

4
4.1

DIVERS

Cration de lois de probabilit

Toutes les lois de probabilit usuelles n'ont pas t prsentes dans les paragraphes qui prcdent ou dans les exercices. ll en existe de nombreuses autres, et

ie tbcteui iniress pourra se reporter, si besoin est, l'ouvrage de rfrence de l'ingnieur statisticien qu'est [8].
Peut-on dgager une prseniation synthtique des lois de probabilit ? En premire approximation, trois modes de gnration semblent exister
:

a) Schma d'urne
ll s'agit de dfinir des v.a. en faisant rfrence un schma de tirage du type nbouleS danS une Urne>, selon diverseS modalits : tirage avec ou Sans remise, nombre de tirages fix ou non, nombre de rsultats d'un type donn fix ou non' Les lois binomle, binomiale ngative, multinomiale, hypergomtrique sont des exemples de ce mode de dfinition.

b)

Variabtes donnes par une caractristique (densit, fonction de rpartition)

ll s'agit des dfinitions les plus frquemment utilises, en particulier pour les v.a. continues. Ces variables sont souvent en liaison avec un problme physique concret : ainsi, la loi normale relve historiquement de la thorie des erreurs de mesure en astronomie, la loi exponentieile apparat dans les temps d'attente, la loi de Weibull en fiabilit, la loi log-normale dans les tudes conomiques sur les revenus, etc. Dans cette classe prendront place les lois dfinies par leur fonction
caractristique (chaPitre 6).

cJ Variabtes dfinies comme fonction d'autres variables


C'est une faon trs frquente d'engendrer des lois de probabilit. Nous I'avons utilise, par exemple, pour les lois log-normale, du khi-deux, de Student, de FisherSnedecor.

Cette rapide classification mriterait d'tre affine. Par exemple, nous verrons au chapitre 5 que les lois de Student ou de Fisher ont des fondements gomtriqr"r. n outre, il semble a priori trs simple d'engendrer des lois de probabilit; il

suffit de considrer une fonction f positive, suffisamment rgulire (chapitre 2)


alors
:

I"IR f E) d148

(x)

PH TASSI - S. LEGA T

LES LOIS DE PROBABITITE USUELLES

est une densit de probabilit d'une v.a. continue. De mme, sous rserve d'existence, toute fonction f dveloppable en srie entire termes positifs :

f(?l.:

x!lN

x
:

peut tre utilise pour donner naissance une loi discrte

P(X:^1

: -u-" r (0)

autres

De telle lois ont-elles une base concrte 7 Sont-elles rencontres dans les modlisations probabilistes des phnomnes physiques, socio-conomiques ou
?

Exemple
Considrons le dveloppement en srie des fonctions ch et sh
:

chu:
On a donc:

oo

U2n

oo
!

,2n+1

n:g

(2n)

n:g
1
ch
U2n

(2n + 1)

11Y, dfinies respectivement sur

n:0
oo1

(2n)
,2n+
1

n-O shu (2n+1)!

On peut donc dfinir deux lois de probabilit discrtes associes aux v.a. X et 9, ensemble des entiers pairs, et J. ensemble des entiers impairs, par :

P(X:y) :
P(Y:Y) :
En outre
:

ch
1

x!

(x!0),.ctR*
(y

yl sh, ^v

! J). ,l ! lRi

E(X)

: :

xeA
= z x!J

ch .l

^x x! ^x x!

^ ch,

d'o

E(X)
PH. TASSi - S. LEGAIT

^rh
149

LES LO]S DE PROBABILITE USUELLES

Une telle construction n'a de sens statistique que si la loi engendre peut tre mise en liaison avec une ralit. lci, X (resp. Y) est la restriction de la loi de Poisson I (l) l'ensemble des entiers pairs (resp. impairs).

4.2 Les coefficients


non centrs et centrs de X.

de symtrie et d'aplatissement /k
les moments

X tant une v.a.r., nous noterons respectivement par mk et

a)

Les

coefficients de Pearson nPtu^

u^

A-Fq P2

lJz

Lorsqu'une distribution est symtrique, les moments centrs d'ordre impair sont nuls ; .' est donc nul. Le coefficient P1. dit coefficient de symtrie (on emploie trs frquemment le terme anglais de oskewness,) est un indicateur de symtrie de
la loi de X.
Le coeff icient B, reprsente le degr d'aplatissement ("kurtosis,) de la loi de X en un sens prcis ci-aprs.

b)
Y1

Les

eaefficients de Fisher

Les coefficients de Pearson sont moins utiliss que les coefficients de Fisher,

el Yr:
Y,,

JB,

Yr: Bz-3

L'interprtation de f1 est identique celle de ., (skewness). La dfinition du coefficient de kurtosis fait rfrence la loi normale. Calculons F"pour N (0,1).
On sait que
:

(X2$

rt**pl
2n

r
lJa :

ttt

a:

_.5. I lZ) _^ _J
r

ttt
3
- S. LEGAIT
PH. TASSI

et donc

Fr:

150

LES tOIS DE PROBABILITE USUFL-LES

d'aplatissement de Pearson. pour une loi no?male N (0, 1 )

Y1:Y2:O

c)

Valeurs de y., et yzgour quelques lois usuelles

o Loi binomiale

t't

q-P
\,6pq
/2:

1-6Pq
npq

intuitif.

La distribution est symtrique

(r., : o) si p
-

: q : +, 2'

rsurtat d,ailleurs

e Loi de Poisson

Y':,r,D
vers O, c'est--dire ceux de N (0,

Y":
^

On remarque que, si o Loi log-normale


En notant ar

+ co, les coefficients de Fisher


1).

de g

(,1

)tendent

exp

or,

on obtient:

\/,r 1 Y, : -r*2o Loi gamma y (p, tl

y": eo + 2u3 + 3u2 -6

Yt
o Loi bta (p, q)

26 : -7vP

Yz: - -p

\/: I2
Yz:
PH TASSI -S LEGAIT

2(q-p)v[;l-J
p+q+2

3(p+q +11 t2(p+q)'+ pq(p+q-6)l pq(p+q+2) (p+q+3)


151

LES tOIS DE PROBABILITF USUELLES

Loi uniforme

Y't:O
Loi de Fischer F (n, m)

Yz: -1'2

Yt: Yz:

2n+ m_"2

m-6
121|m

8(m-4) n(m+n-2)

(m)6)
2) (5m

2l' (m

n(m-6) (m-8) (n+m-21.

- 4l + n (n + m -

22ll

(m>8)

Loi de Student T n

y.,:O
o Loi du x2 (n)
Y'r

Yz: n*4

(n)4)

IB
n

12
Yz

4.3

Une structure gnrale : la famille exponentielle

De nombreuses lois de probabilit, discrtes ou continues, prennent place dans une vaste famille de lois, dite famille exponentielle ( ne pas confondre avec
la loi exponentielle vue en 2.2).

Dfinition 23 Une loi de probabilil P0,.0 e O ensemble des paramtres de P, est dite appartenir la famille exponentielle s'il existe une mesure p o-linie, des fonctions relles c (d), b (x), a, (d), T, (x), b (x) et T, (x) mesurables, telles que la densit f (x, 8) de P, par rapport g vrifie
:

l(x,01 :c(d) b(x)sj:1 '


Logf(x, 0l

a; (d) T,
)

(x)

y(d)+P(x)

+ I a,(d)T,(x) j:1 )
)

PH.

TASSI S

LEGAIT

LES LOIS DE PROBABILITE USUELTES

Exemples

Loi binomiale

f (x, p)
f (x, p)

CX

p"

{1

p;n-x

: cX (1 -p)n( . o )*: cI (1 J; n' -p)n e^t"n " 1-p : h(x) : c(p) : a(p) :
T(x)
x

d'o

Cf
(1

-p)n

f-og

lL r-p
^x x!

o Loi de Poisson
f (x,')

: e-i

c(,1)

:"-'r
:

h(x;

:1.

x!

a(,)

:Log,

T(x)

:x

o Loi normale

(x-m) f (x, m, a)

-!o-t t/2t
1

2o2

x/2n

^' o-, e ;7
h(x)

"ar(m,

^" ;7. 7

mx

T,(x)

:x2

T2(x)

:x

:1

c(m,a) -o-1

e-m2/2o2

a., (m,

o)
:

: -

1m 2",

"l

Loi exponentielle

rg,0,pl:-fro
PH,

"-dx "P-1

I,**

(x)

TASSI S LEGAIT

] 53

LES LOIS DE PROBABILlIE USUELL ES

Tr(x)

:*

Tz(x)

:Logx --0

h(x)

:1,r.(x)
ar(0,o1

c(d,p)

0p

r(r)

a,(0,o1
e Loi uniforme
:

:P-1

'f

(x,ol

to,

rt

(*)

Elle ne se met pas sous la forme exponentielle.

o Loi de Cauchy:

Ladensit:

t(x,01

:- 1

T;S_6
alatoires

ne se met pas sous la forme exponentielle.

4.4 Gnration d'chantillons

Nous avons vu que, si X est une v.a.r. continue de f.r. F continue strictement croissante, la v.a.r. Y: F (X) suit une loi uniforme %ro,r,.

Proprit 7
Soit xo (resp.

y/

le fractile d'ordre a de X (resp. Y) ; alors

Yo

F (xo)

Dmonstration

P(Y< Yol
d'o

: a:
Xo

P(F(x) < YJ : P(X<F-t


F-1 (vol,

(YJ)

vo:

F (xo)

L'une des applications de ces rsultats est la gnration d'chantillons alatoires suivant une loi donne de f.r. F continue Strictement monotone.
Supposons que l'on dispose d'un chantillon (y.,. ..., Yn) d'une loi uniforme sur

on peut en dduire l'chantillon (xr. ...,xn)Qui est rgi par la loi de fonction tO, de rpartition F, avec xi : F-' (yi).
'I

,l1,

h4

PH' TASSI - S' LEGAIT

LES LOIS DE PROBABILITE USUETLES

F-r (y,i

L'obtention d'un chantillon extrait d'une roi %ro, ,lest possible par l'utilisation des tables de nombres au hasard (cf. table B). Ces tables, dont un extrait est reproduit ci-aprs, vrifient la proprit d'uniformit au sens o
:

P(x) :
P

10,x:og
1

(xy) : :-

100
I
I

xy:
xyz

OO99

p (xyz)

1 000

0OO

999, etc.

49943 30139 07932 559 30728 83499 75500 16143 79028 59894 59543 1 3668 29757 26942 08736
71

d'une prcision et on normalise les chiffres regroups selon cette prcision ; ainsi, si l'on souhaite 4 chiffres aprs la virgule, on regroupe les lments de la table par paquets de 4, qui constituent la partie dcimale
:

29267 01 934 19584 13356 35803 90284 97565 65977 37442 72526 53123 99948 59762 19952 81 790 57747 87972 54981 10079 17490 15215 27197 51979 38403 23989 38549 82968 53300 '15184 73650 51 130 59160 89866 06030 88929 Pour obtenir une ralisation d'une loi uniforme sur [0, 1], on fait le choix

0,4994
Exemple

0,3301

0,3907 0,9322

etc.

ll suffit ensuite de transformer par F-1

f
:

Soit X de loi exponentielle

F(x)
PH.TASSI

e-^

F-t 1x;

1-nn

1-x
r55

-S

LEGAIT

LES LOIS DE PROBABlLITE USUELLES

Echantillon uniforme

(x)

Echanti llon exponentiel

o,4994
0,3301

0,6919 0,4006

0,3907

o,9322
Exemple 2

o,4954 2,6912

Si X suit une loi normale N (0.1), de f.r. Q, (y., ..., y^)dsignant n ralisations d'une loi uniforme sur [0, 1], (O-t (v.,), ..., O-' (ir")) esi un chantillon de la loi normale centre rduite. De telles tables ont t calcules ; celles qui suivent sont issues d'une publication de la Rand Corporation [ 1B].
1

.661- .654- .379.231 .337- J251.117- .871- .187.551 .335 1.746.743 1.076 .766 .329- .277 1.736 1.264- .970 .6391.610

2.092-

1.447-

.018

.154
.533 1.357 1.537

1.445-

.002 .576 .1 08 .233

1.201.3851.043.155

.928- .802 .670- .821.643 1.339 2.503 .162.895 2.238.891 1.170 .130
156

1.239-

.070- 1.367.903.340.205

.759- .804 .282 .317- .219- .318- .580.373- .535- .1 9 .775 .254- .598 .200 .543- .421 .311 .493 .574 j45- 2.332.235 1.455 .251 1.024 .062 .O09 .676 .O52- 1j94 .517 .401- 1.292 .280- .540 .175 .401- .665 .479 1.322 .O72 .867.761- .502- 1.559- .249 .1 19 .065- .8121.423- 1.O71- .642 .759- 2.276- .133 .976- 1.506 1.464 .O32 .1076- .327 .378- .055 .521- 1.404.558 .593 .737- .189 1.876- .140- 1.380- .3031.657- .837- 1.417- .548 .423- .398 .167 .147 .113 1.008- 1.080 .772- .368- .290- 2.146 .539.108- .334 .659 .192 .1 9 .861 .856 .O18.228 .1 66 .1 69- 1.099 .914- .462- 1.132 .266.852 .746- .046 .395 .735 1.526- 1.065 1.450 .090 1.130 2.623 .81 1 1.372- .647 .858 .740.043- .463- .985 .395- .386 .465 .372- .2781.092- 1.062 .601 2.509 .557- .814- .220- .0191.287 .446 .O42- .593 .366 .640 .850- .847 1.125 1.241- 2.226 1.063 .085 .016 .786 .7661.7't1 .640 .067- .o88- .031- .1 84 .550 .417 .659- 1.025- .475 o.59 .792- .468 .284 .185.213- 1,847 .223 1.640- .772- .324 .O13- 1.757 .295- .451 1.081 1.073- .073 .477- .397 1.282.665 .306 .790 .851- .935 .502- .650 .254
1 1 1 1 1 1 1 1 1 1 1

PH. TASSI - S. LEGAIT

tES LOIS DE PROBABILITE USUELLES

.591 1.342- 1.194 1.428 1.470_ .487- ' .792- 1.453 1.465- .390 1.048- 2.550- .241- .109_ 1.385_ .984 .357 .563 .371 't.217 .976 1.516-1.177_ .737_ .O18 .596- .219- .726.315- .999- 1.788 1.441- 1.171 .192.413 .269- .602
1.008- .849- 1.272.903

.417_ .592
.315_
.O85

.066- 2.523- 1.270 .914 .157.624- .614- .566 1.292 .776 .768- .712 1.O01- .O12 .4561.192- 2.081- .157 .708 2.132- .297.214- .625 .699- .276 1.505 .672 .640 .677 .965- 1.066 .189- .657 1.714 1.131 .OO1- .342- .039 1.486 .848- .207- .396 2.358- .045- .0871
:

1.202- .450- .668- .212 1.161 .796 2.186- .461 .848 .236-

Si X suit une loi N (m, a), l'chantillon gaussien sera

(m +ao-'

(yr). ..., m + o

o-t

(yJ)

De tels chantillons nau hasard non uniforme> sont frquemment utiliss pour simuler des comportements aratoires. on pourra se reporter, par exempre, t9] pour des applications de la simulation et pour un irs dtaili ,rr.'i"J [b] nombres alatoires. ""por

PH. TASSI - S. LEGAIT

EXERCICES
4.1

Gnration de la loi logistique

Z:X-

Soient X et Y deux v.a. indpendantes suivant chacune une loi de Gumbel (cf. 2.5). Donner la loi de Y, dite loilogistique. En dduire E (Z)et V (Z).

lndication.'changement de variables : S (x,


ftu,
ry

y)

(x, x

y)

(u, 4.

(u,

z)

exP

l2u

- z - e' (1 + e-t)l
{1 +

En posant

t:

eu (1

z)

,(zl

e-z

Jf eu

e-')1

'u-eu

du

tz?l
f,
est la densit d'une loi logistique.

:
g

e_z (1 + s-212

Vz !lR

E(Z)
Remarque

er

v(Z)

7T

La loi de la dilfrence de deux v.a. indpendantes suivant la loi de Weibull, au sens o elle a t dfinie dans la remarque du paragraphe 2.5, suit galement une loi logistique puisque cette dernire est paire ;

e-z (1 + 9-212

ez

(1

+ szl2

4.2

Lol de Cauchy Soient X et Y deux v.a. indpendantes de loi N (0, 1). 0n dfinit la u.a.

'l)
2) 3)

Exprimer la densit de la loi de Z, dite loi de Cauchy. Comparer les positions respectives de la loi de Cauchy et de la loi N (0, 1 ).
La loi de Z admet-elle des moments ?

Calculerla densit de lav.a. U

0+

oZ (d! IR,a)0)? y):


X

lndication

1) 0n

effectue le changement de variables: h (x,

(x, z) o v

158

PH.

IASSI - S. LEGAIT

LES LOIS DE PFOBABITITE USUETLES

l.r 1n-r11
d'o
:

- l4
z

et

ftr,

(*' Yl ,r

: L
+
x

,-i 2r
,l z"
2

[^"

y"l

f(*,

z)

(*'

t) :
x'
+

--

2r
I
z

1tx 2'

lxl
z 2

_l .1^0 lr(zl: - 2"r, J__ *t

1l

^,

dx

+ ---- ^ 2r z'
1)

1+-

-0

_1
xe
2

,"1t*11 zdx

t, (zl

'

: --l-n (z'+

etP{X)1}.

Pour comparer les positions respectives de Ia roi de cauchy et de N {0,

r), on compare p {z

>

P(z> 1) :
P

l:* 1 -: n 1z'+ ^
11

dz:

o,2s

(X>

l) :

0,1587 (cf. table

1).

0n dit que la loi de Cauchy est < queue plus paisse> que (0, N l).

1/\En

2)

La loi de Cauchy n'admet aucun moment car les intgrales

sont indfinies.
3)

^* -. ,. J - n(z'+11
zk

dz (k211

fr(u)

"l,-.;A

PH TASSI - S. LEGAIT

LES LOIS DE PROBABILITE USUELLES

4.3

Montrer que si X et Y sont deux v.a. indpendantes de loi N (m,


indpendantes.

a) alorsX+ Y etX- Y sont

lndication

(;t;):(t;)(i)
Y) est un couple gaussien.

donc (X + Y, X

ll suffit de prouver que X + Y et X

Y sonl non conles pour assurer I'indpendance.

E((X+Y) (X-Y))

E(X2)-E(Y21

E(X+Y;

:2t

Donc
4.4
Loi de laplace

et E(X-Y1 :g Cov(X+Y, X-Y): 0

Soit f (x)

_ I'l

0,0lantunparamtrerel strictementpositif. f soit la densit


de probabilit d'une v.a.r.
X.

1) 2) 3)

Dterminer K de faon que

0n pose

, :

.Dterminer la loi de Y. appele loi de Laplace normalise.

Calculer E (Yr), Vr

! lN*. En dduire E (Y) et V (Y).

lndications

1)
2)

^+oo J'_Kr
s'crit:

-4e dx:l
s (y)

K-

La densit de Y

:7

e-lvl

3)

(Yr)

: d:+ ,r ,-lvr -
L

6v

Si r est impair, la fonction intgrer sur lR est impaire et donc E (Yr) intgrer est paire et :

:
r!

0. Si r est pair, la fonction

E(Y')

^* : JO E(Y)

oo

yr e-Y

dy: et

l-(r+1)
V(Y)

d'o:
160

:0

:2
PH TASST
_

LEGATT

LES LOIS DE PROBABILITE USUETLES

loi de Pareto
La v.a. X suit une loi de pareto si sa densit est donne par
:

f (x)

= =

a0a

,r-,

114*-1(t)

(a)o'd)o)

l)
2)

Calculer E (Xk) en prcisant les conditions d,existence, Dterminer le mode et la mdiane de X.

lndication

r)
n'existe que

(Xk;

: l)*

o e,

dx

si

a-

k+ I > l,

c,est__dire si

k<a.

Alors

E(Xk) d'o:

: a1o[-

1 (a - k)

lg

+oo

xa_k

o,ok - a-k
@>zl

E(x) 2)

::.

q_l

o@)t)

et v{X)

(a-21@-11"

Le mode est en d.

Vx)d:F(X)

=$
21/a

agd
1a+1

dr

0a _(_)
X

F(x)

-(1: 2

donc la mdian e est en 21/a

4.6 toi

du khi-deux dcentre

soit x

(xJ,:,

,n, un vecteur aratoire

gaussien de dimension n, de roi N (0,


:

rJ. soit d

(d;);:16n

un vecteur de lRn, 0n dfinit la variable alatoire

Y: llX+0ll'=
PH TASSI S LFGAIT

i:l

(x. + 0il2

LES LOIS DE PROBABILITE USUELLES

Y suit une loi du khi-deux dcentre n degrs de libert et de paramtre d'excentricit (ou
dcentrage)
:

de

^0n la note
:

i:l

t ,:ll0ll'
I

X'

1n, 1.

1)

Montrer que la loi de Y ne dpend que de la norme de d et non de Calculer son esprance et sa variance. respectives N (m,,

lui-mme.

2)

3) Si (X;);=16n sont n v.a. indpendantes de lois

a,). 0n dit que U:

X]suir

une loi du khi-deux dcentre gnralise. Calculer E (U) et V (U).

lndication

1) Soient 0:10.1,-'un et

d' : (dilt:,.n

deuxvecteurs de lRntels que

lldll :

ll0'll

Soit

Z:X+0: z' : x + 0' ..


2 et llZ'll2
lld'
ont mme loi.

Z-> N(d,ln) z' -> N(d" ln)

Montrons que llZ ll

lld
d'o
:

ll :

ll = f
llAZll2
N (0,

Anrn orthogonale telle que

0'

A0

llZll':
0r:

llAX+AAll'?
',

llAX+0'll"
N

AX

->

l.) ; AX +

->

(4"

ln)

Z' et AX + d' ont mme loi, donc llZ ll2

et llZ'll 2 ont mme loiX'?


E(X,)

(n, lle li'?).

zl
V(Y)

E(Y)

: J.
t:l
lx?I

r1x]f

+ 2. 0
I

+ 1. s2
I

n+

vt

i:l

i-

+27iXill: : I'
i:l

tV(Xlt+ 40?ulxil+4d,Cov(X,Xi)l
'

V(Y)
162

V(IX)

+4:2n+4
PH.TASSI

.S

LEGAIT

t
I

I
I

LES LOIS DE PROBABITITE USUELLES

3)

E(u)

=.{,
t-l

tu(X,)

+ E21x,}J: zo2 +

2m2

v (u)
Comme
:

i:l .
111,

tt tx]t

- r' txJt
(Ximi)4

(
d'o

--)

X,-fi,
I

suit y=

on dduit E

3 oai

: i:l

V(U)

: :nnl3oa+6n'.o7 *r1I
'

@1,+n?y21 I I

: t
i:l
:

Zo:,@?,*

2n1J

4.7

soient n v.a. indpendantes (x,) de densit f.. 0n dfinit les probabilits

p,

X.

{'

t, {t) dt

Montrer

que P

: - i i:l
P,

2 Log p suir une loiy2 (2n).


'

lndication P,

varraDle:9lx'l
La densit de

.1,

F (X,)donc

: -

-? Aro.r,
2Logx.'
:

(cf. exercice 3.1, chapitre 3). 0n effectue le changement de

2 Log P s'crit

s (t,)
donc

I
n

,-

"'

1i0, * -J

(v)

2 Log P

-)

X"

el;

les

sont indpendantes. les

aussi, donc:

i:1

PH TASSI S. LEGAIT

163

Chapitre 5

Gomtrie des variables alatoires


Ce chapitre aborde deux aspecis diffrents des variables alatoires. Le premier est relatif aux proprits des v.a. admettant esprance et variance ; le second tablit les bases de la gomtrie des v.a. ayant une variance finie, et les approximations de v.a. qui engendreront la rgression statistique.

1
t

ESPACES DE VARIABLES ALEATOIRES

Dans ce paragraphe, nous ne considrerons que des espaces probabiliss ; la formulation la plus gnrale fait rfrence aux espaces mesurs (voir, par exemple,

16l)

.1

Les espa ces

9 t et

L1

Soit un espace probabilis (O, u4, P) ;on note 9., (A, .nl,Pl- ou 9., si aucune ambigut n'existe sur I'espace probabilis - l'espace des v.a. relles, intgrables, dfinies sur (Q, .&1. On sait par ailleurs (chapitre 2)que la relation ogalit P - presque srement, est une relation d'quivalence sur 9.,. Dfinition
1

On appelle L.' (Q, u, pl l'espace quotient P -ps.

de 9., par la relation d'galit

L, (Q, ol , e) est donc l'ensemble des classes d'quivalence de 9., par la relation d'galit P - presque srement. On le notera L, par la suite. En assimilant v.a. et classe de v.a., L1 est l'ensemble des (classes dei; v.a. admettant une esprance. Par exemple, la loi de Cauchy (cf. chapitre 4) n'appartient pas L,.
Thorme
1

Ll est un espace vectoriel sur

lR norm par

llxlll
PH TASS] -

Jlxl

dP:

E(lxl)
165

LEGA T

GEOMETRIE DES VARIABLES ALEATOIRES

Notons que J XOp a un sens pour X ! Ll ; on fait la confusion de symbole entre X et sa classe d'quivalence, car si X et Y sont dans la mme classe, on a
:

E(X)
ll est facile de montrer que
L.,

E1Y1
:

est un espace vectoriel. En outre

llxll, .llx+Yll,: -ilx*vl op<"flxl dP+Jlvl up:llxlll + llYlll o llXll., : 0 <+ X : O; en effet, on a vu (chapitre 2) qu'une
o l,1l .
ngligeabilit
de X est E (lXl) :
0.
L.,.

v ! rR llixll,

CNS de

On peut alors introduire une notion de convergence dans

Dfinition 2
Soit (Xn) une suite de v.a. de L.,. On dit que Xn converge vers X au sens de
L.,

(not Xn

L-

X) si

llX--Xll,
Remargue

: -llX--Xl dP----> 0 (n*-1

f
lJ xn on

J xdPl
L.

l-f (Xn

- x) dPl <

"f

lx^

- xl

dP

d'o

Xn-) x '+ E (Xn)


Remarque 2

E (x)

->

Plus gnralement. on peut montrer que l'espace L1 (O, e' p) est un espace de Banach, c'est--dire un espace vectoriel norm complet. Ce rsultat est connu sous le nom de thorme de Fisher-Riesz.

.2

Les espa ces

z et L2

Dfinition 3
On note 9r(Q,.4, n l'espace des v.a. relles de carr intgrable. L2(A,,t4, Pl est l'espac quotient de 9, par la relation d'galit P - presque srement. not Lr.
166

PH TASSI

-S

LEGAIT

GEOMETRIE DES VARIABTES ALEATOI RES

. L" est donc l'ensemble des (classes de) v.a. admettant un moment non centr d'ordre 2 (v.a. de second ordre)
:

E(X2; Thorme 2

: Jx2op <

L, est un espace prhilbertien. c'est--dire un espace vectoriel sur lR sur lequel I'application L2 X L2 ----> lR dfinie par
:

(x,

Y)->

<x, Y>

(XY)

J XY dp

est un produit scalaire.

ll est faciie de montrer partir des proprits de l'intgrale que la forme <x, Y> est bilinaire symtrique strictement positive, c'est----dire eit un produit
scalaire.

Consguence
La norme au sens de L, est note llX

ll, et dfinie par

llxllS: JX'?dP
Dfinition 4

ou llxlir: Glx't
:

La notion de convergence dans L, s'en dduit

soit (Xn) une suite de v.a.r. de Le ; Xn converge vers


(not
L^ Xn ) X)si
:

ra v.a.r. X au sens de L,

llXn

ll, ----->

i.e E(Xn-X)2->
convergence en moyenne quadratique (m.q.).

(n*-)

Trs utilis en statistique, ce type de convergence porte aussi re nom de

Exemple

soit Xn (n ) 1)une suite <Je v.a. de loi binomiale B (n, chaque n, la variable alatoire ofrquence empirique,
:

p).on dfinit,

pour

-n

PH TASSI S. LEGAIT

167

GEOMTRIE DES VAR ABLS A,LEATOIRES

x_ ^ 1 t(-p)':r,*"-np)':
Fn converge vers p au sens de Lr.

1 ,

V(Xn)

:}: p(1 -p)

Considrons le cas particulier o la limite est une v.a. constaRte a

E(Xn al' : E(Xn-E(Xn)+E(Xn)-a)2

V (Xn)

1E

(Xn)-

al2
:

Une C.S. de convergence dans L, de Xn vers a sera

( ri,.n lnl I I lt'.n (n


Thorme 3 (Cauchy-Schwartz)

E(X")
V(Xn)

:a :o

Soient X et Y deux v.a.r de L, ; on a

llxY Thorme 4 (Minkowski)

ll, <

llx

ll,

llY lln

Soient X et Y deux v.a.r. de L, ; on a

llx+Yll, < llxll, + llYll,


Les dmonstrations des thormes 3 et
gnral en 1.3.

4 seront abordes dans un

cadre

Remarques

a) Dans le thorme 3, si l'on prend

1 (ps)' on obtient

llxll, < llxll,


Donc L, C L, et toute v.a.r. admettant un moment non centr fini E (X2) posscle une esprance finie;L, est l'espace des v.a.r. ayant esprance et variance
f

inies.

b) Si, dans le thorme 2, on remplace X et Y par X-E (X) et Y-E (Y), on


obtient
:

<X-E(X), Y-E{Y)> :

Cov(X,Y)
PH,

TASSI S. LEGA1T

GEOMETRIE DES VAR]AB LES ALEATOIRFS

possde une structure d'espace de Hilbert.

c) Plus gnralement, on peut dmontrer que L, est complet, c,est--dire

.3

Les espa ce

ppet L_ ^ (
< -),

Dfinition 5

ge(A, u(, n dsignant t'espace des v.a.r teiles que E (lXpl)< * Lo est l'espace quotient de 9 la relation d'galit p-ps. rpar
La norme sur

(1

Lp est

llx ll p

(-f lxl P dP)t to

Les trois proprits suivantes sont classiques et gnralisent celles qui ont t nonces ci-dessus.

Thorme 5 (croissance)

X <Y

llxll p < llyllp

Ce rsultat est issu de la croissance de l,intgrale.

Thorme 6 {ingaiit de Hotder)

)
)

1, q

1, 1/p +

1/e: 1 :ilXyli,<llxllp llyllq


1.

Dmonstration

i) Soita

0, /3

>

O,

a+p
dp

Montrons que pour f et g mesurables

df inies

sur (O, ,rl , pl, on a

fo g

I"l"

tdttlol! sdpll

Si J fdp : -, l'ingalit est triviale ; de mme si I tdp : O, alors f est g-ngligeable, donc fa g galement, et I'ingalit est vrifie l'galit. Considrons le cas gnral 0 < J

fdg

( *. On sait que, par ia concavit de la fonction Log


Log(aa

Ya

) 0, b > 0

+ Bbl a Log 6+pLogb


a"bB
169

our
PH TASSI

sa + b2
S
LEGAIT

GEOMETRIE DES VARIABLES ALEATOIRES

Posons

lrdp

-[sds

jrdpY ll sdttlq
.----\u
:

fd

gP

lrdp
+

*B

sdp

En intgrant par rapport p, on obtient 1r" sB

ds

(a
+

d'o le rsultat annonc puisque a

pl I l fdpl" t-l"sdplq
1.

ii)

Prenons

p:

P,

t:

IXIP,

s:

lvlq,

o: +, P: +;

onobtient:

J lxYl dP Cas particulier

<

t"i lxlp dP11/p t"i lYlq dPltzo

Soit
I'i

ngalit de Cauchy-Schwarz.

p : 2, q : 2: on retrouve llxYllt

Thorme 7 : (ingalit de Minkowski)

Yp21
Dmonstration.

+llYll ilx+Yll p <llxll " "p " "p

i) Pour p
ii)

1, on

retrouve E(lX+Yl)

< E(lxl)

+ E(lYl).

Soitl<P(oo:
lX+ylo

:
<

lX+YI .lX+YIe (lxl +lYl).lX+vln-1

lxl .lx + vlo-1 + lYl .lx + Y;n-t


"f

En prenant I'esprance

Jlx+vlpdP <
Or, d'aprs le thorme 6
:

lxl lX+Ylp dP + -f IYI lX+Ylp-'oP

"ilxl lx+Ylp
110

dP

: llx.(x+Yl)p-'ll, < llxllp. ll(x+Y1o-11;o


PH.

TASSI S. TEGAIT

GEOMETRIE DES VAIABt ES ALEATOIRES

"l"lYl
avec
:

lX*yle dp< llyllp.tl(X+y)p


Q:_p-l
p

lltq

11 _+__1,soit q p
ll! : :

d'o

Jlx+vlpdP: llx+yllB < |lxllp + llyllp)


ll(X+
Y)P-1

il(X+y;o-1110

Or:

J llx
-f

+ y11 (o-l)a 6p

lX+YlPdP

r.e.

ll(X+y)p- t ll o
:

llX+y1;n-i

Soit

llX+ YitB
et donc
:

< |lxll p+ llyll J. llX +y11 0-t

llx+Yllp

<

llxllp+ llYlle

UN PEU DE GEOMETRIE

Le fait que L. ait une structure d'espace de Hilbert, c'est--dire qu'il existe un produit scalaire. l'orthogonalit, etc., peut nous autoriser y faire de la gomtrie. Avant de travailler sur I'espace des variables alatoires du second ordre, nus allons rappeler l'interprtation gomtrique de quelques-uns des concepts de la statisti-

que descriptive.

2.1

Statistique descriptive gomtrique

soit une variable relle quantitative X dont on possde n ralisations (x,, .... xn). La statistique descriptive propose un certain nombre d'indicateurs rsumant l'information contenue dans l'chantillon, en particulier
:

la moyenne quadratique

PH.TASSI

-S

LFGAIT

171

GEOMEIRIE DES VARIABLES ALEAIOIRES

o la moyenne arithmtique

X:

1n :x. n i:1
1

la variance empirique

s,ro la variance empirique modifie

I(x -i)2 n^ n-1


:

st :-i

. r(x -x)2 n-1


|

Si sur le mme chantillon, on a les ralisations (y.,,...,yn).d'une seconde variable Y, on peut calculer le coefficient de corrlation linaire empirique

r(X,Y)

I (xi i)

(yi

V)

ll existe de nombreux autres indicateurs de tendance centrale ou de dispersion:lamdiane, lernode, lesfractiles. l'cartabsolumoyenl
n

tf*i-il,

l'ten-

due, les intervalles interfractiles, etc. Nous ne prsentons ici que ceux qui ont une i nterprtation gomtrique.

A noter galement que i, S'2 ou r ne sont que l'esprance, la variance ou la corrlation linaire thoriques de X (ou (X, Y))calcules par rapport la loi discrte uniforme
:

Pn
nomme loi empirique.

1n n i:1

xi

Dans lRn, l'chantillon (x', ...,xn)(resp. (yr,


X (resp.

reprsent par un point ; dsigne le vecteur bissecteur, de coordonnes (1 , ..., 11.

...,v])est

Soit H (resp. O) la projection orthogonale de X (resp. Y) sur le sous-espace de dimension 1 engendr par . Le produit scalaire. Ol,a ) est gal
:

<o1" > aveccosa:


OH

: r*, :

oX..v6 cosa

OX -,d'o:

I*, : OH.\; Ott: 16 i


PH TASSI . S. TFGAIT

112

GEOMETRIE DES VARIABLES ALEATOIRES

Dans

lRn,

pointHadoncpour coordonnes

/,\ H-t.l \ "/


La moyen quadratique q est,

,i.e. OH:i.

- Vn -i:l
x'.
I

prs, la longueur OX:

OX'

n : :

nq'

a:.16
1

oX

Comme OX

>

OH. on en dduit

: q ) i.
:

La variance (ou l'cart-type) est galement facilement interprtable

XH2

ou:
PH TASSI S. LEGAIT

: : (xi i)t : ns,t : XH : .16. S,

(n

1) 52

113

GEOMETBIE DES VARIABLES ALEATOIFES

Calculons maintenant <HX,

OY)

<HX, OY>

>

:
cosd:

(xi- x) (yi- i) .6s; . .v6s; cos a


:

o Si et Sidsisnent les carts-types empiriques de (xr, .. ,xn)et (y.,, ...,yn)

Le coefficient de corrlation linaire empirique n'est autre que le cosinus de l'angle entre les vecteurs associs aux variables X et Y centres en leurs moyennes respectives.

ffi

>

(xi i) (vi - v)

r(X,Y)

2.2

Gomtrie dans L,

Plaons-nous dans l'espace des variables alatoires relles de carr intgrable L, (Q, .4, gl, muni du produit scalaire de la covariance :

<x,Y>: JxYdP:
E(X-E(X)) E(X-E(X))
ll en rsulte que
E (X)

E(XY)
'

A, P1R):1 On dsigne pare lavariablealatoiretelleque e(<..r):1 Va.r ! e engendre le sous-espace de dimension 1 des v.a. constantes, inclus dans Lr.
On sait
:

:0
e.

: <X-E(X), e):0 + X-E(X) Ie


est la projection orthogonale de X sur

Remargue
Soit X telle que E (X)
114

: O;

alors x

e.

PH.

TASSI S, LEGAIT

GEOMTRIE DES VARIABLES ALEATOI RES

comme dans le paragraphe 2.1 , on peut interprter gomtriquement un certain nombre de concepts probabilistes.

(x)

V(X)
Si Y est une autre v.a.

: E(X-E(X))': llx-E(X)ll;
x

L'cart-type a (X) est donc ra rongueur (dans Lr) du vecteur


;

E (x).

<X-E(X), Y-E(Y)>:Cov(X.y) : o(Xl .o(Y).cosd


o dest I'angle form par les vecteurs

X-

(X) et

y-

E (y).

Ona: cosd

= o(Xl .o(Yl

Cov (X. Y)

o(X.Y)

coefficient de corrlation linaire entre X et y.

2.3

Approximation dans L,

a) Approximation par une v.a. constante


Soit Y une v.a.r. de loi connue ; peut-on I'approcher au mieux (au sens de Lr) par une v.a. constante ?
PH TASSI. S,

LEGAIT

115

GEOMETRIE DES VARIABLES ALEATOIRES

Y et

k.

Soit donc chercher une constante k minimisant le carr de la distance entre llY - k ll; : E (Y - k)t. Le calcul peut tre fait directement :

Min E(Y-k)'<+ Min k2-2k E(Y) + E(Y2;+

kk

k:

E(Y)

La constante approchant de faon optimale Y est son esprance E (Y).

Gomtriquement, la constante la plus proche de Y est la projection orthogonale de Y sur le sous-espace des v.a. constantes engendr par e ; en utilisaFt I'interprtation gomtrique prcdente, k : E(Y).

b) Approximation par une v.a. guelcongue


Soit (X, Y) un couple de v.a.r. On cherche approcher Y par une variable X proportionnelle X, I : kX. On considre le s.e.v. engendr par X.

La variable kX la plus proche de Y est la projection orthogonale de'Y sur X

crivons que Y-iO( est orthogonal X.


E ((Y

kX)X) =

o:

E(xY)-ke(xt)

d'o

k176

E (XY) E (X')

PH.

TASSI S,

LEGAIT

GEOMFTRIE DES VARIABLES ALEATOI RES

(XY) : E * E (X')

. X est la meilleure "explication lin!laire, de Y par une v.a. colinaire X.

Nous n'avons fait a priori aucune hypothse. L'examen du rsultat montre qu'il faut connatre au moins E (x2) et E (Xy) pour rsoudre le problme.

c) Approximation affine soit (X. Y) un couple de v.a.r. on cherche expliquer y de faon affine par une v.a. appartenant au sous-espace engendr par e et X, L, (e, X). cela revient chercher des constantes et b telles que la distance ent-re y et e + bX soit
minimale.

L, (e, X)

ll est clair que : e + bX, projection orthogonale de y sur L, (e, X), est le point de L. (e, X) le plus proche de Y. Les paramtres et b sont leJcoordonnes de Y sur e et X (pour que le problme ne se ramne pas au cas prcdent, il faut supposer X non colinaire e, c'est--dire X non constante).
Ecrivons que Y

-J-

e, et y

1-J_

E(Y-e-bX1 :9 E((Y-ae-XlX) :0

+b e(X) :
E (X)

E(Y)

+ br (X')

E (XY)

La rsolution de ce systme en et b conduit

a:
PH TASSI S LEC:AIT

E(X'?) E(Y)

V (X}

-E(X)

E(XY)

GEOMETRIE DS VARIABLES ALEATOI RES

^ u:
Y:
Remarque
E (Y)

Cov (X,

wR
-

Y) :

o (Y)

ooa)

P(x'Y)
Y.

Cov (X, Y)

(X)

(X

E (X))est la

meilleure approximation affine de

ll faut, ici, supposer connus au moins E (X), V (X), E (Y). E ff'?), E (XY).

Approfondissement : qualit de l'approximation lntuitivement. la qualit de I'approximation de Y par un lment de Lr (e, X) est d'autant meilleure que Y est proche de L, (e, |). Cette proximit est mesure par le coefficient de gtermination R' gal cos' 0, 0 tant l'angle form par les
vecteurs Y

E (Y) et Y

E (Y).

Remarquons que E (Y)


pendiculaires.

:
R2

(1

par application du thorme des trois per-

rr- E llrr
ilY_E(il3

Projetons X sur e en (X) et menons de l'origine le vecteur quipollent E (X). Alors, par le thorme de Thals, la parallle e mene de Y coupe x-E(x)enb(x-E(x)). et doncl- e 1t b (X- E (X))

ll s'ensuit

R2: b2

V(X)
V
(Y)

Appliquons le thorme de Pythagore au triangle rectangle

ff,1,

ff))

llY-E(il3:

il-Et?ttt3 + llY-11;
ll E

Or llY - E (Y)ll! est la variance V (Y), dite variance totale, variance de ?, Oite variance explique par l'approximation affine.

()ll3 est

ta

n remarquant que, avecZ: y - , E lzl: o, llY - ?1; ! est la variance de Z, dite variance rsiduelle. On obtient alors la clbre formule de dcomposition dite d'analyse de la variance
:

Variance totale

variance explique

variance rsiduelle.
la

Le coefficient R2 mesure donc variance de l'approximation Y :


variance
R2

la part de variance totale explique par

explique

V (V) V (Y)
PH. TASSI

variance totale

. S. LEGA]T

GEOMETBIE DES VARIABTES ALEATOI RES

L'approximation affine sera d'autant meilleure que V () est proche de V (y), c'est--dire R2 proche de 1, c'est--dire d proche de O. Gnralisation

on peut chercher approximer une v.a. y par une v.a. situe dans le sousespace de Hilbert L engendr par (e. x1, ..., xe), o X,, ..., Xo sont des v.a. telles que L est de dimension p + 1, c'est--dire que, quel que soit i : 1 p, X. n'est pas une constante et, quels que soient i et j, X. et X, ne sont pas proportionnelles.

9, la meilleure approximation de Y dans L, est telle que

:o*,.,

,, *,
:

o les paramtres o,r,..., o sont calculs en crivant que

Y-rx
'
o k, n :

v-?re

Vi : 1p
:

En crivant Q la matrice (p + 1. p + 1) de terme gnral

@k,n:E(XkXn) 0 p, avec la convention Xo : e, et en notant

q-['[,1"1,/ -ltil
\ / \ e/
PH.

/:.\

o:/elx,v1
\

lEn\I
/

*:/{,\

/"\
I
119

\E(xDy) /

\x_ \"r/

TASSI S. LEGAII

GEOMETRIE DES VARIABLES ALEATOIRFS

O:
:
d'o
:

Q-l

b,

1:t"Q-tb

2.4

lnterprtation des lois du khi-deux et de Student

Soient X', ..., Xn,

v.a. indpendantes de mme loi N (0,1); le point X de

coordonnes "cartsienneso (X.,, ..., X") se dplace dans lRn de faon alatoire, chaque coordonne tant au uhasard gaussinu.

Avec les notations prcdentes, la coordonne de H sur e est X, de loi


N

(0,

+ vn

);

la longueur OH

: r,6 X suit donc une loi normale : ,:. tn


|

N (0,1).

La position de X tant alatoire, OX2

X1 est une v.a. dite, par

dfinition,

suivre une loi du khi-deuxxt (n) (ct. chapitre 4).


Le vecteur

voir que

X,-

".t

de coordonne courante X,

- *, i :

1 n ; il estfacile de
:

suit une loi normale N (0,

); en effet

180

PH, TASSI

- S, LEGAIT

GEOMETRIE DES VARIABLES ALEATOIRFS

.
o

(X

-X) :

O car estorthogonal au sous-espacede dimension n

contenant H1

V(X,-X) :

V(X;)+V(X)

2Cov(X,.X)

1+

12 ; - ;
1

(u(Xi) +

(n-

1) Cov(Xi,

Xj))

-1-

n
:

Pour la mme raison d'orthogonalit

Cov(i,
a) Loi de

X,-x; : g

Vi : 1n

f; :

nSlSz

Lemme prliminaire
Soient X,, ..., In n variables alatoires telles que Cov (X,, X,) : O Vi, j, i+ j et v (xi) : o'vi. on effectue un changement de base orthogonar, et on note
les transforms de (X,, ....

(Y,. , Yj

Alors:Cov(Y,,y,)
Dmonstration

: O Vi, i i +j.

Xj

ainsi obtenus.

matrice F du changment de base reprsente la transformation orthogonale

soient fr, ... f^ les vecteurs de la nouvelle base. Dans l'ancienne base,
:

la

F- [ t,,

t:
\

/n'

rnr\

\:t.,"

rr,
,

:\
Y

.l

Alors X : FY o F est une matrice orthogonale (rappelons qu'une transformation est orthogonale si le systme d'axes orthonorms initial est transform en un
second systme galement orthonorm), et donc

^^,/

F'X.

ft'\ : (l;
\'/
PH,

\,^, ,.",/

l:\ ft'\
\-^/
181

TASSI S. LEGAIT

GEOMETRIE DES VARIABLES ALEAIOIRES

.n Y' k:1
Cov (Y,,

Y,)

Cov
O

tn

!.,
1

,n

Xn,

,1,,

t,, *,1

Or

Cov (Xn,

X,) : :

Vk

;r

: >>f.f,, Cov(yyl 'r't'


k I'n >f f.
k'*JK k

Cov(Xk,Xt) V(Xk)

: o't

:o

f..f.. rKlK

d'aprs les proprits des matrices orthogonales.

Thorme de Fisher Soient n variables alatoires (X.,,...,Xn) suivant indpendamment la loi normale N (0,1).
n

Les variables

16 Xn et t . l:
I

(xi

- X)t :

(n

1)

Si - nS;'
1)

sont

indpendantes et suivent respectivement N (0,1 I et X'(n

Dmonstration
Soient (e.,, ...,en) la base de dpart, (f1, ..., fn) la nouvelle base orthonorme.
Le vecteur unit
n

peut s'crire

X reprsentant le poinr t(x.,,

....Inl,on sait que <On,

I i:1

ei.
|

/\6> : 16 Xn. \ Xn

est donc la coo-rdonne de X sur le vecteu,

+ Vn

unitaire.

f^ : Effectuons alors le changement de base tel que 'nVn


Nous avons

'. X-

"

j:1 I

182

PH,

TASSI S. LEGAIT

GEOMETRIE DES VARIAB LES ALEATOIRES

X-Ynfn
D'autre part
:

: X-.6 *"t" : :!] Jn

t,t,
|

X-VnX-t:: ' n n
:

X.e l:l -'-in

'-6

ol

--FVn

i:1

D'o

te -X n'l i:1 n n-1 _ : (X,*X)e: | n' i:1 ' j:1 I l


|

Les variables (Xr, ...,Xn) tant non corrles, le lemme prliminaire permet d'affirmer que les variables"(y.,,...,y^) sont non corrles. comme images de (Xr,, ,Xn) par une appricatiori linaire, y,, ...,yn sont des v.a.r. normales .normales
et donc idpendantes.

-,^^^,111'", s ensutt
:

lesX suivantN(O,t),onvoitaismenrquey ->N(0,1),Vj

n.

Yn

: n6 X" suit N (0,1), rsultat que nous connaissons


n-1 j:l
'

dj.
:

o Yn est indpendant de Yr, ...,yn_r et par consquent, est indpendant de


l

. r

n-1

I . j:l

_ Y suit, par df inirion, une loi du ;2

(n

1).

L'application orthogonale conservant,les distances

n-l j:l
|

i:1

et donc

i:1
:

une loi N (m, a)

Corollaire
Soit (X,, ..., Xn) n v.a. de mme loi N (m, a), indpendantes ; alors
:

t6
PH TASSI S LEGAIT

(Xn

t)
"t

oo,

rn

-rt

5
1).

suivent indpendamment une loi N (0. 1)et une loi X2 (n

GEOMETRIE DES VARIABLES ALEAIOIRES

Dmonstration

ll suffit de se ramener
centres et rduites
:

au thorme de Fisher en l'appliquant aux variables w-l t-

X.-m

to

b) lnterprtation de la loi de Student

soit X,, ..., Xn, de loi N (m, a). on a

,6
S2

(X 'n -m)
o

->N(0,1)

n-

o"
Donc, la v.a.r.
:

-l n-1
- r)
U

x2$-1r
S

.,6 (x.

:n

suit le rappor:! d'une loi.N (0,1) sur une loi . teur tant indpendants (cf. chapitre D'o
:

[Vt" -tt . numrateur et dnomina/V n-1


-)T(n-1)

4).

.u6 (x.
n

rn)

de Fisher, HX2
prcdente
:

O la loi de Student intervient-elle gomtriquement ? D'aprs le thorme : (n - 1) Sl suit une loi X' F - 1). On a, en revenant la figure
cotg a

OH

HX

suit
N (0,1)

d'o

\-lcotga-)

: T(n-1)

L'interprtation de y2 etI est simple : si X varie alatoirement et <normalemento dans I'espa"", s"s coordonnes polaires galement : la loi de p2 : OX2
s'appelle la loi du X2, celle de Student.
184

vGJ

cotg d, o a est l'angle (OA,

) suit la loi de

PH. TASSI

- S, LEGAIT

Chapitre 6

Un outil : la fonction caractristique


Le calcul des probabilits repose essentiellement sur l'tude des variables alatorres. Les chapitres 3 et 4 ont prsent un ensemble..de dfinitions et de proprits; d'autres' comme.les convergences, seront vues dans le chapitre suivant. Ce chapitre est consacr la prsentalion d'un outil extrmement pratique pour tudier le comportement des v.a. (somme, indpendance. limiti: la fonction caractristique (f.c.).

1 DFINITIoN ET PRoPnIrs D'UNE FONCTION CARACTRISTIOUE


1.1 Dfinition
Dfinition
1

Soit P une probabilit dfinie sur (lRo,;fo) ; on appelle transforme de Fourier de P l'application g, : lRn --+ 0 dfinie par :
pp(u)

=J

Remargue

"it'*

6P

1*1

Le symbole a dj t utiris pour ra densit de ra roi N (0.1). Nanmoins, ra confusion avec la fonction caractristique ne saurait exister. soit P de densit f par rapport ra mesure de Lebesgue i. p". extension. on appeile transforme de Fourier de f la quantit
:

er(u) = -i eiu" t(x) d,i

(x)

ll en est de mme si f est une apprication intgrabre vareurs reiles. Remarque


Sous rserve d'existence, on montre aisment en intgrant par partie er(rl(u) = (-1)k (iu)k <pt(u) pour k
PH.TASSI
:

>

-S

LEGAIT

185

UN OUTIL: LA I-OI\CTON CACACIRISIIOUE

Dfinition 2
Soit X un vecteur alatoire (A,,il , P)'-+ (Ro,,l/? tique de X, la transforme de Fourier de Px: x(u)
o) :

on appelle fonction caractris-

px(u)
:

Jsitux 6px (x) = E lsituxl

Avec des notations videntes, on a

(i ,, x,) j=1 91 (u1, .'.'uo)= E e


En particulier, si X est une v.a.r. dfinie sur

(Q.,4,P\,

v u elR,

<px(u)

E 1eiux1

J siux dPx

(x)

Remarque.'Y = tu X est une v.a.r. dont la f.c. est:


y(v) La f.c. de X vrifie donc

E (e'uY)

E (evtuxl

(u)

etul(1).

Exemples
a) Soit X une variable alatoire valeurs dans (lN, tpx(u)

cl

(lN))

= 2siuxP{x="} .u! lR
x!N
:

Ainsi. si X est valeurs sur {1. ..., n} et uniforme


x(u)

x eiux = x=1 n
:
=

1 x n x:1
e'u t
l'l eiu n
n-1
x =O

(eiu1x

(e,u)*

1-"iun 1-eru

b)Soit X une v.a.r. absolument continue de densit

(x)

e-

' lRi

(x)

186

PH. TASSI

- S. LEGAIT

UN OL'IIL : LA FONCTION CARACTRISTIOUE

On montre, en utilisant l'intgration dans le plan complexe que

x(t)= 1-it
1

Un cas particulier : la fonction gnratrice


Soit X une v.a.r. discrte valeurs non ngatives ; on appelle fonction gnratrice de X la fonction
:

Gx (u)= E (ux)

p(X

x)

dfinie pour tout u

! O, lu I < t.

"3*u*

On a I u* PX = x)l < | u l*, et la srie de terme gnral u" p(X = x)est donc absolument et uniformment convergente pour u appartenant au disque unit.
La dfinition de G* revient remplacer formellement eiu par u dans la fonction caractristique de X : tpx (u) = Gx (eiu).

<u<

En pratique, nanmoins, les utilisations de G* (u) seront faites avec u rel, 1. On remarque en outre que G* (1)= 1

Exemples

a)Si X suit une loi de Poisson de paramrre : p [X = G"(u)

*]:

"-i x! ^i

: i u*e-i x-"-iuu,i:s.(u-1)
x=O
x
!

xft)=ei(eit-1)
b)six
est discrte uniforme valeurs sur [1, .... n]. le calcul du a)montre que
:

G*(u)=u(1 -un)
n(1

1.2 Proprits
Thorme
1

-u)

Soit X une v.a.r. de f.c. , on a


a) <p(o):1 b) l (u)l <
PH

TASS S

LEGAIT

UN

OUIIL

LA FONCTION CARACTR ST OUE

c)

q(-u)=

tpGr)
C.

o la barre horizontale dsigne la conjugaison dans

Ces trois rsultats sont immdiats, et gnralisables sans difficult au cas de vecteurs alatoires.

Thorme 2 Soit X une v.a.r. de f.c. g ; g est continue. Elments de dmonstration


I

(u

+h)-q

(u)l =

I r ("i"x 1"ir,x - t1)l <r

(leinx

- t l)

gl. l"ftrx

te rsultat, gnralisable - 1l= 2lsin hXlO'o,i 2

au cas vectoriel.

Par ailleurs. suriR, il est possible d'tablir la continuit uniforme de rp ([16]).

Thorme 3
QaX +

b (u)

eiun

(au)

En effet,

gaX+b (u)= E (siu (aX + b\ = siub E (ei(au)x1

Thorme 4 (injectivit) Si P et O sont deux probabilits dfinies sur

(F.0, ,1lol

9P= 9O <=> P=
Si X et Y sont deux vecteurs alatoires :

(Q,,r/, P) + ( 13o,7/?v1
PY

9x= Qv <> Px:


Voir la dmonstration en [16].

Le thorme 4 tablit une liaison biunivoque entre f.c. et lois de probabilit. Nanmoins, si, possdant une loi, on peut dterminer sa f.c., le problme inverse est digne d'intrt : peut-on trouver une probabilit (par sa densit, ou sa f.r.) lorsque l'on possde une fonction caractristique ? Le thorme 5 rpond en partie cette

interrogation.

Thorme 5 (inversion) Si X est un vecteur alatoire valeurs dans (lRP,,el, de f.c. (u)intgrable par rapport o. la loi de X possde une densit continue f (x) dfinie par

f
188

(x)

(2

)-P - s-itux (u) d

(u)

PH TASS -

LEGA T

UN OUTIL : LA FONCT]ON CARACTF]STIOUE

En particulier, pour une v.a.r.

f(x)= 1 I e-i,"p1u;du 2n _*
Dernier point que nous aborderons : comment savoir si une fonction complexe d'une variable relle est ou n'est pas une fonction caractristique ? plusieurs rsultats existent ce propos.

Thorme

(Bochner,1932; t13l)

Une condition ncessaire et suffisante pour qu'une fonction une f.c. est que soient vrifies
:

lR

-+

c soit

b)Y

a)

(u) continue

N ; V (u,, ..., us)

! RN, V (21. ..., zx) ! CN NN X X p(ui -u.)2,2, i= 1 j=


1

est relle et non ngative.


c)

(0)=

Le thorme de Bochner est d'une application peu aise. prfrer une condition suffisante, par exemple
:

on pourra

lui

Thorme
Soit

7 I

(Palya, t 93a ; It 3l ) tout u rel.

(u) une fonction continue. dfinie pour


:

Si q (u) satisfait aux conditions


a)

(0) =

b)
c)

.p(-u) : (u)

g (u) convexe pour u )

d) lim alors
PH.

(u)= est

la f.c. d'une v.a.r. X absolument continue.


r89

TASSI

S. LEGAIT

UI\ OUTIL : LA FONCTIOI\ CARACTR|SIIOUE

1.3 Un exemple de loi dfinie par sa f.c.


Nous allons utiliser le thorme 5 pour engendrer une famille de lois de probabilit dfinie par sa fonction caractristique.
En 1925, Paul Lvy [12] dfinit la loiappele par la suite loide Paul Lvy par:

Log s (u) = iu

ou:

lO,21,

-y lulo [1 + i B* (u, a)] BG [- 1, 1], y ! lR*, ! iR.

w (u, a)=

Its+qpourc*1, J'

[ +t"nlulpou,o=
On remarque que
a) pour
:

a= 2,8= o, r = +, = o:Log (u)=

- {,rfu\=
lu
I

e-uzrz

La loi de Paul Lvy se ramne alors la loi N (0. 1). (cf. 2.7).

b)pour

u=

1,

B=

O,

y = 1, = O: Log (u)=

On retrouve la loi de Cauchy.

Dtermination de la densit Les conditions du thorme 5 tant runies, en notant densit de la v.a. de f.c. 9
:

(x, e. B,

y'

) la

f (x, a, B, y,
En dveloppant, on a
:

;
-Bv

J__ e-i'*

,p (u)du

f (x, c, B,y,

*
1\

eil(-x)u
+ --cos

lulolwlu'

al

e-rlulao,

- 1
Pour a

Jo

t(

x) u

By w (u' a)

,'1 s-Yue du

1, on obtient donc

f (x. c, B.y, )

I li-cos [(x- 11

)u +BY

uotg qn ]e-vuddu
.
PH TASSI

S. LEGAIT

UN OUT]L : LA FONCTION CARACTRISTIOUE

Particularits de la densit

f (x + , a. B, y, d'origine.

f (x, a, B, y, 0) ; on peut prendre = 0, par simple changement

o f (x. a, B.

y)= f (- x, o,- B.y).

c f (x, a, B, y) =

\-

1/" f

(-j-, t/o (di,


\

a, B,

1)

o f (x, a, B, y) = (3- 1/o f

a, B, y /t3)

o f (x. a. B. y) = (By)- t/c

f (x/(By)1/u, a, B, 1/{3)

On peut standardiser la loi de Paul Lvy en prenant alors :

0 et y = 1. La densit est

f (x, c.

B)= I f 7Io2

*-"o,

(xu + B uo

tg -qI)e-uo

du.

FONCTIONS CARAETRISTIOUES DES LOIS DE PROBABILIT USUELLES

2.1 Loi de Dirac


On tablit immdiatement

d-a (u)

eiua

2.2 Loi de Bernoulli


Si

x ->y4 (1, p)

px (u)= p . eiu + q . 6iuo= p ei' + q

qx(u) = Peiu+q

2.3 Loi binomiale


ox(u)= x^ uiuxxp*(1 -p)n-^ = t C|(peiul*qn-x x=0 x=O
ax (u) = (pei' + q)n nn

2.4 Loi de Poisson


si x

-)901:
x(u)

i uiux xe- -er = x=o x! - x {eiu - 1} 1 (u) = 'l


"

(eiu) *-e-e"i'

x!

PH.

TASS] S. LFGAII

191

UN OUTIL : LA FONCTION CAFACTFISTIOUE

2.5 Loi uniforme continue


si x

-)?/

p,

1:

(u)

gIU

2.6 Loi gamma y (p, O)


x (u)= (1 - Oiu)-P

2.7 Loi normale


: Si X->N(m,cr):
Si U

->

N (0, 1)

qu (u)= e-'2/2

X= m+oU:
(m

gx (u) = E (siu

+au)) = sium gu

(uo)= dum u*u2

2/2

2.8 Loi du x 2 (n)


six->x2(n)

'
f (x)=

r(u)=_4 r^ r'' ftziu)tz


-l--: n (1 +xz)
9x(u)= s-lul

2.9 Loi de Cauchy


Si X est de derrsit

2.1O Loi de Laplace


Soit X de densit f (x) =

e- l* l, x ! iR

.px(u)= '

J]-"-x(1 -iu)6* *2 |o-"-(1+iu)dx.{ 20


+@

l*= 1 to [e-"(t+iu) as-x(1 -iu)1 dx= Jo cosux.e-xdx

En intgrant par parties

x(u) = [-e-*cos ux]fr-u Ji


= 1-u
192

sin

uxe-xdx

"f 0

sinux.e-xdx

PH.

TASSI S. tEGA]T

i I i

UN OUTIL : LA FONCTION CAFACTERIST|OUE

1+

u [e-x sin ux]f-

- u2 { =
1

cos ux.

e-x

dx

= 1-u2x(u)
d'o

ex (u)

1+u2

2.71 Loi normale multidimensionnetle


Soit X valeurs dans lRp, de loi N (m, X) ; u tant un vecteur de Rp, tuX une v.a.r. de loi N (tum, tu Xu). La f.c. de tu X est
:

gtu* (v) =

siv fum)

s-(u Eulv2/2

d'o

qx (u)

tux(1)= situm s-ruDu/2

2.',2 Loi multinomiale


t6h:
est:
9t,*
(v)

p1. ...., pp) (chapitre

Soit X = t(Nr. ...., Nr) un v.a. de dimension k de loi multinomiale

4); la f.c. de

tuX: t

uj

Nj

j=1

---J-]-_ --

p,

plk eiu,=51,,"

o la somme porte sur tous les k-uples (nr, ....,nn)vrifiant Qt,* (v)=

j=1

n,

n.

o'f
k

(p1

eiu'')n'.."

(ppeiu'r'1nt

=( t

j=1

pj eivur )n
k

Env= 1:
9x

(u):( X pi ei'i
t=1

;n

PH.

TASSI S. LEGAIT

93

OIJTIL : LA FONCTION CAFACTRISTIOE

APPLICATIONS DE LA FONCTION CARACTRISTIOUE

Outre son utrlisation dans le cadre de la convergence en loi, qui sera tudie au chapitre 7, la f .c. aide tablir un certain nombre de rsultats parfois laborieux dmontrer par usage direct des dfinitions. Nous en dvelopperons trois.

3.1 Loi d'une somme de vecteurs


Thorme

alatoires

I
x n y (u)

Soient X et Y deux vecteurs alatoires indpendants valeurs dans (Rp,;4p), de f.c. respectives ex et gr:

= x

(u)

(u)

Dmonstration :
gx
Par sparaton des

*y

(u)

E (situ (x*YD

E (eitux situvl

i"iii:;i:i:il
qlu)

l',1,i,"1

;:iiiff'
:

Cette proprit se gnralise sans difficult au cas de n vecteurs alatoires indpendants. Si (X,), i = 1 n, sont indpendants. qi tant la f.c. de X', alors

Xxi

= fti (r)
i=1

Exemples:

mme

l3F,

a) Les calculs faits en 2.3 et 2.4 montrent qu'une v.a. de loi binomiale est la somme de n v.a. indpendantes suivant la loi de Bernoulli.'/(1, p). De
:

7Bb, pl + ,/J (, p) = J3 (n + 1, p) b) Si X et Y suivent deux lois de Poisson indpendantes de paramtres respectifs et p, alors
:

Qx * v (u)

x (u) v (u) =

u( + u) lsiu -11

qui est la f.c. d'une loi 9(+p). D'aprs le thorme d'injectivit, si X et Y el 3(pl, alors X + Y suit la loi suivent indpendan"rment des lois de Poisson g(

,?(+

p).

^)

c) Soient X et Y deux v.a.r. indpendantes de lois respectives v (p. 0 ) et g (q, y ). La v.a. X +Y suit la loi y (p + q. A ).

de la f.c. d'une loi

En

effet:ex*y(u)=

(1

Y (P +

q, 0

iu)-p.(1
l.

-0iu)-a:

(1

-diu)-n-cqui

est l'expression

PH TASS1

.S

LEGAIT

UN OUTIL : LA FONCTION CARACTRIST|OUE

d) Soient X et Y deux v.a.r. suivant indpendamment des lois normales

(mr.or)et N (mr,o2). Alors X + Y suit une loi N (mt, mr, -r/"1


:

*"|
4)l'

I.

En effet

gx

* v (u) -

giuml

en'41'

gium2

grz

o:l' :

giu(m1

+ m2) e42 (t *

e) Soient X et Y deux variables alatoires indpendantes suivant respectivement deux lois du x2net m degrs de libert. Lav.a. X+ysuit une loi 12(n + m).

3.2

Caractrisation de I'indpendance de deux vecteurs alatoires


Xt et X, deux

Thorme 9 Soient
(lR?.r'tn\ et (tR9rdq). On note:

vecteurs alatoires valeurs respectivement dans

x _,x.. ,X, ,
(u1.

dedimensionp+q.
a)V (u.,.
(u.,, u2)

u2)! lRp x

lRq,

ex, (u1)= ex

0)et O1, (u2)=

Ox (0, u2).

b)X' et X, sont indpendants si et seulement = ex, (u1) e1, (u2).

si V (u1, u2) e lRp x lRq, gx

Dmonstration
a)

9x (u1,

u2)

= E (si(tutxt

+tu2x2))

x (ur,
et
b) Si X1 et

0): r (eitutxt;=

ex'

(u1) (u2)

ex (0. u2) = E (eituzxzl = ex,

X, sont indpendants alors

gx (u1, u2)= E (situtXt ,itu2x21=

E (eiturxr; E (eituzxz;

= e1' (ur) e1,

(u2)

Rciproquement, on suppose eue gx (u1.


PH TASSI - S. LEGAIT

u2):

ex., (ur) ex,

(u2).

UN OUTIL : LA FONCTION CARACTRISTIOUE

Pour montrer.que X, et X, sont alors indpendants, Px = Pxt @ Pxz fl-hoime d FuOlnl, chapitre 2).
Calculons la transforme de Fourier de P

il suffit de prouver

que

= Px1

@ Px2

'

gp (u1,

ur) =

"i[tu1x1

+tu2x2l dP (x1, x2)


+

= J silturxr

tu2x2l

d (px1 @ px2) (x1,

x2)

= J siturxr dpxl k1) J situzxz dpx2 k2)

:9x., (ur) ex,

(u2)

donc , = ,po*, ce qui entrane P = Px d'aprs la proprit d'injectivit et X1 et X2 sont indpendants.

3.3 Obtention des moments non centrs


Thorme
1O
:

Soit X une v.a.r. appartenant Ln (Q, ,v/ , Pl, c'est- dire

Vk<n,E(lXlr)<Alors rpx, f.c. de X, est drivable au moins jusqu' l'ordre n et, pour tout

k,k=0n:

,pj[)(o)= ik E Xk)

Dmonstration

Pourtoutk,k= 1n:
.pl[) (u)

=#

(u)

siux 6pX = o*4 S.

i, #

siux 6pX

= J ,'i "k siux 6PX


En effet, la fonction (u, x) --+ siux ss1 continue d'ordre k:

sur

lR

lR ;

elle admet pour drive

_9!eiu*
auk

;k 1k

"iux

qui forme une suite de fonctions continues


1

sur

lR

lR.

96

PH.

IASSI

S. LEGA T

UN OUTIL : LA FONCTION CABACTRIST]OUE

En outre, ik .l _ xk R

"iux

6pX est uniformment convergente

sur

lR car

| .f xk ei,* dPx I <


:

(lxlk)<

et on peut donc permuter les oprations d'intgration et de drivation. ll suffit alors de prendre u = 0 pour obtenir

.pjf)(o)= ik E fik) Remarque


Rciproquement. si ex admet des drives en o jusqu' l'ordre n, alors X admet des rnoments non centrs au moins jusqu' I'ordre n. Exemple Soit X une v.a.r. suivant une loi normale N (m, a), de densit

f
On sait que
:

(x)

s- $ -ml2/o

/Zi
o2 u212

9x (u) = sium -

(u)

= (im

ua

21

sium

o2 u212
sium

;
D'o

(u)

- 02 sium -

o2 u2/2 + (im

:
(O)

uo212
m

o2 u2/2

; (o)= im er E x)=

q;

: - 02'ri2 *2 = i2 92+ m2)et E X2):

q 2 + m2,soir V Vl= o2.

Remarque I
dimension p
Le thorme 1O peut tre tendu aux vecteurs alatoires X = t(Xr. ..., Xo)de
:

(ur,..., uo)\= ," r XT' .xfiot, 1a" I aurol .... ,lo /,0, . , o, avec X &:: . l
i=1
PH TASS]
p

S. LGAIT

191

UN OUT

L -A IONCTION

LARACILR S] OUL

Remarque 2
Un rsultat analogue existe pour les v.a.r. considrant leur fonction gnratrice. En effet
:

valeurs entires non ngatives en

6{r<)(u)= et donc

x=

;.(x-1)... (x-k+ 1)ux-kp(X:


k

x)

6(k) 1r)donne le moment factoriel


F1r.1

d'ordre
(X

k.

E (X (X

- 1)

k+

1))

Exemple

Pour X de loi de Poisson

" C,[t]1u1: ke.r(u-1)


^),

;"

G" (u) :

,r(u

- 1), et donc

F1r.1

G[)(1)=

(rsultat tabli par le calcul direct au chapitre


k

4).

Exemple 2 SiX

-> "//(n; p1, ...., pp)de f.c. x (u)-(x


1=1

pr eiui)n

en utilisant les proprits liant les moments aux drives de x en O, on peut retrouver la matrice des variances-covariances de X
:

px (u) = n (x pj eiuj)n-l ip, ei,i

'i

Enu- O.ona'

u**(o) = inp, = iE(Nr),


uj
E (N,) a2_x (u)

nR,

uzui

n (n

_ 1\i2 ple2iui(I p;
)

"iu;;n
t

+ n i2 pj

",

(l

p, eiuiln

?' q* (o)= a2u)


d'o

n (n

1) p3

n p,,

E 621

np, (1 + (n (1

1) pi)

et
1

V(X)=nBi

-pi).
PH TASSI - S. LEGA]T

98

UN OUTIL : LA FONCTION CARACTRISTIOUE

Enfin

,lyl = Zuratt=
d'o

a3f

n (n

1) iz pj

/'

pr ei,j eiur 1I pj eiuj)n


j

= i2EXj Xr)

E (X;

Xr )= n (n - 1)pt p

et

Cov (X,.

X, )= _ n p; p

Nous conclurons sur un dernier exemple d'aide que peut apporter la f.c.. pourtant non conforme sa dfinition. Considrons une .a.'X de loi log-normale LN (m, a),.c'est-dire X = eY, y de loi normale N (m, o), cherchons calculer E X) = E (eY). On peut procder un calcul direct lifrapitre 4).- Or
.

rpy (u)

E (eiuv1

6ium

Pour retrouver E (X). on

"fait " u =

E6z;

"-u2t212 i et E (X) = um+o212.De mme

E(ezv1;avecu=

-2i,E(x2)=

s2m

e2o2,soitv(x)=

s2m+t2@o2

_l).

ll est clair que ceci n'est que mnmotechnique, puisque u est rel, et ne peut tre prisgal -iou-2i.

4
Dfinition 3 tion

SECONDE FONCTION CARACTRISTIOUE

4.1 Dfinition et proprits


On appelle seconde fonction caractristique du vecteur alatoire X l'applica-

de

lRp

dans C dfinie par

ue lRp-wx(u):Logx(u)
on considre par la suite u rel. on sait que I'on a, d'aprs le thorme 1o
ex
:

(u): r .

," "i, *.1


*"f, *la ,"
)esrdveloppabte,

omn=E(Xn).

Auvoisinagedeu:0, +k(r)
.

Log (,

PH. TASSI

S, I FGAIT

199

UN OUTIL : LA FONCTION CARACTR]STIOUE

et on peut crire

x ry wx(u)= k=r k!

Kk K

ona:

**=vp(o)
k.
:

Dfinition 4 La quantit Kn s'appelle le cumulant d'ordre

On obtient aisment les expressions liant Kp aux moments

vx (u)=
=ium1
On en dduit
:

Tlmn -( "?, Hmn)2 "?,,


(mz-mf1
Kr =

,'?,

mn )3+ .

- '

+ +f

(ms-3m1 m2+2m!)+...

mr Kz= mz- m? = pz Ks= ps Kc= Vc-gp|


:

Exemple.- pour une v.a. X de loi N (m, o ), on a

v*
et donc
:

(u)

: ium -

u'

?' 2

Kr=m=E(X)

Kz=02=Vfi) Kr= 0pourk)3


une

Au mme titre que les moments non centrs, les cumulants caractrisent
distribution de probabilit. lls seront donc des outils prcieux. Proprits des cumulants
Les cumulants possdent diverses proprits intressantes
:

et donc

a) Soit a une constante relle quelconque : on sait Que gx * u (u)


:

uiuu qx (r)

t#y*"(u)= iua+w"(u)
PH.

TASSI S

LEGAIT

UN OUTIL : LA FONCTION CARACTFISTIOUE

X,ona:

En dsignant par Kn K1

fi

+ a) le cumulant d'ordre k de X + a

et Kr fi)celui de

(X+a)= KrX)+a;KpX+a)= Krfi) pourk>2

et y:

b) Soient deux v.a.r. indpendantes X et Y, de fonctions caractristiques g*

V1*y(u)= W*(u)+Wy(u)
et, avec des notations claires
:

Kp (X +

y) = Kr 1X)+ Kp (y)

quelconque k ime ".

c)soit X une v.a.r. de densit f(x), K* son cumulant d'ordre k; a est un rel ; le symbole d dsigne la drivation, dk est l'oprateur " drive
On dfinit la fonction g(x) par
:

sk)=

[exP(-t)-#] tk) (k! lN)


:

L'oprateur g(- 1)kaak/tl reprsente

j=o
On a donc
:

(- t;;n j !(k l)r


f(k)

3+
2l

(x) = f (x) s v\"' '\"/ - " "

k!

(x) * a2

f(2k) (x)

(k!)2

linarit

En notant Far gr (resp s) la fonction caractristique de


:

f (resp. s) on a, par

on (u) = , Or on a vu

(r)

- fr

arrrl (u)

. a*. 2t 1u1z

,p,''*' (u; -....

que: rp4ry(u)=

(-

1lk (iu}k r (u). et on peut crire:

ps (u) = er

(u)
=

(iu)lt r f ; ---3ii=o j!kl)j '-'


(iu)k,/k
I

Ar (u) ea
(u) +

wn
PH

(u)= w,

(iu)k

TASSI

S, LEGA|T

UN OUTIL : LA FONCTJON CARACTR]STIOUE

ll s'ensuit que le coefficient


gal

O" (! l)n dans le dveloppement k!


Kk(s)= Kp0+a.

de en (u) est

Kr+a;

avec des notationsvidentes,

k>'1,

d) Plus gnralement, soit une densit (x), K(f)son cumulant d'ordre k, une suite de rels. On dfinit g (x)par:

(ar.),

s
o h est l'oprateur exp

8):
1)k

h [f (x)]

t ;

k=l

ap

(-

dklk I l

g (x)s'crit sous la forme s (x) =

) 'l r.f(k\x)' avec o = 1' k=o


:

On a, par un calcul analogue au cas (c)


Kk (g)

Kp (f) + a. Pour

tout k >

4.2 Application aux dveloppements d'Edgeworth


et de Gram-Charlier
:

On souhaite approximer une densit g (x), de cumulants connus, l'aide d'une densit.connue.f (x).et de ses drives, c'est--dire rechercher un dveloppement de la forme

g(x):f(x)+

f'(x)+

2f"

(x)+

...

o les coefficients 't, 2,... sont connus.


Supposons qu'une telle expression de g (x) existe. En notant Kp (f) (resO. Kp le cumulant d'ordre k de f (resp. g). vc p = fo (S) - Kk 0' on peut crire formellement :
(g))

s (x)= exp.

i I k=

un
l

t-

1)k

dklk lF

(x)

soit:

(x)

=f

# t_"? -_3r, "*_". )


3!
|

(x)- a' f' (x) .

a? +a^

f"

(x)

fl3)(x)

aI + 6a1 ar+ 4a, at+ ao ) _ * ( ------4


242

it+l1xy+...

PH TASSI

-S

LEGAIT

UN OUT|L : LA FONCTION CARACTRIST]OUE

Les coefficients a1' 42, ..'


:

,,

r, de l'expression recherche de g (x) dpendent


at,

de

^1

:-

z=

u?

!^u,

"r".

La correspondance entre les an et lesn est biunivoque.

Si on travaille sur des variables centres et rduites, alors a., obtient un dveloppement simplifi de g (x):

: ar:

O, on

s(x) =rt") Application au cas gaussien

- # J!

fl3)ft)+ hOo,(x)+..

Le cas historiquement le plus tudi correspond au choix f (x) = (x), densit de la loi normale centre rduite. On cherche alors crire une densit g(x) de cumulants connus (associe ventuellement une variable centre et rduite) en fonction de la densit (x) et de ses drives.

Thorme

11

soit g (x)une densit sur et ses drives


:

lR suppose

admettre un dveloppement selon

(x)

g Alors

(x): ;
k =o

s k)ft)

,^k:
Dmonstration

(- 1)k kl

(x) Hp (x) dx

D'aprs la dfinition des polynmes de Hermite,

*tr) (x)=

(-

1)t nn {x) e

(x)

et g

(x)

s'crit

x (k=0

1)k

r Hr

(x) (x)

PH IASSI

-S

IEGA]T

203

UN OL'IIL : LA FONCTION CARACTRISTIOUE

Pour un indice j donn, on a

sk)Hi 14= ; (-1)kiuH,(x) Hnk) e(x)


k =o

et, en intgrant et d'aprs la proprit 3 du chapitre 4

t__r(x)

H;

(x)dx=

(-1)

j!

j= (,1)'l-Lr"r H;k)dx
t.

Remarque:
Ce thorme permet, au vu des donnes (xr, ...,xn) d'un chantillon, d'une variable de densit g (x), d'approximer les coefficients i u.

Ainsi, H1 (x)= x et i =

Jx g (x)dx sera estim par

- --1-'

;,.,

demme.

k2* 1)s(x)dxseraestimpar i=-1 - L,f 2n ^z= 2


:

i"3

1 ' etc'
2

Revenons l'expression gnrale de g (x) selon rp (x) et ses drives. Si les donnes sont centres et rduites, a1 = az= O,comme en outre t<n (O) = 0 pour k > 3, on obtient

s 8)= q (x)-

*,f, +(|)- *(s)fi).


(x): (_
1)n Hn (x)

e(a)(x)+

...

Or. d'aprs la dfinition des polynmes de Hermite,


*(n)

e k)

d'o le dveloppement d'Edgeworth de g

(x)

s (x): q (x) t''

. o)

k2

o'l' (xa - 6x + 3)+..'l - 1).


ka-ox+3)+...1
PH. TASSI _ S. LEGAIT

s(x)=q(x) tt+ lsjg) F2-1) - r^'Z\

UN OUT]L : LA FONCTION CARACTRISTIOUE

comme pour ra loi g. p1 (s) = o et pz (u) = 1, on a p3 (o)= et p+ (9) /ilb) = 82 (S). B.' et B, tani les coefficients de Pearson d'asymtrie et d'aplatissement de g ; ceia donne (cf. chapitre 4), en utilisant la notation /., et / des coefficients de ,
Fisher
:

Yt s(x)= (x) t1 + -6-

(x3

3x)

(xa

6 x2 + 3)+ ... l

Par intgraticn, on obtient une approximation de la fonction de rpartition G (x):

G(x)=

o(x)-(x) t+1xz-1) +rt'V3 -3x)


+- Y? 72

1x5-10x3+ 15x)

*...

Avant de conclure, notons qu'il est imBortant de remarquer que si l'on peut erire une densit g ou une fonction de rpartition comme somme infinie cie , , ou ses drives, c'est plutt le problme de l'approximation par une somme finie de termes qui est utile en pratique. Malheureusement, rien n'assure que l'approximation de g donne par un nombre fini de termes soit positive en tous points, et que la qualit de l'approximation augmente avec le nombre d'lments retenus.
Pour terminer, nous avons suppos a priori que g (x) admettait un dveloppement en termes de tp (x) et de ses drives. H. Cramer a montr, en 1926, que si g (x)est telle que g'(x)et g"(x)existenr, si t'intgrate tS"gll, exz/z dx"onu"rge, I et si lim S k) = lim g (x) = 0. ators g (x) peut rie dvelopp en
:

g(x)= t
avec

ar
!

k=o k

qk)1x1

= Is (x) Hk (x) dx ! [--,


*1.

Cette srie est absolument et uniformment convergente pour x

PH

TASSI S

LGAIT

UN OJIIL . LA FONCTION CARACTER|STIOUE

EXERCICES
6.1 : X suit une loi N (0, o). Trouver la f.c. de Y = Log I X I Indication

9v

(u)

l2n
2

e-^2no2 dx S lxliu
lR

otfZn
1

5x'u
lR*

e-r2/2o2 dx

lzi
6.2:
n

@tEP

r tl-tt
1),

(X,, ,.., Xn)sont n v.a.r. indpendantes, telles que Xlsuit N (m;,

j=

1 n.

Dterminer la f.c. de Y

=E

j=1

Xi.
'

lndication
iumf

9xz

(u)

= (1

2 iu)-

t/z
ntz

't

-ziu

,,,

v
n

(u)

= (1

ziul-

s1

:2iu

avec 2

mf

;on sait

(cf. exercice 4.6, chapitre 4)que Y suit une

loiduX

2 non centre.

luo

PH.

TASSI

S. LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIRES

Dmonstration

Xn-:+r(n) r(n,
D'aprs le thorme 17, b)
:

(Xn-a).

(n) (Xn
1

a)l9j X

___*0
d'o Xn

(Xn

a)

!91

O,

a, d'aprs le thorme 16.

LES LOIS DES "GRANDS NOMBRES"

Ces lois tablissent des proprits de stabilit des sommes ou des moyennes cumules de v.a. dans une succession d'expriences, stabilit au sens de l limite en convergencg el probabilit (on parle alors de loi faible) ou en convergence presque sre (loi forte). ll existe beaucoup d'noncs de thormes des giands nombres, se distinguant par les hypothses faites sur les variables.

Thorme 19 (Khintchine)

Soit (Xn)

, n 21,

appartenant toutes L1 ; on note m

une suite de v.a.r. indpendantes et de mme : E(Xn) , pour tout n


n l:l

loi,

1 :.x,

:xnI m

En particulier

Thorme 20 (D. Bernoulli) Soit (An) , n2 1, une suite d'vnements indpendants de mme probabilit p ; on considre la v.a. sn comptant le nombre d'vnements raliss parmi (4., , ..., An)
:

9ot o
n

Remarque
Ces deux thormes tablissent des lois faibles, puisque les limites sont en probabilit. Le thorme 20 justifie l'approche frquentisie des probabilits, la probabilit d'un vnement tant la limite (en probabilit) de la frquence empirique de son nombre d'observations dans une suite d'expriences inpendants.
PH.

TASSI S. LEGAIT

ZZJ

LES CONVERGENCES DE VARIABLES ALEATOIRES

Dmonstration
la f.c. de Xn , pour tout
xn

puisqueXnl m

Xn !9i
n.

*,

rontrons la convergence en loi. Notons par I


(u)

9=(u)

:>x;

:c2x,(9) :[.r(9)

]n

Comme les v.a.r. appartiennent L1 , E(Xn)existe. donc


im.

a'(0) aussi, '

(0)

Ecrivons

e(t)

:1*imt+qt)
,

:1*im9+o(9) nnn _(u) :[1 *im9+O(q) ]n,


e(g)

wn

lim9nXn

(u)

:ei tu'

Or on sait gLle ei m u est la f.c. de n,. Frobabilit de Dirac en m. D'aprs le thorme 9, Xn lo! m, d'o le rsultat.
Dans le cas particulier de la loi faible de Bernoulli, on dfinit la suite de v.a.r. (Xn), o Xn vaut 1 si l'vnement An est ralis, et 0 sinon. Les v.a. sont indpendantes et vrifient
:

Itt*":1]:p tt{*"-oJ :1-p.


Sn

nn

XXi dsigne alors la frquence empirique, ou probabilit empirique.

Thorme 21 (Loi des grands nombres dans L2)

soit (Xn), n)- 1, une suite de v.a.r. deL2,de mme loi et non corrles. on note m: E(X6) ' 02 -- V(Xn) , pour tout n. Alors:

Xn?m.
224 PH TASSI - S. LEGAIT

LES CONVFRGFNCES D VAFIABLES ALEATOIRES

Dmonstration
ll

X^-mll

2:

:e( ,(;r-J, \n /
-1n2
no2
I

1>txi
n

-m)

)2

02

(n-1

Thorme 22 lLoi forte des grands nombres) (Xn) , n ) 1. est une suite de v.a.r. indpendantes, de mme loi o si Xn ! Lr , m dsignant E(Xn), pour tout n :Xn 4s il r si Xn t-, (e I Xn | : + -) :Xn est p.s. non born.

Ces lois des grands nombres justifient, en terme de probabilit, I'utilisation de la moyenne empirique comme indicateur de tendance centrale en statistique descriptive. Ouand le nombre d'expriences n augmente indfiniment, la moyenne empirique base sur le n-chantillon converge vers une constante qui est I'esprance de la loi dont sont issus les n rsultats de l'exprience. ll en est de mme de la variance empirique. Thorme 23

Soit (Xn) , n )- 1, une suite de v.a.r. de L2, indpendantes et de mme loi, avec : E(Xn) : m et V(Xn) : o2 ; on dfinit la variance empirique par
:

c,2 sn
Alors
:

n i:1

13

(xi

xn)2

q.2!

oz.

Dmonstration

sn2:11xi-Xn)?
n i:1
Xn

! .

=t X-n)2! m2 (thorme 6)
m2

et

n i:1

13 x?I E(xz) :

o2

(loi faible applique

la suite (Xl)), Oonc


8,2

"z
225

PH. TASSI

- S, LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIRES

Se trouve ainsi justifi le choix de la variance empirique comme indicateur classique de dispersion en statistique descriptive.

Remarques Dans la dmonstration du thorme 23, nous avons appliqu la loi faible
rIl
I1
|

> X? . En effet, puisque Xn e L2 , E(Xfi)existe, et on est dans les conditions du - i:1 thorme 19 pour la suite de v.a.r. (Yn) , n 2'l , avec Yn : Xn2. Ceci entrane deux
remarques importantes
:

a) soit mp le moment non centr d'ordre k d'une v.a.r. X

mr:

E(Xk)'

(Xr, ..., Xn,...r)dsignant une suite d'observations indpendantes de la v.a. X, le moment emprnque est :
m1 (n)

:1i-x1
n l:l
:

Sous rserve d'existence de E( I X I k )


mk

1n;!

m*

b) De mme, le moment centr empirique 1rr (n) converge en probabilit vers

/r.:

E(X

E(X))k. En effet, 1lr

non centrs m; (n),

j: 1k
1lr (n)

s'crit en fonction des rnoments 1 3 fX, " (n): ni:1 -X)k

k : >q
J:O

r-i (-1)k-j mr '(n) m;

(n)

c) Plus gnralement, si h est une fonction relle telle que E( I h(X)l ) existe

n i:1
Exemple

13

n1x,1

eE(h(x))'

(Xr, ..., Xn, ...) est une suite d'observations indpendantes d'une v.a' X de loi de Poisson CI ()'l ;
226 PH TASSI - S. LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIRES

1 pEr 1 r l3 \l n i:11 * X,
+ X,

1_t: i e/\1+Xt

x:01 *x

tr

e-"

x!

int : -9-^ y:1y!

1-e-

6 COMPORTEMENTS

ASYMPTOTIOUEMENT GAUSSTENS

La no'tation N(0, >)dsigne, dans cette partie, autant la loi normale que tout vecteur alatoire suivant cette loi.

Thorme 24 (thorme central limite multivari)

soit (Zn) une suite de vecteurs alatoires valeurs dans (lRF, fipl, indpendants et de mme loi, tels que g : E(Zn) et L matrice de variance-covariance de Zn existent. Alors
:

'rn En
En particulier
:

r/)lg

N(0, >).

Thorme 25 (thorme central limite unidimensionnel)


(Xn), n 1, est une suite de v.a.r. indpendantes, de mme loi, et appartenant L2 ; on note m : E(Xn) et o2 : V(Xn), pour tout n.
:

On dfinit la v.a.r.

(IJ__11l v^ n-
Alors
:

/_n_frn__rl
o

vn loj

ru 10, r

1.

Dmonstrafion .' Nous dmontrerons d'abord le thorme 25, puis le thorme


24.

a) Thorme 25
On peut crire
:

Yn

1 i f{,--qf : r I 3 tl---l) : ' ni:1 o Ji:1' o


227

PH TASSI - S. LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIFES

Soit e la f.c. de

X:---I

, indpendante de i ; la f.c. de Yn s'en dduit

cyn(u)
Comme

:[*(Ji)

]"
e I'ordre 2, on

E(H-)-

et

E(Ii--I)'? -

1, en dveloppant

obtient

soit:
et

: t -r!+ott) i1+o (r=l ]" cyn(u) :[1e(t)

,'il *"n (ul:

s-u2

2.

On reconnat la f.c. de N(0, 1), et, d'aprs le thorme 9, Yn

!9

rtftO, f

t.

b) Thorme 24
dantes et de mme loi, avec
Posons

Xn^: ty ?n pour u ! lRp ; alors Xn est une suite de v'a.r. indpen:

et d'o

E(Xn)

: -

tu ,u et V(Xn)

tu

''/; fr" -'u


(Zn
:

tu I u, tu u) /,,) l9j ruto, p)19 tu N(0, :) vu ! IRP

et, d'aprs le thorme 10

J En - /) lg
Remarque

N(0, >).

De la mme faon que pour le thorme 23, les thormes 24 se gnraliser toute moyenne empirique

el25 peuvent
d'existence de

E(h(X)) et V(h(X)). Etablissons, titre d'exemple, la convergeRce eR loi de la variance empirique ; soit X une v.a.r. d'esprance nulle (ce qui ne rduit en rien la gnralit du rsultat), 02 = V(X) : E(X2), (X1, ..., Xn, ...) une suite d'observations indpendantes de X
:

l-

i:1

f"',tX,l. sous rserve

2:li-xrt-x-n)2, n l:l
v(x1)
228

E(x1)

E, (x1)

m4

- ^3: mq -

oa , S. LEGAIT

PH, TASSI

I ES CONVERGENCES DE VAR]ABLES ALEATOIRES

Considrons la quantit

q!gj_4 J n.4=;-4

J-n t! '' rn I *, - rrxztt i:1 '

Jn@l

- {_!-6d Jn@l
,

D'aprs le rhorme centrat limite, appliqu n


n

l,ir*1

x?-E(x2)) /(: ni:1 ' _LolrutO,fl. /Tm


En outre
:

;;r::
Jl

:i: ,:"T:"',
./
(q2
n Xnf "E o,

D'o, par le thorme 17

et:

J^
:

- o2)

loj ru(0, t).

Pour E(X)

0, on obtiendra

Cls="'?)
/ p;lim
Thorme 26

!9,! ru(0, rr.

Soit r : lN * lR- telle que

r(n)

: *
,

oo.

a une constante relle, et

(Xn),

n )- 1, une suite o" u.".r.n*itiunt


Soit g:lR *lR, drivable. Alors

r(n) (Xn -

a)

!g

N(0, o).

r(n) (g(X.)

s(a))

*,0, o I g' (a) l).


229

PH TASSI - S. LEGA]T

LES CONVERGENCES DE VAFIABLES ALEATOIRES

Dmonstration
Considrons le dveloppement de g l'ordre 1 au voisinage de a
S(x)
:

g(a)

(x

a) S'(a)
R(x)

(x

a)

R(x),

o:
c'est--dire d'o
:

lim x-a

:0'

Ve)O, 3o)0

:I

x_al (o + I R(x)l (e,


o}C

P{l xn lim P{l Xn


c'est--dire

{l

Xn

aI

{l
P(

R(Xn)l

( (

e },

aI

<a}(

I R(xn)l
:

).

Or, d'aprs le thorme 18, Xn

a, et donc

(o } : - al

lim P{l R(Xn)l <e1


n

1,

R(Xn)!
:

O.

ll s'ensuit

*,0, I s'

(n) (Xn D'aprs le thorme 17, s(a)) (a)

(n) (g(X.)

r(n) (Xn

a)

s'

(a) -F (Xn

a)

(n)

R(Xn).

a) R(Xn)! O, et r(n) (Xn

| o), d'o le rsultat

a) g'(a)

recherch.

Trs utile en statistique mathmatique lors de l'tude de comportements asymptotiques, ce thorme est aisment gnralisable au cas multidimensionnel
:

Thorme 27 Soit

r:lN -lR* telle que,l'g rtnl :

-F,

a un vecteur delRp.
:

(Xn). n

1, une suite de vecteurs de lRp tels que


r(n) (Xn

a)

!g

N(0, >).
:

Soit g : lRp
230

lRq

diffrentiable, G sa matrice (q, p) des drives premires


PH.

TASSI S. LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIRES

:l::l
Alors
Exemple

| t\
\ /

/v

dsr\

qg" d3" I \ Uu,' a"p


s(a))E *,o, G(a) r
tG(a)).

(n)

(g(Xn )

soit X une v.a.r. de loi de Poisson q)i, xnl, n2 1 , une suite d'observations 1ndpendantes de X. Le paramtre d'intrt est non pas : E(X), mais e- :
P(X

0).

On sait que :X-n P (loi faible des grands nombres).

fi-fr-n - ) lg N(o, /r) Soit g : lRl - lR] dfinie par u * g(u)_: e-u. Par le thorme
e-Xn p e- .
En outre
:

Par le thorme central limite

/ (sfr-") - s()!g N(0, .^-l - e- | 6 ("-"- - "-^)lgj nto, e-r ../ r).

7 APPLICATION

AUX LOIS DE PROBABILITE CTASSIOUES

7.1 Loi de Poisson


Thorme 28 Soit X une v.a. suivant une loi de poisson I (xl. Alors la variable y converge en loi vers N(0, 1), lorsque tend vers l'infini.

- X- JT

Dmonstration Soit la v.a. Y

,(r_
J)\

/x

),,

PH. TASSI

S. LEGAIT

231

LFS CONVERGENCES DE VABIABLES ALEATOIRES

d'o

tr lsitl - t; :"-it'u Y(t) it'l/ -t2/z)'l it '/-r e(+ v (t) "py (t) : u-t2/2

1,11_

2/2 est la f.c. de N(0, 1), et donc Or e- t

X- loi 'H::N(0'
Flemarque.' On crira

1).

1x:r

N(, ./).

7.2 Loi binomiale


Thorme 29 : loi binomiale et loi de Poisson Soit Xn suivant une loi binomiale 9(n, pl.Sous les hypothses
:

p est fonction de n
n

olimnP(n) =(>0)

ona:
Dmonstration
a) Calcul direct Sous les hypothses : p(n)

xn9g\,l.

: 1 (n p(n)) ;= O. n : P(X: x) CI P'(1 - P)n - x .n(n-1)...(n-x*1) Px (1 -p)n. (1 xI - p)" (nP)te-nP 'e-, P(X:x)
n*oo Xt

d'o le

rsultat.

nP*

n-*co
nP-

Xt

232
I I I I I I I I I

PH,

TASSI. S' LEGAIT

LES CONVERGENCES D VARIABLES ALEATOIBES

b) Utilisation des f.c.


u) :[1-B(1 -ei ]n; -* Log eXn (u) - np(1 - ei ') (p 0),

cyn(u)

et:
l"l

lim x^(u) :e-(1-eiu). -+oo

np*
On reconnat la f.c. de

()rl.

La loi de Poisson est souvent appele "loi des vnements rares", car loi limite du comptage du nombre de ralisations d'un vnement donn, de probabilit p, lorsque le nombre d'expriences grandit, avec p * 0 et n p restant constant.
Toutefois son utilisation est bien plus large et il est possible de retrouver la loi de Poisson dans des cas particuliers de processus o elle n'apparat plus comme loi limite mais comme loi exacte. Thorme

30 : loi binomiale et loi norrnale


lorsque

soit Xn une v.a. suivant une loi binomiaie lE (n, p). Pour p fix,

n-**:

I!---!q
/
nqp

l9j r'rto,

rI

Dmonstration On aru (chapitre 4) que la loi binomiale.4(n, p) est la somme de n lois de Bernoulli #{'1, pl indpenciantes.
En crivant

,
Xn

: I Yi,Yi->g(1, p) Vi = 1 n,
i:1
:

on a, d'aprs le thorme central limite


n

-_h_9ru(o,rr
Remarque En pratique. on pourra approximer laloig(n, p) par la loi N(np, bien que cette criture n'ait pas de sens mathmatique.
PH, TASSI

! Y;-np

/n

ptt - p[,
z-1-)

- S. LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIRES

Exemples
a) Soit X de loi

(9l.Par lecture de table de la loi de Poisson


P(X

<
:

18)

:9,9t't,.

Par l'approximation normale


P(X

<

18)

P1P,o, 1)

<

,!9,9,

o(3)

0,9987.

b) Soit X de loi

9(5O;0,01). Par lecture directe de la table de la loi binomiale: P(X : O) :0,6O50.


:

Par l'approximation de Poisson g(O,51et lecture de la table correspondante

P(X:0) :

0,6065'
:

c)soit X de loi B(50; 0,1). Par lecture directe de la table de la loi binomiale

P(X<5) :0'4312'
Par l'approximation gaussienne
:

P(x<5)

:P(-!-1-(o)

/50fr.J - oZ

:0,5.

L'approximation gaussienne sera d'autant meilleure que l'on s'carte des conditions du thorme 29.

7.3 Loi gamma


Thorme 31
Soit X une v.a.r. de loi gamma,

ilp,

1). Lorsque p tend vers I'infini, on a

{--p-toj
"/n
Dmonstration
La v.a. Y

N(0,

1).

X - /p - /p

admet pour f.c.

(u)

s- iu /F x

(l-)
PH TASSI . S, LEGAIT

LES CONVERGENCS DE VARIABLES ALEATOIBES

:s_iu

ah _iU_\-p

p*o

e- iu /F leiu ,rp - u2lzy


(u)

\c/

lim
(n)

2tz f .c. de N(0, e- u ,

1).

7.4 Loi du X

Plusieurs approximations en loi existent lorsque n tend vers l'infini pour la v.a. Un de loi{2 (n).

a) Thorme central limite Par dfinition,

indpendantes et de loi N(0, 1). Alors, par le thorme central limite Un En effet, E(X?)

Un: 3 X], o (Xi), i) i:'l

1, est une suite de


:

v.a.r.

:1,

wr;i
:
:

E(un)

t]_n_= n

/
:
',lr

loi

rrrto, rt.

et E(Un)
V(Un

: n; de mme,
ntE(X1)

n v(X])

On a vu au chapitre 4

11.

E (X4,)

2' 1: ' - 24/2' f(b - 4.q. 22


2

rrt-L

3,

d'o

V(Un)

2n.

b) Approximations de Fisher La plus utilise est la suivante


:

JM - lT
PH TASSI - S. LEGAIT

lo! ru(0, r).


235

LES CONVFRGENCFS DE VARIABLES ALEATOIRS

On trouve galement la convergence ci-aprs, que I'on montre moins rapide que la prcdente /zu" rq;toi N(0, 1).
:

c) Approximation de Wilson-Hilferty

fi:L'i^)!g ----E-./ gn

ruro, rr

On peut tablir que la meilleure approximation asymptotique est cette dernire, suivie par la premire approximation de Fisher, qui est pourtant celle usuellement employe dans les tables numriques de la loi de X'. Enfin, pour mmoire, rappelons que la loi de Student T(n) converge en loi vers la loi N(0, 'l) lorsque n tend vers l'infini.
Deux dmonstrations de ce rsultat ont dj t fournies dans ce chapitre.

7.5

le thorme central limite

Prcision de l'approximation gaussienne donne par

Considrons, comme au thorme 25, une suite (X1, ..., Xn, ...) d'observations indpendantes d'une v.a.r. X d'esprance nulle et de variance unit (ce qui ne restreint en rien la gnralit de l'tude).

Si (u) dsigne la f.c. de X. on sait que


rt(u)

:
j

Log e1r1

: l 1 1iu! , j:2 jl

o K, est le cumulant d'ordre


Soit

de X.

{n Yn: y'nXn:+.:.Xi
y'n l:l
n(u)

. Si cn dsigne la f.c. de Yn, on a:

Log n(u)
oo

n Log lu/Jl
Ki

:nI

(iu)J
nitz

i:2il

1 (iu)3K.+ 1(i,)ar+*'.' + --\2 - 4!n 2 srJ;


130
PH.

TASSI S

EGAIT

tES CONVERGENCES DE VARiABLES ALEATOIRES

On constate au passage que le cumulant d'ordre jde yn est K, n1-jl2.


Comme qn(u) en(u)

en(u).

on a

"-u2t2

1+ + ]-(iu)oK! + ... I [ - + ftiu)+ro 4!n 72n ' 3l/n =!iu)3K.


:

En utilisant la formule d'inversion (thorme 1s, chapitre 6) et la remarque suivant la dfinition 1 du chapitre 6, la densit fn de yn est

fn (x)

: ! f (u) du 2tr u "-,u**n


Katat t*) + lKl lot (x) + J24n 72n'
...

:
:

(x)- t *rr,., 6/n -

(*) +

En introduisant les polynmes de Hermite (cf. chapitre 4, dfinition 15), on obtient

rn(x):(x)
ou.

[1.Ks*3;3-Wf
= (")[ 1 *
Ks

fn(x)

({

=gx) ovn

r3*o+(gr.

-rs

r3)*+ + (+sr3

72n

rar*)*, + gr.

rsr31

. .. deYn:

Par intgration, on obtient une approximation de la fonction de rpartition Fn

Fn(x): otx) [&Hz=!r) t

o'.-

3If1.

f-r t3tlr.l1 72n

PH. TASSI

- S. LEGA1T

231

LES CONVERGENCES DE VARIABLES ALEATOIBES

EXERCIOES

7.1

Soustraclion

de khi-dsux

SoientXetY.deuxv'a.r.suivantrespectivementleslorsxz(p)etX2(q)(p>q)'SoitZ

ffii:d.
lndication

irioopnonte de-V' telle qu x q) Montrer que Z suit une loiX2 (P

7'

"'u'bsuw"

x (t)

Y et Z. cy $) cz (t) en raison de l'indpendance entre

z $)

:(] = ?'lli'i zt (1 2it)Prz (1 _ Zitlp-A/2

x2

(p

q)

7.2

Loi hYpergomtrique

g(n,

(ru, n, p), X converge en loi vers la loi Montrer que sr X suit une loi hypergomtrique Je , p lxes' n et + p\ quand N tend vers

tndication
7.3
Soit (Xn)n

px (x)

:-q-

Cto

,fti

.,

_ --

xJ(n _ x) I

(Np)* (Nq)no

- x. Cl -r px qn N.
:

6N.,

ufle suite de v.a' indpendantes, de mme loi de densit

1) Donner la loi de

t,

: .,Iiln *'

f(x)

: s- t'' e\ 1rc,a-

(x), 0 >

0'

quadratique (12) vers a' 2) Montrer que Yn converge en probabilit et en moyenne 3) Vers quelle loi converge la v'a. n(Yn
lndication

0) ?

1) Fyn

0)

- 1-

(1

F()n

o F est la

f'r'

de Xn'

VY>0,F(Y)
rrn (v)

:1-e-(Y-e)
(v-o)^)116,
+ -1
(V) (Y)

d'o

(1

frn (Y) : n

g-

e-(Y - o)n Fvn

1td,1-1

2)

P{ I Yn

gI

<.1 :

Fyn

(0+.)

(0-')
1

lorsque

[-

- 1, d'o Yn! o
.

g-(d+ t-o)n

- 0-'n'

23A

PH TASSI S LEGAIT

LES CONVEFGENCES D VARIABLES ALEATOIFS

Dmonstration

Xn-a:+r(n) r(n)
D'aprs le thorme 17, bl
r(n) (Xn
:

(Xn-a).

a) !9j

(Xn

---:-

- a)!9

o,

d'o Xn

a, d'aprs le thorme 16.

LES LOIS DES "GRANDS NOMBRES''

Ces lois tablissent des proprits de stabilit des sommes ou des moyennes cumules de v.a. dans une succession d'expriences, stabilit au sens de la limite en convergence el probabilit (on parle alors de loi faible) ou en convergence presque sre (loi forte). ll existe beaucoup d'noncs de thormes des giands nombres, se distinguant par les hypothses faites sur les variables.

Thorme 19 (Khintchine)

, i )- 1, une suite de v.a.r. indpendantes et de mme loi, appartenant toutes L1 ; on note m : E(Xn) , pour tout n
Soit (Xn)
n l:l
En particulier
:

:-x,

:xn!

Thorme 20 (D. Bernoulli)


Soit (An) , n21. une suite d'vnements indpendants de mme probabilit p ; on considre la v.a. Sn comptant le nombre d'vnements raliss parmi (4,, , ..., An)
:

9ot o
n

Remarque
Ces deux thormes tablissent des lois faibles, puisque les limites sont en probabilit. Le thorme 20 justifie l'approche frquentiste des probabilits, la probabilit d'un vnement tant la limite (en probabilit) de la frquence empirique de son nombre d'observations dans une suite d'expriences indpendantes.
PI, TASSI - S. LEGAIT
223

LES CONVERGENCES DE VARIABLES ALEAOIRES

Dmonstration

puisqueXn! m o Xn lol la f.c. de Xn , pour tout n.

r,

rontrons la convergence en loi. Notons par I


(u)

e.(u) :>x;

xnn

:v;x,(1) :[9(9)

]n

comme les v.a.r. appartiennent L1 , E(Xn) existe, donc a'(o) aussi, '(0)
im.

Ecrivons'.

e(t)

:1*imt*O(t)
,

:1*im9+o(1) nnn _(u) :[1 *im9+O(q) tnnn


e(9)

]n,

limgnXn
or on sait

(u)

:ei tu'
probabilit de Dirac en m. D'aprs le

que ei m u est la f.c. de thorme 9, Xn lo! m, d'o le rsultat.

.,

Dans le cas particulier de la loi faible de Bernoulli, on dfinit la suite de v.a.r. (Xn), o Xn vaut 1 si l'vnement An est ralis, et 0 sinon. Les v.a. sont indpendantes et vrifient
:

( P{xn: I
Sn

1}

ttt*^-o]:1-p'
ou probabilit empirique.

- IXi dsigne alors la frquence empirique, nn

Thorme 21 (Loi des grands nombres dans L2)


Soit (Xn)

note m :

, n21,

une suite de v.a.r. de L2, de mme loi et non corrles. On E(Xn) , o2 : V(Xn) , pour tout n' Alors
:

x"km.
224
PH, TASSI

- S. LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIRES

Dmonstration

llx.

mll 2:E

+-^)'
:1
-!2 n
no2
n2 (n-oo1

3*, \

= e (lx(Xi n

m)

)2

Thorme 22 (Loi forte des grands nombres) (Xn) , n ) 1. est une suite de v.a.r. indpendantes, de mme loi o si Xn ! Lr , m dsignant E(Xn), pour tout n :X; LS m ; r si Xn S t-, (e I Xn I : + -) :Xn est p.s. non born.

Ces lois des grands nombres justifient, en terme de probabilit, l'utilisation de la moyenne empirique comme indicateur de tendance centrale en statistique descriptive. Ouand le nombre d'expriences n augmente indfiniment, la moyenne empirique base sur le n-chantillon converge vers une constante qui est I'esprance de la loi dont sont issus les n rsultats de l'exprience. ll en est de mme de la variance empirique.

Thorme 23 Soit (Xn) , n 2 1, une suite de v.a.r. de L2, indpendantes et de mme loi, avec : E(Xn) : m et V(Xn) : o2 ; on dfinit la variance empirique par
:

Tt-4

c'z:13

n i:1

(Xi

-Xn)2.

Alors

p ,,2 +t-

02.

Dmonstration

x]-x-")? 9.,2:L: n i:1


Xn

.n

! t -

X-n)2! m2 (thorme

6)

et

r_3 x?! efiz) n i:1

m2

o2

(loi faible applique

la suite (Xfr)), oonc 9'2

"z
1a

PH.

IASS] . S. LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIFES

Se trouve ainsi justifi le choix de la variance empirique comme indicateur classique de dispersion en statistique descriptive.

Remarques Dans la dmonstration du thorme 23, nous avons appliqu la loi faible

> X1 . En effet, puisque Xn ! L2 , Efi)existe, et on est dans les conditions du : ni:1 thorme 19 pour la suite de v.a.r. (Yn), n 21, avec Yn : Xl.Ceci entrane deux
I

rIl

remarques importantes

a) soit m1 le moment non centr d'ordre k d'une v.a.r. X

mr
:

E(Xk)'

(Xr, ...,Xn, ...)dsignant une suite d'observations indpendantes de la v.a. X, le moment empirique est
m1 (n)

:13.x1
n l:l
:

Sous rserve d'existence de E( I X I k )

mk 1n1! m*
b) De mme, le moment centr empirique

lrr

E(X

E(X))k. En effet,

non centrs m; (n),

j:

/r. " (n) :

1k

ni:1-(Xt -X)k

.n I.I

/r

(n) converge en probabilit vers

s'crit en fonction des moments

/.rr (n)

: k ! q t-t)t-j 'l-j(n) m; (n)


J:O

c) Plus gnralement, si h est une fonction relle telle que E( I

h(x)l ) existe

-n I! n i:l
Exemple

ntx't!E(h(x)).

(Xr, ..., Xn, ...) est une suite d'observations indpendantes d'une v.a. X de loi de
Poisson
226

Q 6l

PH. TASSI

- S, LEGAIT

!4.

LES CONVERGENCES DE VARIABLES ALEATOIRES

1 pe/ 1 r li \1 -r n i:11 X,
+ x/

tr r

Lr_r:_:_:

1 \ \1+X,

1 o-x e- i,rt x:01 *x x! y:1y! i

1-e-

6 COMPORTEMENTS

ASYMPTOTIOUEMENT GAUSSIENS

La notation N(0, >) dsigne, dans cette partie, autant la loi normale que tout vecteur alatoire suivant cette loi.

Thorme 24 (thorme central limite multivari)


Soit (Zn) une suite de vecteurs alatoires valeurs dans (lRF, fiPl, indpendants et de mme loi, tels que pr : E(zn) et E, matrice de variance-covariance de Zn existent. Alors
:

,rn En
En particulier
:

ll)

lg

N(0,

:).

Thorme 25 (thorme central limite unidimensionnel)


(Xn), n

) 1, est une suite de v.a.r. indpendantes, de mme loi, et appartenant L2 ; on note m : E(Xn) et o2 : V(Xn), pour tout n.
:

On dfinit la v.a.r.

yAlors
:

(:Xi) .n:__m - nm. : -

/_n_frn__rl
o

Yn lo! ru (0, t )'

Dmonstrafion .' Nous dmontrerons d'abord le thorme 25, puis le thorme


24.

a) Thorme 25
On peut crire
:

1 31Ir--lly Yn:,/nl3 l--t) : ' ' o ni:l o


fii:1
PH TASSI

LEGAT

221

LES CONVERGENCES DE VARIABTES ATEATOIRES

Soit

la f.c. de

t
o

, indpendante de i ; la f.c. de Yn s'en dduit

vyn(u)
comme E(XL- rl) obtient
:

=[*(r*)

]"
e l'ordre 2, on

o et

E(LI)'? -

1, en dveloppant

(t) soit
:

: t-+o(t) 2
]"
/
2.

cyn(u)

:[1-u'+o(*l
trn (ul:
s-uz

et

On reconnat la f.c. de N(0, 1), et, d'aprs le thorme 9. Yn !91 r,rtO, I t.

"f

b) Thorme 24
Posons Xn : tu Zn pour u dantes et de mme loi, avec
:

! lRp ; alors Xn est une suite de v.a.r.

indpen-

E(Xn)

et:
d'o
:

tu

fi fi
:

tu g et V(Xn) : tu E u, tu /r) *,0, tu r u) fr-n (7n p)!9j tu N(0, >) vu ! IRP

et, d'aprs le thorme 10

,/ 1Zn - s)lg
Remargue

N(0,

:).

De la mme faon que pour le thorme 23, les thormes 24 et 25 peuvent se gnraliser toute moyenne empirique

E(h(X)) et V(h(X)). Etablissons, titre d'exemple, la convergence en loi de la variance empirique ; soit X une v.a.r. d'esprance nulle (ce qui ne rduit en rien la gnralit du rsultat), 02: V(X) : E(X2), (X1, ..., Xn, ...) une suite d'observations indpendantes de X
:

1 3 frX,i,

i:l

sous rserve d'existence de

2:13.x1 n l:l
v(x1)
228

-fr-n)2,

E(x1)

E2

(x2il

m4

- ^7:

^o

04

PH, TASSI

- S. LEGAIT

LES CONVERGENCFS DE VARIABLES ALEATOIFES

Considrons la quantit

J t! 3 *, Gl93-41 - -'ni:l ' / n4 o-4 dn$

E(x2)|

'-6-6rE
J-v1xzy
,

D'aprs le thorme central limite, appliqu a


n

]- 3 xU ni:1
|

,/i t: : x? - E(x2)) ni:1 ' /Tm -9r.rlo,


En outre
:

lt.

i;r:: :: ,:::"i:.,
:

D'o, par le thorme 17

,/1Xnp

o,

et:

{T $"2 - o2t !91 rrrfo, r t.

l^;---7
:

Pour E(X)

0, on obtiendra

/-_ni$3-g1 !9 r'rto, rr

/ u_ _;n
lim
(n)
r(n)

Thorme 26

Soit r : lN * lR- telle que

: * *,
,

a une constante relle, et

(Xn),

n 2 1, une suite d" u.u.r.nGfirnt


Soit g :lR Alors

(Xn -

a)lg

N(0, o).

lR, drivable.

:
LEGAIT

(n) (s(X.)

s(a))

g ,,n, o I g' (a) l).


229

PH.TASSI

-S

LES CONVERGENCES DE VAFIABLES ALEATOIRES

Dmonstration
Considrons le dveloppement de g l'ordre 1 au voisinage de a
S(x)
:

g(a)

(x

a) g'(a)
R(x)

(x

a)

R(x),

:
:

lim x-a

g,

c'est--dire

ve)0,
{l

3a
Xn

)0

:I

x-al (a = I R(x)l (e,

d'o

P{l xn lim P{ I Xn

aI

( o } C {l R(Xn)l ( e }, a I <a } ( P(l R(xn)l ( e ).


:

Or, d'aprs le thorme 18, Xn

nn

! a, et donc a I ( o } : 1 + lim P{ I R(Xn) I (


R(Xn)I
O.

e1

1,

c'est--dire

ll s'ensuit

loi ru(0, I s' (a) I o), d'o le rsultat recherch.

D'aprs le thorme 17, r(n) (Xn s(a))

(n) (g(x")

r(n) (Xn

a)

s'(a)

(Xn

a)

(n)

R(Xn)'

a) R(Xn)-B O, et r(n) (Xn

a) s'(a)

Trs utile en statistique mathmatique lors de l'tude de comportements asymptotiques, ce thorme est aisment gnralisable au cas multidimensionnel
:

Thorme 27

soit r:lN -lR'telle que,l'A tt"l


(Xn), n

*oo, a un vecteur delRp'


:

1, une suite de vecteurs delRp tels que


r(n) (Xn

soit g
230

: lRp

* lRq diffrentiable, G sa matrice (q, p) des drives premires


PH. TASSI

a)!g

N(0, >).
:

S. LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIRES

G-

l::l
-

l
s(a))

/ st

4\
ruto, G(a)

dgr

Alors
Exemple

\-s" ful \ uu' a"p /


!9
x
tG(a)).

(n) (g(X.)

Soit X une v.a.r. de loi de Poisson


1ndpendantes de P(X : 0).

q,

X. Le paramtre d'intrt est non pas

Vn),

n)

1, une suite d'observations : E(X), mais e- :

On sait que : Xn

(loi faible des grands nombres).

Par le thorme central limite

Soit g : lRl -* lR] dfinie par u


En outre

vG fr-" )lgJ N(0, /r) -

g(u)_= e-u. Par le thorme e-xn ! e- .

,/ (sx-"t - s()!g N(0, / | e- | ) G (" xn - "-n)!9j ruto, e-r /T).

7 APPLICATION AUX LOIS DE PROBABILITE


7.1 Loi de Poisson
Thorme 28

CLASSIOUES

Soit X une v.a. suivant une loi de Poisson g 15,. Ators la variable converge en loi vers N(0, 1), lorsque tend vers I'infini.

y:

- JT

Dmonstration Soit la v.a. Y

{-}=I--J),
/T J\

PH TASS] S. LEGAIT

LES CONVERGENCFS DE VAFIABLES ALEATOIRES

v (t) v
d'o
(t)

u- lt '/f, u
it

I lsitl/f itl\^

11

"-

"

e(+

-tz/zltl

i.I}*

v (t) : .-t2/2
:

2/2 est la f.c. de N(0, 1), et donc Or e- t


loi X- '5N(0,

1).

Remargue.' On crira

1x:r: N(, /).

7.2 Loi binomiale


Thorme 29 : loi binomiale et loi de Poisson
Soit Xn suivant une loi binomiale

9(n, pl.Sous les hypothses

p est fonction de
n

rlimnP(n) :(>0)

ona:
Dmonstration a) Calcul direct
Sous les hypothses : p(n)

xn9g\\|.

: 1
n

(n

p(n))n=

O.

P(X:x) =CXP'(1 -P)n-":

n(n-1)...(n-x*1) xt P(X:x)
d'o re 232

(1

px -P)'

(1

-p)n.

rsurtat.

(Ue-nP 'e-, n-oo x! n* Xt nP- nP-


PH' TASSI

'S

LEGAIT

LES CONVERGENCES DE VARIABLES ALEATOIRES

b) Utilisation des f.c.

:[1-B(1 -ei ') ]n; (u) Log eXn - - np(1 - ei ') (p *


cxn(u)

0),

et:

np*
On reconnat la f.c. de

h*co

lim x^(u) :e-(1'eiu).

()rl.

La loi de Poisson est souvent appele "loi des vnements rares", car loi limite du comptage du nombre de ralisations d'un vnement donn, de probabilit p, lorsque le nombre d'expriences grandit, avec p * 0 et n p restant constant.
Toutefois son utilisation est bien plus large et il est possible de retrouver la loi de Poisson dans des cas particuliers de processus o elle n'apparat plus comme loi limite mais comme loi exacte. Thorme

30 : loi binomiale et Ioi normale

Soit Xn une v.a. suivant une loi binomiale

n*+:

g
tl

(n, p). Pour p fix, lorsque

ILDmonstration

,g

f,qp

19,!

rrrto,

On a1'u (chapitre 4) que la loi binomiale %ln, p) est la somme de n lois de Bernoulli vd(1, pl indpenclantes.
En crivant

,
Xn

: I Yi,Yi->g(1, p) Vi = 1 n,
i:1
:

on a, d'aprs le thorme central lirnite


n

i:l
Remargue

L Y,-no I '

/ ^pq

l'? tttto'

r t'

En pratique, on pourra approximer laloig(n, p) par la loi N(np, bien que cette criture n'ait pas de sens mathmatique.
PH,

/n

p(1 - p)),

TASSI S

LEGAIT

IJJ

LES CONVEBGENCES DE VARIABLES ALEAIOIFES

Exemples a) Soit X de loi g (91 Par lecture de table de la loi de Poisson


:

P(X<18;
Par l'approximation normale
P(X
:

:g'gnt,.
a(3)

<

18)

P1P,o, 1)

<

l9,9, :

o,9e87.

b) Soit X de loi

9(5O;0,O1). Par lecture directe de la table de la loi binomiale:

P(X=O) :0'6050'
Par l'approximation de Poisson g(O,51et lecture de la table correspondante
:

P(X:O) :0'606S'
c)soit X de loi B(50; 0,1). Par lecture directe de la table de la loi binomiale
P(X
:

< 5l:
:

0,4312'

Par l'approximation gaussienne

P(x<5)

:P(.-!_-1-

'/sox0,1 x0,4

(o) =

s,5.

L'approximation gaussienne sera d'autant meilleure que I'on s'carte des conditions du thorme 29.

7.3 Loi gamma


Thorme 31
Soit X une v.a.r. de loi gamma, y(p, 1). Lorsque p tend vers I'infini, on a
:

I--tloj /p
Dmonstration
La v.a. Y

N(0,

1).

X
Jp

./p admet pour f.c. v


(u)

= g-iu /0.rx

tf)
PH.

TASSI S, LEGAII

LES CONVERGENCES DE VARIABLES ALEATOIRES

-e-iuAh-i :
p*oo

\yo/
'5

,\-P

s(u)

iu

/F

leiu

- u2tZy

lim
(n)

e- u 2tz

'1.c.

de N(0,

1).

7.4 Loi du X

Plusieurs approximations en loi existent lorsque n tend vers l'infini pour la v.a. Un de loiX2 (n).

a) Thorme central limite Par dfinition,

Un: i X], o (Xi), i)


i:1

1, est une suite de


:

v.a.r.

indpendantes et de loi N(O, 1). Alors, par le thorme central limite

grlg!.1-:
En effet, E(X?)

@J
:
:

9n--.lt !9

JT;

ruto, rt.

1, et E(Un)
V(Un

n ; de mme,

n v(X])

ntE(X1)

On a vu au chapitre 4

11.

r + '!t'_ 2 E(X4,) -24/2 4.9.1:

'

f(b
2

22

g,

d'o

V(Un)

2n.

b) Approximations de Fisher La plus utilise est la suivante


:

Jzvn
PH, TASSI

JTti

-Tlol

ru(o,

r ). attr

- S. LEGAIT

LES CONVERGENCES DF VARIABLES ALEATOIFES

On trouve galement la convergence ci-aprs, que I'on montre moins rapide que la prcdente J^to! N(0, 1).
:

/4 -

c) Approximation de Wilson-Hilferty

3
V

tt 9n/ to! ru(0, t). n - \ -2_l

---T-t/ gn

est On peut 'suivietablir que la meilleure approximation asymptotique par la premire approximation de Fisher, qui es! pourtant celle dernire, usuellement employe dans les tables numriques de la loi de X''
cette

Enfin, pour mmoire, rappelons que la loi de Student T(n) converge en loi vers la loi N(0, 1) lorsque n tend vers l'infini.
Deux dmonstrations de ce rsultat ont dj t fournies dans ce chapitre.
l

,
I I I

7.5

Prcision de l'approximation gaussienne donne par le thorme central limite

Considrons, comme au thorme 25, une suite (X1, ..., Xn, ...) d'observations indpendantes d'une v.a.r. X d'esprance nulle et de variance unit (ce qui ne restreint en rien la gnralit de l'tude).

ii-1 t,
t',

Si 9(u) dsigne la f.c. de X. on sait que


,lt(u)

Log (u)

: .I^ l.

t:,

(iu)t

K1

t,

o K, est le cumulant d'ordre j de X.


Soit Yn

= ./n Xn : ' I Xi . Si .rn dsigne Jn i:1


n(u)

{n

la f.c' de Yn, on a

Log qn(u)
oo

n Log fu/Jnl

: n I-

i:21

(iu)r.- Kj

nltz

1 (iu)3K"+ 1(i')ar4+"' * --!2 2 St,/i - 4!n


236
PH. TASSI

- S. LFGAIT

LES CONVERGENCES DE VAF|ABLES ALEATOIRES

On constate au passage que le cumulant d'ordre


Comme pn(u) en(u)

de Yn est K, n1-ll2.

en(u),

on a

"-u2/2

' 1-1-1iu1+ro+J-(iu)6r!+. [1+=!iu)3K. 4ln 72n ' 3l/n


:

En utilisant la formule d'inversion (thorme 15, chapitre 6) et la remarque suivant la dfinition 1 du chapitre 6, la densit fn de Yn est

fn (x) :

!2tr uf "-,u^*n (u) du


K4,@t ^l24n t*) +' =!Kl 72n

(x)--1- rrrtst -

6Ji

(x)

e(o) (x)

...

En introduisant les polynmes de Hermite (cf. chapitre 4, dfinition 15), on obtient


:

rn(x)

-(x)

[1-[*3.Wt
:
(*)[ 1 *
Kg

ou:
fn(x)

(t:;g^)

r3"o+(sr.

-rs

r3)r+ + (+sr3

72n

rar.)r, + gr*

rsr321

deYn:

.. Par intgration, on obtient une approximation de la fonction de rpartition


Fn(x)

Fn

: o{x) [[elf$ . try*fuf

PH TASSI - S, LEGAIT

IES CONVFRGFNCES DE VARIABLES ALEATOIRFS

EXERCICES

7.l

"

Soustraction

(p) et X2 (q) (p > q). Soit Z soient X et Y, deux v.a.r. suivant respectivement les lois x2 ili.. irioepnoante de Y. telle qu X Y + z'

'

de khl'deux

Montrer que Z suit une loiX2 (P


lndication

q).

x (t)

v $) z(t) en raison de I'indpendance entre Y eTZ'

c7 $l

: (t' (1 -

?'llX',l

2i11orz

=> z
(1 _ Zi11p-a/2

- x2

(P

q)

7.2

Loi hypergomtrique
p), X converge en loi vers la loi Montrer que si X suit une loi hypergomtrique J0 1ft, n, p fixs' r et quand + p) vers tend N fi(n,

-,

lndication
7.3
Soit (Xn)n

Px (x)

:-q

qo Cfti

.,

n! _ -- rl (n;i
s- tt - a) 1te,

(Np)r_(!',lq)n-'

r,lrl -

Cl -l

px qn

x.

6N.,

ufle suite de v.a. indpendantes' de mme loi de densit

1) Donner la loi de

t. :

l(x)

.,Plln

t'

+* i (x), 0 > 0'


O.

2) Montrer que Yn converge en probabilit et en mgyenne quadratique (12) vers 3) Vers quelle loi converge la v.a. n(Yn
lndication

0)

1) Fyn (Y)

- 1-

(1

F()n o F est la f'r. de Xn'

VY>o,F(Y)
rrn (v)
frn

:1-e-(Y-o)
(V)

d'o

(1

(Y)

2)

P{ I Yn

0I

(e 1 : Fyn (0+.) - Fyn (0-.) :'l -g-(o+e -o)n:'l -0-'n--1


YnI o
.

n e- (Y - u)n 1l u,1 -1

s- (v-a) n) 116, + -1 (Y)

lorsque n

, d'o

238

PH'

TASS] S. LEGAIT

LES CONVERGENCFS DE VARIABLES ALEATOIRES

E(Yn

ul,

: i
.

(v

o)2 n e- (v - a)n f,y

: !* i;

,, ,-,

O,

3) Soit Zn :
lorsque n

, d'o Yn L2 6
mq n(Yn

:1r(r) :? -o n2
n2
:

o). La densit de Zn est g(z)


n.

:e-t110,+q(z).

La loi de Z est indpendante de

PH.

TASSI S, LEGAIT

t20

Chapitre 8

Complments et approfondissements sur les lois de probabilit


Le chapitre prcdent a montr I'importance du concept de convergence appliqu des variables alatoires, leurs fonctions de rpartition, leurs densits, leurs fonctions caractristiques, ou leurs lois de probabilit ; la convergence suppose implicitement la notion de distance entre les divers lments dont on tudie le comportement asymptotique. Nous nous proposons dans ce chapitre d'tudier plus formellement les distances pouvant exister sur l'espace des v.a. ou de leurs caractristiques associes ; nous introduirons galement un ordre sur les lois de probabilit.

LES DISTANCES
Dans tout le paragraphe.'l'espace probabilisable de rfi'ence est (0, .c/l oit 0 est un espace topologique muni d'une distance d, complet, sparable (il contient un sous-ensemble dnombrable dense), :/ est la tribu borlienne de {1. I dsigne l'ensemble convexe de toutes les probabilits sur ({-1, dl, I est l'ensemble des fonctions de rpartition associes.

1.1

La distance de Paul Lvy

On prend

0:

lR.

Dfinition

La distance de Paul Lvy entre deux fonctions de rpartition F et G de dfinie par


:

I
e}.

est

dL (F, G)
PH. TASSI

inf{e

>

/ Vx F(x -

e)

G(x)

F(x

e)

- S. LFGAIT

241

CON/PLEN4ENTS T APPROFONDISSEMENTS

SUR LES LOIS DE PROBABILITE

F(x)

F(x

e)

x-

x*e

dL (F, G) est donc la plus petite valeur de 6 telle que G(x) va, pour tout x, appartenir au "tube" ainsi engendr autour de F.

1.2 Distance en variation


Dfinition 2
Soient P et O deux probabilits de rapport une mesure p o-finie.

de densits respectives

et g par

La distance en variation entre P et O est dfinie par du (P,

o)

fdp

lP(A)

o(A)

ll est clair que du prend ses valcurs sur [0, 1]. On tablit les relations

a)
o
b)
P

dv(P,O)

-1-(P^O)

({))

O : Min (P, O), i.e. est la mesure qui admet Min(f, g) pour densit par
{.

rapport

2dvP,

O)

:-[ldP-dOl

Exemple
On prend. sur lR, pour P la loi exponentielle 7(1, de densit f(x) : et pour O la loi uniforme%ro,,,1sur [0. 1], de densit g(x) : 1,0,,,,
242

s(x).

x. 1,^ (x), +

PH TASSI - S. LEGAIT

COMPLEMENIS

ET APPROFONDISSEN/ENTS

SUR LES LOIS DE PROBAB{L|TE

2 du 0(l,oUto, 2 du :

rl:

JR+ I t(*) - s(x)l


dx

dx

Ji tt - "-x1
du (z(1)!p,

f,- e-x dx :
:
0,3679.

2
e

rl :

t_

Remarque Considrons sur lR la restriction de la distance en variation la elasse'!des intervalles ouverts de la forme ]--" x[. Alors la distance en variation n'est autre que sup I ptt- -, x[) o(]--. xt)l : Sup I r(x) G(x)l , rlresp. G) dsignant la

XX fonction de rpartition de P(resp. O) ; cette distance porte le nom de distance de


Kolmogorov dK (F, G). Sur I'exemple propos, on a F(x)

1to, rl (r) + ^ qfo, 1t,, * 11 -1(*). 9n vrifie aisment que la distance de Kolmogorov entre 7(1)et est gale !. (1

e-x).

11p+ (x)

et G(x)

1.3

La distance de Hellinger

Dfinition 3
La distance de Hellinger H(P, O) entre deux probabilits P et O de dfinie par
:

est

ona:

-i (/ - faoyz Si P et O admettent des densits f et g (par rapport une mesure p o-finiel,


H2 (p, o)
H2 (P,

o)

-[

(fi

'u[,12

dp: 2(1 - I lfr


:

apl.

Dfinition 4
On appelle affinit entre P et Q la quantit
a(P, O)

: I
<

1tg7t/2 dU
1.

ll est immdiat que 0


H2 s'crit

( -

a(P. O)

: tl2|, O) :

2(1

a(P, O)),

et:
PH. TASSI

o<H2(P,O)

<2
243

. S. LEGAIT

COMPLEMENTS

ET APPROFONDISSEMENTS

SUR LES LOIS DE PROBABILITE

Exemple
H2 (z('t ),%to,

,l

: 2(1 _J /""-

dxl

-- 2

tfr-

H(v(1), qro,

,11: 0,6528'

1.4 Distance de Lipschitz


On suppose que la distance d sur () est majore par 't ; si ce n'est pas le cas,

,.d on munit () de la distance d'


Dfinition 5

+d

'

On appelle distance de Lipschitz entre deux lments P et O de9la quantit dLi (P, O) dfinie par

d., (P, O) : ryp-l J ,/dP -f ,/dO -

o 9: { r/ : 0 - lR / relles lipsch itziennes.

lrey

I,l

t*l

(V) I <

O(*, y) }, ensemble des fonctions

1.5

La distance de Prohorov

lntroduite en 1956, elle est dfinie sur 9. A tant un sous-ensemble non vide de 0, et e un rel strictement positif, on appelle e-voisinage ferm de A le sous-ensemble A! de 0 tel que inf d(x,y) (e }. A':{x!0l
:

v!A

Dfinition 6
Soient P et O deux lments de @. La distance de Prohorov entre P et O est

dfinie par

dp (P,O) :inf{e >O/


tre ainsi nonce
:

P(A)

<O(A!)

+e,YA!.d\.

Une seconde dfinition, quivalente la premire mais plus facile utiliser, peut

Dfinition 7 Soit A un vnement quelconq ue de s{. On dfinit I'application p : - par


:

lR+

p(A)

Alors

:inf{e)O:P(A) (O(A') *e}. dp (P, O) : .S_up-p(A). ' A-.-.il


PH. TASSI

244

- S. LEGAIT

COMPLEMENTS ETAPPROFONDISSEMENIS SUR LES LOIS DE PBOBABILITE

exact de la distance de Prohorov. ll est nanmoins quelques cas o l'on peut trouver l'vnement Ao tel que d, (P. O) = p(Ao). Le calcul de la distance de Prohorov se ramne alors la recherche de Ao.

ll existe peu de rsultats sur le calcul

Exemple I

Soient

P:,,et O:r, x(y; il estvidentque

l'on ne peutconsidrer

que des vnements A de la forme {u}.

Pouru#x,p(A)
Soit Ao

:0.
)< O(,S) * 1<0*e ou e21 dp (x, r):
1

{x} ; alors la relation P(Ao

s'crit

et

donc

Exemple 2
Nous admettrons le rsultat suivant : soient P et O deux probabilits, de densits f et g. On suppose f dfinie sur [0, a], a ) O, ventuellement + o, g dcroissante sur lRr, et, sur t0, al, f ) g. Alors
:

dp(P, O)

p([0,

a]).

Soit par exemple

P:,7/p,
P et O admettent pour densits f(x)
:

11

et O

: ill\
1'*.
(x)

:1t0, tt (x) ig(x) : e-x


dp (P, O)

p([0,

1])

OrP(tO, 1l)

:tetO([0. 1+!]) :-[J*'e-xdx*1-s-(1


:

=inf(e)0:P([0,

1])

<O(tO,

1*el) +e).
te)
.

Le rel e vrifie donc l'inquation

1<1-9-(1

*e)

1.

<+ ,sl

*'t;>-1

Cela permet de dterminer la valeur de ! pour laquelle e el p([0, 1l) : d, (P, O) :0,2466.

* e: 1

1.6 Comparaison de distances


ll est possible d'tablir des ingalits portant sur les distances prcdemment dfinies.
PH,

TASSI S. LGAIT

245

COMPLEMENTS

ET APPROFONDISSEIVENTS

SUR LES LOIS DE PROBABILITE

Pour

0:

lR, on tablit

dL<dP<dv dL<dK<dv
Pour O quelconque, on a
:

d3(dr,(2d. H2<2du(H /4-H'z<2H.

1.7 Autres indieateurs d'cart


Un grand nombre de mthodes usuelles de la statistique mathmatique sont fondes sur des indicateurs d'cart, ou de proximit, entre v.a. ou lois. Ces indicateurs ne sont pas des distances au sens mathmatique du terme, dans la mesure o les proprits de symtrie (X, Y) : (Y, X) et d'ingalit triangulaire (X, Y)< (X, Zl + (2, Y) ne sont pas systmatiquement vrifies. Cependant, ces indicateurs sont d'utilisation frquente car possdant une interprtation statistique intuitive, et ils sont souvent appels n distances o par abus de langage. Par la suite. nous les nommerons proximits. lls vrifient cependant. en gnral, les conditions de rgularit suivantes

{otx,X) :o i lotx,Y) >o

a) Proximit au sens de

L,

sur

I
= J [F(x) :

(F, G)

G1x;12 dx

Dans le cas discret, on aura

(F,G)

ki > i:1j:1
(

'
:

'

ll existe une version sur I'espace des densits


(f, s) :
ou

J [f(x)
t-

(pi

g(x)]2 dx

(f,g) :

k
|

-ei

)2

Remarque :
proximit pondres par une fonction
(F, G)
246

ll

est parfois d'usage de considrer des versions de ces indicateurs w valeurs dans lR+ ; par exemple
:

de

tF(x)

G(x)12 w(x) dx

PH TASSI

-S

LEGAIT

COIVPLEMFNIS FTAPPROFONDISSEMENTS SUR LES LOIS DE PROBABILITE

b) Proximit de Cramer-Von Mises Elle est dfinie sur .?; on appelle proximit de Cramer - Von Mises entre deux f.r. F et G, centre en F la quantit
:

(F,

c)

-i [F(x)

G(x)12 dF(x)

E,

(F(x)

G(x))2
F.

E, (.) reRrsentant l'esprance prise par rapport la loi de f.r. Remarque .' sur l'espace des densits, on pourra tudier
g(x)12 f(x) dx "l tf(x) Les versions discrtes de ces indieateurs seront
:

(f. g)

(F,

c)

: ki
i:l
(f. g)

j:1
k

' -

: 2 i:1

o, (R,

c,)2

c) Proximit de Karl Pearsen Egalement appel indicateur du X2, dans sa dfinition centre sur f par
:

il est donn sur l'espace des densits


dx

(r, s)

: f t{!---91! f(x)
:

E. t1

s(x\z
f(x)

Sa version discrtise est

(f.g)

: i

(pi

i-1

-q,)2
P;

On peut remarquer que la proximit de Pearson n'est qu'un cas particulier de I'indicateur au sens de L, pondr par w(x) : 1,zf(x) ou 1/S(xl. ll existe un indicateur du y2 dit modifi, qui n'est autre que (f, g)centr sur
s.

d) Proximit de Wolfowitz Elle est dfinie sur

par

(F,G)

:JlF(x)

ll s'agit de la norme au sens de L,, de F (F,c)


PH. TASSI - S. LEGAIT

-G(x) |
(pi

dx
:

ki : : | : i:1 j:1

G. En discret, elle est donne par

' -q, '

)l
247

COIVPLEMENTS

ET APPROFONDISSEMENTS

SUR LES LOIS DE PROBABILITE

Dfinie sur les densits, la proximit de Wolfowitz est

(f,g)

:Jlf-gldx

soit le double de la distance en variation entre les probabilits P et O de densits respectives f et g (cf. 1.2).
e) Proximit de Kullback-Leibler
(F, G)

: :

f(x) ar(x) -l Los


s(x)
:

pour I'indicateur centr sur F. Sa version discrte est


(F,G)

kp, : p, Log'' i:1 Q;

Notons que la proximit de Kullback-Leibler ne vrifie pas (F, G)

>

O VF, VG'

Des prcautions sont prendre lors du calcul de ces divers indicateurs, et s'assurer en particulier de leurs conditions d'existence. Exemple

il1,

on prend pour F la loi uniforme sur [0, 1] et pour G la loi exponentielle


1l,.

a) Aucun problme n'existe pour les indicateurs de type

les densits

f et g

Lr, sur les f .r. comme sur

(F,G)

:Jf t^-1+

e-^12

dx+Jl(1 -1*e-x)2dx
o,oe7

:5:-J2: 6e
(f, g)

: J[ tr e-')2 dx + J] (O - e- x126* :!-3:0,236.


2e

b) Proximit de Cramer-Von Mises L'indicateur de Cramer-Von Mises calcul sur les f.r. et centr sur'2/ro, tl "st
,

F(F,c)

:Jf tx-1+e-*)2 :q-2-- 1 :o.o3o


6e2e2

dx

248

PH TASSI - S. LEGAIT

COMPLEMENTS

ET APPROFONDISSEN/ENTS

SUR LES LOIS DE PROBABILITE

Centr sur 7(1, 1), cet indicateur prend la valeur


G (F,

G): Jl t"-

+ e-')2 e-xdx+"i e

2x

"-x6*

-'17 -'- 6e2e2


c) Proximit de Pearson pour x

'=:

2'o3o'

L'indicateur de Pearson centr sur(2p,11 n'a pas de sens. puisque f(x) ) 1. Sa restriction [0, 1] est:
o, (r, s)

:9

Jl tl
:

- e-')2 dx :r-:-

#:
dx

1,e6.

Centr sur 7(1, 1). il vaut


on (f, o)

: Jl tl e-x)2 ex dx + 4* e-x -

A,718.

d) Proximit de Wolfowitz Vx, F(x)

Aucun problme d'existence n'apparat pour cet indicateur ; en outre, ) G(x), d'o
:

(F,

c)

: Jl fx-

"-x1

dx

+ 1"

"' d*:
:
:

21

e) Proximit de Kullback-Leibler
Cependant, sa restriction [0, 1] peut tre calcule

Aucune version de cet indicateur n'existe puisque f(x)


Centre sur Q/p,

6 pour x )

1.

l:
(F,

c)

J[

Log

e'

dx

l.
0,264.

Centre sur 7(1, 1)


(F, G)

: J[ (t-og er) e-x

dx

: -? + 1 :

1.8 Retour sur les convergences


convergence chacune des mesures de distance ou de proximit qui viennent d'tre dfinies.
PH. TASSI

Ainsi qu'il I'a t fait au chapitre 5, on peut associer une notion

de

- S. LFGAIT

249

COMPLEMENTS

ET APPROFONDISSEIVENTS

SUB LES LOIS DE PROBABILITE

Soit un indicateur de proximit, (X"), n21, une suite de v.a.r. et X une n21, et F. Nus dirons que Xn converge au sens de vers X si lim (F", F) : 0.
v.a.r., de f.r. respectives (Fn),

n-

Exemple

^ tro,

Soit (Xn), n

,r'

1, une suite de v.a.r. de loi'Z/p,1 +

11,
n

et X une v.a.r. de loi

Considrons l'indicateur de Wolfowitz sur les densits


(fn, f)

:
n

ll fn

t llr

:.f

I fn

f I d

en notant Far fn et

les densits des lois de Xn et X.

fn (x) :

"
(fn, f)

:1t0, rt (x) 1t0.,1 * 5 (x) ;f(x) * ,,

:
n

Jl tt

1n ox + J] nn*1 dx--n-l n*1 -

On remarque que lim (fn. f)

densits.
1

O, et donc Xn

* X au sens de Wolfo..nritz sur les

De mme, un calcul simple montre que l'indicateur de Wolfowitz sur les f.r. vaut 2n

Remarque intressant sur le plan statistique. particulirement en d'introduire la notion contraire la convergence qu'est la des tests, thorie sparabilit asymptotique;soient (Fn) et (Gn), n ) 1, deux suites de fonctions de rpartition. De faon gnrale. ayant fait le choix d'une mesure de proximit prenant ses valeurs sur [0. M], M ventuellement infini, nous dirons que les suites (Fn) et (Gn) se sparent asymptotiquement au sens de si
:

ll peut tre parfois

lim (Fn. Gn) : M


quement au sens de Hellinger si lim H(Fn, Gn)

Ainsi, si est la distance de Hellinger, F^ et G- se sparent asymptoti:,/2, ;r si lim a(Fn, Gn) : O.


:

De mme, il y aura sparation asymptotique au sens de la distance en variation du si


tim du (Pn, On) :
1

o Pn et On sont les probabilits auxquelles sont associes les f.r. Fn et Gn.


254
PH.

TASSI S. LEGAiT

COMPLEIVENTS ET APPROFONDISSEMENTS

SUR tES LO]S DE PFOBABILITE

tiques associes.
Exemple

permettent partiellement de classer les convergences ou les sparations asympto_

Les ingalits de comparaison des diverses mesures de distance (1.6)

Ona:

o<H2(2du <H/4constate lactlement que ^^^^.?::^'^ll--"1


;

t42

On sont deux suites de probabitits de f.r. Fn er Gn, on

,'fl
De mme

O" (Pn, On)

: O :

<+ + h:

iim H(pn , On)

:
1.

'

,',T H(pn, On)

"fl

du(pn, On)

Si lim du(Pn,On)

1, alors, en posant

h2<2<n/+-R
soit:
t,2(4h2) __

lim H(pn, On), on doit avoir:

4- _ (h2_

2)z>O

ce qui n'est ralis que pour h

,/2.

Les indicateurs do et H sont quivaients pour ra convergence et ra sparation asymptotique.

APPLICATION A LA FONETION DE RPNRTITION EMPIRIOUE


:

si x., ...., xn est un chantiilon de n rarisations indpendantes d,une v.a.r. de loi de probabilit P, on dfinit ta quanrir

p":1 !
nt:1
o . (x) vaut 1 pour
ernpirique,

" xi

x: a et o aiileurs. pn est appere loi de probabilit distribution uniforme sur (X,,,...,Xn) puisque pn ({x,}) : L, i:1 n.
n

on lui associe la fonction de rpartition empirique


x

Fn dfinie par

! lR, Fn (x) :

pn

{l- -,

x[]

: I i . ni:1

11_ _, ,,1 (x,). r '^L

PH.

TASSI S.

LEGAIT

251

CO[/PLEMENTS ET APPROFONDISSEMENTS

SUR LES LOIS DE PROBABILITE

2.1 Proprits distance finie


Par construction, F^ (x) est gale la proportion d'observations de l'chantillon strictement infrieu'res x; Fn est une fonetion toujours discontinue. La v.a. n F^ (x), nombre d'observations avht x, suit une loi binomiale 0(n,F(xll puisque un 'foint xi est soit avant x, soit aprs, et par consquent
:

E[Fn (x)]

F(x)

et vlFn t*)l

F(x)

t1

F(x)l

Fn (x) converge donc en probabilit vers F(x).

On peut galenrent calculer la covariance entre Fn (x) et Fn (V) 1 Fn(x) Fn(v) :-riit s
n
n

1t--

. r" 1t--,q(x;) ",(x;) l:


I

_1 [.I.1r_
nz l:
I

(xi , Min(x, ylt


(x,)

i:1 j:1
i

+j
I

1l- -, 4

1p -, q (x;) ).
1me 166;156tion x,,

i:1n:

D'o, en notant par X.

la

v.a. de loi P associe la

E(Fn (x) Fn (y))

l- e(t nn r- -,

Min(x,

vx

(Xr t)

tl

E(l1- -,
F (x) F(v)

,.1

(X.,)

1t- -,

yt (x2))

: I r1uin1*, y)) + l--lnn : |

et:

cov(Fn (x), Fn tvtt

[F(Min(x, v))

F(x) F(v)].

2.2 Proprits asymPtotiques


Puisque n Fn (x) suitS(n, F(x)). en appliquant la convergence en loi de la loi binomiale lorsqu n tend vers l'infini, on a
:

n Fn (x)

Comme Fn (x)

- n F(x) Yn (Fil*): J9 !9! ru to, r GTiili -m /Tixif--Eii


_:-F (x), on a galement
uzn (Fn (x)
:

F(x)) Fn(x))

N (0,

1)

/ r.{x) 11 -

PI TASSI

S. LEGAIT

COMPTEMENTS

ET APPROFONDISSEN/ENTS

SUR tES LO]S DE PROBABILITE

Exemple : On sait que P(- 1,96 < N(0, 0,95


:

1)<

1,961

:6,9U, soit

: P(- 1,96 <

u/n (Fn (x)

,/F;xiTrm)-

F(x))

<

1,96)

ou encore 0,95 : P(Fn(x)- 1,96V


n

Si F(x) est inconnue, on a construit un intervalle connu ayant une probabilit donne 0,95 de contenir la vraie valeur de F au point x. La convergence en loi vers la normalit peut tre tendue au cas multieJimensionnel.

Thorme 1 Soit F la f.r. continue d'une v.a.r. X, pour tous rels (u, , ..., u,.1, le vecteur alatoire {-/n (F^(u,) F(u,)} (i : 1 k) converge en loi vers un loi normale N(O, :), o I e'st [a matrice carre d'ordre k d'lment courant (i, j), 1 < i,

j(t<:

o,,

min (F(u,), F(u,))

F(u,) . F(u,)

2"3 Vitesse de convergence : loi du logarithme itr


Dans ce chapitre et ceux qui prcdent, nous avons abord un cerain nombre de notions de convergence portant sur des suites de v.a., de probabilits, de f.r., etc. Un lment important pour le praticien est la 'ritesse laquelle a lieu cette convergence vers la limite. Nous allons donner un rsultat gnral compltant le chapitre 7.
Thorme

2 : loi du logarithme itr i > 1, est une suite de v.a.r. indpendantes et identiquement distribues (i.i.d.), d'esprance m et d'cart-type o. o 1, alors

Si (Xi),

, Log Log n " La loi du logarithme itr complte le thorme central limite en prcisant la vitesse de convergence de
:

n..-oo

/nfin-rn) lim

p.s

.,/n (Xn

m)

itr devient

Appliqu la fonction de rpartition empirique, le thorme du logarithme


:

/n (Fn(x) - F(x)) -1 n- vGFj-il-Hx-D , Los Los n


lim
1

p.s.

PH.TASS]

.S

LEGAIT

253

COMPTEIVENTS ET APPROFOND]SSFMENTS

SUR LES LO S DE PFOBABILITE

2.4 lndicateurs de proximit avec F"


L'un des problmes fondamentaux de la statistique mathmatique est la connaissance de la loi P, de f.r. F, d'une v.a.r. X dorrt on possde une suite finie (X., ..., X-) d'observations indpendantes. lntuitivement, ayant fait choix d'un
tendance accepter ceite hypothse si l'approxinration de F fournie par Fn est ( proche ,, de Fo, c'est--dire si (Fn, Fn) est u petit u. Parmi les indicateurs prsents au paragraphe 1, les plus frquemment utiliss sont ceux de Kolmogorov, Pearson, Cramer-Von Mises. a) Proximit de Kolmogarov

indicateur"de proximit , si on postule pour F une loi donne F., on aura

Soit d* (Fn. F) : So I F" (x) Thorme 3

F(xll' pour une

f'r.

F dfinie surlR'

ll existe une constante C, C ) 0, indpendante de


P(dK(Fn,F)

F,

telle que, pour d ) O:

>d) 6"-2nd2

vn)1
:

Ce rsultat, tabli en 1956, est souvent utilis sous la forme P('/n dK (Fn, F) > d)

<

e-

2 d2

Soit la

quantit : n:l

P(dK (Fn, F)

d)

: n:1

oo

p(dK(Fn,F)

>d) <c
:

r ^_2d2 4"o :_(e-2d2ln: ce-'" n:i 2d2 1- e-

oo

Du chapitre 7 on dduit Thorme 4

dK (Fn, F) : SuP

Fn(x)

F(x)

| P'co'

O'

Ceci implique ia convergence presque sre, et en probabilit, de vers 0.

d*

(Fn,
F).

F)

A.N. Kolmogorov a tabli en 1933 [10] la loi asymptotique de do (Fn, Thorme 5


converge en loi vers la v.a. O, indpendante de F, dfinie pour y

Si F est la f.r. d'une v.a.r., F tant continue, alors la v.a.

6 d* (Fn, F) ) O par
:

P(O<yl:1?54

2 i (-t1r'+r s-2u2t2 k:1


PH.TASSI

-S

LEGAIT

COMPTEMENIS

ET

APPFOFONDISSEMENTS SUR LES LOIS DE PROBABITITE

b) Proximit de pearson
Envisageons tout d'abord le contexte statistique. -fl espace des valeurs de la v'a r' continue X dont on possde res rarisations'rnofenantes (X,,, -..,\t;rl partitionn en classes Cj. j : 1 k :

g'- :k

de revenu, etc. Soir alors le vecteur alatoire

de crasses d,ge, de tranches r(Nr, ._,_ii, la v.a. N, compte le nombre d'observations parmi (xr, ...,xn) appartennt t ct's;;'c;; ;'L- ii,: La loi de N, est une loi binomiale g (n, p,) oit

c'est souvent re,cas en pratique, jjr,"'"'nsi

y:

pj

P(X

! Cj) : J.- t1x; Ox,

f dsignant la densit de
Les frquences

F. plus gnralement. y suit une loi murtinomiale,// (n; p1, ..., p1), en rfrence au schma expos au chapitre 4.

f, : \, j : 1 k. dfinissent la loi
que |on notera

empirique des
oo)

symboliquement par

""r."s, en fournissent ra roi thorique dduite de F


p.

observations regroupeJ 0"r.

p; res constantes (0,,,...,

ra roi vraie
:

-,

reprsente

L'indicateur de pearson entre (.p)

il et p centr en p sera

: I j:1

$,-p,)2
pj
:

on utilise frquemment une forme pondre de rindicateur de pearson


avec w(x)

n, qui conduit ici

i tl{A-S$3 f(x)
: :
n

w(x) dx

*(, p)

: j:1 1)

Thorme 6
*(, p)

t2Lx, (k

(n--)

Dmonstration
Dfinissons le vecteur Z de coordonnes
:

N, no. z,- t - 'r,j- 1k; rnq '


PH. TASSI

. S. LEGAIT

atr

COMPLEMENTS

ET APPROFONDISSEMENTS

SUR LES LOIS DF PROBABILITE

On

a:

E(Zjl:O.V(Zj) - 1-pj

Cov(7r,Z1l:-,m

U+U

On vrifie aisment que le dterminant de la matrice de variances-covariances de Z est nul, puisque celui de Y I'est aussi, on se restreint au plus grand vecteur rgulier r(Zt, ...,2n_,1 : Z*.
Partant de la f.c. d'une loi multinomiale,

ry(u1,...,ur)
on dduit la f.c. de t(Nr, ..., No-l)
:

:(. l-

>.
|

pj eiuj)n

(ut,..., ur.-r): cy(u.,, ...,uk-1,

O)

: t1 + >. pj(eiui J|

k-1

1)ln

Du thorme 3 au chapitre 6. on tire


k-1

> u. '111 k-1 t '/d - i/nj-1 *.r" e7* lu,, ..., uk-1): e
.l|

p,(eiu/Jrwi

- 1In'

Or: k-1

siuy''/rtpi-

1-*-r"
1)

i u.

u.2

p,(ei'izlnF; .I t j:1

j:1 Jn

k-1 iu, >. (+ /q .

2n '- +

u,2.

et

k-1 . k-l k-1 1: i/ I u, ./Fl i/i- I u, '/o] ' i:r-j ie j:t' 'e - 2i:t a7-tr,,...,un-,):e -

,'2
)

: e-Lort", 2j:t
Z* suit donc approximativement une loi normale centre rduite de dimen1, et - (, p) converge en loi vers une loi X2 (k sion k - 1).

256

PH'

TASSI S. LEGAIT

COMPLEMENTS

ET APPROFONDISSEMENTS

SUB LES LOIS DE PROBABILITE

Remarque
Ce rsultat peut tre retrouv par le calcul direct; notant par P la probabilit lmentaire de Y en (nr, ..., nn), on a
:

n!

nn

rt

,/2Tr "- "

(formule de Stirling)

P)

nn

* rL e- n ,/Ztr
n.*1 t -n. t,/-Zrl

n1 P1 "'

nk
Pp

IJ(n,
P

'e

no. n, 'j1 | - II1" jni

une constante multiplicative

prs

Logp-K*
A partir deZ, :

: j:1

(n,* SLognPi nj ' 2


'

'

N |'t,on

'q

-no.

a N,

n pl
Z.

lZrJ6,ou

LogP-K-

"qk.z
j:E.,

N. I _1

-/"q
I

(*, *rlLoo(1

+-1)
:

Faisons un dveloppement limit du deuxime ordre


Log (1

+ 1-l

zi @i /q -"i2npj

LogP-Kk

k.z.z?
j:1 ' 2 @,
2npj

LogP-K-

nzz2. (J +t+2, 2 ' '/nL) J:1 "q nr, LogP-K- >. (2,t /nnt + tl
j:1
2

I
2npj

PH.

TASSI S. LEGAIT

COMPLEMENTS

ET APPROFONDISSEMENTS

SUR LES LOIS DE PROBABITITE

I (Ni Or 2 7,/nq: j:1 t ' j:1

nPj) z?
2

=n-n:O.

D'o:

LogP-K->--l
P;=T;
c'e

-;1't' -

1 < z.o
'

La loi limite de la loi multinomiale est une loi normale de dimension k 1 autres), et on en dduit (tout Z, pouvant s'exprimer en fonction des k

i: 1

(Ni

nPj)2
npj

roi.

yz

11

1)

ORDRES SUR LES VARIABLES ALEATOIRES


ou d'ordonner
des v.a. ou leurs lois de probabilit est

- on peut comparer deux v.a. X et Y par I'intermdiaire fort ancienne. Par exemple, (esprance, mdiane, milieu de l'tendue), centrale indicateur de tendance d'un ou bien par un indicateur de dispersion (cart-type, tendue, intervalle interquartiles), ou bien encore par les cfficients de Fisher d'asymtrie ou d'apla-

L'ide de classer

tissement (chapitre 4). Nous nous proposons, dans ce paragraphe, de donner quelques lments les comparaisons possibles de v.a. par I'intermdiaire de relations d'ordre sur partiel ; dans tout ce qui suit, X et Y seront des v.a.r. de lois P* et P". de f.r. respectives

FetG.

Dfinition

I (,
Y)

X est dite stochastiquement plus petite que Y (not X


Vx

si

! lR

F(x)

G(x)

Cette dfinition. due H. Mann et D. WhitneV (947l,, est, historiquement, la premire notion d'ordre partiel sur des v.a.r. [14].

tes surlR ;on a:

Supposons X et Y telles que F et G soient continues et strictement croissan-

F(x)) G(x)

<) O- t 1r1x)) )

En

notantR:G-1 Fet- R- l(ltant I'application identit), onobtient e (x) )0 Vx!lR F(x) )G(x) <> R(x) )x
PH.

258

TASSI S, LFGAIT

COMPLEMENTS EI APPFOFONDISSEMFNIS SUF LES LOIS D PROBABII

ITF

Remarque Considrons la v.a.r. Z

: R(X). P(Z1z): P(R(X) ("zl: P(X < F- 1 C(t)) = F(F- 1 C(r)) :


Y.

G(z).

La loi de R(X) est identique cetle de

Dfinition 9 soient a et b deux rels ; X est dite plus concentre autour de a que y I'est autour de b si
:

P(l

x-al(x)

>

p(l

y-blSx)

vx)0.
a: b:
O, on

En pratique, on prendra frquemment pour a (resp. b) l'esprance ou la mdiane de X (resp. Y), ou bien le centre de symtrie s'il y a lieu. Si l'on se restreint au cas de lois symtriques, prenant alors tablit les rsultats suivants [1]
:

Thorme 7

soient X et Y deux v.a.r. indpendantes absolument continues, de f.r. respectives F et G. de densits f et g, telles que
:

(i)

f(x)

: i1- x) ; g(x) : g(- x)

Yx

! lR,

(ii) f et g sont dcroissantes (au sens large) sur lR* (iii) X est plus concentre autour de 0 que y. Alors, si (X',, ...,Xn) et (Y1, ....Y") sont deux suites finies de v.a.r. indpendantes de mme loi que X et Y, on a rlp yi i a) . : . X, est plus concentre autour de 0 que :
:

i:1, b)Xn:
:

i:l

gnrale

On peut tablir que la dfinition 9 est quivalente la suivante, a priori plus


1O
:

nl:l

Dfinition

X est plus concentre autour de a que Y autour de b si E(h(l Y

pour toute fonction

espra nces considres.

h non

dcroissante, sous rserve d'existence des


:

bl ) > E(h( I x -

aI

))

En particulier, en prenant pour h la fonction identit, on a

E(lx-al)<E(lY-bl)
PH TASSI - S

LEGA]T

25g

CoMPLEMENTSETAPPFOFoNDISSEMENTSSURLFSLOISDEPRoBABIL|TE

et, pour a

E(X). b

E(X)

et h(u)

u2

v(x) < v(Y)


ll est enfin possible de dfinir un ordre fond sur la diffrence interquartiles, pour des v.a.r. absolument continues
:

Dfinition 11
Soient a et B, a I B, deux rels appartenant lO, 1[ ; la loi de X est dite plus tale autour de a que Y l'est autour de b si
:

FExemples a) SoitF(x)

ffi)

1 - F- ("1>c- ffi)-c1

1 (")

:1-e-*,G(y) -1-s-9v, <8.


r-1(x) :-lLog(1 -x),G-1(v) :-lLog(1 -v) 0
F1 19)

: - F-1 (o)
1

1r-os

1--g
I

1-B

d.o

- F- (d) :g> c-r (B) _c-1(d)


F1 (B)

La loi 7(1. ) est plus tale que la loi 7(1,0), pour


b) Soit X une v.a.r. absolument continue, de f.r. F, dfinit la v.a. Y : X, de f.r. G.
G(Y)

<

0.

1 un rel quelconque. On
r(Y)

G- 1 (y) : {z/G(zl: y}: {z/Fl: y} : {z/z:

P(Y

<

Y)

P(X

<4

F-

1 (y)},

d'o: PourO(a(P<1,ona:

G-1:F-1

-r-t(a):l<r c_r ffi) _c-1(d)


et donc Y

r-t(B)

X est plus tale que X, pour

1.
PH, TASSI

260

. S. LEGAIT

Chapitre 9
O

bservations ordonnes

ll arrive frquemment que. possdant une suite finie d'observations indpendantes (Xr, ...,Xn) d'une v.a.r. X, on s'intresse plutt au n-uple ordonn en sens croissant ou dcroissant. C'est ainsi le cas dans les mthodes statistiques cherchant dtecter des valeurs ventuellement aberrantes; en outre, le phnomne tudi peut parfois tre tel que les observations vont naturellement en croissant : part de. march cumule conquis semaine aprs semaine, par exemple.
Dans tout le chapitre, X dsignera une v.a.r. de loi px, F sa fonction de rpartition, f sa densit.

1
de X.

LOI DE L'ECHANTILLON ORDONNE

on considre une suite finie (Xr,...,Xn) de n observations indpendantes

1.1 Dfinition de la statistique


Dfinition
1

d'ordre

croissa nt

on appelle transformation ordonne ou statistique d'ordre l'application mesurableT : (lR, fr1" - lR,,q.l"classant les(X,), i : 1 n, dans l,ordre
:

avec:
Remargues

(Xr, ...Xn)
Xt.,t

(X(r), ...,

X(n))

( Xrrl (...(X1n)

a) En toute rigueur, la notation X1, n'a de sens que pour n donn. X(o) "t devrait tre crit X(r;n).cependant, lorsqu'il n'y aura pas de confusion possibl, nous utiliserons la notation allge X1p1.
b) Si la loi de Ia variable X est absolument continue par rapport peut se limiter des ingalits strictes car
:

i,

on

p (Xrr)
PH, TASSI

. S LFGAIT

261

OBSE FVATIONS ORDONNE ES

En effet

p [{Xrrr

t+l
:

t+l

Or la loi de X, - X,, pour i # j, est elle aussi absolument continue par rapport la mesure de Lebesge et donc

.I Pt[Xi-Xi:01):

,"r. .onrr", si X est ,"j11r,"0," oir"rete, it peut y avoir des ex aequo, et tes formules deviennent rapidement complexes. Sauf exception, nous supposerons X continue par la suite.

1.2

Loi de la statistique d'ordre


1
:

Thorme

La loi Pr de la statistique d'ordre est dfinie par la densit

fr(x.,, ..., xn)


o

: n' ,i" i:l

t (x,). "n (x,. .... xn)

Cn

[(xr, ..., xn)

! lRn ./ x., < x2<... < *n]

Dmonstration
En notant 9nl'ensemble de toutes les permutations r de n lments, et B un vnernent quelconque de fr,n,la probabilit pr(g) peut tre crite :

Pr1A1:P1 U E(r)l: : P(E(r)) r!,Vn re9n


o
E

(r)dsigne l'vnement

{Xr(1)<....Xr(n} et (Xr(1), ,X'(n)) ! B}


P (E

(r))

JlRn 1"n (*.,, ..., xn)

1, (^r, ...,xn) dPxt(1)' "'xr(n)


(1),

pxt (11' ''xr

(n)

symbolise la loi du n-uple (Xr

. ,X.1ny).

Or, les v.a.r. (X,), i: 1 n, tant indpendantes, la loijointe de est le produit des lois des Xrliy soit :
P (E

(XrtrI ...,Xrtnl)

(r))

J,*n l cn (*,, ..., xn) 1, (*r, ..., *n)

,!

.,

(x,) dx., ... d*n.

zoz

PH. TASSi

. S. LEGAIT

OBSE FVATIONS ORDONNEES

On remarque que P {E (r) ) ne dpend pas de r, donc


Pr1B1

{(Xtr, ... , X1n1)! B}


lRn,

: nt Ju

lcn (x,, ..., *"'

,! 1

f (^i)dx, ... dxn

lls'ensuit que, sur

(Xfrl ...,Xtn/
n

: T(Xr, ..., Xn)admet


n

la densit;

'

l cn (xr, ..., xn) .l-l

(x,)

Thorme 2
La loi marginale de (Xtr), ...,X(k/, k

n, admet la densit

n! ltn (x'' (n-k),-

'"n'

.{!

\ ** (,,!,, t''Jr) u"*

t(x)dxln-k

lesvnements E (r) et (a) seront identiques si r(i) :ali), i:1 k;sinon ils scnt disjoints. ll convient alors de dfinir sur 9n la relation d'quivalence
:

La dmonstration de ce rsultat est tout fait analogue celle du thorme 1, la nuance prs que les vnements E (r) ne sont pas forcment disjoints. En effet,

o-r<+o(il:r(i)
c B} :

i:1k
e un seul lment de

Alors, en notant A une parTie de,9n contenant un chacune des classes d'quivalence de{?n/-, on a:
P {(X11r,

...,xrx/

.!o

e {E (r)}

Le nombre d'lments de A est gal au nombre de permutations divis par le nombre d'lments de chaque classe, ce dernier tant gal au nombre de permutations de gntellesque (r(1), ..., r (k)) est fix, soit :

;{. (n-k)!

LOIS PARTIC|.JLIERES DE L'ECHANTILLON ORDONNE

2.1

Loi de

X1p1

La densit marginale fo (x) de la coordonne X1s1 (k : 1 n) de l'chantillon ordonn s'obtient aisment en intgrant ia densit de (X11), ...,X(n/:

fk{x):; --aL.t (n-k)l(kPH TASSI -S TEGAIT

1)!

Fk-1 (x)(1

-F(x))n-kf

(x)

263

OBSEFVATIONS ORDONNEES

Le calcul de la fonction de rpartition Fn de X1r1 est immdiat. En considrant la v.a.Z comptant le nombre de points X, tels gue X, ( x, on a
:

Fk(x)
Z suivant une loi binomiale

(X1r1<x)

(z>kl
:

,/) :

1n, F

(x)), on obtient

Fk

(x)

F'(x) [1 ,Io

(x)]n-'

Remarque
Cette expression de Fn(x) ne ncessite que la connaissance de la {.r. F de X; elle est vraie quelle que soit la nature de la v.a. X, discrte ou continue. Dans le premier cas, la odensit" de X1r1 sera donne par f n (x) : Fu (x + 1) - Fn (x). Dans le second, il

suffit de driver pour retrouver Intgrale bta incomplte


p et q (chapitre 4)

(x).

Soit alors b (t, p, q) la densit d'une loi bta dfinie sur [0, 1 ], de paramtres
:

b(t,p,q) : -: .,n-111 -t)q-1 ts (p, q)


o B (p, q) est I'intgrale bta, constante de normalisation de la densit
B (p,
:

q)

JO

tn

(1

t1c-1 6,

Dfinition 2
On appelle intgrale bta incomplte la quantit
:

lu(R,c) "

:=;

-il,o-1 . -o B(p,q)
:

(1 -11a r

dt,o=<u(1

Considrons lr n k + 1}, intgrale bta incomplte tronque en F (x). En 1*1{k, intgrant par parties, on tablit aisment

Fn(x)

:1.1*1 {k,n-k+1)

La loi bta incomplte est tabule, et cette relation permet de calculer numriquement la fonction de rpartition, et donc les f ractiles, d" X(n) (voir nTables of the
264 PH TASSI S. LEGA]T

OB SF RVATIONS O RDONNE ES

incomplete beta-functionu, dites par Karl pearson, Cambridge University press,


1934).

ru (23.8)

.1765128 .2080152
.2429 931 .2813 767
.71

.0546 .0679 .0837 .1022 .1237 .1484

337 478 364


621

678
637

.72 .73

.74
.75 .76 .77 .78 .79

.80

.3229 920 .3675 521 .4146 528 .4637 746 .5142 gOO .5654 792 .6165 525 .6666 799 .7150 262 .7607 906

Exemple
Soit X une v.a.r.^de loide Gumbel(chapitre 4)de densit f 1x; : exp (x e"), dont on possde n = 30 rarisations indpendantes. carcurons e ix,rr, <oi' La f.r. cie X est
:

Comme:

F(x)

-e-"";

donc
lF

F(O)- 0,6921.
(o)(23. 30

F23 (O)

P (Xtz3)

q 0) :

23 +

1)

il suffit de lire dans la table ci-dessus la valeur d"lo,osz(23,8), soit, aprs interpolation P (X12s1< o)- o,og74.

Thorme 3
La variable alaroire
PH TASSI . S.

Yr:

F (X11/

suit une loi bta (k, n - k + 1).


2b5

TEGAIT

OBSE RVAIIONS ORDONNETS

Dmonstration
Notons g la densit de Yo. Par le changement de variables y

F (x) dans fn (x)

s(Y):

n!
(n

k) | (k

1)

vk-l

(1

v)n-k 11s'

11(v)

B(k,n-k+1)
Remarques

ur<-1 \r Y 11

(y) tt 1,^,, - y)n-k '[o'1]\]

a) Rappelons que Fn (X1p/ suit une loi uniforme sur [0, 1 ], comme toute image d'une v.a.r. par sa propre fonction de rpartition.
b) Le calcul explicite des caractristiques de X,u, que sont I'esprance,
variance, la mdiane et le mode dpend de la loi originlle
F.

la

Exemple
Soit X de

loi 'A'ro,r 1. On a

fo(x):--+" 11 -x)n-k1ro,r1(*) (n-k)!(k-1)! - ^t-1 X1n, suit donc une loi (k. n - k + 1), et les rsultats du chapitre
d'crire
:

permettent

6(X1r1)

,i

2.2 Cas particulier des valeurs extrmes X,n, et Xlnt


a) Lois
On trouve, partir des rsultats gnraux prcdents
:

F,(x)

:.!l:l

a;ri(x) (r-F(x))n-i -1-cl(1


: 1-(1 -F(x))n f1 (x) :nf(x) (1 -F(x))n
F1 (x)
1

-F(x))n

De mme, pour

X,n1

: fn (x) :
Fn

(x)

Fn (x)

n f (x) Fn-1 (x)


PH TASSI

266

.S

IFGAIT

OBS

RVATIONS ORDONN EES

De faon vidente, notons que le sup (ou l'lnf) d'un chantillon indpendant extrait d'une loi F ne suit pas cette loi. ceci n'a rien d'intuitif, et mrite d,tre not.

Remargue tout x rel. Alors F(Xrnl


De mme:

Supposons que le support de la loi p soit lR, c"est--dire


:

<
o)

F(x)

( l Pour

O)

: t -Fn(O) : 1-Fn{o) ; trm p(Xfnt )


O)

:1
I

P(Xtr)

: t -(t

-F(O))n

tim

p(x111

<

O) -1

X,n, (resp. X1,,,) est asymptotiquement positif (resp. ngatif).

b) Mdianes i1
et in dsignent respectivement les mdianes 6e X1r1"t X(n) ; l'quation de dfinition de i., est :

-1 Flry(i.,)
qui conduit
:

:1-(1
: 1-e
Ln2

-F(;1))n
Ln2
n

F(x.,)
De mme:

F(iJ:e

n:t-F(i.,)

2.3

Loi

jointe d'un couple (Xtn), Xtrl) (


n
:

Soit un couple (Xtnf Xtr/ avec 1 k < I =<

Par intgration de la densit 6e (X111, ..,

X1n1),

on obtient

fr,r(u,v)

: C(n,i,k) f (u) f (v) rk-r (u) (F(v)-F(uy;i-t-t t1 - F (v)ln-1 11r=u1(u, u).


:

La constante de normallsation est

n!
PH. TASSI

: B(k,r-k).8(l,n-j+t)

- S, LEGAIT

OBSE RVATION S ORDONNEES

La loi de (X1r.y X1l1) permet de dterminer la loi de fonctions de en particulier celle des espacements ou mailles de la forme X1t1 - X111.

(X11y X11,),

et,

Pourk: 1 et l:
f.,.n (u,v)

n, onobtient la loi

jointede(Xtrt, X(nt)'

: n(n-1) f (u).f (v).tF(v)-F(u)ln-2 ltr=u1(u,v)

2.4 Calcul des moments


Le calcul des moments, particulirement E (X(k)), V (X(k)) et Cov (X1p1, Xtrl), dpend bien videmment des caractristiques de la loi de X. c'est--dire de la fonction de rpartition F et. si elle existe, de la densit f.

a) Rsultats gnraux
Thorme 4 Si
E (X) existe, alors E (X1n,) existe galement.

Dmonstration
On saitquelE(X)l < E (lXl); l'existencede E(X), c'est--dire E (X)<+, est assure ds que E (lXl ) est f inie. On a ici :

lE(X(k))l Or:
pursque

fn{x) dx: = J,*lxl


(1

E(lx(k}l)

fo(x)
:

" cl-]

Fk 1(")

-F(x))n-n t(*)

< n cl ] rt*t

Fk-1 (^) (1 - F (x))n-k

<

ll s'ensuit

lEtx111)l

E(lx(kll)<

".x-]

E(lxl)
E (lX,n,i)et

Donc si X est intgrable, c'est--dire si E


E (X(k)) existent et sont finies.

(lXl)existe et est finie.

Remarquons qu'inversement I'existence de E (X111) n'implique pas celle de E(X). Pour la loi de Cauchy, par exemple. E (X1s1) existe pour 2 < k < n - 1, alors que E (X) n'existe pas.

268

PH. TASSI

'

S. LEGAIT

OBSE RVATION S ORDONNEES

Thorme 5 Soit

nfix;on
n

note, sous rserved'existence.

m:

E(X)

eta2

V(X).

Alors:

k:1
n

E(X(k))

: :

nE(X)

k:1
n

E(X21*y)
n

nE{X2)

k:1 lll
n
n

E(Xrnt Xtrr)

nE(X') + n(n-1)

m2

"Ik:1 f:l
Dmonstration

Cov(X*y Xrrr)

na"

De faon vidente, on a

xinr nf .,
En faisant

:
n

oI., 4'
:

oout tout relj

1 et en prenant I'esprance

r.1,,
Avecj :2,onobtient
n

t(X1p1)

nm

k:1
En levant au carr l'galit
:

E(xk))

nE(X2)

(xrnr nf ,, et en intgrant
:

nn

nI,'
EI

"o

E(

(n
\ k:1

*,0) :

(n \t:t

*_)
269

PH. TASSI

- S. LEGAIT

OBSE RVATION S ORDONNE ES

sort

nn k:1 i:1
Enfin, en remarquant que
n
:

E(x1p1 x1r1)

nE(x2)+:+>

E(xk Xr)

: nE(X')+n(n-1)m2

n:.,

(x,n,

E(x(k)))

nI.,

(Xu-

m)

on a, en levant au carr et en prenant l'esprance:

nn k:1 l:1
Remargues

'

a) Les rsultats du thorme 5 sont vrais quelle que soit la nature de la v.a.
X, discrte ou continue.

b)-Soit X de loi N (0, 1) ; on sait que X et X, i, donc X et Xlpy - X le sont aussi. ll s'ensuit
:

-*

sont indpendantes pour tout

(x (x(k)-

x)):

d'o

E (X x(k))

(X')

v (X)

soit

E (nX X(k))

n ln \ : E(rf x,,,(*),n/:,Il ,,

E (X1p1 X111)

Exemple Soit X de loi uniforme


prcdemment
:

%p,

r1

:f

(x) : 1, F (x)

xsi

O(x(1.Onavu

E (X(k))

n+1
PH. TASSI

270

S. LEGAIT

OBSERVATIONS ORDONNEES

De mme:

v(x(k))
et, en remarquant que
fn,

k(n--k+1)
(n+1)2(n+2)
(u
s<

t (u. v)

(v

_ u)n-2

v), on en dduit

ov

(X1p1.

Xcr)

+#" *
:

,r

( k, 1( n
1) (thorme 3).

b) Calcul approch
On sait que Yn

des moments

F (X1)

suit une loi bta (k, n_ k +

On dduit des proprits de la loi bta


E

(Y[) (Y[)

: B(k+r, n-k+1)
B(k,n-k+1)

(k+r-1)lnt
(k-1)!(n+r)!

D'o les deux premiers moments de yn:


E (Yk)

;+1

v (Yk)

Remarque

- Si F est l'application identit. c'est--dire si la loi originelle de X est la loi uniforme sur [0, t J, E (xtr./ : E (y). on retrouve bien les isurtats de l,exempre prcdent. cependant, prus gnrarement, queile que soit ra roi de x, E (F (X,p,))est gal l'esprance de la v.a. Urot qri serait obtenue en appriquant ra statistique d'ordre un chantillon (U,,, , Un)extrait d,une loi %ro,
rr.

En effet. on peut reprsenter de la faon suivante les divers modles intervenant


:

Xdeloi P: (xr, ..., xn)

(Xrry...,X,n,
Statistique d'ordre

FI
F

Ur :

(X)de to, %ro, r, F(Xr), ..., Un

F (X,o/ de toi

lr

F (Xn)

Yr

: FFk,n-k+1) (Xtrr), ..., Yn : F(X1n/

PH TASSI - S. LEGAIT

'aa

OBS RVATION S OBDON NE ES

La fonction F tant croissante,

U1Ly

F (X1n,)

yn.

Le calcul approch des moments de la statistique d'ordre est fait en utilisant un dveloppement de la fonction F-1 1Yn) au voisinage de E (Yn) :

ffn - E (yk)), t ,j., # Or, F-1 (Yr) : Xlry ; en notant pr: E (Yn), et t : F-t
F:

(y(k/: F-' (E (y(k/)+

r-'
{Ru)

(u)lu:E(yp)

X(o)

/(no) +

,j,,

ffn-no)i /(i)

Le calcul Oe E (X11/. V (Xtr/, Cov (X1py X11/ dRend de l'ordre auquel on arrte le dveloppement, c'est--dire du degr d'approximation. A l'ordre 4, on obtient les formules approches suivantes (il suffit de remplacer E (Yp par les formules prcdemment tablies partir de la loi bta de Yn) :
e

(xrr/

: e bnt - +*#

4t" (ont

.{3), nn(1 -Rn) /'''ton)-l ,t,...l - on(1 -R1.) [1-Zon /'"'(on) * t ("-2f L . v (xk)) : &5U ttt'' (on) -ffi o
avec
:

A:2(1

-2pr.) r/t'(ovl Q"$nl

pk(1

-pk) ('/'bv) V"(pn)

4t"(oo)1"

cov(Xrrr Xrn/
avec
;

"*+

r/'(on) Q'b,l

=fl

(1

-2pkl e" bn) Q'b,) + (1 -2pl t" $fi e'bnl


1

1 ,, on(1 -pr) t'bp) t'"' (pn) *; t

pr(1

-n/

/'(nn) t'"'loll

*t
.

on(l

- p/ e" bn) t" $l

Des tables numriques des moments de la statistique d'ordre existent pour certaines lois, en particulier pour la loi normale N (0.1). Ces dernires sont reproduites en tables 10 et 1 1
272
PH. TASSI

- S. LEGAIT

OBSE RVATIONS ORDONNF ES

COMPORTEMENT ASYMPTOTIOUE

Si les rsultats distance finie rattachs un chantillon ordonn sont importants, la thorie des valeurs extrmes a t considrablement utilise dans des domaines d'application tels que la fiabilit, le contrle de qualit, etc. ce paragraphe aborde la loi asymptotique d" X(n) et les lois limites des valeurs extrmes d'un chantillon ordonn. Remarquons tout d'abord qu'un simple changement de variables permet de passer de la loi d" X(n) celle 6e Xlty; en effet :

Min (X.,, ..., XJ

: -

Max

(-

X1, ...,

Xn)

on obtiendra la loi o" *,,1,.0"r le changement y - - y dans la roi de X,n,. plus gnralement, cette remarqub'jouera pour tudier les comportements oes U]. aux
rles symtriques
Xlpy

"t

X(n _

* rI on tudie

Lorsque n tend vers l'infini, deux possibilits existent pour k : a) soit k est f ix, et, compte tenu de la liaison entre X1p1 et X1n _

k + 1y

le comportement asymptotique d'un rang donn ; le rapport

!
n

t"na alors vers


n.

0 ou 1. Ce cas correspond en particulier aux valeurs extrmes, k : 1 ou b) soit k tend vers l'infini, alors que le rapport

i
n

,"nO vers , O < a

<

1.

Cette situation est celle d'un fractile empirique d'ordre a (chapitre 3).

crivant:

on peut synthtiser les deux types de comportements

asymptotiques en

n l"l- -1&, Si a:0 ou a: 1. on tudie un rang fix (valeur extrme) ; si O on tudie alors un fractile empirique.

lim

0(a(1

< a < j,

3.1 Convergence
Thorrne 6

d'un fractile empirique


O

Si F est continue et strictement croissante, et si Xr*t


o xo est le fractile d'ordre a de X.
PH. TASSI - S. LEGA]T

a 11, alors

xo

z/J

OB SE

FVATIONS

RDONNEES

Dmonstration Le rapport
k

dmonstration en crivant k : Ina] + 1. D'aprs la dfinition de la fonction de rpartition empirique Fn donne au chapitre 3
:

-n

convergeant vers d, on ne restreint pas la gnralit de

la

Fn(X11noJ*r1)

Ina]
n

r (xtrt)-

(xJ

:
:

F (X111)- Fn(X111)+ Fn(X111)- F (xa)

F (X111)- Fn (X(k))

na]

-On sait (voir chapitre 8)que


dk (Fn, F)
:

Sup I F (x)

Fn
P

(x)l
0

P O

d'o:
F

F(X1py)

-F(x/*

tant continue et strictement croissante, on conclut en composant par F-1


Xtnl

* xolorsquen*co.

convergence en loi de X,u,. ll est nonc sans dmonstration approfondie, celle-ci pouvant tre trouve par kemple en [17] ou en [2].

Le thorme qui suit. tabli par Pearson, Smirnoff et Mosteller, fournit la

Thorme 7 Soient (X(nr), ...,Xtnr.l) k variables ordonnes (k < n) extraites de la statistique d'ordre (X(1I ..., X(n)).
On suppose
:

n.*, hi*Le fractile d'ordre

etliml

11;

: at

a o,
k).

1. i : 1

k.

a.

est not xo.

(i : 1

Si 0 < f (xo.) < co, i : 1k:

: Vn I X,-,-x^ \\ tnk) ak ./I|


21 4

|"(n1l

/X,

"al \ - x \

loi

N(0,:)
. S. LFGAIT

PH, TASSI

OBSE FVATIONS O RDONNEES

tant d'lment courant

o,,:
't

Jl? l(Xo) f

(xo)

(1

<

i< j<

k)

Elments de dmonstration
L'ide est de remarquer que I'on peut crire
X(ni)
:

F- (x_) : *oi - -1ffi*

a,

*",

Rn converge en probabilit vers zro.


La loijointe de

(vG (Xtnr)-

(., I r/n

\"

^o), r,6 {X1nn1(a,, - Fn (xo.,) _ (ar -

xoo)) est identique ceile de


Fn

,...,J" f (xo.,)

(xo,)) -::d, al\


:

Or, n Fn (xo ) suit une loi gJ

g, a), et, pour i ( j

nCov(Fn(xo,). Fn(xo,))

: ai-q,dj:

oi(-qjl.

Le rsultat s'en dduit immdiatement.

Remargue
Pour une
k coordo nneX1py avec lim- : d, on a:

{x,0,

- ^; L

N (0, ao)

^ o:

a(l -a) t\^^l

3.2
Soit
:

Convergences des valeurs extrmes


a:
1.

Onseplaceici danslecaskfix,soita:0 ou

Yr:
- S. LEGAIT

F(X,n,),

et

Go:

nYn.

On suppose n -* oo, k restant fix


PH. TASSI

OBS RVATION S OFDON NE FS

Thorme 8

ck

t;
:

y (k, 1)

Ce rsultat provient du comportement asymptotique de la loi n (k, n-k+1). qui converge en loi vers une loi gamma y (k, 1). En effet, par dfinition d'une loi p sur [0, 1]. Gr. peut tre mis sous la forme

uk

nA - A+B

A ;*;

oAetBsontdesv.a.r.indpendantes,deloisrespectivesyk,lletf(n-k+1,1). Ona:

/n\ r< /n\ El-l:-etvl-l:, n \n/ \n/


:

n'

donc

-n

converge en probabilit vers 0. De mme

/B\ \n/

n-k+1 n

v [ -l-

/ B\ \n/
1).

n-k+1
n
2

et n

converge en probabilit vers 1. En vertu du thorme 16 du chapitre 7, en loi vers la loi de A, c'est--dire

Gn converge

(k,

3.3
k:

Les lois des extrmes

lntressons-nous plus particulirement aux (vrais> extrmes, correspondant 1 :X11y et X,n,. Compte tenu de la remarque faite en dbut de paragraphe, on se limitera l'tude 6e X1n;.

Dfinition 3 On appelle loi asymptotique des extrmes, ou plus simplement, loi des exY quand n - . trmes, la loi de la variable Y telle eue X(n)

l;

a)

Les

trois formes asymptotiques

initiale

Le comportement asymptotique de la loi de X1n; dpend de la distribution F de X. Fisher et Tippet (1928) ont tabli I'existence de trois seules lois limites

possibles.
276
PH. TASSI

- S. LEGAIT

OBSE RVATIONS ORDONNEES

Loi du type

La loi du type I est dfinie par sa fonction de rpartition

F.,(v,^,r)

,l\ | -t u :exp\-e

on

notera Ft (y) la valeur de F., (v,


Y -,
lJ

o, 1)correspondant la variable

)o!R,1l)O

stan-

dardise

cette loi est appele gnralement loi de Gumbel ou double-

exponentielle. Loi du type ll Elle est dfinie par sa fonction de rpartition


:

Fr(y,

l,p,l:e

e lr I P )I .ltr,*-1(y)

y-^

.l ! lR, p >O, p>O


Cette loi est parfois associe aux noms de Frchet, plus rarement Fisher et Tippett. On notera Fr(V, l la fonction de rpartition F, (y, O, 1, F) Loi du type

de

lJ

'

lll
:

Elle est dfinie par sa fonction de rpartition

i-v\P - / s ) I Fs(y,i,p,l:11,r,**1(y)+e
(,

.11--,21(y)

! lR. p )O, p>0)


(y. O, 1, P) de'la variable stan-

retrouve cette loi en faisant le changement y

cette troisime forme de comportement asymptotique est du type weibull (on * - y). sur un support born.

On notera F"(V,
dardise

Y-^
lJ

la fonction de rpartition

Fg

On remarquera que les lois du type ll et lll sont des lois tronques ; seule la loi du type I est dfinie sur lR, de faon non triviale.
En outre, les lois du type ll et du type lll peuvent tre ramenes la loi du type I respectivement par les transformations :

Z:Log(Y-) et T: -Log(-Y)
PH TASSI - S TEGAIT
l/ /

OB SE RVATIONS ORDONNEES

Par exemple

P(Z<zl: P (Y<i1e') : exp(- UB s-9z1 1Z est donc de la forme utype lo avec i : Log lr el pt = p
.

b) Proprits
Nous ne considrerons par la suite que des variables standardises
:

Typel : TYPe ll :
Type lll

Fr

(y):exp(-"-v1 y! lR Fr(V, l : s-(v)- y ! R*


(y,

F3

Bl :

(V,

Fl :

(e-t-v { ( 1 :

y!rR

ye

lR*

Proprit

Soit Y une v.a. de type I ; la v.a. X

e-Ysuit une loi exponentielle

(1.'l).

Proprit 2

Soient deux v.a. X et Y, indpendantes, suivant une loi de type I. La v.a. U : X - Y suit une loi logistique. Dmonstration
(cf .

exercice 4.1, chapitre 4).

c) Calcul des moments


Le calcul des moments des lois des extrmes n'est pas toujours ais. Cepen-

dant,si Ysuituneloi dutypelstandardise, X:e-Ylcasstandardis) suituneloi y (1, 1l,. ll est donc possible de calculer la fonction caractristique g" de Y
:

gY(r) :
Or, pour une loi y (1, pour tout r, d'o

E(eitY) :

E(X-it)

1l:
E(Xr)

F(r+1)

zyftl: r(1 -it)


d) Gnration de lois des extrmes Thorme 9 Soit (Yn), n 2 1, une suite de v.a. indpendantes identiquement distribues, de loi exponentielle, et N une v.a. suivant une loi de Poisson tronque en {O}. Alors X : Sup (Y,,, ...,Y*)suit une loi du type L
218
PH, TASSI _ S. LEGAIT

OBSE RVATIONS ORDONNFES

Dmonstration
En dcomposant
:

{X:x} :
f*(x) :

n:1

{X:xn

n}, ona:

n:l

I- f*(x,/N:

n) p(N:n)

= i ne-x11 -e-")n-1 1si-ry-r ]. n n=1 _ "-" i [,1 (1 _e-x)]t


ei-1
tx -

k:O

kl

ei-1

".(1

'e- x\ r-

e^

e^-1
X(n)

g-x-,e-x

e) Relations entre les lois asymptotigues de Xfr)"t

existe entre les lois asymptotiques d" X(n) et de X111 des relations aisment dmontrables par changement de variables. on notera par F] la f.r. de la loi limite de X,.,, (i : 1,2,3). Ainsi, soit Y de type l, et faisons la transformation Z

ll

FzEl

(Z<z) : p(-y< zl :

- -

y.

- F"(-z)

- 1-F,(-2,,Ul f f x-(-^) ' 'll \\ -1-exP[-exp I

: Fi(x.-,pl
Nous noterons
:

u ))

F.,(., ,

pl *

_Y
Fi
(.,

- , pl
:

On dmontre de faon analogue les proprits suivantes


Fz

('' ' u'

Pl : p) :

r t''

' P' )

Fs (..

i,

p,

.Ft.,

- , p, Ft
279

PH,

TASSI S

LFGAIT

OB SE RVATIONS ORDONNE ES

Fr(.,

O,

tt,

'pl Y-1
l
Y-1

F t., O, tt'-' , Bl F (.,

F. (., O, p, F, (.,
F

'-

o, rt-', Pl

l,

ttl

e-, , " o, - F 1., O, "- t,-')


L\Y
F{ (., Ln
F.,

(. o. r.,, pl

p, -'l

Fl (., o, u, Pl
F. (.. o,

L\Y

r,

Ll (-J r, -

(.' Ln P, B-')
F, (., Ln

u, -')
:

De mme, les relations inverses entre F et F* existent. par exemple


F (.. o,

^,

p, )

- t ,,(., -

^,

r.t,

l
:

L'ensemble de ces relations peut tre rsum par le diagramme suivant

F1

e-Y

LnY

F2

Fi

F3_F

Y-1

3.4

Elments sur la dmonstration des convergences en loi de X1n1

L'ide de base, due Frchet (1927iret Fisher et Tippett (1928), consiste dcouper l'chantillon de taille n en k sous-chantillons de taille m, k : nm ; notons (X,), i : 1 n, l'chantillon initial, et (Xj), j : 1 k et I : 1 m, les lmentsde chaque sous-chantillon. ll est vident que :
Sqp

t.l

Xi

Sqp So Xl
t
PH, TASSI

28A

- S. LEGAIT

OBSE RVATIONS OBDONNEES

Faisons tendre m vers l'infini pour k fix ; soit G la fonction de rpartition la loi limite d" X(nI n * . A une transformation affine de ra variabre prs, coefficients dpendant de k, on aura l'identit de Gk et de G
Gk1x1
:

de de

G(an x + bn; (s)

l'quation fonctionnelle dfinissant toutes les lois limites possibles pow i,n,. L", constantes an et bn sont des constantes de normalisation, relles et indpendantes
de x.

La relation (s) traduit ce que I'on appelle le principe de stabilit, et est

Dfinition 4
Une fonction de rpartition G est dite stable (sous-entendu.pour un maximum,) s'il existe des suites (an), an ) O, et (bn) telles que
:

Gn1xl
pour tout x rel.

: G(anx+bn)

Remarque
Plus gnralement, si F, et F2 sont deuxfonctions de rpartition, F, et dites de mme type s'il existe deui constantes a (a ) o) et b telles que
:

F2

sont

pour tout x rel. Sur l'ensemble ntre de mme type> est une relation d'quivalence. n appelle type une classe 'g/e. d'quivalence, c'est--dire un lment de l,espace quotient rme suivant, d Gnedenko

F, (x) : F,, (ax + [) I des fonctions de rpartition sur lR, la relation O

La rsolution de l'quation (s), que nous n'aborderons pas, conduit au tho:

Thorme 1O Soit G une fonction de rpartition stable. Alors G appartient ncessairement l'un des types suivants
:

| Type ll
TYPe

(- e- Y) : F (V, l: exp (- U- 1 t ,r* (V) " Type lll : F. (y, ) : 1 (y) + exp (- (- v)y t,*_ ,**
: F, (y) exp
(B paramtre strictement positif.)

(V)

converger
PH TASSI

Si la mise en vidence des trois lois limites possibles pour X(n) a un intrt propre, il est important d'essayer d'identifier. si possible, vers quel type de loi va
X1n,

selon sa loi initiale

F.

-S

LEGA]T

OBSE BVATIONS ORDONNEFS

Dfinition 5 l'ensemble g ffil des lois de probabilit F pour lesquelles (X',, ..,,Xn) tant un chantillon extrait de la loi F, Xrn) : sup X, va converger en loi vers la loi des extrmes de type F,.
On appelle domaine d'attraction de F,(i

: 1,2,3)

i:1

Nous allons donner maintenant des conditions suffisantes de stabilit permettant de prciser le domaine d'attraction de chacun de ces types.

Dfinition 6
Soit G une fonction de rpartition sur lR; une fonclion de rpartition F sera dite appartenir au domaine d'attractiongt (Gl de G s'il existe deux suites (an), an ) 0. et (bn) telles que
:

n*oo

lim Fn(anx+bn):G(x)

pour tout x point de continuit de G.

Remarque Si G est stable, alors G e g G) eT 9t (Gl est non vide. En outre, on peut montrer qu'u"ne fonction de rpartition F ne peut appartenir qu'au domaine d'attraction d'une et une seule fonction G, reprsentant d'un type" Les caractristiques des domaines d'attraction sont tablies dans les thormes suivants
:

Thorme 11 Soit F une f.r. de densit f positive admettant une drive f'ngative sur (u, f tant nulle sur [v, + -1 (v fini ou non) ; si
v),

tim x v
alorsFeQ.,t.
Thorme 12

f'(x)

-F(x)) f' (x)


(1

__1

Soit F une f.r. de densit positive f sur Iu, + [; si

x-+oo 1-F(x)
alors F
282

rim

xf(x) :>o

! 9l ffzl, Pl).
PH,

TASS . S. IEGAIT

OBSE RVATIONS ORDONN EES

Thorme 13 si

soit F une f.r. de densit f positive sur un intervalle (u, v). et nulle sur lv,
:

-1

alorsF!gFs(.,p1).
Exemples

- x)f ,., xlv 1-F(x)


(v

(x) _,

L'ensemble des dmonstrations peut tre trouv en IS], [7] ou

Sl.

a) SoitX

-) y (1),toiexponenrieltededensit
u.t
,

f (x)

e-xi,^*(x).

La fonction de rpartition Fn de Xlny


Fn

(x)

(1

- e- x;n 1,0* (x)


-Lnn
1

Soit

Zn:X(n)

F,(z):
quand

n*.

'n

Fn(z+Lnn)

:(1 -n

e-z)n*exp(-e-z)

retrouve I'aide de la condition du thorme I 1 ; en effet, pour

L'appartenance de

la loi r (1, 1) au domaine d'attraction de F., peut tre

x)O :'

f'(x)

(1

f1^)-:-

- F (x))
F

e-" e-"

1"-"Y
teile que
:

:-i

b) Soit X de loi togistique, de f.r.

F(x)
La f.r. de Xlny est Fn

:
1+

e-x

quand n

X(n) - Ln n ; 1 Fr_(x) : Il +e:(r*tnn) ]-n : (1 * 'nn "-r)-n-exp(-e-.)


.

(x)

(1 +

e-")- n. Soit Zn:

De mme que pour l'exemple a) :

f'(x)

quandx-+.
PH TA,SSI - S.

-F(x)) :e_*_1__1 (^) ft '\"/


(1
283

LEGAIT

OBSERVATION S ORDONNEES

c) Soit X suivant une loi de Cauchy de densit


f (x) =
1

7r (1

"t)
X

xf(x)

1-F(x)

-=

+ -Arctgx) x xi(x) rim 1-F(x) - rim 1+x'= :1 x*+oo x-+co


(1 + x2) (1 +

x2)Ar"tg a

pourx)

La loide Cauchy appartient

F2(.,1)1.

loi uniforme

d) On tablit que la loi y (p, 1) et la loi N (0, 1) appartiennent %ro,r) g Fs(.,1]l1.

.,7, et la

Remarque
On peut vrifier l'appartenance de chaque loi son propre domaine d'attraction. Ainsi, pour F' (y):

f'(v)

(1

L t" (vl

F, (y))

ey+e-Y

(1

_ ev_ "-Y) (e-

1)

: Or: e"-Y 1

gY 19* e-Y
:

1) {e-v - l1

- e-Y

quand y -* + -, et donc

f'(y)
quand Y*+oo

(1

F' (y))

r'(y)

*-1

LA LOI DE L'ETENDUE

4.1 Rsultat gnral


Un cas particulier de fonction des extrmes trs utilis en statistique descriptive est l'tendue W I Xtnt - Xt'f ou plus gnralement les quasi-tendues de la forme X11y- X(k) (t

>

k).

284

PH. TASSI

- S. LEGAIT

OBSERVATIONS ORDONNEES

variables

Soit la v.a. Zn, r : X(l) - Xrul. A partir de la loi du couple (Xtrrr Xril tablie au paragraphe 2, on cherche la loi marginale d"zt,t aprs avoirfait le changement de
:

(*,-, ) \*,,, /

(u)
\.,,n/

-(*,u, \
\x(rt-x$t)
ra

La loi jointe du coupre (rJ,zt,k) s'obtient simprement, en remarguant que valeur absolue du jacobien du chafement de variabres est 1 :

Qfu,z):

B(k,i-k) B(r,n-l*1)
[1

f (u) f

(u+z)

Fk-1 (u)

F 1u + z11n-1 [F (u +

z)- f

1u;11-k-t

En intgrant par rapport u, on obtient la densit e1,pe) deZr,n:

Q1,pQ):

J,r rn-t(u) t1-F(u+z)ln-l


lF(u+z)-r1uy1l-k-t t(r) f (u+z)du

A titre de cas particulier, considrons la longueur des mailles, c,est--dire l'cart entre deux coordonnes successive. Zk*1,k 1[: 1 n _ 1)
:

ekri,uLzr

ffi

J,* rn-t
(u) f (u+z)du

(u)

[1-F(z+u;]n-k-t.f

En calculant E (Zx*t,u),on obtient aprs changement de variables

E(zx*r,r,.):
Exemple:

cl Jn t1-F(v)ln k

rk1v1 ov

Soit X de loi exponentielle ), (1).

eu*t,ut.t

:6

*il+,

(1 6u

-g-u;k-t

"-(n-k-1)(z+u) "-u "-(z+u)


PH. TASSI

- S, LEGAIT

285

OBSE RVATI ONS O RDONNE ES

(n-k)z ' "(k-1)l(n-k-1)!


n

,1 (1 _ t)k 1

,n_k 6,
B (n

en posant
donc
:

t: e-u;

cette dernire intgrale n'est autre


Q*+1,k(z)

que

k + 1, k), et

(n

n-k z - k) s-

Zk*1,u-y(1,n-k)
E(Zn*1,1)

: :

n_k
1

V (Zk.1,k)

(" _ kf

4.2 L'tendue W
a) Loi de W
Pour obtenir la loi de l'tendue W dans gr,o (z).
La densit en,

:X(n):

Xf,,f il suffit de faire I

: n et k :

t de W est donne par

pn,1(w)

: n(n-t) Jn [F(w+u)-F(u)]n-2 t(r) f (w+u)du.


:

Sa fonction de rpartition Fn,,, (w) est


Fn,

.^w : (w)

J'o e n,1Ql dz

: d:

n(n-lf fJ[ fr(z+u)-F(u)]n-2

f (u) f (z+u)dz) du

: d: n(n-1) f (u) du (JT**

tF(v)-F(u)ln-2

f (v)dv)

: d: nlF(u1w)-F(u)ln 1 orluy
b) Esprance
de l'tendue

E(W) :E(X1n1) -E(X(1))


286
PH IASSI - S. LEGA]T

OBSERVATIONS ORDONNEES

Avec les notations prcdentes

E(W)

: n-1 E(zr,*t,n) : n-1 Jn cl (1 - F(v))n-k Fk(v) dv k:1 ol r t E (w) : t^ c5 tr - F (v))n-k rklv; dv ;:


:

que l'on peut crire

E(W)
en utilisant
:

: J,* tt -tl-F(v)ln - Fn(v)l ov

m:o
Exemple

cT

(1

F)n-m pm

',

Soit X de loi uniforme sur tO. 1 I. La densit de W pn,,, (w)

X(n)

- X111 est
du

= :

n (n n (n
f

* - t) "f; -

[(u + w)-

u]n-2

1) (1 - w) y7n-2 tto,r1 (*)

E(W)
Remarque

: ll

r -(1 -w)n-wnl a;

dw:++

Soit X suivant une loi d'cart-type

considrons la v.a.r. R clfinie par:

o la constante

1W (Xtn)_Xt,t) : il dn est. par dfinitionl gale , R:

-n

o. Cette proprit est fort utile en statistique, et les constantes dn ont t calcules pour la loi normale.

\o Par construction, on a E (R) :


de l'tendue

/x,. x.. \ E( ,n, _ rrr


o /

c) Contenance

Partons de la densit de la loi de (X,,,,. X,n/

fn,r (u,v)
PH. TASSI

: n(n-

1) tF(v)-F(u)ln-2f (u) f (v) 11,.u1


287

- S. LEGAIT

OBSERVATIONS ORDONNEES

Procdons au changement de variables

(",,,\ \*,",/
Son jacobien est
:

/'\ \"/

:
0

(*u,
:
f
(X1n/

\rrx,",r -F(x(1//

_ i (xrr/
d'o la densir de (2, nl
:

f (x(n/

fr,o(.,Trl: n(n-1) rn-2 l(.1


La loi marginale de rr est
:

1r_,p_111 _.oy1el

fr(nl : L-" n(n- 1l rn-z da avec a :


f

Flz)

7r0r)

n (n

1) (1 -

r) rn'2

1to,r1 (n)

ll s'ensuit
pour que 1oo y

observe, suit une loi bta F

que n, qui reprsente la probabilit que X soit dans l'tendue 6 - 1 ,2).


P {r } y} : P (f) est ta probabilit au moins de la population soit dans l'tendue observe (Xtrr Xtn/.

Soit alors

! [0, 1]. ta probabilit ), o/o


f

P(trln:

fy ,(tr) dr - 1 - n yn-1 + (n- 1) rn P(yl:1-nyn-1 +(n-1Jy"

On peut aussi rsoudre cette quation en n, et dterminer ainsi le nombre d'observations n ncessaire pour avoir une probabilit donne que 1oo y o/o de la population soit dans l'tendue d'un chantillon observ.

28B

PH,

TASSI

S. LEGAIT

Chapitre 10

Notions lmentaires sur les processus


_ Ce chapitre se propose de montrer comment le temps est introduit dans les lments classiques du calcul er de la thorie des probabiliis.

DEFINITION D'UN PROCESSUS ALEATOIRE

Soit (Q, ,4, P1 un espace probabilis. On rappelle (cf. chapitre 3) qu.une varia_ ble alatoire X est une application dfinie sur (e, ,41, valeurs dans un espace quelconque (o', -r/') oit ,,4'est la tribu des vnements de e", X possdant la proprit de mesurabilit
;

V A'

e .4'

x-1

1p-'l

e ,sl
:

La loi de probabirit de X est [image de p par X, note px, dfinie par

A'!_

,t4'

px(A')

p(X-1 (A'))

1.1

Dfinition d'un processus


G tant la tribu des vnements
de T.
1

Soit (T, G7 un espace quelconque,

Dfinition

On appelle processus alatoire l'application X

@,

.vll x $, Gl - (a',,&,1
er

qui au couple (o, t) associe x(to, tl, encore not X, (c.r). teile que, pour tout t fix, X, est une v.a. sur (Q, ,,4,p).

indices par t, note (xr t ! T) ou, plus simplement, (X,), comme reprsentant une grandeur alatoire varia'nt dans le temps.

Par extension, on crira un processus sous la forme d'une suite de v.a.

Remarques
,,4'1, souvent appel espace des tats du processus, est (lR, fr') ou U -Si - g,nl, (lRn, le processusx est rel ou multidimensionnel dira plutt

,o',

multivari de dimension n ; si
PH. TASSI

A' C Z

le processus est espace d,tats discret.

;on

univari ou

. S, LEGAIT

289

NOTIONS ELEMENTAIRES SUF LES PROCESSUS

2) Pour c.r ! Q fix,


3) Si T :

X, (ar) est la trajectoire de X pour l'individu ar,

lR. on parle de processus continu.

4)

Si

Z, on parle de processus discret, not (Xt,

leZ).

5) L'espace des indices T est frquemment assimil au temps, t tant I'instant v.a. X sur I'individu a.r. Mais T n'a pas forcment une valeur temporelle ; ainsi X (r,r, t) peut tre, par exemple, la concentration en uranium
d'observation de la d'une carotte rocheuse dans une exploitation en un point
a-r

et la profondeur t.

Dfinition 2 On appelle loi du processus PX. loi image de P par X ; on en dduit que, Vt.,, ...,tk, la loi du vecteur (Xrr, ..., X,n) n'est autre gue la loi marginale correspondante extraite de P^.

1.2

Processus quivalent

Dfinition 3
Soient deux processus X et X* admettant le mme ensemble des temps T et mme espace d'tats (A', .4'), dfinis respectivement sur @, .4, P) et (Q*,
:

,.il*, p*|.

Ces deux processus seront dits quivalents si la relation R suivante

P(Xtl ! Br,...,X,n ! BJ - p"(Xir e 8.,,...,Xin ! Bn) (R)


est vrifie pour tout systme fini d'instants t1, t2, ..., tn extraits de T et de parties Br. ..., Bn extraites de ..n('. Remarque Un processus stochastique est une reprsentation mathmatique d'un "systme, ou d'un phnomne dont l'volution au cours du "temps', est rgie par le "hasard,. En supposant que le probabiliste (ou le statisticien) ait observ un trs grand nombre de ralisations indpendantes de ce phnomne, il connatra donc la valeur de l'expression (R) pour un nombre fini d'instants t1, t2, ..., tn (mais ventuel lement avec n grand, pour tre dans les conditions d'application des lois des grands nombres) et I'observateur n'aura pas d'autres informations. Cela signifie qu'au phnomne tudi est associ une classe d'quivalence de processus plutt qu'un proeessus. Le probabiliste aura donc la libert de choisir dans une classe de processus celui qui lui parat le plus adquat vis--vis de son tude. Cette dmarche est analogue celle vue pour les v.a., o I'on travaille le plus souvent sur des classes de v.a., o deux v.a. X et Y sont quivalentes si Eo (X) : Ep (Y) (cf. chapitre 3).
PH,

TASSI S. LEGAIT

NOTIONS ELTMENTAIRES SUR LES PROCESSUS

PROCESSUS STATIONNAIRES

Dans l'tude des processus stochastiques, une place particulirement importante est tenue par les processus dont les lois de probabiiit prsentent une invariance pour toute translation dans le temps (on considre ici que l,ensemble des indices qui caractrisent le processus est l'ensemble des temps). Cette proprit d'invariance temporelle est couramment utilise en conomtrie, en thorie des filtres, en analyse statistique des sries temporelles I'aide de processus autorgressifs- moyennes mobiles (ARMA).

2.1 Stationnarit
Dfinition 4

stricte

Le processus rel (X,, tout n-uple de temps tt

t e r) < tz

est dit strictement stationnaire si, pour

T, et pour tout temps h appartenant T avec ti + h C T,

Vi :

1, ..., n,la suite

(X,,, * n, ..., Xtn * 5) a la mme loi de probabilit que la suite (Xrt, ..., Xin)

px,t'
Remarque

'

*,n

p*r,

h'

,Xtn + h

tition, la dfinition prcdente est quivalente : pour tous x1, x2, ..., xn, tous tl,tz, ...,tn et tout h
:

Puisqu'une distribution de probabilit est dtermine par sa fonction de rpar-

(Xtr

<

"1,

...,X,n

(
:

xn)

p (X,,, *h

x1, ..., Xtn* r,

xn)

En particulier pour n

P(Xt<x)

P(Xtnr.

( x),Vh!T
a:

En effet, d'aprs la dfinition 4,pour toutchoixd'vnementsA,,..., An, on P(Xr1

!A1,...,X,ne An)

: p(*,1 *n ! A,'...,Xtn*5 e
x,[.

An)

ll suffit de prendre A,
PH. TASSI

: J- *,

- S. LEGAIT

NOTIONS ELEMENTAIRES SUR LES PI]OCESSUS

Thorme

t ! T) (avec T : lR, lN ou Z) est stationnaire, alors on a en particulier: (i) E(X,) :m Yt!T (ii) Var {X,) : o2 Vt ! T (iii) Cov (X,, Xr) : r (lt - sl) V (t, s) ! T'?.
Si{Xfl
Dmonstration
(i) et (ii) sont vidents ; (iii) Ccv (X,. Xr) existe si e l'ingalit de Schwarz
:

(X'?,)

et E tx'?.)

{ -

d'aprs

lE (xrxs)l
temBs quelconque de T
:

<

1e

1x]))"'

1e

1x!))"'

D'aprs la dfinition, il est clair qu'en prenant deux temps

t et s, et h un

Cov(Xrnh,Xr*6) : Cov(Xt, Xs) Vh ! T


Notons

(t, s) cette covariance

(t.

s) : :

Cov (Xr _ s, Xd

en posant en posant

Cov (Xo, Xs_t)

h : -s h: -t

Donc la covariance ne dpend que de la valeur absolue de la diffrence des temps et de la loi de Xo ; dans ce cas, on notera cette covariance f (lt - sl ).
Ces proprits conduisent une dfinition plus faible du concept de stationnarit.

2.2 Stationnarit
Dfinition 5

faible

Le processus (X,, t ! T) est dit faiblement stationnaire ou stationnaire au deuxime ordre s'il satisfait aux proprits suivantes
:

: m Var (Xr) : o2
E(X,)
Cov (X,, X,
u

Yt ! T Vt ! T : r (h)
V (t. h)

6)

! T'z

Dfinition 6
;r {hr} porte ie norn de 292

fonction d'autocovariance eiu processus.


PH

TASSI S. LFGA]T

NOTIONS ELEMENTAIES SUR tES PROCESSUS

La condition de stationnarit au deuxime ordre est plus faible que la condition de stationnarit (stricte). Cette stationnarit faible est trs souvent utilise en conomie. Par abus de langage. nous appellerons par la suite srie stationnaire une srie temporelle stationnaire au sens faible; il convient de remarquer qu,imposer l'esprance et la fonction d'autocovariance indpendantes de t est une condition trs difficile remplir dans la ralit des sries conomiques. Nanmoins, ainsi que nous le verrons par la suite, les processus stationnaires prsentent un grand nombre d'avantages. L'une des proccupations du statisticien sera donc de ustationnariser, les sries dont il dispose.

Proprit

f (h) est une fonction paire. Soitt* : t+h r (h) : Cov (Xr Xt * :
1.,)

Cov (Xt* _ h, Xt*)

Cov (Xt_, Xr* _ n)

(-

h)

2.3 Remarques diverses sur la stationnarit


a) Exemple de processus non stationnaire
considrons le processus X, : at + b + r- o la suite des e. est indoendante et identiquement distribue (i.i.d.)'d'esprance riulle et de varianc'e ar. Le processus X, n'est pas faiblement stationnaire car
:

E(X,)
premireo Y,
:

: at+b

Pour le "stationnarisero, considrons maintenant le processus *diffrence

Yr: Xr-X,_, : a*tr-!t_l E (Yr) : a pour tout t : Var(Y,) var(er-st_1) : var(c,) +var(st _1) = 2o2
d'aprs les hypothses sur rt.

cov(Y'' Y'*n)

- *E(rr r,_1+fl d'aprs les hypothses sur rr.


PH TASSI . S. LEGAIT

Il,:;;;1.;:*:-::]l

,,*h *,,_, 6,_,*6)

E(er_,, er*n)

NOTIONS ELEMENTAIRES SUR LES PROCESSUS

Cov (Y,, Y, * n)

( -o"^si h: -1 | -o'si h : { o si h! z-(-1,0,


1

1)

Le processus (Y,) est donc faiblement stationnaire.

b)

Processus stationnaire

ll est frquent d'assimiler la notion de processus stationnaire celle de processus matrisable. rgulier, "sympathiquen. ll n'en est rien, et les trois exemples suivants sont retenir
:

Exemple

Soit le processus X, valeurs sur

{-

1, + 1}, tel que

P(Xt:
Ona:

1)

:
o

P(Xt

--

1)

:;,

pourtoutt.

:(-1f. 1^1 . -1 z*lf t et pour h*O: y(h) : E(Xr Xt*6) : 1 -211 -11+1. - -o + 44
V(Xt)
Le graphe du processus est, par exemple
:

E(X*)

i\

lr rl r1

,t

?-+-1

294

PH. TASSI

S. LEGAIT

NOTIONS ELEMENTAIRES SUR LES PROCESSUS

La meilleure prvision de X, par une constante est E (X,) : o (cf. chapitre 5), qui n'appartient pas l'espace des valeurs de X,; le processus X, est bien stationnaire, mais oimprvisible> au sens propre du ternie.

Exemple 2

on corrsidre le processus X, eui, la date t (T ! lN - {o}), prend les valeurs

*, t:

I t avec la Probabilit + I - ., avec ta probabitit +


E(X.)

avec la

probabilit 1 - 1/t

: - t/l + tft -0 '2t21

V(Xt)

E(X? : Cov (X,, X,) :


o

+ j. : ;t: 2t 2t
E

(Xr

Xr,)

X, X,,

- y\ Jl' v\ v\'

avec la probabilit avec la probabilit

-]2tt' -:2tt'

d'o

(X, X,.)

O.

X, est donc stationnaire au sens faible.

PH.

TASSI S.

LEGAIT

295

NOTIONS ELEl\IENTAIBES SUR LES PROCESSUS

des valeurs nulies sauf, avec une probabilit de plus en plus faible, des valeurs t Vt qui tendent vers I'infini. Le processus X, est stationnaire, et pourtant est susceptible d'engendrer des points oaberrants,. Plus

t augmente. plus X, prend

Exemple 3

t et Yr : Soient les processus X, : ! stationnaire, E (!t) : O, V ltr) : o", E (e, e,.)


S,

(- 1)t er o e, est un processus


0.

: X, + Y, est tel que |2r,


I

^ a5.:( t
o E(S,)

sitestpair
sinon

i o \ :
O

I r V(S,) : { (

o' O

si r est pair

si t est impair

S, est non stationnaire

aucune raison d'tre stationnaire.

; la somme de deux sries stationnaires n'a donc

3 3.1
Le
Dfinition 7

CORRELATION ET CORRELOGRAMME

coefficient d'autoccrrlation
C
T) ; on appelle coefficient d'autocorrlation pour les

Soit le processus (Xt, t temps t et s, la valeur


:

' ' I s'


ut\..Al

Cov
-

(X'

X")

lv (xr)lt" lv (xr)1"'

tempstett+hpar:

Si le processus est faiblement stationnaire, p lXt, X, o r,) est dfini pour les

p(h)
296

:p(XrXt-n)

:+
I

V (Xt)1"' 1V

(X1

* 6)1"'
PH, TASS]

- S. LFGAIT

NOTIONS ELEMENTAIFES SUR LES PROCESSUS

et, puisque V (Xr)

V (X, * 6)

: r(0):
r r
(h) (0)

p{h) :

b ez)

Proprit du coefficient d'autocorrlation

Si le processus est faiblement stationnaire, alors. puisque y (h) est une fonction paire
:

p(h)
Dfinition 8

: p(-h)

On appelle fonction d'autocorrlation d'un processus () (xt, t ! Z) l'application * * + Z l- 1, 1l dfinie par h p (h). Le graphe de c cette fo nction s'appelle l'a utocorrlogra m me (ou corrlogramme). Compte ten( tu de la proprit prcdente, le corrlogramme est en gnral trac pour h e tN.

Soient alors (k + 1) valeurs successives du processus, notes X" "', X, * on t' appelle matrice de Toeplitz la matrice des autocorrlations ; de (X. ..., X, * p) (donc symtrique):
r

i: \.-

l: t: t:

I P(t)
p

a 1. t'... |
ik)

p(1t.
'...

'

P (t't
I

"""'
.... p

i
i

il

"'... .. .. p (1i""

Pour les calculs effectifs, p (h) est estim de la faon suivante ; si l'on dispose des observations (xr, ..., xr) du processus, on estime p (h) par :

T-h
p(n)

:l

Z- (xt-xr)

(x,*h-xT)

t +i4t

(x,
1 I

Xr)

-"2

PI-1,

TASSI - S. TEGAIT

297

NOTIONS ETEMENTAIFES SUR LES PROCESSUS

3.2

Exemples de corrlogramrnes

L'examen purement descriptif du corrlogramme fournit souvent d'intressants renseignements quant au processus tudi. Examinons quelques cas, la pratique montrant qu'existent des formes relativement standard.

Exemple

O)

(o
tf)

+
cY)

o.
N
cr)

a a. aa taaa

4a... a aaaa.... aaaaaaaaa. a.a.a

+
f-

r.c)

(o
O)
I

L'autocorrlation devient rapidement "statistiquement> nulle, puisque seuls p (1) et p (2) sont diffrents de zro. (Les droites horizontales reprsentent les limites de la rgion d'acceptation de I'hypothse (Hj p (h) : 0 : si (rr) est entre ces deux limites, on accepte Ho.) lci seuls p (1) et p (2) sont significativement diffrents de zro, p (1].- O,lZ et p 12):0,38 ; bien sr p (O) : 1, ce qui n'apporte aucune information. X, est donc corrl linairement avec X, _ ,l et avec X, _ ; aucune 2 autre observation du pass du processus n'est lie de faon linaire X,.
Exernple 2

Dans cet exemple. p (h) dcrot lenternent vers zro. On verra plus loin que c'est une caractristique des sries non stationnaires. ll s'agit ici du corrlogramme

de:

Xr: at+b+st
o eo
298

-)

N (0,1).
PI_i.TASSI

LEGAIT

NOTIONS ELEMENTAIFES SUR LES PROCESSUS

Exemple 3

NOIIONS ELEMENTAIRES SUR LES PROCESSUS

Le processus reprsent est

X,

: 0,51+5+4 (3sin 7TT -cos 6


s,

7TT

-)

-)+e,

N (O,2)

Exemple 4

o)

(o
|r)

st

cf)

(\
C\,1

o
cf)

<t
rf)

(o

F
co

o)
I

Les corrlations p (h) sont toutes nulles, sauf p (12) et p (241; X, est donc corrl avec Xr_ 12 et Xt ,o. Ceci laisse prsager une saisonnalit de priode 12 (saisonnalit annuelle si X, est une observation mensuelle). Pour une srie trimestrielle, on aurait p (4) - O.

ll semblerait donc suffisant d'extraire la saisonnalit pour obtenir une srie stationnaire, en tudiant la srie X, - X, _ , r.
Exemple 5

La srie analyse prsente l encore un phnomne saisonnier de priode 12, mais galement un grand nombre de corrlations non nulles hors des pics
saisonniers. Le processus est a priori non stationnaire et saisonnier. Le corrlogramme est celui de la srie reprsente ci-aprs. qui est le trafic arien des lignes extrieures. graphe dont le simple examen rvle la non-stationnarisation (tendance de

type exponentiel) et la saisonnalit (pics et creux rguliers) ; remarquons que cette saisonnalit se dforme.
PH.

TASSI S. LEGAII

NOI]ONS ELEMENTAIRES SUR LES PROCESSUS

ar
a a a a
a

a. aa aaa a.a

"

n a l
I

|{

/\

r{, A A A
/\

,[,

1963 1964 1965 't966 1967 1968 1969

1970

PH TASSI- S. LFGAIT

301

NOTIONS ELEMENTAIFES SUF LES PFOCESSUS

FONCTION D'AUTOCORRELATION PARTIELLE

4.1 Dfinition gnrale


v.a.r. Zr, ...,2n admettant toutes des variances finies. On note Y] (i : 1,21 la rgression de Y, sur les variables 2.,, ...,Zn, 1 (rgression affine, avec terme
consta nt).

Donnons tout d'abord une dfinition gnrale. Soient deux v.a.r. Y., et Yr, et n

On appelle corrlation partielle de Y, et Yrpar rapport 2r, ..., Zn le coefficient de corrlation linaire entre les parties de Y, et Y, non "expliquesn par Y{ et Y), soit
:

PY.,Yr/2.,,...,2n:

Cov (Y.,

- Yi. Y, -

Y)

Par exemple. pour trois v.a. Y,, Y, et Y.. on trouve le classique coefficient de corrlation partielle de la statistique descriptive
:

P'rzts

Vl-Prs

Ptz- Pts Pzz r.--..-.-2: r:--_2_

\/t-Qzs

4.2

Le thorme de Frisch et Waugh

Nous nonons maintenant sans dmonstration un thorme fort utilis en


conomtrie.

Thorme 2
Le coefficient de corrlation partielle de Y, et Y, par rapport 2.,, ..., Zn n'est autre que le coefficient de Y. dans la rgression affine de Y., sur 21, ...,2n,Y2. Plaons-nous alors dans le cadre d'un processus (Xt, t du second ordre.

Z) rel, stationnaire,

Dfinition 9 Soit la squence X,, n, X, h + 1. ...,X, extraite du processus (X,, t e 7Z).On notera, comme prcdemment, Xi et Xi _ n les rgressions affines de X, et Xr nsurXr_h+ 1, ..., Xt-t.
302
PH.

TASSI S. LEGAIT

NOTIONS ELEMENTAIRES SUR LFS PROCESSUS

corrlation partielle de X, et X,_n par rapport X,_,, ..., X,_n*,, soit

On appelle coefficient d'autocorrlation partielle d'ordre h du processus


:

la

r(h) : P*,, x,

-h/xt-1 ....,Xt-h+1

Cov(X,-Xi, X,_n-Xi_n)

Le processus tant stationnaire, on a

r(h)

Cov (X,

- Xi, X, _ r, - X*t _ r,) v (xt - xi)


,.,

En vertu du thorme 2 de Frisch et waugh, r (h) est donc le coefficient de Xr_n dans la rgression affine de X, sur X, _ .,, ..., X, _ :

Ona:an: r(h).

4.3

Systme de dtermination de r (h)


:

Soit le processus X, et sa rgression (l )

Vj :1h:

Xr: o

r:r

a, Xr_, +
h

e,

E(xr.xr_j) : a0 E(Xt_,) *,I1


E(Xt).E(Xt_i) : [ao *,],,
On en dduit:
h

u, E(xt_i.xt_j)

a, E(X,_i)l E(Xr_j)
h

yU): cov(X,,X,_j) :
PH TASSI - S. LEGAIT

i]t ",

y(_l

NOTIONS ELEMENTAIFES SUR LES PFOCESSUS

D'o. en divisant par y (Ol, on obtienr les quations (2)

(21

P{j)

: ! a,e(i_j)
i:1
:

(.i

:1h)

Les quations (2) peuvent s'crire matriciellement

f rrrr \ ( 1 p(t tlllll itttt I I p(1t I (3)

p(h-

1 G,\ II
II
I

. i:l I : lllll:l i
|

| tlt \rir't 7 \ot'-tt


de h quations h inconnues.

: ll-l p(1)
ptlt 1 ) tt

an s'obtient dorrc. une fois calcul le corrlogramme, partir d'un systme linaire

4.4 Un exemple
Soit ie processLts dflni par l'quation de rgression
avec par exemple, gressif d'ordre 2.)
h
:

r, -)

Xr: 0,5 X, _ r - 0.25 Xr _ 2+ !t


N (0,1). (C'est ce qu'on appellera un processus autor-

"l

D'aprs l'quation, r (21 : -A,25; en outre, en crivant le systme(3) pour . on obtient le rsultat gnral
:

p(1):(1).r(1) p(1) : r(1)


ll ne reste donc plus qu' calculer I'estimation de p (1 ) pour connatre r qui peut tre fait sans difficult partir des observations du processus"
(1

), ce

LES OPERATEURS B ET F

Ce paragraphe a pour objet de dfinir des tres mathrnatiques dont nous ferons un usage frquent dans le chapitre 1 1
304
PH TASSI - S, TEGAIT

NOTIONS ETEMENTA]RES SUR LES PROCFSSUS

Soit (X,,

t ! Zl un processus.

On appelle oprateur oretard, (ou nbackwardn) l'oprateur B qui, X. associe Ir,l. On appelle oprateur (avance> (ou oforwardo) I'oprateur F qui, X' associe FX. : X,*,.

BX,

ces oprateurs B et F peuvent oprer sur autre chose que des sries temporelles: ainsi, si Pn (x) est un polynme de degr n en la variable relle x:
BPn(x)

: Pn(x- 1) et Fpn(x) : pn(x+ 1)


:

on peut dfinir

oprateurs "diffrence premireo

galement, partir des oprateurs de dcalage B et F, les

V: l-B A: F-l
(l reprsentant l'oprateur neutre : lX,

(nnabla,) ("delta")

: Xr). VX, : Xt-Xt_t


AX,

: Xt*t -Xt e
lN),
:

Ces oprateurs permettent de gnrer tous les oprateurs Vd, Ad ( d dont l'expression s'obtient par la formule du binme

Vd: t-clB+...+ {-1)d ad


La puissance d'ordre k de B ou de F n'est autre que l'oprateur de dcalage oprant k fois
:

BkX,
Fk

: X,

X, :

Xr-P

ll est vident que

BF:FB:I n*1 o -F F-1:B


On peut remarquer que les oprateurs V et A oprant sur un polynme p^ (x) de la variable x de degr n rduisent le degr du polynme : Vp^ (x)et Ap_ (xlsbnt des polynmes en x de degr n - 1 ; Vk et ak transforment un [orynme'n {*) en un polynme de degr n - k si n ) k, en 0 si n < k.
PH TASSI S. LEGAIT 305

NOTIONS ELEMFNTAIRES SUR LES PROCESSUS

Enfin, il est possible de donner un sens au dveloppement en srie de quantit:

la

1-iB ou-sill 1-F


1 1

<1
B"+...

1-.B
1

:1+

^B+^,

1-F =1+^F+^'F"+...

PH. TASSI

- S. LEGAIT

Chapitre

Exemples de processus
ll existe dans la littrature probabiliste un grand nombre de processus, certains d'entre eux tant adapts une situation bien dfinie. comme les processus tudiant l'volution d'une population. Sans prtendre l'exhaustivit. ce chapitre a pour principal objectif la prsentation de quelques processus probabilistes importants dans l'analyse statistique des sries temporelles.
Pour mmoire, le processus le plus simple consiste en la donne d'une suite dev,.a,!X,, \e Zltelteque E{Xt) : OgtV_(X.l : o",Cov (X,. X1*6) = Opourrout t et h. Un tel processus porte le hom de bruit 6lanc.

1
1.1
Dfinition
1

LE PROCESSUS DE POISSON

Les processus accroissements indpendants

t ! T) est dit accroissements indpendants si pour tout n-uple de temps t., { t, ... a tn les v.a.r. Xr,, Xr, - Xtl X,n - X,n_' sont
Le processus (X,, indpendantes.

Dfinition 2
Le processus (X,, t ! T) est dit accroissements indpendants stationnaires si, de plus, la loi-de Xt*h - Xt, h ! T, ne dpend pas de t.

Remargue

Qx\

Pour de tels processus, on peut montrer partir de la fonction caractristique (u,, ..., un) de (X,,, .... Xrn) que la loi du n-uple de v.a.r. est parfaitement *,n

dtermine si I'on connat les lois de X, et X,

X..

Un bruit blanc est, de faon vidente, un processus stationnaire accroissements indpendants stationnaires.
PH. TASSI

S. LEGAIT

307

EXMPLES DE POCESSUS

1.2

Le processus de Poisson

a) Dfinition et hypothses
Soit un processus (X-, t ! lR) temps continu et espace d'tats discrets (par lN), que l'oh supposera tre un processus de dnombrement ou de comptage car, un vnement tant choisi. il comptabilise le nombre (alatoire) de ralisations de cet vnement dans l'intervalle de temps [0, t[. Ainsi X, Fourra compter le nombre de voitures passant devant un observateur durant un intervalle [0, t[, ou bien le nombre de clients entrant dans un magasin, etc.

exemple,()'C

On fait les hypothses suivantes

r o o

H1 : Le processus (X,) est accroissements indpendants: Vto, .... tn

to(t1
v.a. indpendantes.

! lR,

det-t'etnondetett'.
est
:

H2 : Le processus (X,) est homogne : Vt,

t' (t > t'), X, - X, ne dpend que


t et t + dt

H3 : La probabilit P (dt) pour qu'un vnement se ralise entre


P

(dt)

ndr +

(dt)

>

o; tim j9 dt dr -o

ol

o H4

La probabilit pour que 2 vnements ou plus se produisent entre t et t + dt est ngligeable l'ordre 1 en dt.

b) Loi du processus
Soit pn (t)

(Xt

n) ; l'ordre 1, on peut crire

pn (t +

dt)

pn (r) (1

pn(t+dt)
En

dt) + pn_r

(r) . .dt

faisant dt *

dr
(r)

pn(t)

_ _ ipn(t) + Pn-1 (t)


Pn (r) +

(1)

P',n

: -i
dt)

,1pn*,

(t)

D'autre part, on a I'origine

: po (t) (1 p;(t):-ipo(t) po(t) : e-i' car. pn(O) : o


po (t + 308

dt)

Vn ! lN.
PH. TASSI

- S. LEGAIT

EXEMPLES DE PROCESSUS

Posons Qn (t)

(2|
ll s'ensuit
;

"it

Fn (t). L'quation

diffrentielle (1) devient

q'n(r)

qn_,

(t)

Yn

qi(t) :
q, (t)

+ (t) +

qr(t) :it
Qe

: i

qr

(t) :

('1t)'
2

Q'n(t)

: iqn-, (t)
:

qn(r) :-_]41)n

nl

et donc

(3)

(Xt

n)

s-it

!+

n!

X, suit une loi de Poisson de paramtre .t.

c) Lien avec le temps d'attente


soit T la v.a. reprsentant le temps d'attente du prochain vnement, lorsqu'on est la date t.

d'o:
T est donc

P(T>s) : P(X": O) : s-'1s (s>O) P(T<s) : 1-e-it. une v.a. de densit e-isl (s), soit T -) f ,1, ). r^

Soit alors (Tn), n )- 1 , la suite de variables alatoires telle que Tn est le temps s'coulant entre la ralisation des vnements n et n + 1. une origine o tant choisie. notant ti la date de l'vnement i. on Tn : t6a1 - tn.

on dmontre que les v.a. (Tn), n>- 1, sont une suite de v.a. i.i.d. (indpendantes et identiquement distribues), telles que Tn suit une loi y (1 , 1.
Remargue
Soit Sn le temps s'coulant avant l'observation du ki." vnernent:

Sk

: To*...

+Tk-r

La loi de Sn est donc une loi gamma y (k,


^1.
PH. TASSI

- S. LEGAIT

309

EXEMPLS DE PROCESSUS

LES PROCESSUS DE VIE ET DE MORT

lls sont souvent utiliss pour dcrire l'volution d'un systme, systme pouvant subir des vnements de type "naissance". entre dans le systme, ou "mort,. sortie du systme. Ainsi, le nombre de personnes dans une salle d'attente, le nombre de ojobs, en attente dans un systme informatique, l'volution dmographique d'une
zone gographique peuvent tre de bons exemples d'une telle modlisation.

Soit donc un processus (Xfl t On fait les hypothses suivantes:

! lR) temps continu et espace d'tats discret.

o c o

H1 : (Xr) est accroissements indpendants.

H2 : On appelle "vnementu soit une naissance. soit une mort. Le systme tant l'tat n I'instant t, la probabilit qu'une naissance (resp. mort) survienne entre t et t + dt est i n dt (resp. pn dt). H3 : La probabilit pour que surviennent deux vnements ou plus entre t
et t + dt est un o (dt).

Modlisation
Posons pn(t)

: P(Xt:

;pourn21,ona: pn(t+dt) : pn(t) (1 -,^ndt)


n)

(1

-gndt)
dt)

* *

Pn-, (t)
Pn+r

in-, dt (1 -gn-1

(t) /n+1 dt (1 - in*1 dt)


:

En supprimant les termes d'ordre 2 et plus en dt, et en procdant comme pour l'quation fondamentale du processus de Poisson, on trouve

p'(t) : -(in+gn)pn(t)+n_l
A l'origine
d'o
:

pn_1

(t) * !n+.r on*,(t) (n

1)

po(t+dt) : po(t)
p; (t)

(1

-iodt)(1 -Podt) + pl (t) g1 dt :

:
:

: - io po (t) + p, p, (t) n, Pn (O)

Enfin

on (O)

1 si Xo

0 sinon.

En rsum

p;(t) : -(in*//J pn(t) + in_, pn_1 (t) * /n+r pnr (t) (n ) p; (t) : - io Fo (t) + p, p, (r) on (0) : [xo: n]
310

1)

PH. TASSI

- S. LEGAIT

EXEIVPLES DE PROCESSUS

Remarque
Les cas les plus frquents sont les suivants

'

' t)

: " in , : naissance au taux i (souvent o : 0) r in : ni : naissance au taux i par individu prsent . Fn g : mort au taux U Uto : O) . Un : n/_/ : mort au tauxg par individu prsent.

dans re systme

3
(i)

LE MOUVEMENT BROWNIEN

Le processus (X,,

t ! lR+) est dit brownien ou de Wiener_Lvy si t: p(Xo:


O

le processus est initialis en

O)

: l

(ii) le processus est accroissements indpendants stationnaires (iii) v0 ( s { 1, r'accroissement X, - X" e-st distribu suivant une roi normale d'esprance nulle et de varince br _ s1 lt X, - X. -> N (0, a r,4:S
:

P (Xt

- X, ! A) :

;#6-J

*'t2o'(t -,)dx
Oe-

4
.

LES PROCESSUS AUTOREGRESSIFS

deuxime ordre.

Dans cette partie, on ne considrera que des processus rers discrets du

4.1
X,

Dfinition
AR (p), si
:

-)

soit un processus (x, t e z); X, est dit processus autorgressif d'ordre p, not

X, -:
PH, TASSI

gi Xt-i+ tr .ri:1

- S, LEGAIT

EXEMPLES DE PROCESSUS

cr est un bruit blanc

E(st)
Remarques

:O,V(e,) :02,

E(e,e,.)

:O

(T+t'l

a)

En faisant intervenir l'oprateur B, on peut crire

avec le polynme
de degr p.

(-Qt B-...-9oBo) X,: <D1e; = l-9', B


:

t,.soit<D(B)

Xr: tt

QrB'

b) Sous sa forme la plus gnrale, un processus AR (p) peut contenir un terme


constant

do:

X.
c) Supposons
E

do

(X,)

,Z-, 'tXt-i+
p

Et

m, constante Vt. Alors, m vrifie

m(1
p

- I
l:l

e,l:A

si 1+

{z) (ce que nous supposerons par

i:1

la suite), m

O.

4"2

Etude du modle AR (p)

a) Inversibilit du processus AR (p)


Soit
AR (p)
<D

(B)X,:

(71

: Ie,.

e,,7....

pZp le polynme caractristique du processus

Soient 2.,,"..,7p1es racines de <D (Z) dans C, et notons Zr, ...,Zr les r racines de module suprieur 1, Zr+1, ..., Zo les p-r racines de module infrieur 1. (Notons que le produit 2.,

...2,
:

1.1

On peut crire

elzy:
312

i:1

fi ti rr-4i Li j:r+1 r-4t


Lj
PH.

TASSI S, TEGAIT

EXEMPLES DE PROCESSUS

Par analogie, on a

<D1a;

: ti

i:1

(1

t', fi lr--1r Zi j:r+1 Zj'

o 1 reprsente ici l'oprateur identit.


Soit
:

o,qey
@, (B) peut se

:5f (t- 3, : fi li ",,(B) j:r+1 rr-3t i:l Zj'


:

transformer, en factorisant B, en

Qr(B)
et

(- 1;P-r

3n-r fi

donc:

j:r+1

)g lj -r,rl
'

vP : x, [(- 1)0-r fl . - z, Fp-' o,t j:r+1 '


avec
:

(B)

o;t (F)] !t

Oo(F)

j:r+1 f-Z;FI
:

X, est donc une combinaison linaire d'ordre infini des c,

Xr:
On retrouve
:

+o

l:-oo

Qi r,*i Vt

E(X,)
Remarque importante

: O

1, Xt

dveloppant en srie

supposons,l: p, c'st--dire que toutes les racines sont de module suprieur : .Di' (S) e,. Alors, en dcomposant en lments simples, puis en
:

^^-L

'

i:l

=t

pb,
. B
zi
I

pBk X,: : ' i:1 b,(: 'k:O


PH. TASSI

. )e. Z*, t

- S. LEGA|T

EXEMPLES DE PROCFSSUS

F (> : X.' k: O i:l

oc

b'

Z\,

. )B*s,
b;

l- P x.,
k:O i:1

Z\

t-K

Soit:

X,: i ^tiEr-i t:(J


le
:

X, n'est donc fonction, dans ce cas, que des (e,) du pass ; on dit alors que
processus X, est inversible. En outre, on a
E (e,

X,_n)

: O

(k

>

1)

Le bruit stest orthogonal au pass Xr_.,, Xt_2, ...du processus. Dans l'quation de dfinition de I'AR (p), e, est donc orthogonal au sous-espace de Hilbert

engendr par (X,_.,, ...,

X,,J;

la relation

X, :

l'quation de la rgression de X, sur Xt_r, ...,X,_o (chapitre Exemple

iIf

qi Xr_, +
5).

st est alors

Soit X, le processus de Markov AR (1) dfini par

Xr:
Le polynme a pour racine 2.,

O,4 X,_1

* t,
1.

121

:1-O,42
2,5 suprieur

On peut crire

x, '

1-r1-0,48
(1 + 0,4
t

X, :

B+

(0,412 82 + ...) st
...

X, : !, + O,4 et- 1 + ... + (0,4)k tr-k *


(k

>

On a invers le processus AR (1). On remarque par ailleurs que E (e, Xr-o) : O, 1), et que le bruit est non corrl avec les observations passes du processus.
PH. TASSI

314

- S, LEGAIT

EXEN/PLES DE PFOCESSUS

Exemple 2

Soit:

X,: 2Xt_t + !t (1 -28) X, : !,


^t v1

l--lt

rt

Or, le dveloppement On peut crire


:

de

' -1 1-,B 1ou 1-,F)n'adesensquesil',al <

1.

1 1-28
et donc
:

r F-2

_F
2(1 _O,sFt

-(O,S)k X, s'exprime en fonction des vareurs venir du bruit e, ; re processus n.est pas inversible.
Contrairement I'exemple prcdent.
E E (c, Xr_p) n,est pas

: -0.5F (1 + O,S F + (O,S)2 F2 +...) e, X, : -0,5 e,*r -(O,S). !t+2-... !t*k_,..


X,

nul

(e, X,_u)

: - 1O,S)k o2

et rr est corrl avec le pass du processus.

Exemple 3 Soit le processus de yule AR (2) dfini par


;

Xr: -1,5 Xr_1 + Xt_2 + rt O1a; : l+1,5 B-82 e1z1 = t + 1.5 z_22: (1 _ O,sz) (1 +22)
Ona:
(1

-0.58)

(1

+28) X,:
+0,5F)

e,

2B(1 -O,Uqt
PH. TASSI - S, LEGAIT

(1

X,:e,
315

EXEMPLES DE PROCESSUS

(1

0,5 B) Xr

0,5

F
',

0,5F 0,5 F (1 - 0,5 F +...+ (- l)k (0,5)k Fk + ...) !t -^ +oo


1+
KK
|

LK

avec

k:
D'o
:

(- t)k-1
,l

(o,slk

X,: :

1-0,58 r.I

Gk 6t*k

j:o
co

(o.s/ BI :
+o

k:1

d.t, K r+K

k:l
b) Stationnarit

K' .:^ (0,5)j !t*r_i) I:U


de
E (e, Xr_o).

Compte tenu de ce que nous venons de voir quant la valeur la stationnarit d'un AR (p) n'est pas toujours tablie.

Ona:
V(Xt)

E(X'?r)

E(Xt.( Z- 9, Xr_, + er))


l:l

l:l

.2- , E(Xt Xt_i) + E(e,X1


p

i:1
Or:
E

(e. L X.)
I

i:l

e, E(e, Xr-J

+ E (s1)
tD (Z)

Premier cas : Le processus est inversible, c'est--dire toutes les racines de sontsuprieures 1 en module; alors E(e,Xr-) : O et E(erXr) : o2.
316
PH. TASSI

. S. LEGAIT

FXE.,1PLFS DE PROCESSUS

D'o

r(o)
r(O)

i:"1
p

Y$!+s2

:
:

r(o) r
l:l V(Xr)

Qi Pfiil +

q2

r(0)
V (X,) est indpendante de

:
t-

1- >
I

(p,p(il

t : le processus est faiblement stationnaire.


<D

Deuxime cas ; Les racines de

{Z) ne sont pas toutes suprieures 1 en module.

Nous nous contenterons d'noncer le rsultat : on peut toujours supposer que les racines du polynme <D (z) sont de rnodule plus grand qu" i, en remplaant le processus S (BlXt : !t par le processus o" {b} xf : a,. o * te) s.ntilnt e rernpiaant, cians s (B), les racines infrieures 1 en nrodule par leur inverse, a, tant un nouveau bruit blanc.

e) Fonction d'autocarrlation partielle Vh > p, on peut crire:

X_
I

p
._4

gi Xr_i * 0.Xt_p_1 +..+0.X,_h + !r


X,-r, ....X,*n et r (h), coefficient
:

avecE(er)
nul.

:0,

l'quation de la rgression de X, sur

V{rr) : sn, E{er.X,_p} : Opourk:,! h.C,estdonc


de X,_n, est

Ceci est une caractristique des AR (p)

Vh > p

r(h)
g

d)

Fonction d'autocorrlation

Vh > O:Xr. Xt-h

i:'l i:'l
p

Pi

xr i X, r, * et Xt-l-,

r(h)
(4)

aiyh-
ei ph-

=' p(h)

,_I,

PH TASSI , S. LEGAIT

EXEMPLES DE PROCESSUS

On peut crire les quations (4) sous forme matricielle pour h

1p

1"

(1)

........

p (p

- 1)
.

p(11
(5)
.

:
p ipr

p(1t

p(p-1)

......... plll

La relation matricielle (5) s'appelle systme de Yule-Walker.

Exemple Soit le processus


:

xr

0,5 X,_,

- O,25 Xr_, + e,

Ona:

(;r) :
D'o
:

P (11

: p (21 :
:

[],, '.'1) (::,)


o,5

o,25 P (1)

o,5 p

(1)-

0,25

p (11

0,4 et p (2)

: - 0,05.
:

Pour avoir p (3ll, p (4) etc.. on utilise les relations (4)

p(3)
etc.
3'1 B

= p(41 :

A1

pQl * e"p (1) : - 0,125 A1 ppl + ezp (2) : -O,OS


. S. LEGAIT

PH. TASSI

EXEMPLES DE PFOCESSUS

c) Fonction d'autocovariance
Soit calculer E (X, . X,_r,)
E

(Xt. Xt_h)
(!t-6

[(rt

0., !t-.,

...

9o e,_o)

da t,-q-6)J - dr tt-h-., e Si h ) q : E(X,.X,_') : 0 c Si h ( q : E(Xr.Xt_h) : F0n+0.,0h*, *...*0o.7o_nlo'


Le processus est donc stationnaire (au sens faible) et on en dduit la fonction

d'autocorrlation

P(h) : O Vh )

q e

-0,+0.0, p(h) :#si 1+01+ .*eZ


systme dcrit au chapitre 10.

+...+0

h(q.

Le calcul de r (h) ne prsente pas de particularit, et est excut selon le ll rsulte des calculs prcdents qu'un processus moyenne mobile est toujours stationnaire (au sens faible), ce qui n'tait pas le cas pour un processus autorgressif quelconque.

Conclusion Le problme de l'identification d'un processus MA (q), c'est--dire la dtermination du paramtre q, se fera sur I'examen de la nullit ou non desp (h).

5.3
graphe

Remarque sur le lien entre AR et MA

La dmonstration de l'inversibilit d'un AR et les exemples 1,2 et 3 du para4 laissent apparatre une quivalence entre AR (p) et MA (oo). En pratique. on peut approximer au sens de la moyenne quadratique (donc dans Lr) un processusAR (p) par un MA d'ordre fini. Considrons, par exemple, un processusAR (1)

dfini par

Xr:p X, ., * r,
E(!r)
324

O, V(e,)

: o',

Cov(e., er*n)

:0

(h +

O)

PH TASS1 S. LEGAIT

EXEMPLFS DE PROCESSUS

Par substitutions successives, il est clair que

X, : !, + p !t_t +...+ pq tr_o * pe*t X,_.q*,

E,*,

,!o

pi

,, jl, :

p"e*"

E (x1_q_1)

supposons que (X1 est faiblement stationnaire, centr, de variance v: E (X'zr) pour tout t (nous ne dmontrerons pas la stationnarit d'un tel processus).
L

Alors

e (Xt

9 r,-j)" : p'q*' v - j:o ^ ri

et

E(X,-Y,,')t -_ O quandq ---->

+o, en notanty,,,

de v.a. (Yr,o) converge donc en moyenne quadratique vers la v.a. Xr.

: 9 ,t cr-,. La suite '[r j:0

DH
I i

T^qst S

IFCAIT

321

BIBLIOGRAPHIE

I
I 11 I 2l t 3l t 4l t 51 t 6l I 7) t 8l t 91 t10l
t11

REFERENCES CITEES DANS LE TEXTE

Z. BIRNBAUM (1948) : On random variables with comparable peakedness, Ann. Math. Statisr., 19, pp. 76-81.
H. DAVID (1981): Order staristics, Witey.
L. DEVROYE (1986): Non-uniform random variate generation, Springer-Verlag,

New York.

B. GAREL (1982) : La distance de Prokhorov, rapport de recherche no 288, Universit de Savoie et Laboratoire IMAG, Grenoble.
B. GNEDENKO (1943) : Sur la distribution limite du terme'maximum d'une srie alatoire, Ann. Marh,44, pp.423-453.

J.M. GROSBRAS (1987) : Mthodes statistiques des sondages, Economica.


Paris. L. de HAAN (1976) :Sample extremes: an elementary introduction, Statistica Neerlandica, 30, pp.161-172.
N. JOHNSON et S. KOTZ (1969, 1970) : Distriburions in statistics, Houghton-

Miffin et Wiley.

A. KAUFMANN (1968) :Mthodes et modles de la recherche oprationnelle, Dunod, Paris.

A. KOLMOGOROV (1933) : Sulla determinazione empirica di una tegge di distribuzione. Giorn. lnst. ltal. Attuari, 4, pp. 83-91.
J.P, LECOUTRE et P. TASSI (1987) : Statistique non paramtrique et robustesse, Economica, Paris. P. LEVY (1925) : Calcul des probabilits, Gauthier-Villars, Paris. E. LUKACS (1960) : Characteristic functions, Griffin, Londres.

112l t1 3l [14]

H. MANN et D. WHITNEY (1967) : On a rest of whether one of two random variables is stochastically larger than the other, Ann. Math. Statist., 18, pp. 50-60.
- S. LFGAIT
,) 2.1

PH, TASSI

BIB LIOG RAPH IE

t15l t16l l17l tlBl 191 t20l l21l


t

R. von MISES (1935) : La disrribution de la ptus grande de n vateurs, in Selected Papers ll (Ann. Math. Soc.), pp.271-2g4.

A. MONFORT (1980) : Cours de probabitits, Economica, paris. F' MOSTELLER (1946) :On some useful inefficient statistics, Ann. Math. Statist., 17, pp. 377 -4O8.
RAND coRPoRAT|oN (1955) :A miilion random digits mal deviates. The Free Press. Glencoe, lllinois.

with tooooo nor-

G. SAPORTA (1978) : Thorie er mthodes de ta statistique, Technip, paris.


P. TASSI (1985) : Mthodes

statistiques, Economica. paris.

W. WEIBULL (1951) : A statistical distribution function of wide appticabiliry, Journalof Applied Mechanics, 18.

II
J.

AUTRES REFERENCES GENERALES

Masson, Paris.

BASS (1967) :Elmenrs de catcut des probabitits thorique et applique,

P. BILLINGSLEY (1968) : Convergence of probability measures, Wiley. N. BOULEAU (1986): Probabilits de l'ingnieur, Hermann, paris.
P. BREMAUD (1984) : lntroduction aux probabitits, Springer-Vertag.

G. CALOT (1967) : Cours de catcut des probabitits, Dunod, paris. G. CALOT (1971) : Exercices de cale ul des probabilits, Dunod, paris.

D' CARTON (1975) : Processus alatoires utiliss en recherche oprationnelle,


[Vlasson, Paris.

D. CORNUEL et P. DERREUMAUX (1976) :Calcul des probabilits. exercices corrigs et rappels de cours, Sirey, paris.
J.L. DOOB (1953) : Stochastic Processes, Witey.

M. corrRELL, c. DUHAMEL, v. GENoN-cATALor (1980) : Exercices de probabilits avec rappels de cours, Dia, Belin, paris. New York.

W. FELLER (1966) : An introduction to probability theory and its applications, Wiley,


T. FINE (1973) : Theories of probability. Academic press, New york.
P. HALMOS (1950) : Measure theory, Van Nostrand. 324
PH. TASSI

. S.

LEGAIT

BIB LIOG RAPH IE

P.L. HENNEOUIN et A. TORTRAT (196b) :Thorie des probabitirs er quetques


applications, Masson, Paris. A. JACOUARD (1974) : Les probabitits, pUF, Coil. Oue sais-je ?, paris.

B, de JEKHOWSKY (1977) : Elments de statistique t'usage des gologues,


Technip, Paris.

A. KRIEF et s. LEVY (19721: calcul des probabilits, exercices, Hermann, paris. M. LOEVE (1960) : Probability rheory, Van Nostrand. M. METIVIER (1968) : Notions fondamentales de la thorie des probabilits, Dunod,
Paris.

J. NEVEU (1964) : Bases mathmatiques du calcul des probabilits, Masson, Paris.


PARTHASARATHY (1967) : Probabitity on metric spaces, Academic press.

J. PELLAUMAIL (1986) : Probabilirs, statistiques, f ites d'artente. Dunod, paris. A. RENYI(1966) : Calculdes probabitits, Dunod, paris.

s. Ross (1987) : lnitiation aux


Lausanne.

probabilits, presses polytechniques romandes,

Y. ROZANOV (1975) : Processus alatoires, Editions de Moscou.

A. TORTRAT (1971) :Calcul des probabilits et introduction aux processus alatoires, Masson, Paris.
K. VO KHAC (1984) :Thorie des probabitits, Eilipses, paris.

PH. TASSI

- S, LEGAIT

325

TABLES NUMERIOUES

Les tables I I sont reproduites avec I'aimable autorisation du CERESTA: lo, rue Bertin Poire - 75001 Paris. Elles sont extraites de I'Aide-mmoire pratique des techniques statistiques, qui constitue un numro spcial du volume XXXIV de la Revue de statistigue applique, 1986.
Les tables I I I sont extraites du livre Statistique non paramtrique et robustesse, de Jean-Pierre l-ecoutre et Philippe Tassi, Economica, Paris, 1987.

PH.

TASSI S. LEGAIT

TABLES NTJMEFIOTJES

Table no
cette table donne, pour u >- 0, la valeur p normale rduite telle que
P

FONCTION DE REPARTITION DE LA LOI NORMALE REDUITE

: F(u)

de la fonction de rpartition de la loi

Fttt)

: f' L "-5 a, J--/2n


0,04
0.05
0,5 I 99

Pourr <
u 0,0
0,1

0: P: F(u) - I - F(-r).
0,01

0,00 0,5000 0,5398 0,5793


0,6 t 79

0.02

0,03
0,5 l 20

0.06

0,07

0.08

0,09 0 5'l5a
0,5753
0,6

n)
0,3 0,4 0,5 0,6 0,7 0,8 0,9
1,0

0,6554
0,6915 0,725'7

0,5040 0,5438 0,5832 0,6217 0,6591 0,6950

0,5080
0,54'78 0,5871

0,6255
0,6628 0,6985

0,55 r7 0,5910 0,6293 0,6664 0,70

0,5 I 60 0,5 5 57

0,5239
0,5636

0,5279
0,5675

0,5596
0,5987 0,6368

l9 0,51t4
0,53 0,6103 0,6480

0,5948 0,633 I

0,6026
0,6406 0,6772

0,6700 0,7389 0,7704 0,7995 0,8264 0,8508 0,8729


0,8925

0,6064 0,6443
0,6808
4,7 t5'7 0,7 486

l4l

0,6736
0,7088 0,7422

0,6844
0,7190

0,6517 0,6879

0,7291
0,76 I I 0,79 I 0
0,8 186

0,7324
0,7642

l9 0,7054

0,7357
0,'7673 0,7967 0,8238 0,8485 0,8708 0,8907

0,7580
0,788 I 0,8 l 59

0,7123 0,'t454
0,7'764 0,805 l 0,8315

0,7939

0,7734
0,8023 0,8289 0,853 I 0,87 49 0,8944 0,91 l 5 0,9265

0,7794
0.8078

t7 0,7823
0,'7 5

0,7224 0,7549
0,7 852 0,8 l 33 0,83 89

0,82t2
0,8461

0,8 106

0,8340
0,85 77

0,8365 0,8599 0,88 l0 0,8997

I,l

.q,-q4!]
0,8643 0,9032

t,2
1,3

0,8849 0,9192 0,9332 0,9452 0,9554


0,964 I 0,97 l3 0,9772 0,9821 0,9861 0,9893

0,8438 0,8665 0,8869

0 8554
0,87 70

0,8686
0,8888

0,862 l

0,8790

0,9049
0,9207 0,9345 0,9463

t,4
1,5 1,6

0,9066
0,9222 0,9357 0,94'74 s571

0,9082 0,9236 0,9370 0,9484 0,9582 0,9664


0,9'732

0,8962

0,8830
0,901 5

0,9099
0,925 l

0,9r3l
0,9279
0,9406 0.95 l5 0,9608

0,8980

0,9t47
4,9292
0,9418 0,9525 0,9616 0,9693
0.97 56

0,9t62
0,9306
0 s4)s 0 s51s

0,9t77
0,93 r9

0,9382
0,9495 0,9591 0,967 l

0,9394
0,9505

0,9441
0,9545 0,9633

I,'l
1,8 1,9

0,9564 0,9649 0,97 r9 0,9778 0,9826 0,9864


0,98e6

0,9656 0,9726
0,9783

0,9599
0,9678

0,9625
0,9699 0,976 I 0,9812

0,9686
0,9750 0,9803 0,9846 0,9881 0,9909
0,9.93
I

0,9738 0,9793
0,9838 0,9875

0,9744
0,9798

0,9706
0,9767 0,9817
0,985 7

2,0
2,1

'\1

0,9830
0,9868

0,9788 0,9834
0,9871 0,9901 0,9925

0,9808

0,9842
0,9878

Z,J 2,4

0,9918 0,9938
0,9953 0,9965

0,9920
0,9940 0,9955

0,9898 0,9922
0,994 I

0,9850 0,9884
0,991
I

0,9854
0,9887 0,99 r3

0,9904 0,9927
0,9945 0 qssq

t<
2,6 2,7 2,8 3,0
3,1

0,9906 0,9929 0,9946 0,9960 0,9970


0,9978

0,9932 0,9949 0,9962 0.9972 0,9979


0,9985

0,9890 0,99 I6
0,9936

0,9934
0,995 I 0,9963 0.9973 0,9980 0,9986 0,9990 0,9r26 0,9r49 0,9r64
0.9r7 5

0,9943
0,9957 0,9968

0,9956
0,9967
0,997 6

0,9966
0,997 5

)o

0,9974
0,9981

0,9969
0,997'7 0,9984 0,9988 0,gr l6

0997'7
0,9983 0,9988 0,9r l3 0,9r39 0,9r57 0,9170

0,9982
0,9987

0,9982
0,9987
0,9r

0,9984
0,9989 0,gr lg a,9142 0,9r60
0,91'r'2

0,9948 0,996 I 0,9971 0,99'19 0,9985 0,9989

0,9952 0,9964
0.997 4

0,998

0,9986 0,9990
0,gr2g

0,9987
0,9r03

J.t
11
3,4

0,9r06
0,9334

l0

0,9989

0,gr3l
0,9'52 0.9r66
0,9^77

0,9'53
0,9r68

0,9336 0,9r55 0,9r6g 0,gr7g 0,9r85


0,9400

0,9r40
0,9r59 0,9r71

0,gr2l 0.9r44
0,9161

0,9'24
0,9r46
0

q'6)

0,9r50
0,9r65 0,9r76
0,9383

0,9r73
0,g3g

0,9\7 4

1S
3,6 3,7 3,8 3,9

0,9r78
l i
|

0,9r79
0,9r86

0,9'94

0.9'89 0,9'2g 0,9"52

0,9r95 0,93g0

0,9r90 0,9r86
0.9008 0,9039

0,grg

0,9397

0,9r97

0,9r92 0,9rgg

0,9'3

0,9454

0,9"33 0,9056

0,9'04 0,9'36 0,9'59

0,9'12
0,914l
0.9161

0,90l5
0,9443

0.9'l

0,grg3 0,9rgg 0,9022

0,9'99
0,9425
0,9150 0.9067

0.9146

0,9t59

0.9'63

0,9'64

0,9'49 0,9'66

N.B.

2. Pour les

l.

La notation 0,9J03, par exemple, quivaut 0,99903 valeurs de r > 3,99, on pourra utiliser I'approximation suivante ( l0-r prs)
u)

F(u):t-e'

urt7-x\' ;*,i-

2 (t--t

n* ,i)

15 los\

PH IASSI S. LEGAIT

2to

TABLES NUMERIOUES

Table no 2
FRACTILES DE LA LOI NORMALE REDUITE
Cette table donne les valeurs absolues des fractiles, nr de la -!' F1u,l: I +e--ldu:P ,P ,

loi normale rduite tels

que

J__lztt

Pour P < 0,5 (colonne de gauche et ligne suprieure) les fractiles up sont ngatifs. Pour P > 0,5 (colonne de droite et ligne infrieure) les fractiles up sont positifs.
P
0,00
0,0 r

0.000

0.001

0.002

0.003

0.004

0,005

0,006

0,007

0,008

0,009

0,010

3,0902 2,8782 2,3263 2,2904 2,257 | 0,02 2,053'7 2,0335 2,0141 0,03 1,8808 I,8663 1,8522 0,04 I,7 507 t,'t392 |,72'79 0,05

2,74'18 2,6521 2,57 58 2,2262 2,1973 2,t701 I,9954 1,977 4 1,9600 I,8384 1,8250 l,8ll9

t,7 t69 l,7060 |,6954 t,6M9 I,6352 r,6258 |,6164 I,6012 l,5982 I,5893 l,5805 l,5718 I,5632 I,5548 0,94 I,5548 1,5464 l,5382 l,530 r t5220 l,5141 I,4758 I,4684 I ,461 I I,4538 t,4466 I,4395 I,405 I I,3984 I,39t7 l,3852 t,3787 |,3722 l,3408 |,3346 l,3285 1,3225 I ,3165 1,3 106
I ,28

z,5t2l 2,4573 2,4089 2,3656 2,3263 0,99 2,1u4 2,1201 2,0969 2,0749 2,0537 0,98 t,943t 1,9268 I ,91 l0 I,8957 l,8808 0,97 I,7991 l,7866 |,'77 44 t,1624 1,7 507 0,96 I,6849 I,67 47 |,6646 t,6546 |,6449 0,95
I,5063
1,4325

0,06
0,07 0,08

l,4985
1,4255

I,4909
I ,41 87

l,4833

l,4758 0,93

0,09
0, l0 0,1 I 0, 0,

I,3658 |,3047

l,3595 I,2988

r,4051 0,92 r,3532 1,3469 l,3408 0,9 r t,2930 1,2873 I ,28 l6 0,90

l,4l l8

l2 1,1750 I,t700 I,1650 I , l60l 1,1 552 I,1 503 1,1 455 t,t407 1,1 359 l,l3 I I t,t264 0,87 l3 |,1264 I,t2t7 I ,l 170 I,l 123 |,1077 I,l03 l l,0985 l,0939 r,0893 l,0848 1,0803 0,86
I,0803
0,9945

l6 I,27 59 t,2702 1,2646 I,259t t,2536 I ,248 r |,2426 t,2372 I,2319 I,2265 0,89 |,2265 t,2zlz I,2r60 |,2t07 I,2055 1,2004 I,1952 I,l90l l, I 850 I,1 800 I,1 750 0,88
I,0758

0,14
0,15
0,

l,0714 l,0669 I,0625 I,0581 I,0537 I,0494 I,0450 I,0407 r,0364 0,85
I ,0 194

t,0364 |,4322 |,0279 1,0237

0,9904 0,1 7 0,9542 0,9502 0,r8 0,91 54 0,9116 0, l9 0,8179 0,8742 0,20 0,8416 0,21 0,8064 0,22 0,7722 0,23 0,7388 0,24 0,7063
0,2s 0,8381 0,8030 0,7688

l6

0,9863 4,9822 0,9782 0,9463 0,9424 0,9385 0,9078 0,9040 0,9002 0,8705 0,8669 0,8633
0,8345 0,7995

l,0152 I ,01 l0 l,0069 I,0027 0,9986 0,9945 0,84 0,9141 0,970 I 0,9661 0,962t 0,9581 0,9542 0,83 0,9346 0,9307 0,9269 09na 0,9192 0,91 54 0,82 0,8965 0,8927 0,8890 0,8853 0,88 l6 4,8779 0,81 0,8596 0,8560 0,8524 0,8488 0,8452 0,84 I 6 0,80
0,8 l 34 0,8099 0,8064 0,79

0,83 10 0,8274 0,8239 0,8204 0,8 169 0,796 l 0,7926 0,7892 0,7858 0,7824 0,7655 0,762t 0,7588 0,7 554 0,7 521 0,7488 0,7356 0,7323 0,7290 0,7257 0,7225 0,7 t92 0,7 I 60 0,7031 0,6999 0,6967 0,6935 0,6903 0,6871 0,6840 0,6651 0,6341 0,6038

0,7790 0,1'756 0,'7722 0,78


0,7 454 0,7421 0,7388 0,7'7 0,7 t28 0,7095 0,7063 0,76

0,6808 0,6176 0,67 45 0,75

0,6745 0,6713 0,6682 0,26 0,6433 0,6403 0,6372 0,27 0,61 28 0,6098 0,6068 0,28 0,s828 0,5799 0,57 69 0,29 0,5534 0,5505 0,5476 0,010 0,009 0.008

0,6620 0,6588 0,6557 0,6526 0,6495 0,6464 0,6433 0,7 4 0,631l 0,6280 0,6250 0,62t9 0,61 89 0,61 58 0,6128 0,'t3 0,6008 0,5978 0,5948 0.59 l 8 0,5888 0,5858 0,5 828 0,72 0,5740 0,5710 0,568 I 0,565 l 0,5622 0,5592 0,5563 0 st14 0,71 0,5446 0,5417 0,5388 0.5359 0.5330 0.5302 0.5273 0.5244 0,70
0,007

0,006

0,005

0,004

0,003

0.002

0,001

0,000

JJU

PH TASSI S, LEGAIT

TABLES NUMERIOUES

Table no 2 (suite)
FRACTILES DE LA LOI NORMALE REDUITE
P

0,000

0,001

0.002

0.003

0,004

0,005

0.006

0.007

0.008

0,009

0.010

0,30 0,5244 0,52 I 5 0,31 0,4959 0,4930 0,32 0,467',l 0,4649 0,33 0,4399 0,4372 0,34 0,4125 0,409'7
0,35 0,3853 0,3826

0,4621 0,4593 0,4565 0,4538 0,45 l0 0,4482 0,4454 4,442'7 0,4399 0,67 0,4344 0,43 l6 0,4289 0,4261 a,4234 0,4207 0,4t79 0,4t52 0,4125 0,66 0,4070 0,4043 0,40 l6 0,3989 0,396 l 0,3934 0,3907 0,3880 0,3853 0,65 0,3799 0,3772 0,3'745 0,3531 0,3505 0,3478 0,3266 0,3239 0,32 l3 0,3002 0,2976 0,2950 0,2741 0,2715 0,2689
0,37 t9 0,3692 0,3665 0,3451 0,3425 0,3398

l 0,5072 0,5044 0,50 I 5 0,4987 0,4959 0,69 0,4902 0,48'14 0,4845 0,4817 0,4'789 0,476t 0,4733 0,4705 0,4677 0,68
0,5 187 0,5 I 58 0,5129 0,5 l0

0,36 0,3585 0,3s58 0,37 0,33 t 9 0,3292 0,38 0,3055 0,3029 0,39 0,2793 0,2767 0,40 0,2533 0,2508 0,41 0,2275 0,22s0 0,42 0,2019 0, l 993 0,43 0, I 764 0, I 738 0,44 0,1510 0,1484
0,45 0,46 0,47 0,48

0,3638 0,361l 0,3585 0,64


0,3372 0,3345
0,33 l9 0,63 0,3055 0,62

0,3 186 0,3 160 0,3 134 0,3 107 0,308 I 0,2924 0,2898 0,287 | 0;?845 0,2819

{2793

0,6 r

0,2663 0,263't 0,261I 0,2585 0,25s9 0,2533 0,60 0,2378 0,2353 0,2327 0,230

0,2482 0,2456 0,2430 0,2404 0,2224 0,2 198 0,21'73 0,2147 0,1968 0,t942 0,t917 0,1891 0,1713 0, I 687 0,1662 0, l 637 0,1459 0,t434 0, I 408 0, l 383

0,2275 0,59

0,20 l 9 0,58 0, l 866 0, l 840 0,l8l5 0, r 789 0,1764 0,57 0, l6l I 0, l 586 0, l 560 0, I 535 0,1 5 10 0,56 0, I 358 0,t332 0, I 307 0,1282 0,1257 0,55

0,2t21 0,2096 0,20'10 0,2045

0,125'1 0,1231 0, l 206 0, I 004 0,0979 0,0954 0,0753 0,0728 0,0702 0,0502 0,0476 0,0451 0,49 0.0251 0,0226 0,020 l

0,1 l8 l 0,1 156 0,1 r30 0,1 105 0, I 080 0,1055 0, I 030 0,1004 0,54 0,0929 0,0904 0,0878 0,0853 0,0828 0,0803 0,0778 0,0753 0,53 0,0677 0,0652 0,0627 0,0602 0,0517 0,0552 0,0527 0,0502 0,52 0,0426 0,040 l 0,0376 0,0351 0,0326 0,030 I 0,02'16 0,025 l 0,51 0,0175 0,01 50 0.0125 0.01 00 0,0075 0,0050 0,0025 0,0000 0.50

0.010

0,009

0,008

0,007

0,006

0.005

0.004

0,003

0,002

0,00 r

0.000

Grandes valeurs de u

P
uP

l0-"
3.7 190

l0-5
4,2649

l0 -o 4,1534

l0

-'

l0

-E

0-'q

5. l 993

5,6 120

5,9978

PH, TASSI

- S, LEGAIT

331

TABLFS NUMEBIOUES

Table no 3
LOI BINOMIALE

PROBABILITES CUMULEES

Probabilits cumules Pr (&


n
c

< c) : I t_0
P
0

t-.

Cl po

(l -

p)
t09

p:
0,95
I

l% P:2ol
l0
0,9039 0,9962
I

p:3%
0,8 5 87

p:4%
0,8153 0,9852

P:

5ok

60l

p:'7% P:8% p :9% p :


0,6951 0 q575 0,659 I

0,7738
0,97'7 4

Tttq

I
5 2

0,9990

0,9915 0,9997
I

0,9681

0,9456
0,9955 0,9998
I

0,6240 4,9326
0,9937 0,999'7
I

0,5905 0,9185

0,9994
I

0,9988
I

0,9980
I

3 4 0 I
2

0,9969 0,9999
I

0,99t4
0,9995
I

0,9044
0,9957

0,8171
0,983 8 0,999 I I

0,73'74 0,9655

0,9999
I

J 4
5

0,9972 0,9999
I

0,6648 0,9418 0,9938 0,9996


I

0,5987
0,9 r 39

0,5386

0,8824
0,98 12

0,9885 0,9990

0,4840 0,8483 0,911 0,9997


I

0,4344

0,3894
0,77 46

0,8l2l
0,9599
o os4,

0,3486 0,7361

,1

0,9460

0,9980
0,9998
I

0,9964

0,9912
0,9990 0,9999
I

0,9298 0,9872
0,9984 0,9999 I 0,2059 0,5490
0,8 r 59

0,9999
I

0,9994
1

6 0 I 2 J

0,860 l

0,9904 0,9996
I

0,7386 0,9647

0,63 33

0,542t
0,8809
0,9797
0,997 6

0,4633
0,8290 0,9638 0,9945

4,9270
0,9906

0,3953 0,'7738

0,3367
0,7 l 68 0,91 7 l

0,9970
0,9998 I

l5

4
5

0,9992 0,9999
I

0,9998

0,9984
I

0,9429 0,9896 0,9986 0,9999


l

0 sR2t

0,9972
0,9997
I

0,2863 0,6597 0,8870 0,9727 0,9950 0,9993 0,9999


I 0, I 887 0,5 169

0,2430
0,6035 0,853 I 0,960 I 0,9918 0,9987

4,94r'.5 o s71

l'

0,9978
0,9997
I

6
'1

0,9999
I

0,8179
0,983 I

0,6676
0,940

I
2 3 20

0,5438 0,8802

0,4120
0,8 103

0,35 85 0,735 8

0,290 l 0,6605

0,2342
0,5869 0,8390

0,9990
1

0,9929 4,9994
I

0,9790 0,9973
0,9997
I

0,1516 0,45 l6

0,1216 0,3917

0,9561

0,924s
0,9841
0,997 4

4
5

0,9926 0,9990 0,9999


I

0,8850 0,9710 0,9944


0,9991

0,9529
0,9893 0,9981 0,9997
I

0,7879 0,9294
0,981 7

0,1334
0,9007 0,97 l0

0,6769
0,8670 0,9568 0,9887

6 7 8 9 0

0,9997 I

0,9999
I

0,9962 0,9994 0,9999


I

0.9932
0,9987 0,9998
I

0,9976
0,9996

0,9999
I

)
3

0,7397 0,9639 0,9967 0,9998

0,5455

0,8794
0,9783 0,9971

4 30
5

0,9999
I

0,9996
I

0,40 l0 0,7'731 0,9399 0,9881 0,9982 0,9997


I

0,2939

0,2r46
0 5s1s 0,8122 0,9392 0,9844
0,9967

0, I 563

0,1 1 34

0,66t2
0,883 I

0,4555

0,3694
0,6488 0,8450 0,9447
0,983 8

0,0820 0,2958

0,0591

0,0424
0, l 837

0,2343
0,485 5 0,717 5

0,9694 0 qs17 0,9989 0,9999


I

0.7324 0,8974
0,9685

0,5654 0,7842 0,9126


0,9707 0,9918

0,41t4
0,647 4

0,8723
0,95 r 9 0,9848 n ooss
0,991 0

0,8245 0,9268 0,9142


0 ss?) 0,9980 0,9995

0,9921
0,9983 0,9997

6
7

0,9994
0,9999
I

8 9

0,9999
I

0,9960 0,9992. 0,9999


I

0,9980 0,9996
0,9999
I

0,9998
I

l0

0,9999
I

332

PH.

TASS S

LEGA]'I

TABLES NUMERIOUES

Table no 3 (suite)
LOI BINOMIALE

PROBABILITES CUMULEES

Probabilirs cumules Pr
n

(k < c) :
5o/o

p:
0

l% P:20 P:30/o P :
0,4457 0,8095 0,2957
0,661 5

40

P:

P:

60/o

P:70/o
0,0549

P:80/o
0,0356
0, I 594

P:9%
0,0230
0,1 140

l0
0,0148 0,0805

0t

0,6690
0,9393

0. l 954

0, I 285

0,0842

I
2
3

0,992s 0,9993
I

0,9543
0,99 r 8

0,8822 0,9686
0,9933 0,9988 0,9998
I

0,52 l 0 0,7855

0,399 I 0,67 67

0,2990
0,5665 0,7827

0,2201 0,4625
0,6937 0,8546

0,3694
0,6007 0,7868 0,9033

0,2894
0,5092
0,7 103

4
5

0,9988 0,9999
I

0,9252 0,9790
0,9951

0,8619 0,9520
0,986 I 0,9966 0,9993

0,9104
0,969 I

0,2228 0,4231 0,6290


0,7937 0,9005 0,958 l 0.9845

0,94t9
0,980

40

6 7 8 9

0,9990
0,9998 I

0,9909
0,9977 0,9995 0,9999 I

0,9624
0,9873 0,9963

0,9942
0,9985 0,9997 0,9999 I

0,8535 0,936 l 0,9758

0,9999
I

0,9990 0,9998
I

0,9920 0,9976 0,9994 0,9999


I

0,9949
0,9985

l0

ll

t2

l3
0 I
2
3

0,9996 0,9999
1

4
5

0,6050 0,9106 0,9862 0,9984 0,9999


I

0,3642
0,735 8

0,2 I 8l

0,1299
0,4005 0,6767

0,0'769

o 5ss'l
0,8 l 06

0,2794
0,5405

0,0453 0, r 900

4,0266

0,t265
0,3 108

0,0155 0,0827

0,9216 0,9822 0,9968


0,9995

0,9372
0,9832 0,9963

0,8609
0,95

l0

0,7604 0,8964 0,9622


0,9882 0,9968

0,4162 0,6473 0,8206 0,9224


0,971

0,5327

0,7290
0,8650

0,2260 0,4253 0,6290 0,7919


0,898 I

0,0090 0,0532 0, r 605 0,3303 0,527',| 0,7072

0,0052 0,0338 0,1 I l7 0,2503

0,43t2
0,6161 0,7702

50

6 7
8

0,9999
I

0,9993 0,9999
I

0,9856 0,9964 0,9992 0,9999


I

0,94t7
0,9780 0,9927 0,9978

0,9992
0,9998 I

0,9906 0,9973
0,9993 0,9998
I

0,9562 0,9834 0,9944


0,9983 0,9995

0,8404 0,9232

t,96't2
0,9875 0,9957 0,9987

0,8779 0,9421
0,9755

ll

l0

0,9994
0,9999
I

0,9906
0,9968 0,9990 0,999'7

t2

l3
t4

0,9999
I

0,9996 0,9999
I

l5

0,9999
I

PH.

TASSI S.

LEGAIT

??2

TABLES NUMERIOUES

Table
LOI DE

no

POISSON

PROBABILITES CUMULEES

Probabilits cumules Pr (/<


(
0

< c) - 'i' "-^ ^r kt. ^


0,4066 0,7725 0,9372 0,9866
0,9977

m-0,1 m-0.2 n-0,1 m-0,4 m-0,5 m-0,6 m_0,7 m-0,8 m-0,9


0,9048
0,9953

0,9998
I

4
5

0,8187 0,9825 0,9988 0,9999 I

0,7408
0,9631

0,6703

0,9964
0,9997

0,9384 0,9920 o,9992 0,9999

0,6065 0,9098

0,5488 0,8781

0,9856 0,9982 0,9998


I

0,9769 0,9966 0,9996


1

0,4966 0,8442 0,9659 0,9942 0,9992 0,9999

0,4493 0,8088 0,9526 0;9e0e


0,9986 0,9998

0,9997
,l

Probabilits cumules Pr
c 0 I
7 3

(k

< c) - 'i' "-^ ^* " ft!


0,01l I
0,0611 0,1 736

m-1,0 m-1,5 m-2,0 m-2,5 m-3,0 m-3,5 m-4,0 m-4,5 m-5,0


0,3679 0,7358
0,9197

0,2231
0,5578

0, I 353

0,0821

0,0498

0,4060
a,6767 0,8571

0,28'tt
0,5438 0,75't6 0,8912 0,9579
0,9858

0,199i
0,4232
0,6472
0,8 r 53

0,0302 0, l 359

0,0183

0,0067

0,0916
0,2381 0,4335

O,MM
0,1247 0,2650
0,4405

0,9810
0,9963

4
5 6 7 8

0,8088 0,9344 0,9814


0,9955 0,9991 0,9998 I

0,9473 0,9834
0,9955

0,3208 0,5366 0,7254 0,8576


0,9347

0,1423
0,532 0,831

0,6288
0,7851 0,8893

l
1

0,9994 0,9999

0,9989 0,9998

0,9958 0,9989
0,9997

0,9161 0,9665 0,988 1

0,7029 0,9134 0,9s97 0,9829


0,9933

4,9733
0,9901 0,9967

0,9962 0,9989
0,9997

0,9489 0,9786 0,9919 0,9972


0,9991

0,6160 0,7622 0,8666 0,9319 0,9682


0,9863 0,9945

l0
l1

0,9999

0,9999
I

t2 l3

0,9990 0,9997 0,9999


I

09997
0,9999
I

0,99't6 0,9992
0,9997

0,9980
0,9993 0,9998

l4
l5

0,9999
I

0,9999
I

l6

334

PH. TASSl

- S. LEGAIT

TABLES NUMERIOUES

Table no 4 (suite)
LOI DE POISSON

PROBABILITES CUMULEES

Probabilits cumules Pr

(k

< ,, :

ti"u^

#
0,0001 0,0001 0,0008 0,0042 0,0149 0,0403 0,0885

0,0041
I

0,0025

'l
3

0,0266 0,0884
0,201'7 0,3575 0,5289

0,0174 0,0620
0,15 I 2

0,0015 0,0113

0,0009
0,0073

0,0006
0,0047 0,0203 0,0591
0,1 32
1

0,0003

0,0030
0,0138

0,0002 0,0019
0,0093 0,0301

0,0430
0,1 I

l8

4
5

0,2851 0,4457 0,6063

0,22!7
0,3690 0,5265 0,6728 0,7916 0,8774 0,9332
0,966 I

0,0296 0,0818 0, r730


0,3007 0,4497 0,5987 0,'1291 0,8305 0,9015

0,0424 0,0996

0,0746 0,1496 0,2562 0,3856


0,5231

0,0012 0,0062 0,0212 0,0550


0,1 1 57

6
7 8

0,6860
0,8095

0,9044 0,9462
0,97 47

0,7440 0,8472
0,9161 0,95'74

0,2414 0,3782 0,5246 0,6620 0,7764 0,8622


0,9208 0,9573

0,l9l2
0,3134 0,4530 0,5925 0,7166 0,8159
0,888 I

0,2068

0,1649
0,2687 0,3918
0,521 8

a3219
0,4557

0,6530
0,'1614 0,8487 0,9091 0,9486

0,5874 0,7060 0,8030 0,8758 0,9261


0,9585

ll
t2
13

0,9890 0,9955 0,9983

0,9799 0,9912 0,9964


0,9986 0,9995 0,9998

l4 l5
t7

o,9994
0,9998

0,9840 0,9929 0,9970


0,9988

0,9466 0,9730 0,9872


0,9943

0,6453 0,'1520

0,9162
0,9658 0,9827 0,9918 0,9963

0,8364
0,898 I 0,9400 0,9665 0,9823

0,9784
0,9897

0,9726
0,9862

0,9999
I

0,9996
0,9998 I

l8 l9

0,9976 0,9990 0,9996 0,9999

0,9954 0,9980 0,9992


0,9997 0,9999

0,99t4
0,9970
0,9987 0,9995 0,9998 0,9999
1

0,9780 0,9889
0,9947

0,9984
0,9993 0,9997

0,991I
0,9957

0,9976 0,9989 0,9996


0,9998

0,9980
0,9991

0,9999
I

0,9999

23

0,9996 0,9998 0,9999


1

24

22
PH. TASSI - S. LEGAIT

TABTES NUMERIOUES

Table
LOI DE POISSON

no

4 (suite)

PROBABILITES CUMULEES

Probabilits cumules Pr
c

(k

< ,) :'t

io

u-^

4 kt
m:17

m:10
0,0005 0,0028

m:ll
0,0002 0,0012 0,0049 0,0151 0,0375 0,0786

m:12
0,0001 0,0005 0,0023

m:13
0,0002

m:!4
0,0001 0,0005
0,001 8

m:15 m:16

m:18

I
2 3

0,0104
0,0293 0,0671 0, l 302

0,0010
0,0037 0,0107 0,0259 0,0540 0,0997 0, I 658 0,25

0,0002
0,0009 0,0028

0,0001

4
5

0,0076 0,0203 0,0458


0,0895 0, I 550

0,0004 0,0014 0,0040


0,0 100

0,0002 0,0007 0,0021

0,000 I 0,0003

0,0055

6 7

0,2243 0,3329 0,4580


0,583 l 0,6968 0,79 I 6 0,8645 0,9 r 66 0,95

0,1432 0,2320
0,3405

0,0142 0,0316
0,0620 0, l 093
0, l 756

0,0076
0,0 r 80

0,0054
0,0126 0,026 l 0,0491 0,0847 0, l 350 0,2009 0,2808 0,37 t4 0,4677

0,0010 0,0029
0,0071

0,0374
0,0698
0,1 1 84 0, I 847

0,0220
0,0433
0,077 4

0,2424 0,3472 0,4616 0,5760


0,68 l6 0,7721 0,8445

0,0154 0,0304 0,0549


0,09 r 7

l0

ll
tl

0,4599 0 57S1
0,6887
0,78 I 3

l7

0,3s32
0,463 t

13

0,5730
0,6751 0,7636 0,8355 0,8905 0,9302

t4 l5
16

0,8541 0,9075

0,2600 0,3584 4,4644 0,5704


0,6693

0,t270
0,1931

0,26'76

0,3622
0,4656

0,2745
0,3675 0,4667

0,t426
0,2081 0,2867

l3

l7 l8 l9
20
22 23

0,9730 0,9857 0,9928


0,9965

0,9442 0,9679 0,9824


0,9908

0,8988 0,9371 0,9626


0,9787

0,7559 0,8272
0,8826 0,9235

0,5680 0,6640
0,7 487

0,5659
0,6593

0,5440
0,6550 0,7363 0,8055
0,861 5

c,9514
0,9751 0,9860

0,8193 0,875 l 0,9169 0,9468

0,7423

a,8tzz
0,868 I 0,9107

0,3750 0,4686 0,5622 0,6509


0,7307

0,9984
0,9993 0,999'7

0,9954
0,9978 0,9990 0,9996 0,9999

0,9884 0,9939 0,9969


0,9985 0,9993 Q,9997

0,952t
0,9712
0,9833 0,9907 0,9950

0,7991
0,855 I

,9999
I

24
25

0,9925 0,9962 0,9982 0,9992


0,9997

0,9672
0,9805 0,9888 0,9938 0,9967 0,9983

0,96t7
0,9633
0,917'7

0,9048 0,9367 0,9593 0,9748 0,9848

0,8989
0,93

l3

0,9974
0,9987

26
27

0,9999
I

0,9999
I

0,9994
0,9997 0,9999
I

28 29 30

0,9992 0,9996
0,9998

0,9869 0,9926 0,9960 0,9979 0,9989


0,9995 0,9998

0,9554
0,97 l8 0,9E27 0,9897 0,9941 0,9967 0,9982

0,99t2
0,9950 0,9973

0,9986
0,9993

3l
32 33 34 35 36

0,9999
I

0,9999
I

0,9996
0,9998

0,9990
0,9995 0,9998

0,9999
I

0,9999
I

336

PH. TASSI

. S. LEGAIT

TABLES NUMEFIOUES

Table no 5
FRACTILES DE LA LOI DE x'z(u)

I
2

0,012

oto

0,001

0,020 0,051

0,024 0,072 0,115

4
5

0,091 0,201 0,291 0,2 l0 0,412 0,554 0,831 0,381

0,004 0,016 0,455 r,39 0,1 03 0,21 I 0,2r6 0,352 0,584 2,37 3,36 1,06 0,484 0,71 I

2,11 4,61

1R4
5,99
7,81

5,02

?1R

6,25 7,78

s
I

15

9,49
I

I,r5
|,64 2,t1
2,13 1'11

,61

4,35

9,24
10,6 r 2,0
13,4

I,l

ll,l
2,8

6,61 9,21 l r,3


13,3
I 5,1

7,88 10,6
12,8 14,9

t6,7
I 8,5

6
1

8 9

0,676 0.8'72 1,24 0,598 0,989 I,65 1,34 0,857

|,24
1,69

2,r8
2,10 3,25 3,82

2,20 2.83 3,49

s 1s
6.35

t2,6
14, I

t4,4
16,0
17,5 19,0

7,14
8,34 9,34
10,3

rs
I

16,8 18,5 20, I 21,'7

I,l5
I,48

l .73

t0

2,09 2,56

4,t1
4,8'7

t4,7

16,9 8,3

20,3 22,0 23,6

1S4
4.51

20,5

1L t

)( t
26,8 28.3

29,6 31,3 32,9 34,5


36, I 37,'7

ll
t2

l,83
2,21

l3 t4 l5
t6

2,62

105 157 4,l l


4,66
5,23
5,81 6,41 7,01

4,40
5,01

5,58

t9,1

zl,9
23,3 24,1
26,1

11

6,30
7,04 7,79 8,55 9,31 10,I
10,9

I 1,3

2l )5

,0

5Rg
6,57
'7,26

t2,3
13,3 14,3 15,3 16.3 17,3 18,3 19,3

22,4

26,2 27,7
29,

3,04
3,48

5,63 6,26 6,91 7,56 8,23


8,91

)2,1
0

)?

<

30,6 32,0 33,4 34,8 36,2


3"1

l'l
l8 l9

3,94 4,42 4,90


5,41

't,96
8,67

26,3
2'7,6

9,39
10, I
r

28,9
30, I

28.8 30,2 3 r,5

1q1
40,8
42,3

20

5,92 6,45 6,98

7,63 8,26

ll,7
t2,4 t3,2
14,0 14,8

1?q
34,2

43,8
45,3 46,8 48,3
49,'7

ass
10,3

0,9

31,4

,6

2l
22 23

8,90 9,54
10,2 10.9

I 1,6
12,3 13, I 13.8
r

20.3

? {1
8,08 8,65

)l 1 ))7
23,3 24,3

7)'l
11S

1(

'l{ )
36.4 37,1 35,6
36,'7
31 ,9

36,8
38, I

38,9 40,3

4l

,6

24
25 26 27 28

t5,1
16,5

9,22 9,80
10,4 I 1,0 I 1,6 12,8 14,I

|,2
r

l1,5 rl t
t2,9
13,6
14,3 18,3 19,8

4,6

39,4 40,6

43,0
44,3 45,6
4',1

51,2 52,6
54, I

15,4
16,2 16,9
t'7,'7

t?

)5

38,9
40, I

4l ,9
1J,L 44,5 45,7
4'7,O

il,8 r) 5
3,l
13,8

18, I 18,9

26,3
21 ,3

,0
5

s5

4l

,3

29 30
32

18,5

28,3 29,3
3 1.3

39, I

40,3 42,6 44,9


4'7,2

42,6 43,8
46,2

48,3 49,6 50,9 51


5

s)
t1

r,0

56,9

sR1
59.'l 62,5 65,2 68,0 70,7 13.4 86,7

15,I
16,5

34 36
38

20,l 2t,-l
23,3 24,9 26,5

49.5

48,6
51,0 53,4 55,8
61 ,5
'7

t'7,9

2t,3
22,9 24,4 32,4 40,5 48,8

15
17

1
1

40
50

)'1

19,3

49.5

5l,8
63,2
7

52,0 54,4 56,9 59,3


'7

56, l

56,3 59,0

58,6

6l

,6

6t,2
63,7
'76,2

64,2 66,8 79,5 92,0 t 04,2


116,3 128,3

t,4

60 70 80 90

4,4

9,1

{1

65,6

85,5 96,6 107,6

90,5 101,9

83,3 95,0 106,6


I

88,4 100,4
112,3

99,6
I 12,3

ll3.l

l8,l

t24,1
r

124,8 t3'7,2

r00

I18.5

124.3

t29,6

35.8

140,2

t49.4

sulvante N.8. Pour v > 30, on pourra utiliser I'approximation

xirvt:"(r-z*,,,f!*)'
o t" est le fractile d'ordre
P

de la loi normale rduite'

aal

PH.

TASSi S. LEGAIT

TABLES NUMERIOUES

Table no 6
FRACTILES DE LA LOI DE STUDENT
Cette table donne les valeurs des fractiles 1r(v) de la loi de Student pour Pour fes valeurs P( 0,40, on a tp(v) : - t,, e(v).

P>

0,60.

1P v\
I 2 3

0,60 0,325 0,289 0,277


0,27 t

0,70
0,727 0,617

0,80 I,3'16
I

0,90
,078 ,886 ,638 ,533

0,95

0,975

0,990
3

0,995
63,66

0,999

0,9995 636,6

5,3t4
2,920
2,3

,061

t2,71 4,303
3,1 82

1,82

3r8,3
22,33

4
5

0,267 0,265 0,263 0,262

0,584 0,569 0,559


0,553

0,978
0,941

53

6,965 4,541
3,747 3,365 3,143

9,925
5,84
r

31,60

t0,22

2,t32
2,015 1.943 1,895 1,860

0,920 0,906 0,896 0,889


0,883

,416
,440

2,776 2,571
2,447

4,604

7,t73
5,893 5,208

t2,94
8,61 0

4,032
3,707 3,499 1 15S 3,250

6,859 5,959
5,405 5,041 4,781

6 7 8

0,549 0,546
0,543

,4t5
,39'l
,383 ,363

l0

0,26t
0,260 0,260 0,259 0,259 0,258 0,258 0,258 0,2s7 0,257 0,257 0,257 0,257 0,256 0,256 0,256 0,256 0,256

0,542 0,540 0,539 0,538


0,53 7

0,879 0,876 0,873 0,870 0,868 0,866


0,865 0,863

-3tt
,356
,350

I,833
1,812

2,365 2,306 2,262 2,228

2,998 2,896 2,821 2,764


2,7

4,'t85
4,501

4,297

ll

t,796
1,782 t,77 t

2,20t

t2
I3

2,t79
2,160

t8

2,681

3,t69 3,r06 10s5

4,t44
4,025 3,930
3,852 3,787 1 711

4,587 4,43't
4,3

t4 l5 l6
l'7

l8 2t

0,536 n 51t 0,534 0,534


0,533 0,533

,J45
.341

I,761
I,753

2,t45
2,131

2,650 2,624 2,602


2,5 83

3,0t2
2,977 2,947

l8

4,221 4,140 4,073

11? ,333 ,330

|,746 I,740
t,7 34

2,t20 2,1 l0
2,r01
2,093

2,921
2,898

0,862
0,861

l9
20 22
23

0,860 0,859 0,858 0,858 0,857 0,856 0,856


0,855

,328 ,325 ,323

t,729
I,725

2,086 2,080 2,074 2,069 2,064 2,060 2,056 2,052 2,048 2,045 2.042
2,03'1

2,56't 2,552 2,539 2,s28


2,5 r8

3,686 3,646
3,61 l

4,0r5
3,965

2,878
2,86
I

3,922
3,883

3,579
3,55 2

2,845
2,831
2,8 l9 2,80'7

3,850
3,8

0,s32
0,532

I,72t
t,7 t7 t,7 14

3,s27
3,505 3,485
3,46'7

l9

0,532
0,53 I 0,53 l 0,531 0,531

,32t
,3 r9 ,3 l8 ,3 l6

2,508

24
25

t,7l

t,708

2,500 2,492 2,485


2,4'19 2,473 2,46'7

2,797 2,787

3,450
1

3,'t92 3,767 3,745 3.725 3,707 3,690


3,67 4

26
2'7

0,2s6
0,256 0,256 0,256 0,256 0,255 0,255 0,255 0,255 0,255 0,254 0,254

28

29 30 32 34 36
38

0,530 0,530 0,530 0,530 0,529 0,529 0,529 0,s29


0,528

0,855 0,854 0,854 0,853 0,852 0,852


0,851 0,851

,3 l4 ,3 l3 ,31 I .3 l0

,315

I,706
I,703
t,701

2,779
2,7't
t

dl{

t,699 t,697

2,462
2,457

2,763 2,756 2;750 2,738 2,728


2,7 t9 2,7 t2

3,421 3,408 3,396


3,385 3,365

3,659 3,646 3,622


3,601 3,582

,309
,307 ,306

I,694
r,691 r,688

40
50 60 70 80 90

,304
,303 ,298

t,686
1,684

2,032 2,028 2,024

2,02t
2,009 2,000

2.449 2,441 2,434 2,429 2,423 2,403 2,390


2,381

3,348 3,333 3,319


1 1n7

3,566
3,551

2,704
2,6'78

0,2s4
0,254 0,254 0,254 0,253
0,253

0,527 0,527 0,s27 a.526 0,526


0,525 0,525

0,849 0,848 0,847 0,846 0.846 0,845 0,843 0,842 0.842

t,676
t,67
I

3,26r
3,232

,296 ,294

t,667

,292

,29t
,290 ,286 ,283 .282

t,664 t,662
t,660 t,653 t,648
r.645

I,994 i,990
I,987 I,984

2,374

2368
2,365 2,345 2,334 2.126

2,660 2,648 2,639 2,632 2,626


2,601

3,2n
3,195

3,496 3,460
3,435

3,4r5
3,402 3,389 3,339
3,3

3,1 83

r00
200 500

3,174
3,13 1 3,1 06

I,972
I,965
1.960

0.524

2,586 2,576

l0

3,090

3,29t

y'V.8.

Pour v > 40, on pourra utiliser I'approximarion suivante

tp(v)-ue*(u)r+u"\/4v
o ur est le fractile d'ordre Pde Ia loi normale rduite.

338

PH, TASSI

. S. LEGAIT

TABLES NUMERIOUES

Table no 7
FRACTILES DE LA LOI F (uI,

uz\ P:0,95
Vr

N
I

DEGRS DE LIBERT
2 3

DU NUMRATEUR
7

9 241

l0
242
19,4

t2
244

t4
245

l6l
r

z
3

8,5

200 19,0

2t6
t9,2
9,28

225
19,2

230
19,3

214
19,3

237

239
19,4

10, r

t9,4
8,89

t9,4
8,81

t9,4
8,74
5,91

t9,4
8,71

55

9,t2
6,39

9,01

8,94
6,

8,85

4
5

7,71 6,61

6,94

6,59
5,41 4,7 6

6,26
5,05

t6

5?0
5,t 4
4,7 4

5,l9
4,53

4,95

6,09 4,88
4,21

6,04 4,82

6,00 4,77
4,

8,79 5,96
4,7 4

5,87

4,68 4,00
3,57

4,64 J,96
3,53

6
7

5,99 5,59 5 1t

4,39

4,28
3,87
3,5 8

4,l5
171

l0

5,t2
4,96 4,84
4,7 5

4,46 4,26
4,

4,35 4,0'l
3,86
3,71

4,12 3,84

147
3,69
3,48

3,79 3,50
3,29
3,

3,68

4,06 3,64
3,3 5

3,M
3,23 3,07 2,95
2,8 5 ) 11

3,39

3,28
3,07

161
3.48

117
3,22

3,24
3,03

l0

l0

111
3,20

3,l8
3,02

3,

l4

l4

2,98 2,85 2,67 2,60

2,9t
2,79 2,69

ll
d,

2,86 2,74 2,64


2,55 2,48 2,42 2,37 2,33 2,29 2,26 2,20

3,98

f, (r] F =
.(Jl

t2

3,89
3,81

3,59 3,49
3,41

3,36 3,26

3,il

3,09
3,00 2,92 2,85 2.79
2,7 4

3,01 2,91

2,90
2,80

) 7(

l3 l4
l5

4,67

4,60 4,54 4,49


4,45

3,14
3,68 3,63 3,59

3,34
3,29

3,l8 3,l l
3,06
3,01

3,03 2,96

2,83 2,76
2,7 t

1?r

2,90
2,85
2,8 I

2,70 2,64 2,59


2,55

2,65 2,59

2,60 2,s3
2,48 2,42
2,3 8

2,54 2,49
2,45

l6
t7

3,24 3,20
3, 3, 3,

2,66
2,61
2,5 8

2,96
2,93

l8 l9
20

4,4t
4,38 4,35 4,32

155
3,s2 3,49

l6 l3

2,77
2,7 4

2,90
2,87

2,70 2,66 2,63

2,54 2,49
2,46 2,42

2,5t
2,48 2,45 2,42

2,4t
2,38 2,3s

2,54
2,51

2,34 2,3t
2,28

l0

2,7 t

2,60

2,39

) )',

f,
.IJ.]

2t
22
23

141
3,44 3,42 3,40 3.39

3,0'l
3,05 3,03 3,0 r

2,84
2,82

F {!

24
25

4,30 4,28 4,26 4,24


4,23

2,68 2,66

t<?
2,53

, {(
2,5t
2,49
2,4'7

2,49

237
2,34
2,32

)1)
2,30

I l<
2,23 2,20

2,80
2,78 2,76

2,64
2,62

2,46 2,44
2,42

2,40
2,37

))1
)')<

2,t7 2,t5

2,99
2,98 2,96 2,95 2,93 2,92

2,60 2,59
2,57 2,56 2,53

2,40 2,39

2,36 2,34

2,30
2,28

:
q.)

26 27
28

4,2t
4,20

117 11s
3,34
3,33 3,32 3,29 3,28 3,26

2,14

)11

232
2,3t ))1

))1

2,46
2,45 2,43 2,42 2,40 2,38 2,36 2,35

2,i7
2,36
2,35
2,31

2,7 t

.[]
d,
g !

th

29 30
5Z

()

34 36 38

l8 4,t7 4,l5 4,t3 4,l l


4,

2,70 2,69
2,67 2,65 2,63 2,62

) {<

))o

))\
2,24
f f t

2,24 1 11
2,20

2,l8 2,t6
2,15

z,t3

2,n
2,09 2,08 2,06 2,0s

2,t3
2,12
2,

2,t9
2,r8

2,28

l0

2,2t 2,19
2,1"t

2,90
2,88 2,87 2,85 2,84

2,5t 2,49
2,48 2,46 2,45 2,40 2,37

))o
1<

2,24

4,l0
4,08
4,03

3,24
3,23

2,28 2,26

))1 2,2t

2,t6 2,t4
2,t2

2,09
2,07 2,05 2,03 2,02

2,04
2,01

I,99

2,t5

2,1
2,09
2,08 2,03

40
50 60 70 80 90
100

2,6t
2,56 2,53

2,34 2,29
2,25 2,23

2,t9
2, r8

2,t4 2,t2
2,0'l
2,04 2,02

l,98 I,96
I,95
1,89 1,86 1,84

2,00 t,95 t,92


1,89

3,l8
3, t5 3,

2,79
2,76

2,20

4,00
3,98 3.95

', l1

2,t3
2,

l0

'l s6

l3

2,74
1 11 11t

3,l l 3, l0
3,09

2,50 2,49
2,47 2,46 2,37

z,3s
2,33 2,32

') t!

2,14

2,07

r,99 I,91
1,95

2,t3

2,20

3,94
3.84

3.00

2,70 2.60

2,3t ) )t

2,t9 2, l0

2,n 2, l0
2,01

2,06 2.04
2,03
1.94

2,00
1,99

t,94
1,93 1.83

l,88. r,86
I

r,82
1.80

I,97
r

,85

t,79
1.69

.88

t,7 5

Pour les valeurs de Fcomprises entre 0 et

l,

on a:
F,

F,-r(v,, vz):

(vr' v'\

PH TASSI - S. LFGAIT

339

TABLES NUI\IEBIOUES

Table no 7 (suite)
FRACTILES DE LA LOI F (ut,

uz) P:0.95

DEGRS DE LIBERT DU NUMRATEUR: y. l6


246

l8
247

20

22

24

26

28

30

40 251

60

100

"'/
,.s4

248

t9,4
8,69 5,84

t9,4
8,67 5,82

t9,4
8,66 5,80

249 t9,5

249
19,5

249
19,5

250
19,5

250
19,5

252
r9,5 157

253
19,5
3,5 5

t9,5
1,59

9,5 ,53 ,63 ,37 ,67 ,21


,93

I 2
3

i,65 t,79
J,54

8,64

571
4,51 3,84
3,41

4,60
3,92 3,49

4,58 3,90
3,47

4,56
3,87

A\)

8,63 5,76 3,83 3,40


3, r0

8,62 5 ?S

8,62
5,7 5

i ?,

i,66
',69 1,43
t,'74
+,41

4
5

4,50
3,82

4,50
3,8
r

t,46
\'1'7 I lr'.
1,04

],86
t,43

3,20 2,99
2,83 2,70 2,60

3,t7
2,96 2,80
2,6"1

3,44 3, r5
2,94 1 a1 2,65

110
3,09
2,87
2,7 t
2,5 8

i,l3
1,92

)7{
t,63

3,12 2,90 2,7 4


2,61 2,51

2,89

', 1)
2,59 2,49 2,4t
2,33 2,21

3,38 3,08 2,86

t10
|,0
r

,,7 t t,27

6
'1

)q7
2,7

)R1
1,66

t,79
t,62 t,49
1,3

2,70

){o
)'t5
z,

,7t
,54 ,40
1n

8 9

l0

)\1

2,54
2,46 2,39

| <r
1,44

)<1
2,47
2,3 8

) s1
,-,43

2.,46

ll
t2

rn

2,5t
2,44 2,38 2,33 2,29 2.25 2,21

2,48

2.4t
2,35

t,37
t,3 l

2,42 2,35

11

,to

2,30
2,26
2,

2,28

) r<

2,24

)))

2,48 2,39 2,32 2,26

t,34

2,3t

1,30

11

t))

2,26

,2t
,13

l3

v
arJ. (, arJ

t')<

t,2a

l,l9

't,t2
2,07

l9

,07

2,2t
2,16

2,19

)))

2,l8 2,t6
2,t3

l8 2,t5

l rt
2,t0
2,0'l
2,05

z,z) 2,t9 2,t6 2,t2 2,t0


2,07 2,05 2,03
2,01

t,2l

2,t9
2,15

2,t7
2,t3
2,10 2,07 2.04
2,01

2,t5

l,t7
I,l3

2,t2
2,08 2,05 2,02 2,00

2,lt
2,07 2,04
2,01

l5 I, l0
I, 1,06

l,ll
t,06
1,02

) (\)

,0i
,96 ,92 ,88 ,84
,81

t4 l5 l6
t7

2,1I
2,08 2,05 2,03 2,00

)n1

1,98 1,94

I,l0
,.,07

,98
,95 ,92

l8 l9
20

fa -J lr)'

t!

1,99

l,9l
1,88

2,n
2,09 2,07 2,0s

t,05 t,02 r,00 ,98 q7

I,98
1,96 1,94

,96 ,94
,91

2t
22 23

l,99
1,97 1,95

l,98
1,96

2,04
2,02 2,00

|,97 I,95 I,93


I

I,92
1,90
l ,88

,89 ,87
RS

,89 ,86 ,84 ,82 ,80


,'79
,'77 ,'7 5 .'74
,'7 I

,85 I ,82 r,80


I I

,78 ,76
?1
,'7 I

c
z z =
-l

tr.

24
25

,78

2,04
2,02
2,01

t,99 |,97
1,96

st
,93 ,92
,91

I,95

I,93
I

l,93
I,91
1,90 1,89 1,86

l,99
t,97 I,95

I,99 |,97 I,96 t,94 |,92


1,90
1,88

t,94
I,93
I

,91 1,90 1,88


I I

,91 1,90 1,88 1,87 1,85

,87 ,85
,81

1,87 1,85 1,84 1,82

,84 ,82
,81

I,76 t,74
l,'71 t,71. r,70

,69 ,67
,65

26
27 28 29

19
,1',l

,64 ,62 ,59 ,57


55 51 ,5 I

30

rn

,91 1,89
I

l,93
1,92

,87

I ,85

,88 ,86 ,85 ,83


,81

l,83
1,80

t,67
t,65
1,62

)2
34 36 J6 40
50

l,84
I,82 I,81

1,82
I

l,80
1,78

t,'19

I,90
l ,85

I,87
l,81 I,78
t,7 5

1,84
1,78 t,7 5

I,79 I,74
1,70

t,77 I,72
1,68 1,65 1,63

I,79 I,77 t,76

,75 ,73

,69
,6'7

I,76
t,7 4 1,69 1,65

,7t
,69 ,63 ,59
,5'7

,65 ,64 ,58


51

r,6l
5q

l,82 |,79
I,'7'l t,76
1,7 5

I,72

t,73

I,72
I

l,70 t,69
1,68

,76 ,72 ,70 ,68 ,66 ,65 .54

l,70
1,66

t,52
r,48 t,45 r,43

,44
10 15
1',)

t,67
1,65

t,64 I,63

t,62
I

t,64 t,62 I,60 I,59 I,48

I,62
1,60

,54
51

I,59 |,57 t,46

,50 ,48 ,46 ,45 .32

t,4l
t,39 I,24

,30 ,28 ,00

60 70 80 90
100

,71

,61

5)
.39

I,64

I,60

t,57

|,52

1.50

Pour vr et vz

30, une bonne approximation est donne par la formule:

f'. (v,, v:) :


340

exP

l Ly'(vr '+ v;'\- -0,475

l'5681

tu-' - ,t ll I
PH TASSI - S. TEGAIT

TABLES NUMEFIOUES

Table no 7 (suite)
FRACTILES DE LA LOI F (ut,

uzl

0,975
Vt

N
I 2
3
3

opcns oe lrnenr ou NuvnettuR


I

4 9C0

l0
969

t2
977

l4
983 39,4
14,3

648 8,5

800

864
39,2 15,4 9,98

39,0
16,0 10,6 8,43

39,2

4
5

t7,4 t2,2
10,0 8,8 t

t5,r
9,60
7,39 6,23 5 5' 5,05

922 1S1 t4,9 9,36


7,1 5

937 39,3

948
39,4
14,6

957 39.4
14,5

963
39,4

)9,4
14,4

1S4
14,3

t4,7 9,20
6,98 5,82

r4,5
8,90 6,68 5 5)

7,76 6,60
5,89 5,42 5,08 4,83

9,07 6,85 5,70

8,98
6,7 6

8,84 6,62 5,46 4"16

8,75 6,52 5,37

8,69

6,46
5,10

6
7

8,07

8 9

't \1

7,26 6,54 6,06


5,7 |

7,2t
6,94 6,72 6,55

4,12
4,47

l0

5,46 5,26

5,99 5,29 4,82 4,48 4,24 4,04 1,89

5,60

5,t2
4,65

4,99
4,53

4,90
4,43
4,

4,82 4,36
4,03 3,78

4,30
3,96 ?.1')

4,67 4,20
3,87 3,62 3,43 3,28
3,1 5

4,60

4,l3
3,80
3,55

4,32 4,07
3,88
1 71

4,20
3,95 3.76
3,61

l0

3,85

; f

ll
t2

5,t0
4,97 4,86 4,76 4,69 4,62 4,56
4,5
I

4,61 4,47
4,35

gl

l3
t4

6,4t
6,30

4,28 4,12 4,00


3,89

3,66
3,51

3,59 3,44
3,31

1s1
117
1

3,36
3,21

),77
3,66
3,5 8

4,24
4,15 4,08 4,01

3,60 3,50
3,41

3,48
3,3 8

z
.t!
U

l5 l6

6,20

3,80

3,29
1,

3,39 3,29 J,20

){

3,Zl
3,12 3,05 2,98 2,93 2,88

3,r5
3,06
2,99 2,92 2,87 2,82 1 11 2,73 2,'10 2,67 2,64
2,61

3,05 2,96

3,08 2,98 2,89 2,82 2,70 2,65

6,t2
6,04
5,98 5,87 5,83 5,',l9

17'l
3,66
3,6 3,5
r

3,50

t'l

3,M
3,38 3,33

3,34 3,28

))

3,l2
3,06
3,01 2,96

?Rq
2,82
2,',77

z
f,

l8
t9
20

105
3,90 3,86 3,82 3,78
3,7 5

7))

<o)

3,l6 3, l0
105
3,01

) l5

3,56

3,17

1 11

4,46 4,42 4,38


4,35

1?q

3,r3
3,09
3,05 3,02 2,99
2,9'7

2,9t 2,8'l

2,84
2,80

2,68 2,64

2,60 ?.56
2,s3 2,50 2,47

2t
22
23

3,48

1ts
3,22

.t!
trl
co

3,44
3,41

2,97 2,93

F,4

2,76
2.73 2,70 2,68 2,65 2,61

2,60

575

24
25

<1)
5,69 5,66 5,61
5,61

432
4,29 4,27 4,24 4,22 4,20 4,18

3,72 3,69 3,67 3,65 3,63 3,61

3,38 1 1s 3,33 3,3 l

3,l8 3,l5
3, 3,

2,90
2,87 2,8s 2,82 2,80 2,78

2,81

)<1

ll

2,78 2,73
2,7 |

t ?(

2,54
2,51

2,44
2,42

I
rrl

26
2'7

l0

2.94
2,92 2,88 2,87 2,84
2,81

!
.ql d,

28

29 30 32 34 36 J6
4A

s5s
557
5
S',l

1)1

t?s

3,08

3,06 3,04
3,03

)9n

2,76
-)

15S 3,56
3,53
3,5 I

3,25 3,22
3,

?(

2,69 2,6'l
2,65 2,62

2,6t

){o
f
<1

2,59 2,57 2,55

, (1

2,49 2,47 2,45 2,43


2,41

?10
2,37 2,36

2,5t
2,48 2,45 2,43

2.34 2,3t
2,28

U a

ql

5,50 5,47 5,45 5,42 5,34 5,29

4,l5 4,t2
4,09
4,07 4,05 3,98

3,00
2,97

) 1)
2,69 2,66

2,54

l9

2,59

3,t1
3, 15 3, 13

3,48

3.46
1
'1S

2,94 2,92 2,90


2,83

2,19 2,'16
2,7 4

){7

) {t

2.49
2,47 2,45
2,3 8

2,38 2,35 2,33

) ){
t tt

2,64
2,62 2,55
2,51

7 55

) {1
2,46

2,4t
2,39

2,3t
2,29

50 60 70 80 90
100

3,06
3,01

{ ts

<))
5.02

5,20

1S1 3,89 3,86 3,84


1 R1

114
3,3 I

2,79

3,28 J,27 3,75

2,98 2,95 2,93 2,92 2.79

) ?< ,'71

2,61 2,63

2,4t
2,38 2,36

11

)11
2,24 2,2t

)))
)
1'1

2,2t 2,14
2,09

2,60

)<1

2.7 t

7 5t
2,54

2,48 2,45 2,43 2,42

2,30
2,88

2,t4 '2,n
2,09 2,08 1.94

2,06
2,03 2,02

2,34

2,26 2,24 2.r I

2.t9
2,

5,l8

2,10

3.69

3,t2

)\1

2.4t

))a

) lt
2.19

l8

2,00
l .87

2.05

PH. TASSI

- S. LEGAIT

TABLES NUMERIOUES

Table no 7 (suite)
FRACTILES DE LA LOI F (ut,

uz) P:0,975
V

DECRS DE LIBERT DU NUMRATEUR:

,,,/
100

l6
98'l
39,4

l8
990 39,4

20 993 39,4

22 995 39,5

24 997 39,5
14, I 8,51

26

l6
1000

30
100 I

40
1006

60

/vt

999
39,5

l0l0
39,s
14,0

l0l3
39,5

l0l8
39,5
13,9

t4,2
8,64

t4,2
8,60 6,37 5,2t 4,50 4,03 3,70

t4,2 8,56
6,33

14,I
8,53

t4,t
8,49 6,26
5,

39,5 14,I 8,48

39,5

39,5
14,0 8,41

I 2
3

14,l
8,46 6,23 5,07

t4,0
8,32 6,08 4,92 4,21 1,7 4 3,40 3,15

8,36

6,4t
5,25

6,30
5,

6,28
5,12

6,24
5,08

6,18
5,01

6,t2
4,96
4,25 3,78

8,26 6,02 4,85

4
5

5,t7
4,47 4,00
3,67 3,42 3,23 3,07 2,95 2,84

l4

l0

4,54 4,08 3,74


3,50

145
3,26
3,1 I

4,44 3,97 3,64 3,39 3,20 3,04


2,92

4,42 3,9s
3,61

4,39
3,93

4,38
3,81

117

3,59 3,34

3,58
3, 13

4,36 3,89 3,56


3,3

4,3r
3,84
3,5 I

4,t4
3,67 3,33 3,08 2,88
1 11

1r'S
3,20

6 7 8 9

3,26

l0

3,30

3,t7
3,02

3,l5
3,00
2,87 2,77 2,68 2,60

3,t2
2,96

3,l5
3,03 2,92

2,84 2,76 2,70 2,64 2,59


2,55
2,51

2,98 2,88 2,79


2,72 2,65

2,8t
2,73 2,65

2,89 2,79
2,70 2,63

2,98 2,85

3,06 2,9t
2,78 2,67 2,58

3,00
2,85

'r 7< 2,66


2,58

2,84
2,73 2,64 2,57 2,50

71)

2,96 2,80
2,6'7

ll
t2

fll.

r,

2,6t
2,52 2,45

2,76
2,68 2,62

2,56 2,47

2,60 2,49

l3 t4
I5

(t

2,40
2,32

2,5t
2,44
2,3 8

2,40

2,59
2,53 2,48 2,43

2,60
2,55

2,56

2,56 2,50
2,45
2,41

2,54
2,48 2,43

2,s2
2,46

2,J8
2,32

?11
2,2'l

', )<

l6
t7

2,44
2,39 2,35

2,5t
2,46 2,42

2,4t
2,37 2,33

2,50 2,46
2,43

2,39 2,34

2,33 2,29 2,25


2,21 2, l8

111 '1 )')

111

2,t9
2,13

l8

I c!
rrl l-

ln

l9
20

2,t7
2,t3
2,09 2,06 2,02 2,00
1,97 1,94

2,09 2,04
2,00

F -t

ln.

2,47

2,4
2,4t
2,38

2,39 2,36 2,34

2,39 2,36
2,33

2,39 2,36
2,33

2,37 2,33

2,3t
2,27

2,t8
2,14

)l
22

2,3t
2,28

2,29
2,26 2,23

2,30 2,24

2,30
2,28

2,30 2,27 2,24

))<

141

2,24 2,2t

2,lt
2,08 2,0s 2,03 2,00

2,t5

|,97 I,94

t1

e
F

24
25

11.

2,20

2,36 2,34
2,32

2,3t
2,29
aa1

J1)

iJ< t t2
2,21

,1a

2,20

2,t9 2,t7
2,t5
2,14
2,

2,t9 2,t7

2,t7
2,15

2,t8 2,t6
2,t3

2,t2
2,09 2,07 2,05 2,03

l,9l
l,88
l ,85

o
E

r<

2,t3

2,tl
2,09 2,07

2,30
2,28

2,25

114

2,20

))<
)J)
2,20

2,20

2,t6
2,t3

2,l8 2,t6 2,t3


2,

2,t3

2,tl
2,08 2,05 2,03

2,n
2,09 2,06 2,03

r,98 I,96

I,92

1,83

2,0t I,98
1,95

I,94
I

I,90 l,88
I

l,81 I,79
t,7 5

26 27 28 29 30 32 34 36 38

z
-l
rn

l0

2,t'l
2,t5 2,t3

l0

2,n
2,09
2.07

2,t7
2,t5
2,08 2,03

2,tt
2,03

2,08 2,05 2,03

2,07 2,05 2,03


2,01

2,00

2,00 I,98
1,96

2,04 2,0t I,99

,91

,85

I,88

I,92

l,85
I,82

l,82 I,79
t,76
1,74

I,72

I,69
t,66 t,64
r

l,98
I,91

l,96 t,94
I,87 t,82 I,78
1,7 5

l,90
r,88 I,80 I,74
I,7 t
1,68 1,66

l,80
t,72 t,67 l,63

40
50

l,98
1,95

t,99 t,94
I

t,96
I,91 r,88

I,93

2,00 t,97
1,95

,91

l,93

l,88
I,86 I,85 I,71

l,9l
I,89 |,75

l,85 I,83
I,81
t,6'7

l,88 l,85 l,82 l,80 l,78

I,86
1,82

l,88 l,83
r,80 I,77
t,7 5

t,66 I,60 I,56

,55

I,79 I,77 t,76


I,61

I,60
1,58

I,73

l,53 I,50
I,48 I.30

l,48 t,44 I,40


I,37
r

60
70 80 90
100

1,94

t,74
1.59

l,80

I,U

t,7l
1.57

t,64
t.48

I,56 I,39

,35

l,00

Pour yr ct yr > 30, une bonne approximation est donne par la formule:
4o,s

(v,, y:)

exp

l:-2lll!' [r|(t;r+

1-1

-37 -

1.948

(";, - ur,)l ' 'J


PH, TASSI

342

. S, LEGAIT

TABLES NUMERIOUES

Table no I
NOMBRES AU HASARD

50230 84980

t3407

62899
63237

22lL6 33646 68645 15068

62458

26518 39t22 36493 41666 77402 12994 83679 971s4 71802 39356 57494 72484 '73364 38416 42237 59t22 32934 60227 05764 t4284 32706 94879 22190 2'7559 81616 t5641 26099 65801 71874 61692 087'74 29689 37294 92028 33912 37996 63610 61475 01570 4t702 92834 16178 81808 28628 62249
40747

't8937 94083 09703 17545 56898 96561

90525 93634
78397

7t652 66t79
657'72
401

25033

56358

31321 87A2t
56004

15

02656 46982 86s06 27524


68648

2787t 4034t

50260

59892

7t329
85581 84741 89107

tu99

83965

03084

02981 22676 443t1 93128 t0297 75403 18002 0'1734 88940 92855 62097 58707 44858 73069 80830 93188 66049 95668 53261

70823 53338 08967 73287 79788 51330 15356 05348 45068 88722 81276 36081
I

692t2

57932

l4l9

82937 s4257

857t7
06318

9492t

959',70

24t59

77787 52941 60063

32980 82072
65757 99891 39061

42245 51903 56850 83380 78967 5720t 26980 23804 30282 54647 38973 82178 88301 22t27 59284 t62'79 80660 98391 04854 52809 01585
9981

8000t

69870

84446 21430

63506 22007 58248 21282 02305 59741 69179 96682 66916 73998 54972 72068 06077 29354 46802 90245 23459 40229 48003 44634 62243 t9678 86608 68017 96983 15082 47234 93263 21789 14093 12424 98601 t9526 2'1t22 01695 47720

t723t 25988 2t676

7998t
42936 46656 98943

78902 47008 72488 57949 57532 60307 91619 48916 676t9 39254 90763 74056 0981 l 82848 922n 5t 178 42221 88293 67592 06430 85596 83979 09041 62350 65281 57233 07732 58439 34405 67080 16568 00854 94952 59008 95774 44927 37129 31898 3401 I 43304 03582 66183 68392 86844 84389 88273 96010 09843 18085 92626 6091 I 39137 73810 79866 84853 68647 81607 00565 56626 77422 01291 68707 45427 82t45 35365 13800 83745 40141 43618 42n0 93402 93997 29966 38tM 62556 07864 56938 54729 6775'7 684t2 34262 15157 27545 14522 91819 60812 4763t 50609 37612 15593 73198 99287 54289 07t47 84313 51939 19403 53756 0428t 98022 95704 75928 2l8l I 88274 01805 23906 96559 06785 74678 2t859 98645 72388 08623 32752 40472 05470 39551 18398 36918 43543 l l 120 28638 72850 03650 83851 77682 81728 52t47 70955 59693 26838 9601 I 47386 17462 18874 742t0 06268 46460 97660 23490 19089 53166 41836 28205 425t5 55048 239t2 81 105 88&6 73520 40050 90553 04626 64838 92133 44221 982t3 t7704 47400 30837 42545 43920 I I 199 36521 00185 0104t 46662 98897 97149 4t628 78664 80727 41310 19722 07045 28808 31998 79942 98351 t0265 18046 '15287 74989 58152 36558 82712 05590 64941 14668 15656 37895 94559 22757 76116 76977 945't0
343

484'.12

t8782 st646

37564

0s9t2

29830

89052 43645 89232 61618 1927s 68136 06546 74005 34558 54437 88825 02404 59253 7t535 20471 t3914 65946 60766 00939 47818 499s2 29t23 17328 70732 19420 702t5

8454t

122'73

9t261
96711
69831

297t2

0287'7

0r990

94762 42408

00384 10858 40744 22482 04029 4'1946 93779 96t20 0'7943 81795 89926 84764 26149 99330 74084 75949 45950 46319 90476

6798t

3t709 t9159
55467

13358 95355

43684 35629
37938

22484
44707

67578
269sO

t9l2l

4l t90

49t45

76400
05373

69649 57964 495t4 89820 49105 06777 13524 03023 t9037 02831 51553 12158 00755 t78t7

87t2^7

47030
45581

PH, TASSI - S. LEGAIT

TABTES NUMER]OUES

Table no 9
NOMBRES AU I-IASARD GAUSSIEN N (0,1)

l.slg- .00{- t.3?r2.033- "620 .256 .866- .a23- I.878 .683 .392 .o53.24t 1.650 .?o3

.82t- 1.169 L.162 .063_ _.986- -.a36 r.335 r.rsz .50a .elo- 1.22. i-ii rlir.!19- _.?9? t.os3 .3rt r.sslr.aoi- -.i_ .!?l- t..oq- .640- .s63_ .rrg .s21. .zrr- :i, .226 .1zs- ..86- t.rgs l.oss .ase 1:

.7L6 .997 .a2o r.!19- l.g?l t.5?1. .s8e- 2.0?6 .o28- .65{ l. 136- .169 "t06 .223 1.E65 .060- .112 l.069 r.tee t-rii2.155- .2A7- .216 .?65- 1.135 1.102 2.161- 1.84? .s2a 1.302- 1.?81 .{58.393- 1.190- 1.sto

.{61- .390 .63? 1.166- .O42- 1..192- .,1,t3 .31O -ZSZ- t-zrt.986- .305- t.02{ l.??\- .5ol l.3ll l.tts- l...l.r- .eos :it5.686 1.036- .980 r.6sr .6s5- 1.126 .680- .o2z_ .zse :aa

.q91 .gl? t"t75- .086 .?e2- .oe3 l.t:.E .llq- .e3?- l.o3e .r2s- .zzg- r.i6s_.199r.ll! -.?19 .522 .e68- .o{t .zsz- r.srt .?-4?- r.g?5- .o3r- .71L t.tzz- z.qea r:?46 .589 .t71 1.4?8- .225- .606_ 2.619- .zsn-

r.qq! l.qlg- .7L!- .lqq- .89?- .66e_ .38? .16? 1.6?3 -:ti_ 1.1o-: .999- .t?9- .?s! .7o-2- .7e7 r.rss- .sss.Z16-- .9i9 .03?- .l9g r.zos- z.ore- g.rzo- :ti1 .eas.zos:i6a,!?6-- .??7 2.222 r.el! r.!l? r.o12- .orr .ose r.oii :iat .rs2- .{86 l.o3?- 1.320 .968- .ssr .aaz_ z.ezs i-.oi- :i_
.531- .112- 2.257 .025 t.711- .a8a 1.89? .936- .O2t.710 1.203-.lal . l6a 1.8,t3 l. 862.347- .2L6 1.172 .908 .25O 1.075- .681- .o31- .{59- .251 .302- .762.2tq- .53?- 1.235- .326- .449 l.l?o- 1.172 .011- .37O .441- 2.680- l.6,trl- 1.916- .Alg.?qc- ..9I- .56t- .99s- .,r15- 1.585 .5?8_ .85{- 2.102 .s9l _.276- 1.19? 1.603- .9O7- .8,13- Jeg- z.gel .80?- .a3l 2.078 1.251 .35?- .387 .922- .6,19- .958- .ZSS.7!1. .!06- .2o8- .231- t.l8o L.127- .oo.- .2rO- l.6rto- .Brl.628- 1.5?o r.zsg- r.glr .zas :ia-.91! 2.991 -.199l.!lq- 2.!?i .?9q- -.?99 .?8?- 2.003- t:?o?- .oer .oos- :{i.?3_? .qqg .r53- l.6E!.075- .ers- .srs .5?O- 1.682- .zet_ .3Tt .6rl .o{9-1.219.Bs8- .ls? .985- .eze .osr- .zto_ :.a56 .569- .t77 1.Ol,t- 1.088- .853
l.?aa
.961

.374- L.279 .17O-

.29L 1.489 t..05t

1.826-

.7lo.t57-

.291 1.o03- .o{9 1.610 ,227- .17A t.O2g .67? .060- .709 .88?- -A23 1.t63- .6?0- .100- .327 .228- 1.012- 1.a50 t.22L-

1.830 .776

t.821

l.0l 9l. 73a

344

PH TASSI , S. LEGAIT

TABLLS NUIVERIOUES

Table no 1O
ESPERANCE DE LA STATISTIOUE D'ORDRE
_.Cette (X,, .. xn) extrait d'une loi normale N (0, l) '

-E(X," -',)
2

table fournit E (X,,,), o X,,, est I'observation de rang i lorsque lchantillon est class pu, o.J.. dcroissant: X,u ),X,r, )- ...2 X,,t ) ...) X,", ; n varie de 2 50. par symtrie, E (Xrrr :

I ?
3

0.5642

-0.5642

0.E463

0.oooo

-0.846t

4s6 7E 1.0296 r.1630 t.2672 r.!522 1.4236 0.2970 0.4950 0.6418 0.1574 0.e522 -o.29t0 0.0000 0.2015 0.3527 0,4728 -1.o29 -0.4950 -0.2015 _0"0000 0. L525

I 2 3 4 5

6 t
I 2 3 4 5
6

9l0ltt2u t4 15 t.4850 1.5388 t.5864 t.6292 r.66S0 1.70t4 t.7t59 0.9323 l.ool4 l.06 l, t. lr57 r. r64t 1.20t9 1,2419 0.5720 o.6t6r 0.7286 0"7928 0.8498 o,9477 0.2145 0.J756 0.4620 0.5]68 0.6028 0.901r 0.66IE 0.tr49 0.0000 0.t227 0.22{9 0.3t22 o.3ss3 0.4556 0.5157 -0.2''45 -O.t22t o.ooq) 0.1026 o.t9o5 0,26:/3 0.3351 -0.5720 -0.3758 -O,2249 -o.1026 o.oooo o.os82 0.1653

16
t.7660

r.284t

0.990! 0.7532
0.5700 0.3962
0.233E

t ll
I
2

l0

-0.07tt -0.z3tt
-0.3t62

0.07t3

-0.1460 -0.06s! -0.2952 -o.20r,

0.2952 0.350s 0.1460 0.207t 0.00 0.6S!

0.6r95 0.664t o.Ju 0.tot6

1.0295 l.o65t 0.E074 0.t481

t7 lE r.7939 1.82@ l.3rE8 r.3to[

r9

20

21

22

1.841.5 1.8675 r.E892 1.9097 t.3799 r.@76 r.4336 1.45S2 1.0995 l. u09 l. r60t t. rE82 0.E85t 0.92t0 0.9538 0.9846 0.7066 0.74' 0.7E15 0.E153 0.y77 0.5903 0.629E O.6667 0.4016 0.4433 0.4915 0.5316 0.2537 0.3r49 0.3620 0.r56 0. uot 0. 1870 0.2384 0.2r58 0.0000 0.0620 0.1184 0.rt00 -0.Llot -0.0620 0.0000 0.0564

23
3

24

2'

26

2t

2E

Le

4
5

t0

I t I

tl lf

l2

l4

.0.2rtt

1.9292 r,%7t 1.4!14 r.5034 t"2144 1.2392 1.0u6 t.o409 0.8470 0.!t68 0.t012 0.733t 0.t690 0.6@ 0.4461 0.6839 0.329t 0.3705 0.21t5 0.2616 0.108 r 0.1558 o.(xn, 0.0518 -0. l08l -0.0t!t
-0. r35C

1.9653 1.9E22 l.t2(! t.*2 1.2626 t.2t5l I .0'66t I .091 0.9050 0.9tr7 0.t64t 0.t929 0.6369 0.6679 0.519t 0.5t2t 0.4096 o.t t l.4 0.t0lt 0.34t0 0.2001 0.2(13 0.0995 0.r4!9 0.0000 0.0478 -0.0995 -0.0{t8

1.99E3 2.0U7 2.0285 r.5633 t"5815 l.r9E9 r.3064 1.326t r.3462 l. rl47 l. t3t0 1.15E: 0.9570 0.9812 1.00l 0.8202 0.8461 0.8708 0.6973 0,7251 0.75t5 0.t84t 0.6138 0.6420

0.0000 0.0444

r 0.4u0 0.(430 0.2798 0.3160 0.3t01 0. r852 0.2239 0.2602 0.0922 0.tit36 0.t724
0.37t
0.0859

0.4780 0.5098 0.5t98

TABLES NUMERIOUES

Table no 1O (suite)
ESPERANCE DE LA STATISTIOUE D'ORDRE

t0 I 2 3 4 5
6

31
2.0565

32

33

34

35

36

l0

n
13

t2

l5
r6

l4

l? t8

r 2 3 4 5 6 t 8 9 r0 ll t2 13 14 t5 16 l7 l8 19 20 2l

2,0697 2,0824 r.6156 r.6317 1.64.7 r 1.6620 r.3648 t.3827 t.3999 1.4164 l. 1786 1.1980 1.2167 r.234'' 1.026t l.o47t 1.0672 1.0865 0.89t4 0.9169 0.9384 0.9590 0.7767 0.E007 0.8236 0.8455 0.6688 0.6944 0.rt8t o"7420 0.5683 0.5955 0.6213 0.6460 0.a733 0.5021 0.5294 0.5555 0"3824 0.4129 0.4418 0,t694 0.2915 0.3269 0.3575 0.386t 0.2088 0.2432 o.2751 0.!065 0. l24r 0.16u 0.1957 0.2283 0.0415 0.0804 0. t169 0. 1515 -0.04r5 0.0000 0.0389 0.0755 -o.L241 -0.0804 -0.0389 0.0000 -0.20EE -0. t6 ul -0"1169 -0.0755 t 37 38 39 2.u93 2.lrol 2.1506 2.t60E 1.7166 r.7291 1.74L1 1.7531 l.{768 1.4906 r.5040 r,5r70 r.3002 r.3r5t r.3296 r.3437 1.1568 r.1728 l.tEEt 1.2033 1.0339 1.0509 r.0674 r.0833 0.9250 0.9&30 0.9604 0.9772 0.8260 0.8451 0.8634 0.6Ell 0.7316 0,754'' O.71t 0.7926 0.6490 0.6701 0.6904 0.7099 0.5679 0.5900 0.6113 0.6318 0.4904 0. t 136 0.5359 0.3574 0.4158 0.rlol 0./635 0.4859 0.3434 0.3669 0.3934 0.4 169 0.2'127 0.2995 0.3252 0.3198 0.2014 0.2316 0.2585 0.2A42 0. 135 r 0. 1647 0 . l 929 0 .2 199 0.0674 0.0985 0.1282 0.1564 0.0000 0.0328 0.0610 0.0916 -0.067 -0.0328 0.0000 0.03u -0.1351 -0.0985 -0.06ro -0.0312

2.0428

2.0947 2. 1066 2 . r r8 t 1.6764 1.6902 1.7036 1.432t t.tA75 t.t24 1.2520 r.2666 t.2847 1.1051 l.1229 t.1402 0.9789 0.9979 1.0162 0.666 0.8E68 0.9062 0.t643 0.7857 0.8063 0.6695 0.592r 0.7r38 0.5804 0.6043 0.6271 0.4957 0.5208 O.W9 0.4144 0.4409 0.t62 0.3358 0.3637 0.3903 0.2592 0.2886 0.3 166 0.1842 0.2152 0.2tA6 0.1101 0. 1426 0.1739 0.0366 0.0712 0.1040 -0.0366 0.0000 0.0346
43 41 42 2.L707 2.r80! 2.1897 1.76/+6 1.7757 1.7865 r.5296 r.5419 1.5s38 t.3573 1.3705 1.3833 1.2178 r.r9 r.2456 r.0967 1.t136 l.t28t 0.9935 1.0092 1.0245 0.E983 0.9r48 0.9308 0.8106 0.8279 0.W7 0.7287 0.7t9 0.7645 0.6515 0.6705 0.6EE9 0.5780 0.59t9 0.6 r7 l 0.5075 0.5283 0.5483 0.4394 0.46 lt 0.820 0.3734 0.3%0 0.4176 0.3089 0.3326 0.3553 0.2457 O,2704 O.29t 2 0.1835 0.2093 0.2341 0. t2r9 0.1490 0.1749 0.0608 0.0e92 0. l16l 0.0000 0.029? 0.0580

346

PH TASSI . S. LEGAIT

TABLES NUMEBIOUES

Table no 10 (suite)
ESPERAI\CE DE I-A STATISTIOUE D'ORDRE

I
2

6
1

t0 t2
r3 t4

il

l5

lt It
2t
22

l6

l9

l98t 2.207t 1.797t 1.8013 1.5653 t.5766 1.395t 1.407E 1.2588 t.27rt l.t42t l"t55E 1.0392 t.0536 0.9I'63 0. 96 14 0.86 t0 0.876t 0.7E15 0.t979 0.7067 0.t238 0.6356 0.6535 0.5616 0.5863 0.5022 0.5217 0.4t89 0.4591 0.37t, 0.!9S! 0.!rto 0,3!90 0.257' 0.2808
2.

20

2l
24

2t

-0.0851 -0.1422

0.02tt .0.02tt

0.1422 0. t67l 0.0851 0.tllt


0.0155 0.0000

0.r9rt

0.2236

-0.05t5
-0.

lllr

2.2164 2,2249 2.2331 2.24t2 2.249r r.8u3 l.E27l 1.8366 1.8458 r.8549 1.5875 1.5982 t.6oE6 l.6rE7 t.62E5 1.4196 l.(3u l.tA22 t.453t 1.463? r.2842 1.2964 1.3083 l.3r9E r.3lu l.1690 l. lsl, t.1944 !.2066 r.2r85 l.067t t.0810 1"0942 !..1070 r. ll95 0.9760 0.9902 l.0o4o _ r.0174 l.g3o4 0.8920 0.9068 0.9212 0.93s3 0.94s9 0.8139 0.t294 0.c,uA 0.8590 0.E732 0.7405 0.tt66 0.172t 0,7875 0.ao22 0.6t09 0.68?t 0.7040 0.7198 0.735 t 0.60r 0.6219 0.6368 0.6552 0.67 rt 0.5405 0.5586 0.5763 0.5933 0.6099 0.478t 0.4975 0.5159 0.53t6 0.5t08 0.418t 0.4363 0.45tt o.4't5, 0.4935 0.t602 0.t806 0.4{x)t 0.4191 0.4379 0.10t9 0.324t 0.3t'46 o.t,tA 0.!tt6 0.2455 0.2636 0.2899 0.trot 0.!!oa 0.1910 0.et40 0.2361 0.25t5 0.2761 0.u60 0.1t99 0.t830 0.2051 0.2265 0.081 0.1064 0. u03 0.1534 0.1756 0.0271 0.053r 0.0781 0. t020 0. u5r -0.0271 0.00@ 0.0260 0.0509 0.0749 -0.08r4 -0.05t1 -0,0260 0.00co 0.0250

PH. TASSI

. S, LEGAIT

347

TABLES NUMERIOUES

Table no 11 VARIANCES ET COVARIANCES DE LA STATISTIOUE D'ORDRE


X,

N (0,

l)

reprsente l'observation de rang i dans un chantillon (X,, .. X") extrait d'une loi class par ordre dcroissant : X,,, > ...2 X,",. Cette table iournit, par n allant cie 2

20.iesvaleursdeV(X,,,)etCov(X(i),X,;,).OnaCov(X,,,,X,;,)

= Cov(X,",*,r,X1"
g9

1*,r).

L
z

ll 4t

6l

I 2 2 I 2 3 , I 2 3 4 2 3 I 2 3 4 5 2 , 4 ! I 2 I 4 5 6 2

!0.53 1' 0.3 U3


7

0.6t17
0.5595

0.275t
0.1649

tt

g.t1

0.917

0.2455

o.ljto
1r.3605

0.107 0.2359

O.t{?5 0.22!

g.lt{ I
0. t05r

0.07{2
0.3115 0.2084 0.1499 0.2868 0.1085 0.1194 0.1024 0.0714 0.0561 0.2796 0.1397 0.1059 0.2662 0.

0..u9

3
4 5 3 I I 2 3 4 t 6 7 2 3 4 5 5

o.uto

0.!919
0.1962

lrtt

0.t!2I
0.09E5

0.0766 0.0599
0.O4/.E

0.2567 0. lt49 0. Ll07 0.1020


0.030

! 0.2197 { 0.1656 5 0. t:lt6 4 0.2104 i 0.J729 2 o.1863 3 0.1260 a 0.094? 5 0.07lrt 6 0.0602 t 0.0451 t 0.036E 2 0.239t t 0.1632 a 0. t233 5 0.0976 6 0.0787 t 0.0632 3 0.2008 4 0. u2 5 0.ut0 6 0.0978 4 0.1672 5 0.1492 I 0.3574 2 0. lTEl I 0. uot a 0.09L1 t 0.0727 6 0.0595 ? 0.q91 t 0.0401 , 0"0311 2 0.225' t 0. l54l 4 0.ltt0 t 0.09t4 6 0.076t t 0.0632 E 0.051, ! 0.1E6{ 4 0.t421 5 0.1!!E 6 0.09t{ r 0.0?72 4 0,1706

{
5

l.

t0

5 6 t I 2 3 t 5 6 t e I l0 2 !

0. ul70

0.lt2t
0. l16l 0.0882

0.1661 0.3443

0.ltlt

0.070t
0.0584 0.049

0.04It
0.03r
0.0267 0.2145 0.1466 0. ut?

ll

0.0742 7 0.022 ! 0.0523 9 0.0434 t 0. l7r0 0. l3t8 5 0.l0rt 6 0.092 t 0.0?9 I 0.0630 a 0.ur9 5 0. u7t 6 0.105t t 0.0869 5 0.1511 6 0. u56 I 0.3!32 2 0.1654 t 0.1u4 a 0.065t t 0.068E 6 0.0572 t 0.o4t4 t 0.04 u 9 0.03t1 l0 0.0294 ll 0.023t I 0.2052 ! 0. raoS

a 5

0.089t

348

PH TASSI - S. LEGAIT

TABLES NUMERIOUES

Table no 11 (suite) VARIANCES ET COVARIANCES DE LA STATISTIOUE D'ORDRE

L ll

t
2

o
12

12

4 0.t071 5 0.0864 6 0.c719 t 0.0509 8 0.0520 9 0.0443 l0 0.0371 I 0.1657 4 0.1:lr0 t 0.1026 6 0.0E59 t 0.0725 E 0.0519 9 0.052e 4 0.1$0 J 0. lr99 6 0.lo 7 0.oE{9 t 0.0725 t 0. u96 6 0. 1167 ? 0.0992 6 0. ljtr2 I 0.3236 2 0. t602 3 0. t0c9 0.0tll 5 0.0671 6 0.05ro 7 0.0477 t 0.0ct0 t 0.0354 l0 0.0305 ll 0.025t ll 0.0206 2 0. tr?3 ! 0. lJ{9 ( 0.1032 t 0.or3t 6 0.0696 7 0.05 9r t 0.0512 I 0.O.i3 l0 0.0361 ll 0.03 t 0. u60

!
3

tit

a 0.12t2 5 0.09E3 6 0.0822 7 0.0701 6 0.0604 9 0.052! l0 0.0450 4 0.u9r 5 o. tt36 6 0.0952 t 0.0612 0.0701 9 0.0607 t 0. tito6 6 0.1096 7 0.0937 8 0.0809 6 0.1266 7 0.10E4 I 0.3152 2 0.155t 3 0.1059 4 0.0609 5 0.065t 6 0.0548 ? 0.0459 t 0.066 I 0.0354 l0 0.0t09 II 0.0269 t2 0.0229 Li 0.0184 2 C.1904 J 0. L'02 4 0.0997 5 0.0809 6 0.074 7 0.0tr0 t 0.0503 9 0.0439 l0 0.ct84 ll 0.0!tt 12 0.02t 3 0. l5l4 0. u6! 5 0.094t

L !t

!
3

14 I

6 7 t 9 l0 u 4 t ? t 9 t0 5 6 7 E 9 6 7 t ? I

0.0793 0.0679 0.0589 0.0514

0.0{50
0.0J91 0. Lt30 0.108J 0.0910 0.0780 0.0677 0.0592 0.0517 0.1233 0.1037 0.0890

0.07i4
0.076 0.1183 0. 1017 0.0886 0. u6E

4 0.0789 5 0.06(0 6 0.0537 7 0.0461 t 0.0rot 9 0.0352 l0 0.0310 n 0.0273 u 0.0219 c.0205 u 14 0.0t66 2 0.tt44 I 0.I26t a 0.0967 t 0.0785 6 0.0660 t 0.056t t 0.049{ 9 0.043 lo 0.0382 ll 0.0337

2 3

0.307t

o.ut?
0.1032

PH TASSI

. S. LEGAIT

349

TABLES NUMERIOUFS

Table no 11 (suite) VARIANCES ET COVARIANCES DE LA STATISTIOUE D'ORDRE

L1 142
3

L
u 0.0295 lJ 0.0253 3 0.t45t 4 0.1u0 t 0.0il1 t 0.0t6t ? 0.065, I o.otra I 0.050t lo 0.0445 ll 0.0392 tl 0.0r4t a 0. utt t o. tott 6 0.0tta t 0.0t5t t 0.06tt 9 0.05t6 lo 0.0t0t l! 0.0{4t 5 0. u7t 6 0.096E t 0.0t51 I 0.072 t 0.o65t lo 0.0516 o.uu t 0.0t61 t 0.0t40 t o.0tl9 t 0. to90 t 0.095t I O.tOUt 2 o.t.tl I 0.100t 4 0.0t7t I 0.0626 6 0.052t t 0.o4tt t 0.0t96 9 0.0t4t t0 0.0110 tt 0.0275 U 0.014/a lJ 0.02u t{ 0.01t5

r-
ut
2

L
lt 2 t { 5 6 7 t , lo tl u u t4 t a 5 t t 9 l0 ll u u a t 3 t t t l0 u u t t I I l! ll 6 r t I lo
0.0ut 0.lt9r
0. u2

I
7

L
t o. t02t ! 0.0900 9 0.0t97 t 0. t0t7 I 0.2950 2 0. 1449 I 0.09E5 0.0tta I 0.0613 6 0.0517 t 0.0446 t 0.0t90 I 0.014t lo 0.030t 11 0.02?t u 0.02t6 u 0.0220 la 0.0195 u 0.016t t 0.0Lrt 2 0.174{ t 0. t19l a 0.0il{ t 0.074, 6 0.06 t 0.0542 t 0.0475 I 0.0421 l0 0.0tr5 ll 0.03t6 u o.0to0 u 0.0t6t l4 0.023t u 0.0206 t 0. Ll6l a 0.104t 5 0.0ttt 6 0.0722 , o,o6u t 0.054t 9 0.0114 l0 0.0{t2 ll o.o3, 12 0.0146 Lt 0.0309 t 0.02t4

l5

0.09tt
0.o64t 0.042t

0.0764

t 16 I

0.0t5{
0.0414

0.03tt 0.03tt
0.0299 0.0263

0.022t

o.rort
0.02 0.074t
0.0641 0.0560

o.laot

0.or94 0.o6t9 0.0!90

0.0]at
0.09t7
0.oE42

0.05
0.1.it12

0.0716

.,

0.061t
0.0561

!.t

0.o{4t
o.0t9a
0.1119 0.0945

0.o49E

0.ocr6 0.071( 0.06t1


0.0561

0.0{99
0. 1059

0.0tu
0.0t09

0.0l
0.0630

350

PH, TASSI

. S. LEGAIT

TABLES NUMERIOUES

Table no 11 (suite) VARIANCES ET COVARIANCES DE LA STATISTIOUE D'ORDRE


D

!
4

L
s 0.1179 5 0.0963 6 o.08Lt 7 0.0703 t 0.0617 I 0.05at t0 0.oaga ll 0.0437 rt 0.0t9t ll 0.0!49 5 0. to74 6 0.0roa t 0.0tEt I 0.06t9 9 0.0611 l0 0.05a6 lt 0.tr9 u o.o(tr 6 0. !0r0 t 0.0875 E 0.076t 9 0.0682 lo 0.0609 ll 0.0145 ? o,o974 ! 0.0656 9 0.07 l0 0.0679 t 0.0t5t 9 0.0850 I 0.2195 2 0. tatt ! 0,0965 a 0.0t39 5 0.0601 6 0.050t t 0.043t t 0.03E5 9 0.0tt l0 0.0t ll 0.027a t2 0.0247 tt 0.022t l{ 0.02m rt 0.017t 16 0.0155

L
l7 0.0127 2 0.170t 3 0. lt62 0.or92 5 0.072t 6 0.0614 t 0.0531 t 0.0466 I 0.o4la lo 0"0170 ll 0.0t3! u 0.0too u 0.02?0 r 0.02{2 u 0.021t 16 0.0ut I 0. u2{ a 0. trl9 5 0.ot3l 6 0.070t 7 0.o60t t 0.05t4 9 0.0475 10 0.042t ll 0.0382 u 0.034a u 0.0110 14 0.02tt u 0.02t a o.ltao 5 0.0932 6 0.078t 7 0.0562 t 0.0oo t 0.053! lo 0.o4tt ll 0.0429 u 0.036t u 0.0t49 la 0.031;, 5 0. t0'4 6 0.0616 7 0.07J9 t 0.066t 9 0.0r9t lo 0.0531

L
l7

!
5

lll o.utE L2 0.0{31 lJ 0.03E 6 0.0969 7 0.o{ 5 0.073' 9 0.o65t l0 0.05E9 tl 0.05!{, 12 0.047t t 0.0929 E o.oEu t 0.072t 10 0.o65t lt 0.05E! 6 0.0st 9 0.oa0E l0 0.0725 9 0.0900 1 0.?84t 2 0. u93 t 0.09a5 4 0.072t 5 0.0590 6 0.0499 t 0.&31 t 0.0t79 t 0.033t l0 0.030! ll 0.0273 u 0.0247 Ll o,at24 16 0.020t 15 0.01E2 t6 0.0t6t r7 0.0r! lt 0.0rD 2 0. r66t I 0. 1135 0.o!t2 5 0.0?u 6 0.0601 t 0.0520 r 0.045t 9 0.o40t l0 0.036t

l6

l7

Itl

rt

PH TASSI

-S

LFGAIT

351

TABLES NUMERIOUES

Table no 11 (sufte) VARIANCES ET COVARIANCES DE LA STATISTIOUE D'ORDRE

L
l8

!
2

sl8

!
6

t0.0636 0.0571

1
2

ll 0.0330 12 0.0298 13 0.0270 14 0.0245 t5 0.0221 16 0.0197 l7 0.0172 3 0. l2t9 a 0.0992 5 0.0t10 6 0.0615 7 0,059{ I 0.0522 9 0.0a6J lo 0.o4tt lt 0.0377 12 0.0341 lJ 0.0309 l{ 0.02t0 15 0.0252 16 0.0225 4 0. l106 5 0.0904 6 0.0766 t 0.0664 t 0.054 I 0.0520 lg 0.0rri6? tt 0.(xt2 u 0.0112 lJ 0.0346 l( 0.03Lt

t9

5 6 ? t 9 t0 lt u ll l4 6 7 I

0.02E3

0.0999 0.0847 0.0734 0.067 0.0577

0.051t 0.o46t

0.(x2l
0.0932 0.0609

0.038{

0.0tl!
0-07Lt

u t 9 l0 tl 9 l0 I 2 3 a 5 6 7 t I lo 11 l2 lj! l{ u 16 l7 u lt 2 t a 5 6 t t r l0 ll

9 l0 t1 u Lt 7 t 9 !0 ll

t9

0.05t6
0.0467
0.O42t
.0.08 90

0.07E5

0.0700

0.062t
0.0569

0.05u
0.oE5

0.0172 0.069 0.0627 0.0653

0.076t

0.Lt6t
0.07

0.2799

0.0929

0.0580 0"0490 0.0425 0.0314 0.0333 0.0300

0.02tt 0.026 0.0u5


0.016t

0.0124

0.020{
0.0150 0.0132

t2 0.0296 13 0.02t0 14 0.0246 u 0.02 16 0.0202 t? 0.0181 lE 0.0u9 3 0.1257 4 0.0967 5 0.0790 6 0.0669 7 0.0580 0.05u t 0.0456 t l0 0.0410 tl 0.0371 0.033t u u 0.0307 ll 0.02t0 0,0254 u 15 0.0230 l, 0.0206 a 0. t075 t 0.0679 6 0.0741 1 0.o64t6 t 0.0570 t 0.0509 l0 0.o{5E 0.o4t ll !:l 0.0376 lJ 0.0343 14 0.031t

0.0t09
0.161 0. 0.0853 0.0696 0.0569 0.0510

nll

0.0(50
9-9401

0.0360 0.0326

16 5 6 7 t 9 l0 ll 12 13 la u

o.o2E4

0.025t 0.096t 0.0t21 0.071t


0.0629 0.0561 0.0505

0.95t

0.0416
0.037 9

0.0345 0.0314

352

PH. TASSI - S, LEGAIT

TABLES NUMER1OUES

Table no 11 (suite)
VARIANCES ET COVARIANCES DE LA STATISTIOUE D'ORDRE
n

!
6

L
20

E
2

l9

20

l0

6 0.0900 , 0.0782 E 0.0690 9 0.0616 t0 0.0555 ll 0.0502 12 0.0457 tjt 0.0416 14 0.0379 7 0.0E56 E 0.0756 9 0.067t t0 0.0608 ll 0.0551 12 0.0501 l3 0.o45t t 0.062t 9 0.07/! l0 0.0667 tl 0.0604 12 0.0550 9 0.06u t0 0.07tt ll 0.066t l0 0.080t t 0.2t5? 2 0. ui45 ! 0.0911 a 0.0700 5 0.05t1 6 0.04Et ? 0.0418 t 0.0369 9 0.0329 l0 0.0297 u 0.0269 t2 0.0245 l! 0.0224 l4 0.0205 15 0.01E7 16 0.0ltl 17 0.0155 It 0.01J I 19 0.0t21 20 0.0102 2 0.1J96

J. 3 0. l08t 4 0.083 5 0.06t2 6 0.057E 7 0.0501 t 0.0442 I 0.0395 l0 0.0396 lr o.0t22 L2 0.0294 13 0.0268 t{ 0.02{5 15 0.0225 16 0.0205 t7 0.0u6 It 0.0167 t9 0.0147 3 0. u2t a 0.094t 5 0.0172 6 0.0655 7 0.056t 6 0.0501 I 0.044t t0 0.o{ol tt 0.0366 12 0.0ltt tt 0.0305 l4 0.0279 t5 0.0255 t6 0.0233 17 0.0211 u 0.0190 4 0.1047 5 0.0856 6 0.0726 t 0.0631 5 0.0557 9 0.049E
l0

L!
204
5

lt 5 6 ? t 9 lo ll t2 Ll l4

0.0235

0.o9lo
0.0794

0.069!
0.0611

0.054t
0.0491

0.o44t

0.olo8
0.0373 0.0341

rJ

ll 12 lJ l4 u t6

0.0]148

0.0ro7
0.0171 0 .0319 0.0310 0.0284 0.0259

t6 6 7 t 9 t0 lt 12 u la 15 ? E 9 I0 tl 12 u la 8 9 l0 tl l2 lJ 9 l0 ll 12 l0 ll

0.03u
0.02E5 0.075E

0.0872 0.0670 0.0599

0.05{0 0.04 0.04{7 0.ol8


0.0374 0.0342
0.0E26

0.0730

0.065!
0.0589 0.0535
0.046E

0.0446

0.0tot

0.0796
0.07 13

0.0641 0.0564

0.0533
0.O4o, 0.0778 0.0703
0.063E 0.05E2

0.0?69 0.0699

PH TASSI

. S, LEGAIT

INDEX

A Absolue coniinuit, bg, 7,l. Accroissements indpendants, 307. Affinit, 243. Alghre, 13. Approximation, 115, 214, 236. Attraction, 282. Autocorrlation, 2g6. Autccorrlation partielle, 3 02.
Autocovarianc e, 292.

Autorgressif. 31

l.
B

Dcile, 78. Densit, 59, 73, 80. Dirac (mesure), 37. Distance de lipschitz, 244. 0istance d'Hellinger, 243. Distance de Paul Luy,241. Distance de Frohorov, 244. Distance en uaation, 242. Domaine d'attraction, 282.

Banach. I 66.
Bayes (thornel, 27.

Beppo-l-evi, 49. Bienaym-Tchebichev, EZ, 76. Bochner. I 89. Borlien" 18. Brownien, 31 1 .

Ecart-type, 76. Echantillon, 154. .l3, Espace mesurable. 3b. Espace mesur, 3b. Espace probabilisable, I 3. Espace probabiiis, 22.
Esprance, 51, 53, 7b. Esprance conditionnelle, g8. Etage (fonct!on),46. Etendue, 284.

c
Cauchy-Schwarz. Sl,83, I 69. Centile, 78. Gentral limite (thornel, 227. Goefficient de corrlation, gJ, 1iZ. Coefficient de dtermination, I 7g.
Gomptage (mesure), 40. Convergence dans [r, 166. ,|67. Convergence dans l-a, Convergence domine (thorme), bg. Convergence en loi, 2.l3. Convergence en probabilit, 20g. Gonvergence presque sre, 207. Corrlogramm e, 297 .

Evnement, 12. Exprience, I 2. Extrme, 266.

eovariance, S2. Cramer-von Mises, 247. Cramer-Wold, 217.


PH TASSI - S. LEGAIT

Famille exponentielle, 1 b2. Fisher (coefficienrs), 1 50. Fisher (thorme), I 82. Fonction caraetristique, I 86. Fonction de rpartition, 22, 72, 80. Fonetion de rpartition empirique, 2S1. Fonction gnratrice, 187. Fonetion intgrahle, 50. Fonction mesurable, 40. Fonction muette, 56.

INDEX

Fractile,77.
Fractile empirique, 273. Frisch-Waugh, 302. Fubini (thornne), 65.
G

Gnedenko, 281. Grands nombres (loil, 223.


H

Logarithme itt,253. loi conditionnelle, I1. Loi d'une u.a., 44, 71. loi des extrmes, 276. loi du type l, 277. Loi du gpe ,4, 277. Loi du type all, 277. Loi marginale, 86. lois usuelles : Bernoulli, 108.

Bta,121.
Binomiale, 1 :10. Binomiale ngative, Cauchy, 140.
1

llellinger (distance), 243.


Hermite, 128. Henry (droite), 143. Hilbeit (espace), 169. Holder (ingalit), 1 69.
I

15.

Dirac, 107.
Exponentielle, 1 1 8. Fisher-Snedecor, 140. Gamma, 1 17. Gomtrique, 1 16. Gumbel, 124. Hypergomtrique, I 13.

lndpendance, 24, 87, 195.

lnjectivit, 188.
lntgrale bta incomplte, 264. lntgration, 46, 6 1 . lnversion, I 88.

lndicatrice, 1 08.

Khi-deur 136, 255.


laplace, I 92. log-normale, 135.
Multinomiale, 1 10. Itlormale unidimensionn elle, 1 24. ltlormale multidimensionnelle, 1 31. Pascal, 1 16. Poisson, 1 09. Student, I 38. Uniforme, 1 16.

Jensen,52.
K

Khintchine,223.
Kofmogorov, 18,243.
Kuf

Weibull, 1 19.
M

lback-Leiblet, 248.

t
lebesgue (mesure), 39. lebesgue-Nikodym, 6 1 Lebesgue (thorme), 59 lvy Paul (distance), 241. lvy Paul (lois), 190. lvy Paul (thorme), 217
.

Markov,

31 4.

Masse, 35. Mdiane, 78. Mesurable (application), 40. Mesure, 35. Mesure discrte, 37. Mesure trangre, 61.

356

PH, TASSI - S. LEGAIT

INDEX

Mesure image, 43. Mesure produit 64.

Mesure o-linie, 37. Minkowski, 168, 1 70.

Moment 75,82,271,
Mouvement brownien, 3l I Moyenne arithmtique, I 72. Moyenne quadratique, I 71.
.

Radon-Nikodym, 6 1. Happort de corrlation, 1 01. Rfrentiel, 12. Bsulrar, 12.

s
Slutsky (thorme), 21 1, 21 4. Somme (de v.a.), 194. srabilir, 281. Stationnarit, 2 9 1 . Stationnarit laible, 2gZ. Stationnarit stricte, 2gl. Statistique descriptive, 1 71. Statistique d'ordre, 261.

ilgligeabilit, 54. 0 0prateur, 304. 0rdre, 258.

0rdre (statistique),

26

1.

T
P

Papier fonctionnel, 1 42. Pearson (coefficients), 1 50. Pearson (distance), 247. Poincar (formule), 21. Polya (thorme), 189. Presque partout, 54.
Presque srement 54.

Tableau statistique, 92. Trajectoire, 290. Translert (thorme), 62.

Tribu, I3. Tribu borlienne, 1 7. Tribu engendre, 1 6, 40. Tribu produit, 44. Type,281.
V Valeur extrm e, 266, 278. Variable alatoire, 43, 71. Variance, 75. Variances-Covariances (matrice), 84. Vitesse de convergence, 2b3.

Probabilit, 18. Probabilit conditionnelle, 23. Processus, 289. Processus autorgressif, 31 1. Processus de Poisson, 307. Processus de vie et de mort, 310. Processus quivalent, 2 g0. Processus moyenne mobile, 3l g. Processus stationnaire, 291. Prohorov, 244. Proximir, 246,253.

Woltowitz,247.

0uartile, 78.
Ouasi-tendue, 2 84.

Yu|e,315,318.

PH TASSI - S. LEGAIT

lmprim
I'INSTITUT FRANCAIS DU PETROLE B.P. 311 92506 RUEIL-MALMAISON CEDEX FRANCE

Dpt lgal 1"'trimestre 1990


:

Achev d'imprimer en janvier 199O


No

d'ordre diteur : 8O5

lsBN 2.7 108-0582-0