Notes Chapitre 6 : Variables Aléatoires Continues L2 Eco-Gestion, option AEM (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 1 / 19 Plan Notes 1 Notion de densité de probabilité 2 Lois continues usuelles (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 2 / 19 Plan Notes 1 Notion de densité de probabilité 2 Lois continues usuelles (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 3 / 19 Notion de densité de probabilité Notes Définitions Définition Une v.a. X est dite continue si X (Ω), l’ensemble des valeurs qu’elle peut prendre, est un intervalle (borné ou non) Une v.a. X est dite absolument continue si sa fonction de répartition définie par F (x) = P(X ≤ x) est continue et dérivable. Remarque Si X (Ω) = R, on a P(X = a) = 0 pour tout a ∈ R... (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 4 / 19 Notion de densité de probabilité Notes Définitions Définitions On définit la densité moyenne de probabilité d’une v.a. continue X sur un intervalle [a, b] : f (a, b) = P(a ≤ X ≤ b) F (b) − F (a) = b−a b−a Si X est absolument continue, on peut définir la densité de probabilité en un point : F (x + h) − F (x) f (x) = lim h h→0 On a alors f (x) = F 0 (x) (dérivée de la fonction de répartition). f est appelée densité de probabilité de la v.a. X . (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 5 / 19 Notion de densité de probabilité Notes Définitions Conséquences Pour une v.a. X absolument continue, on a : F (x) = Rx −∞ f (y )dy P(a ≤ X ≤ b) = Rb a f (y )dy Remarques Interprétation,. . . (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 6 / 19 Notion de densité de probabilité Notes Définitions Propriété f est une densité de probabilité d’une v.a. X si et seulement si : f est positive R +∞ −∞ f (x)dx = 1 Exemple ... (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 7 / 19 Notion de densité de probabilité Notes Espérance et variance Définition Soit X une v.a. continue de densité de probabilité f . E(X ) = R +∞ −∞ xf (x)dx Var(X ) = E[(X − E(X ))2 ] = E(X 2 ) − E(X )2 Compléments ("identiques" aux v.a. discrètes) Soit X une v.a. continue de densité de probabilité f . Soit g uneRfonction (telle la quantité ci-dessous soit définie) alors +∞ E(g (X ) = −∞ g (x)f (x)dx. Soit t ∈ R (telle que la quantité ci-dessous soit définie) alors, la fonction génératrice de X est définie par MX (t) = E(exp(tX )) = (L2 Eco-Gestion, option AEM) Z +∞ exp(tx)f (x)dx. −∞ Chapitre 6 : Variables Aléatoires Continues 8 / 19 Notion de densité de probabilité Notes Somme et indépendance Indépendance Soient X et Y deux v.a. continues. Ces deux v.a. sont indépendantes si les événements {a ≤ X ≤ b} et {c ≤ Y ≤ d } sont indépendants pour tous a, b, c, d . Somme de deux v.a. Soient X et Y deux v.a. (quelconques) telles que les quantités ci-dessous soient définies alors E(X + Y ) = E(X ) + E(Y ). Si en outre, elles sont indépendantes Var(X + Y ) = Var(X ) + Var(Y ). (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 9 / 19 Plan Notes 1 Notion de densité de probabilité 2 Lois continues usuelles (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 10 / 19 Loi continues usuelles Notes Loi uniforme Définition La v.a. X suit une loi uniforme sur [a, b] si sa densité de probabilité est donnée par : f (x) = 1 b−a si x ∈ [a, b] ; f (x) = 0 sinon. Remarques Calculer la fonction de répartition et la tracer. (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 11 / 19 Loi continues usuelles Notes Loi normale La loi normale est aussi appelée loi de Laplace-Gauss, ou loi gaussienne. Loi essentielle pour la statistique inférentielle. Définition X suit une loi normale de paramètres µ et σ si sa densité de probabilité est donnée par : 1 x−µ 2 1 (∀x ∈ R) f (x) = √ e − 2 ( σ ) σ 2π On note X ∼ N (µ, σ ). Paramètres descriptifs E(X ) = µ Var(X ) = σ 2 (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 12 / 19 Loi continues usuelles Notes Loi normale Loi normale centrée réduite X ∼ N (µ, σ ), si et seulement si, en posant Y = normale centrée réduite N (0; 1). X −µ σ , Y suit la loi Remarque En pratique on est souvent amené à faire ce changement de variable pour utiliser les valeurs de la loi centrée réduite. Ces valeurs peuvent être données par une table de valeurs de la fonctions de répartition. Propriété Si F est la fonction de répartition d’une loi normale centrée réduite, alors : F (−x) = 1 − F (x). (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 13 / 19 Loi continues usuelles Notes Loi normale Exo 1 Soit Z ∼ N (0, 1) et soit t ∈ R, montrer que la fonction génératrice de Z vaut 2 t MZ (t) = E(exp(tZ )) = exp . 2 La v.a. X = σ (Z + µ), vérifier que X ∼ N (µ, σ ) et en déduire que σ 2t 2 MX (t) = E(exp(tX )) = exp tµ + . 2 Exo 2 Soient X1 , . . . , Xn n v.a. indépendantes de même loi normale de paramètre µ et σ . On s’intéresse aux v.a. Yn = (X1 + · · · + Xn )/n et Zn = Ynσ−µ . Une propriété importante (admise) pour la statistique est que Yn et Zn sont toutes deux des lois normales. Calculer les paramètres des lois de Yn et Zn . (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 14 / 19 Loi normale Notes Probabilité et quantile Parce que la loi normale est la plus utilisée en statistique, les probabilités et quantiles de la loi normale sont de grande importance. par exemple, si X ∼ N (0, 1),n les problèmes P(X ≤ x) = Z x f (x)dx =?? et P(X ≤ q) = 0.9 ⇔ q =?? −∞ n’admettent pas de formule explicite. on doit s’orienter vers une table statistique ou (mieux) un logiciel statistique pour approcher ces valeurs. Exemple Illustrer et calculer avec R, la densité d’une normale, sa fonction de répartition, une probabilité, un quantile,. . . (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 15 / 19 Théorème central limite (1) Notes Théorème Soient X1 , . . . , Xn , n variables aléatoires indépendantes et de même loi, de mooyenne m et de variance σ 2 . Soit n Yn = ∑ Xi et Zn = i=1 Yn − n × m √ . σ n Alors, lorsque n est "grand", √ approx Yn ∼ N (n × m, σ n) et approx Zn ∼ N (0, 1) Autrement dit si Z ∼ N (0, 1), 1 P (a ≤ Zn ≤ b) ' P (a ≤ Z ≤ b) = √ 2π (L2 Eco-Gestion, option AEM) Z b e −t 2 /2 dt. a Chapitre 6 : Variables Aléatoires Continues 16 / 19 Théorème central limite (2) Notes Théorème de De Moivre Laplace Soient X1 , . . . , Xn , n variables aléatoires indépendantes, de loi de Bernoulli B(p). Alors Yn = ∑ni=1 Xi ∼ B(n, p). Et puisque E(Xi ) = p et Var(Xi ) = p(1 − p), on a que lorsque n est "grand", approx Yn ∼ N (np, p np(1 − p)) et Yn − np Zn = p np(1 − p) approx ∼ N (0, 1) Exemple Un élève d’une classe de 30 élèves de L2 a la probabilité 40% de poursuivre en L3. Quelle est, pour cette classe, la probabilité qu’il y ait au moins 12 élèves poursuivant en L2 ? moins de 24 ? (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 17 / 19 Loi continues usuelles Notes Loi exponentielle Définition X suit une loi exponentielle de paramètre λ ∈ R+ si sa densité de probabilité est donnée par : f (x) = λ e −λ x si x ≥ 0 ; f (x) = 0 si x < 0. Propriété F (x) = 1 − e −λ x , pour x > 0 ; E(X ) = 1 λ Var(X ) = MX (t) = ; 1 ; λ2 λ λ −t pour (L2 Eco-Gestion, option AEM) tout t < λ . Chapitre 6 : Variables Aléatoires Continues 18 / 19 Loi continues usuelles Notes Loi exponentielle Utilisation Permet de modéliser une durée de vie, un temps d’attente, . . . X s’exprime en unité de temps. λ est une fréquence (inverse d’un temps). Propriété (loi “sans mémoire”) Si X ∼ Exp(λ ) et a > 0 : pour tout x > 0 P(X > a + x | X > a) = P(X > x). Preuve Utiliser la définition d’une proba. conditionelle et la fonction de répartition de X . (L2 Eco-Gestion, option AEM) Chapitre 6 : Variables Aléatoires Continues 19 / 19 Notes