C- Lois usuelles C.1- Lois discrètes- Loi uniforme • Loi d’une variable aléatoire X prenant ses valeurs dans {1,…,n} avec la même probabilité: P( X = x) = • 1 n Ex : E=« lancer d’un dé régulier » X=numéro apparaissant sur le dé X suit une loi uniforme de probabilité 1/6 ∀x ∈{1, 2,...n} Moments : n +1 n2 − 1 E( X ) = ; V (X ) = 2 12 Eléments de calcul pour l’espérance et la variance : n n n(n + 1) n(n + 1)(2n + 1) ; ∑ i² = ∑i= 2 6 i =1 i =1 C.1- Lois discrètes- Loi de Bernoulli • Loi : X ∼ B ( p) ⇔ P( X = x) = p x q1− x , x ∈{0,1} • Moments E: Tirage dans une urne de Bernoulli ayant une proportion p de boules rouges. q=1-p p E ( X ) = p ; V ( X ) = pq X=nombre de boules rouges 1 x ∈ A Fonction indicatrice de A : 1A ( x) = 0 x ∉ A Rq : X = 1A ∼ B ( P( A)) C.1- Lois discrètes- Loi Binomiale • Loi : X ∼ B (n, p ) ⇔ E: n tirages avec remise dans une urne de Bernoulli ayant une proportion p de boules rouges P( X = x) = C n p x q n − x ∀x ∈{0,..., n} x n Moments : E ( X ) = np ; V ( X ) = npq • Propriétés Si n>50 et p<0.1 X ≈ P (np ) Si n>50 et p>0.1 X ≈ N np, npq ( X=nombre de boules rouges ) X 1 ∼ B (n1 , p ) X 2 ∼ B (n2 , p ) ⇒ X 1 + X 2 ∼ B (n1 + n2 , p ) X 1 ⊥ X 2 Outils : Cn = x n ∑C x=0 Cn = x n! x !( n − x)! x n− x p q =1 n x n x −1 x C n −1 C.1- Lois discrètes- Loi de Poisson • Loi : X ∼ P (λ ), λ > 0 ⇔ P( X = x) = e • −λ λx x! • Ex : nombre de personnes se présentant à l’arrêt de bus après une durée λ. • Outils : , ∀x ∈ N Moments E( X ) = V ( X ) = λ • Propriétés : Si λ grand, X ≈ N (λ , λ ) X 1 ∼ P (λ1 ) X 2 ∼ P (λ2 ) ⇒ X 1 + X 2 ∼ P (λ1 + λ2 ) X 1 ⊥ X 2 +∞ λx ∑ x! = eλ x=0 C.1- Lois discrètes- Loi Binomiale négative • Loi : X ∼ BN ( r , p ) ⇔ P( X = x) = C x + r −1 p r q x ∀x ∈ N x • E: tirages avec remise dans une urne de Bernoulli ayant une proportion p de boules rouges Moments : E( X ) = rq p ; V (X ) = rq p² X=nombre de boules blanches précédent la r° boule rouge Outils: ∞ ∑C x=0 r x p q =1 x + r −1 x C.1- Lois discrètes- Loi Géométrique • X ∼ G ( p) ⇔ Loi : P( X = x) = pq x −1 ∀x ∈ N • Moments : E( X ) = • E: tirages avec remise dans une urne de Bernoulli ayant une proportion p de boules rouges 1 q ; V (X ) = p p² X=rang de la 1° boule rouge Outils ∞ 1 p = ∑ 1− p x=0 x très utilisé en durée de vie et en biologie. C.1- Lois discrètes- Loi Hypergéométrique • Loi : X ∼ H (n, N, p ) ⇔ x P( X = x) = C C C Np n− x N − Np n ∀x ∈{0,..., n} N • N n Moments : E ( X ) = np ; V ( X ) = • E: n tirages sans remise dans une urne de Bernoulli ayant une proportion p de boules rouges N −n npq N −1 Propriétés Si N>>n (N>10n) X ≈ B (n, p ) X=nombre de boules rouges C.2- Lois continues- Loi uniforme • Loi : • Propriétés X ∼ U [ a, b] ⇔ f ( x) = • 1 1a ≤ x≤b b−a a≤ x≤b f 1/(b-a) a+b (b − a )² ; V (X ) = 2 12 a b a b F Fonction de répartition 0 x − a F ( x) = b − a 1 X −a ∼ U [0,1] b−a sinon Moments E( X ) = • 1 = b − a 0 X ∼ U [ a, b] ⇔ x<a a≤ x≤b x>b C.2- Lois continues- Loi normale • X ∼ N ( µ ,σ ) ⇔ Loi f ( x) = • 1 e σ 2π 1 x−µ − 2 σ m=0 S=1 2 , ∀x ∈ R Moments E( X ) = µ ; V ( X ) = σ ² • m=1,S=1 m m Propriétés : X 1 ∼ N ( µ1 ,σ 1 ) X −m X ∼ N ( m , σ ) ⇔ U = ∼ N (0,1) 2 2 σ X 2 ∼ N ( µ 2 ,σ 2 ) ⇒ X 1 + X 2 ∼ N ( µ1 + µ 2 , σ 1 + σ 2 ) X1 ⊥ X 2 C.2- Lois continues- Loi normale • Propriétés d’une v.a. U de loi normale N(0,1) Ф(-x) 1-Ф(x) On note Φ la fdr de U 1 1 Φ (0) = ; Φ ( x) < ⇔ x < 0 2 2 Φ (− x) = 1 − Φ ( x) P(| X |< x) = 2Φ ( x) − 1 -x x C.2- Lois continues- Loi log-normale • Loi X ∼ LN ( µ ,σ ) ⇔ Y = ln( X ) ∼ N ( µ ,σ ) • Moments E( X ) = e ( 2 µ + σ2 σ2 ) V ( X ) = e −1 e 2 µ +σ 2 F(-x) 1-F(x) C.2- Lois continues- Loi exponentielle • Loi X ∼ ε (λ ), λ > 0 ⇔ 0 x<0 f ( x) = λ e − λ x 1x≥0 = − λ x λ e x ≥ 0 • λ=3 λ=4 Moments 1 1 E( X ) = ; V ( X ) = λ λ² • Loi souvent utilisée en fiabilité : durée de vie d’un composant Fonction de répartition : x<0 0 F ( x) = −λ x 1 − e x ≥ 0 λ=1 C.2- Lois continues- Loi gamma • Loi • x k −1e θ f ( x) = 1x≥0 Γ(k )θ k Moments X ∼ Γ(k ,θ ), k > 0,θ > 0 ⇔ −x E ( X ) = kθ ; V ( X ) = kθ 2 • Propriétés Si k=1, X ∼ ε (1/ θ ) Si θ=2, X ∼ χ ²(2k ) Si k entier, la loi de X s’appelle loi d’Erlang n Si X i.i.d. ∼ ε (1/ θ ) ⇒ Y = X ∼ Γ( n,θ ) i ∑ i =1 i ∞ Γ(k ) = ∫ t k −1e − t dt ; Γ(k + 1) = k Γ(k ) 0 C.2- Lois continues- Loi du chi2 • Loi : la loi du chi2 à k ddl est la loi de la somme de n variables de loi N(0,1): X ∼ χ ²(k ), k ∈ N * ⇔ X a même loi que k Z = ∑ U i2 , Ui i.i.d . ∼ N (0,1) i=1 • Moments E ( X ) = k ; V ( X ) = 2k • Propriétés : X à valeurs positives. La loi de X/2 est une loi gamma(n) Lorsque k=2 X suit E(1/2) Si k>50, X ≈ N ( k , 2k ) f ( x) = 1 2 Γ( k 2 k 2 ) k −1 2 − 2x x e 1x≥0 C.2- Lois continues- Loi de Student • Loi : X ∼ T (k ), k ∈ N * ⇔ X a même loi que U T= , U ⊥ Z, U ∼ N (0,1), Z ∼ χ ²(k ) Z/k • Moments E ( X ) = 0, k > 1 V (X ) = k ,k > 2 k −2 • Propriétés : Si k>30 alors X ≈ N (0,1) C.2- Lois continues- Loi de Fisher • Loi : X ∼ F (n1 , n2 ), ni ∈ N * ⇔ X a même loi que F= Z1 / n1 , Z1 ⊥ Z2 , Z1 ∼ χ ²(n1 ), Z 2 ∼ χ ²( n2 ) Z2 / n2 • Moments n E ( X ) = 2 , n2 > 2 n2 − 2 V (X ) = • 2n2 (n1 + n2 − 2) , n2 > 4 2 n1 (n2 − 2) (n2 − 4) X ∼ F (1, n2 ) ⇔ X a même loi que Propriété F =T2 , T ∼ T ( n2 ) C-3 Simulations de lois Théorème d’inversion Soit F une fonction de répartition sur R. On note F −1 ( y ) = inf{x ∈ R / F ( x) ≥ y} l’inverse généralisé de F (vaut l’inverse habituelle lorsque F est continue est strictement croissante). Soit U deloi uniforme sur [0,1]. Alors, 1. 2. X = F −1 (U ) a pour fonction de répartition F Si F est continue sur R et X de fdr F, U=F(X) suit une loi uniforme sur [0,1]. C-3 Simulations de lois Simulation d’une loi continue Simulation de n réalisations X de loi F: – on simule n réalisations d’une loi uniforme sur [0,1] (tirage au hasard de n nombres sur cet intervalle) : u1,…,un – On calcule de loi F. ∀i = 1,...., n, xi = F −1 (ui ). Ce sont n réalisations de X C-3 Simulations de lois Simulation d’une loi discrète Soit ( pi = P ( X = xi ) ) la loi de probabilité discrète d’une variable k 1≤i ≤ n aléatoire à valeurs dans {x1 ,..., xn }. On note sk = P ( X ≤ xk ) = ∑ pi n i =1 etF (u ) = ∑ sk −11xk −1 ≤u < xk la fonction de répartition de cette loi en tout point. Soient uk =11,..., un n réalisations d’une variable de loi uniforme sur [0,1]. Alors n ∀i = 1,..., n, x = F (ui ) = ∑ xk 1sk −1 ≤ui < sk * k −1 k =1 Sont n réalisations d’une variable aléatoire discrète de loi F.