Chap 2 Lois de Proba Et CVG 2022-23
Chap 2 Lois de Proba Et CVG 2022-23
Chap 2 Lois de Proba Et CVG 2022-23
2
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
On munit l’univers d’une tribu T (un ensemble non vide de parties de , stable par passage au complémentaire et
par union dénombrable ) et d’une mesure de probabilité P
X : ( , T, P) ( ℝ, 𝔹ℝ , 𝑃 )
𝜔 𝑋(𝜔)
Il y a deux possibilités S5 S1
S2
1ère Possibilité : Considérant w le secteur où la roue s’arrête S4
On a l’univers = {S1, S2, S3, S4, S5} S3
4
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
Il y a deux possibilités S5 S1
S2
2ème Possibilité : Considérant w l’angle où la roue s’arrête, on a
S4
On a l’univers = 0, 2𝜋 S3
Si la roue n’est pas truquée alors on
suppose que la loi est uniforme P( 0, 2𝜋 ⊂ ) ==
𝑃 ∶ P(’) [0, 1]
On définit X: ’ = {1,2,3,4,5} 𝐴 𝑃(𝑋𝐴)
𝜔 𝑋 𝜔 A {1} {2} {3} {4} {5}
W- 𝟐𝝅 𝟐𝝅 𝟒𝝅 𝟒𝝅 𝟔𝝅 𝟔𝝅 𝟖𝝅 𝟖𝝅 PX(A) 0,2 0,2 0,2 0,2 0,2
𝟎, , , , , 2𝜋
𝟓 𝟓 𝟓 𝟓 𝟓 𝟓 𝟓 𝟓 𝟐𝝅
𝑃 ({1}) = P(X = 1) = P(𝑋 1 )=P( 0, )=
𝟓
………………………
X(𝜔) 1 2 3 4 5
𝟖𝝅
𝑃 ({5}) = P(X = 5) = P(𝑋 5 )=P( , 2𝜋 )=
𝟓
5
Des données Série statistique L’effectif tend vers l’infini Suit une loi
statistiques
Moyenne = 0,040 Ecart-Type = 1,036 Moyenne = 0,040 Ecart-Type = 1,036 Moyenne = 0,002 Ecart-Type = 1,008
N=1000 N=10000
N=100
6
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
𝑔 𝑥 = exp −0,5
μ = 𝔼(X)= ∫ℝ 𝑥 𝑔 𝑥 𝑑𝑥
et 𝜎 =𝕍 𝑋 = 𝑥 − 𝔼(𝑥) 𝑑𝑥
ℝ
7
La fonction de répartition
Problème : Il n’existe pas
𝐹 𝑥 =𝑃 𝑋<𝑥 = 𝑔 𝑡 𝑑𝑡 d’expression analytique de 𝐹
P(𝜇 − 𝜎 ≤ 𝑋 ≤ 𝜇 + 𝜎) = 0,68
8
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
2) Utiliser une approximation si |x|< 2, on peut utiliser le développement limité à l’ordre 5 au voisinage de 0
Si |x|< 2 1 1 𝑥 𝑥
𝐹 𝑥 ≃ + 𝑥 − +−
2 2𝜋 6 40
3) Utiliser la table d’aires de la loi normale centré réduite La première colonne de la table indique les unités et les
dixièmes des valeurs de X alors les centièmes des valeurs de X
Il y a deux problèmes :
a) Connaissant t ≥ 0, trouver P(X≤ 𝑡) se lisent sur la ligne supérieure de la table.
b) Connaissant P(X≤ 𝑡), trouver t ≥ 0 En plus,
Définition
La loi normale centrée réduite est une la loi
continue, d’une v.a. X à valeurs dans X(Ω) = ℝ tout
entier, définie à partir de la densité
𝑓 𝑥 = exp −
Rmq :
10
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
11
Pour faire des calculs avec une N (µ; σ), on se ramène à la loi N (0; 1).
Théorème
Si 𝑋 ~ 𝑁 𝜇, 𝜎 alors Z = ~ 𝑁 0,1 On dit que l’on centre et réduit X.
Travaux dirigés
12
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
Définition : Soit 𝑍 ,… , une suite de variables aléatoires indépendantes de même loi N(0; 1).
Alors la variable aléatoire Q = ∑ 𝑍 suit une loi appelée loi du Khi-deux à 𝜈 degrés de liberté, notée χ2(𝜈).
Proposition :
𝑓 (x)= /
𝑒𝑥𝑝 − 𝑥 1 , 𝑥
3) Si 𝑋 ~ 𝜒 𝑛 et 𝑌 ~ 𝜒 𝑚 alors 𝑋 + 𝑌 ~ 𝜒 𝑛 + 𝑚
13
14
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
Travaux dirigés
On pose 1 − 𝛼 = 0.975 d’où 𝛼 =0.025. Dans la table, le quantile d’ordre 0.975 de la loi du khi-deux avec
18 degrés de liberté se trouve donc à l’intersection de la ligne « k = 18 » avec la colonne « 𝛼 = 0.025 ».
On trouve 𝑧 , . = 31,53
2) On suppose que U suit la loi du khi-deux avec 15 degrés de liberté. Que vaut P 8,55 < 𝑋 < 25,0 ?
P 8,55 < 𝑋 < 25,0 = P 𝑋 < 25,0 - P 𝑋 < 8,55 = 0,95 – 0,1 = 0,85
15
Définition : Soient Z et Q deux variables aléatoires indépendantes telles Le calcul de la distribution de Student
que Z ~ N(0; 1) et Q ~ χ2(𝜈). Alors la variable aléatoire 𝑇 = a été publié en 1908 par William
Gosset pendant qu'il travaillait à la
suit une loi appelée loi de Student à 𝜈 degrés de liberté, notée St(𝜈). brasserie Guinness à Dublin
Proposition :
1) La densité de la loi de la loi de Student à ν degrés de liberté est
f 𝑥 = 1+
16
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
17
La table de quantiles de la loi de Student donne pour un choix de probabilités q usuelles les valeurs des
réels 𝑡 tels que P (T > 𝑡 ) = q, où T suit la loi de Student à 𝜈 degrés de liberté.
18
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
Définition : Soient 𝑄 et 𝑄 deux variables aléatoires indépendantes telles que 𝑄 suit 𝜒 𝜈 et 𝑄 suit 𝜒 𝜈 alors la
variable aléatoire 𝐹 = suit une loi appelée Fisher-Snedecor à 𝜈 , 𝜈 degrés de liberté, notée 𝐹 𝜈 , 𝜈 .
Proposition :
1) La densité de la loi de la loi de Fisher-Snedecor à 𝜈 , 𝜈 degrés de liberté est
𝜈 +𝜈 /
Γ 𝜈 𝑥
𝐹 𝑥 = 𝜈 2 𝜈 1 ,
Γ Γ 𝜈
2 2 𝜈
1+ 𝑥
𝜈
Où Γ 𝑡 = ∫ 𝑥 𝑒𝑥𝑝 −𝑥 𝑑𝑥 est la fonction Gamma d’Euler
𝑛 𝑒𝑥𝑖𝑠𝑡𝑒 𝑝𝑎𝑠 𝑠𝑖 𝜈 < 3 𝑛 𝑒𝑥𝑖𝑠𝑡𝑒 𝑝𝑎𝑠 𝑠𝑖 𝜈 < 5
2) 𝔼 𝐹 = 𝑠𝑖 𝜈 ≥ 3
et 𝕍 𝐹 =
𝑠𝑖 𝜈 ≥ 5
19
Les courbes des densités de probabilité Les courbes des fonctions de répartition
20
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
La table de quantiles de la loi de Fisher Snedecor donne pour un choix de probabilités q usuelles les valeurs
des réels 𝑓 tels que P (F ≤ 𝑓 ) = q, où F suit la loi de Fischer Snedecor à 𝜈 , 𝜈 degrés de liberté.
21
Ces trois dernières lois seront utiles dans la théorie des tests. L’expression
explicite des densités de ces lois n’est pas à connaitre (sauf pour la loi normale).
Des tables statistiques et des logiciels permettent de les manipuler.
22
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
Cette section présente les éléments de calcul de probabilités dont l’application statistique est nombreuse.
La partie fondamentale est le théorème central limite. Les éléments présentés permettent de préciser ce que
signifie l’ajustement d’une loi de probabilité par une autre (notion de convergence) et ainsi de justifier
l’approximation d’une distribution observée par une loi théorique.
Notations
23
Définition : On dit que 𝑋 ∈ℕ converge en loi vers la variable aléatoire X lorsqu on a lim 𝐹 𝑥 = 𝐹 𝑥 en tout
→
ℒ
point de continuité de F. Cette convergence est notée : 𝑋 X
ℒ n→
Lemme de Portmanteau : 𝑋 X ⟺ ∀𝑔 continue et bornée : 𝔼 𝑔 𝑋 𝔼 𝑔 𝑋
ℒ ℒ
Théorème de Slutsky : Si ∀𝑐 ∈ ℝ, 𝑌 c et 𝑋 X alors
ℒ
• 𝑋 +𝑌 X+c
ℒ
• 𝑋 ×𝑌 𝑐×X
ℒ
•
ℒ ℒ
Attention : 𝑌 Y et 𝑋 X n implique pas que 𝑋 + 𝑌
ℒ
Exemple : Soit 𝑋 ∈ℕ une suite de v.a. de loi B(n, λ/n). Alors, lorsque n tend vers l’infini, 𝑋 X , où X suit une loi P(λ).
24
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
P
CS de convergence en probabilité : Si lim 𝔼 𝑋 = 𝑐 et lim 𝕍 𝑋 = 0 alors 𝑋 𝑐
→ →
P P P
Propriété : Si 𝑋 X et 𝑌 Y alors 𝑋 + 𝑌 X+Y
𝑃
Exemple : Soit 𝑄 ∈ℕ une suite de v.a. de loi 𝜒 𝑛 . Alors, lorsque n tend vers l’infini, 𝑄 1
25
Définition : On dit que 𝑋 ∈ℕ converge preque sûre vers la variable aléatoire X lorsqu on a :
p.s.
CS de convergence presque-sûre : Si ∀𝜀 > 0, ∑ 𝑃 𝑋 − 𝑋 > 𝜀 converge alors 𝑋 X
26
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
Définition :
• On dit que 𝑋 ∈ℕ converge dans 𝐿 (en moyenne) vers la variable aléatoire X lorsqu’on a : lim 𝔼 𝑋 − 𝑋 =0.
→
• On dit que 𝑋 ∈ℕ converge dans 𝐿 (en moyenne quadratique) vers la variable aléatoire X lorsqu’on a :
lim 𝔼 𝑋 − 𝑋 = 0 . Cette convergence est notée : 𝑋 X
→
• On dit que 𝑋 ∈ℕ converge dans 𝐿 vers la variable aléatoire X lorsqu’on a : lim 𝔼 𝑋 − 𝑋 = 0 . Cette
→
27
p.s. ℒ
⟹ P 𝑋 𝑋
𝑋 𝑋 𝑋 𝑋 ⟹
⟹
𝑋 𝑋
⟹
𝑋 𝑋
28