Probabilites Et Statistiques

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
! 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
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
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 ôti
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
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)
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
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
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
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
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
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'
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
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
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 1î Aie '&
: : -isdv : I î 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 1ôTdP 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
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 : ?jÛ 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
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
ûxk
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
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
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, . ...,ô) 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
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
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
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
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-û 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;'iiiÎ ;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
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
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,,
:,!., ,(*:î,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
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
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
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)
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-
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
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,,
- pipr)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
O sinon.
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
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].
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-oô 1,*.
PH. TASSi
- S. LEGAIT
Fonction de rPartition
.
effet, si a
Fr(x)
1-e-oô
: 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
â 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
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'
':
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
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
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
2ô
!** -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
La f.r. de U est note O, et dfinie par
o(u)
Les valeurs de la loi N (0,1).
<D
û1 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
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
''
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
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
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))
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')'
132
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)
donc Y
134
->
N (0. 1)
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
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
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
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
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
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
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
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
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
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
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
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
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
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! î
: 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.

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?
!û,
"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
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
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
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
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
: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
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
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
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.
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:
ô
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
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
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
-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-(PÔ)
({))
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), +
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
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
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)

-G(x) |
(pi
dx
:
ki : : | : i:1 j:1
G. En discret, elle est donne par
' -q, '
)l
247
COIVPLEMENTS
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
COMPLEMENTS
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
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
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
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
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
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 (î)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/
'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
\"
ô), 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
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
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
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.

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) :
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
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
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
(1
X,:e,
315
(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,
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
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
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
(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
TABTES NUMERIOUES
Table
LOI DE POISSON
no
4 (suite)
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)
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)
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
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
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
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
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
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

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
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.

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
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.
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

Probabilites Et Statistiques

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Probabilites Et Statistiques

Încărcat de

Drepturi de autor:

Formate disponibile

Ft

cole notionole suprieure du ptrole et des moteurs

Ph. TASSI et S. LEGAIT

thorie des probabilits

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

INSTITUT FRANAIS DU PETROLE

cole Nationale Suprieure du Ptrole et des Moteurs

Thorie des probabilits

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

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

de nprobabilit des causes>

l'usage de rsultats approxims.

TABLE EES MATIERES

AVANT PROPOS TABLE DES MATIERES

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

6.1 Probabilit conditionnelle 6.2 lndpendance . . 6.3 Thorme de Bayes

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

4. 1 lntgration 4.2 lntgration

TABLE DFS MATIERES

1.3 Moments ... 1.4 Fractiles 1.5 Changement de variables

Vecteurs alatoires 2.1 Fonction de rpartition

108 109 110 110

2 Les lois continues

2.1 Loi uniforme 2.2 Loi gamma 2.3 Loi de Weibull

TABLE D.ES MATIERES

135 136 138

165 165 165

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

Chapitre 6 : UN OUTTL: LA FONCTTON CARACTERTSTTOUE

1 Dfinition et proprits 1.1 Dfinition ...

d,une fonction caractristique

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

185 187 190

des lois de probabilit usuelles

191 191 191

192 192 192 192 192

TABLE DFS MATIERES

2.10 Loi de Laplace 2.11 Loinormale multidimensionnelle

'! Convergence Presque sre 2 Gonvergeneeenprobabilit

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

3.2 Caractrisation de la convergence en

Relations entre les diverses formes de convergence

4.1 lmplicationsdiverses ..'. 4.2 Thormes de combinaison

COMPLEMENTS ET APPROFONDISSEMENITS SUR LES LOIS DE PROBABILITE

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

TABLE DES MATIFBFS

Application la fonction de rpartition empirique 2.1 Proprits distance finie

244 245 246 249

3 Ordres sur les variables alatolres

253 254 258

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

Lois particulires de l'chantillon

2.3 Loijointe d,un couple 2.4 Catcutdesmomenrs

?1L"' 2.2 eas partiiulier

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

263 263 266

268 273 273

284 284 286

Corrlation et corrlogramme 3.1 Le coeff icient d'autocorrlation

3.2 Exemples de corrlogrammes

TABLE DES MATIEBES

Fonction d'autocorrlation partielle . . .

302 302 302 303 304 304