Lois de probabilités

Imad Boucetta & Andrea Zuluaga Isáziga

Octobre 2018.

Université de technologie de Troyes

Master OSS
OS13- Modèles pour la fiabilité et la maintenance
 Table des matières ii

Loi de probabilité discretes ............................................................................................................. 1

Loi Binomial ............................................................................................................................... 1
Definition ................................................................................................................................ 1
Estimation des paramètres analytiquement ............................................................................. 1
Formule de l’estimation .......................................................................................................... 2
N étudier le biais de votre estimation ..................................................................................... 3
Modélisation des valeurs extrêmes par une loi d'extrémum généralisée .................................... 4
Loi de distribution continues .......................................................................................................... 5
Loi Gamma ................................................................................................................................. 5
Définition .................................................................................................................................... 5
Estimation des paramètres analytiquement ................................................................................. 6
Estimation des paramètres analytiquement ................................................................................. 6
Modélisation des valeurs extrêmes par une loi d'extrémum généralisée .................................... 8
References ..................................................................................................................................... 10
List de figures iii

Figure 1. Dix variais aléatoires Loi Normale. Tiré de : propre source ........................................... 2
Figure 32. Mil variais aléatoires Loi Normale. Tiré de : propre source ......................................... 2
Figure 33. Mil (10%) variais aléatoires Loi Binomial. Tiré de : propre source ............................. 5
 1

Loi de probabilité discretes

Loi Binomial
Definition

Est une distribution de probabilité discrète qui compte le nombre de succès dans
une séquence de n essais de Bernoulli indépendants, avec une probabilité fixe p de survenue
de succès entre les essais.
𝑛
𝑓(𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 0≤𝑝≤1
𝑥

Estimation des paramètres analytiquement

La génération de variables aléatoires de la distribution binomiale dans le programme

statistique R avec les paramètres a été effectuée p= 0,4 et n =10

Histograme
 Dix
 2

Figure 1. Dix variais aléatoires Loi Normale. Tiré de : propre source

 Cent

Figure 2. Cent variais aléatoires Loi Normale. Tiré de : propre source

 Mil

Figure 3. Mil variais aléatoires Loi Normale. Tiré de : propre source

Formule de l’estimation

Premièrement, x est le nombre total de visites, tandis que xi est un test unique (0 ou 1).
 3

Ensuite:
𝑛

∏ 𝑝 𝑥𝑖 ∗ (1 − 𝑝)1−𝑥𝑖
𝑖=1
∑𝑛 𝑛
1 𝑥𝑖
𝑝 (1 − 𝑝)∑1 𝑥𝑖
𝑝 𝑥 (1 − 𝑝)𝑛−𝑥

on observe que la valeur constante n'affecte pas la valeur de p qui maximise la

vraisemblance, pour cette raison elle est éliminée

𝑛−𝑥
ln(𝑛𝐶𝑥 ∗ 𝑝𝑥 (1 − 𝑝) ) = ln(𝑛𝐶𝑥 ) ∗ x ln(𝑝) + (𝑛 − 𝑥) ln( 1 − 𝑝)

Dériver et assimiler à zéro

𝑑 𝑥 𝑛−𝑥
ln(𝑛𝐶𝑥 ) ∗ x ln(𝑝) + (𝑛 − 𝑥) ln( 1 − 𝑝) = −
𝑑𝑝 𝑝 1−𝑝
𝑥 𝑛−𝑥
− =0
𝑝 1−𝑝
𝑛 1
=
𝑥 𝑝
𝑥
𝑝=
𝑛
N étudier le biais de votre estimation

On dispose de plusieurs outils information pour l’estimation des paramètres d’une

distribution, dans notre cas on va utiliser R pour estimer les paramètres d’une variable
aléatoire qui suit la loi Binomial.
 4

Figure 4. Estimation des paramètres analytiquement.Tiré de : propre source

Modélisation des valeurs extrêmes par une loi d'extrémum généralisée

Afin de modéliser les valeurs extrêmes on va générer un nombre de variables aléatoires
puis en garde 10% de ses valeurs extrêmes, en analysent ces valeurs (analyse des
histogrammes) on va essayer de la modéliser par une loi d'extrémum généralisée (Gumel,
Fréchet, Wei bull ou Pareto).

 Dix

Figure 5. Dix (10%) variais aléatoires Loi Binomial, . Tiré de : propre source

 Cent
 5

Figure 6. Cent (10%) variais aléatoires Loi Binomial. Tiré de : propre source
 Mil

Figure 7. Mil (10%) variais aléatoires Loi Binomial. Tiré de : propre source

Apres la génération d’assez réalisation on peut déduire intuitivement qu’il s’agit d’une
distribution de Gumel qu’on peut calculer ces paramètres.
Loi de distribution continues

Loi Gamma

Définition

Une loi de lois de probabilités continues, variables aléatoires réelles positives, paramétrée
par d'un paramètre de forme et d'un paramètre d'intensité, typiquement notés
respectivement α et β.
On dit qu’une v.a. X suit une loi de Beta de paramètres α et β si sa densité de probabilité
est :
𝑥 α−1 βα −βx
𝑓𝑋 (𝑥; α, β) = 𝑒 , 𝑥>0
𝛤(α)
 6

Avec 𝛤(α) est la fonction bêta de paramètres α.

Estimation des paramètres analytiquement
La log-vraisemblance est :
𝑛

log(𝐿𝑛 (𝑥1 . 𝑥2 … 𝑥𝑛 |α, β)) = ∑[(α − 1) log 𝑥𝑖 + α log β − β𝑥𝑖 − log 𝛤(α)]
𝑖=1
𝑛 𝑛

log(𝐿𝑛 (𝑥1 . 𝑥2 … 𝑥𝑛 ; α, β)) = (α − 1) ∑ log 𝑥𝑖 − β ∑ 𝑥𝑖 + αn log β − n log 𝛤(α)

𝑖=1 𝑖=1

Calcul de maximum log-vraisemblance :

𝜕log(𝐿𝑛 (𝑥1 . 𝑥2 … 𝑥𝑛 ; α, β))
=0
𝜕α
𝜕log(𝐿𝑛 (𝑥1 . 𝑥2 … 𝑥𝑛 ; α, β))
=0
{ 𝜕β
Le estimateur maximum pour β est calculé facilement :
α
𝛽̂ =
𝑥̅
Par contre le calcul de l’estimateur maximum du α nous conduit à l’appel d’un autre type de
𝛤′(x)
fonction (𝛷(𝑥) = 𝛤(x) ) d’où on va utiliser un analyse numérique.

Estimation des paramètres analytiquement

On dispose de plusieurs outils information pour l’estimation des paramètres d’une
distribution, dans notre cas on va utiliser R pour estimer les paramètres d’une variable
aléatoire qui suit la loi gamma.
Pour cela on va générer n nombre aléatoires suivant la loi gamma avec α et β déterminé,
puis on va calculer le maximum vraisemblance des deux paramètres, on va répéter la
réalisation en augmentant chaque fois n les nombres aléatoires générés.
for(i in NombresVecteur)
{
Val=data.table(rgamma(i,alpha,beta))
op<-Val[,1,with = FALSE]
gamma.mle <- function(par,data)
 7

-sum(dgamma(data,shape=par[1],rate=par[2],log=T))
optimfonc=optim(c(3,12),gamma.mle,data=op[[1]])
points(i,optimfonc$par[2])
}

Figure 8.. Estimation des paramètres alfa analytiquement. Tiré de : propre source

Figure 9. Estimation des paramètres Beta analytiquement. Tiré de : propre source

Comme prévu en tant que le nombre de v.a. généré grandit l’estimateur tend vers la valeur
exacte du paramètre.
 8

Modélisation des valeurs extrêmes par une loi d'extrémum généralisée

Afin de modéliser les valeurs extrêmes on va générer un nombre de variables aléatoires
puis en garde 10% de ses valeurs extrêmes, en analysent ces valeurs (analyse des
histogrammes) on va essayer de la modéliser par une loi d'extrémum généralisée (Gumel,
Fréchet, Wei bull ou Pareto).
Le code exécuté dans R est le suivant :
alpha=3
beta=12
m=1000
Val=data.table(replicate(m,rgamma(1000,alpha,beta)))
Nrow=.1*nrow(Val)
for(i in 1:ncol(Val)){
op<-Val[,i,with = FALSE]
op<-head(op[order(op[[1]],decreasing=T),],Nrow)
jpeg(file=mypath)
hist(op[[1]])
dev.off()
}

Apres la génération d’assez réalisation on peut déduire intuitivement qu’il s’agit d’une
distribution de Gumel qu’on peut calculer ces paramètres.
Les graphes ci-dessus montre les valeurs extrêmes des réalisation d’une loi Gamma ainsi
qu’une modélisation par une distribution Gumbel.
9
 10

References

Smin-R. Le modèle linéaire généralisé avec R : fonction glm() en:

http://rug.mnhn.fr/semin-r/PDF/semin-R_glm_SBallesteros_100608.pdf.
Consulté: 28 de Septembre de 2018

R. Global test for Binomial en: http://www.rpubs.com/ppp/GlobalTests. Consulté: 22 de

Septembre de 2018

Wikipedia. Loi Binomial en:

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial. Consulté: 22 de
Septembre de 2018