Ceci est une version archivée de cette page, en date du 29 avril 2021 à 14:02 et modifiée en dernier par 2a01:e0a:96f:e640:d6c:ee2a:cac1:4aed(discuter). Elle peut contenir des erreurs, des inexactitudes ou des contenus vandalisés non présents dans la version actuelle.
Si vous disposez d'ouvrages ou d'articles de référence ou si vous connaissez des sites web de qualité traitant du thème abordé ici, merci de compléter l'article en donnant les références utiles à sa vérifiabilité et en les liant à la section « Notes et références ».
Densité de probabilité Distributions stables symétriques Distribution symétrique α-stable avec une facteur d'échelle unitaire Distributions stables asymétriques centrées avec facteur d'échelle unitaire
Fonction de répartition Fonctions de répartition de distributions symétriques α-stables Fonctions de répartition de distributions symétriques α-stables Fonctions de répartition de distributions stables asymétriques centrées
On dit qu'une variable aléatoire réelle est de loi stable si elle vérifie l'une des 3 propriétés équivalentes suivantes[1] :
Pour tous réels strictement positifs et , il existe un réel strictement positif et un réel tels que les variables aléatoires et aient la même distribution, où et sont des copies indépendantes de .
Pour tout entier , il existe une constante strictement positive et un réel tels que les variables aléatoires et aient la même distribution, où sont des copies indépendantes de .
Les paramètres , , et caractérisent la loi de . On écrit alors .
Le réel dans est appelé paramètre de stabilité de . Le réel positif est appelé paramètre d'échelle de .
Les coefficients , et sont liés par la relation .
Pour tout , on a .
On dit qu'une variable aléatoire réelle est -stable si elle est stable et que son paramètre de stabilité est .
Propriétés des lois stables
Si et sont indépendantes, alors avec
Si et , alors .
Si avec , alors
où .
Si avec , alors
Cas symétrique
On dit que est de loi symétrique -stable si est -stable et que les variables aléatoires et sont identiquement distribuées.
est de loi symétrique -stable si, et seulement si, . On note simplement dans ce cas .
est de loi symétrique -stable si, et seulement si, sa fonction caractéristique vérifie pour tout l'égalité , où est le paramètre d'échelle de .
Vecteur aléatoire stable et variable aléatoire stable complexe
Vecteur aléatoire stable
On dit qu'un vecteur aléatoire de est de loi stable s'il vérifie une des 2 propriétés équivalentes suivantes[1] :
Pour tous réels strictement positifs et , il existe un réel strictement positif et un vecteur de tels que les vecteurs aléatoires et aient la même distribution, où et sont des copies indépendantes de .
Il existe une mesure finie sur la sphère de et un vecteur tels que la fonction caractéristique de vérifie, pour tout ,
On dit que est de loi symétrique -stable si est -stable et que les variables aléatoires et sont identiquement distribuées. Dans ce cas, sa fonction caractéristique est donnée, pour tout , par .
Propriétés des vecteurs aléatoires stables
Si est un vecteur -stable, alors, pour tous réels , la variable aléatoire réelle est -stable.
Si et, pour tous réels , la variable aléatoire réelle est -stable, alors le vecteur est -stable.
Si, pour tous réels , la variable aléatoire réelle est symétrique -stable, alors le vecteur est symétrique -stable.
Variable aléatoire stable complexe
On dit qu'une variable aléatoire complexe est de loi-stable, si le vecteur de est -stable.
On dit de plus que la loi de est isotrope si, pour tout , les variables aléatoires et sont identiquement distribuées. Dans ce cas, sa fonction caractéristique vérifie, pour tous complexes , , où est un réel positif appelé paramètre d'échelle de .
Représentation en série de LePage
Cas symétrique réel
Soit . On pose . Soit et deux processus mutuellement indépendants de variables aléatoires définis sur le même espace de probabilité satisfaisant aux propriétés suivantes[2] :
Les , , sont les temps d'arrivée d'un processus de Poisson d'intensité 1 ; c'est-à-dire, pour tous , on a , où est une suite de variables aléatoires exponentielles de paramètre 1 indépendantes.
Alors la série converge presque sûrement. De plus, elle est de loi symétrique -stable et son paramètre d'échelle vérifie .
Cas isotrope complexe
Soit . On pose . Soit et deux processus mutuellement indépendants de variables aléatoires définis sur le même espace de probabilité satisfaisant aux propriétés suivantes[3] :
Alors la série converge presque sûrement. De plus, elle est de loi isotrope -stable et son paramètre d'échelle vérifie .
Liens avec d'autres lois
Elle a pour cas particuliers :
La loi de Lévy (paramètres α=1/2 et beta=1), définie par une formule analytique explicite.
La loi normale (paramètre α=2), définie par une formule analytique explicite.
La loi de Cauchy (paramètre α=1), définie par une formule analytique explicite.
Gnedenko et Kolmogorov ont établi une généralisation du théorème central limite selon laquelle la somme de variables aléatoires ayant des queues de distribution décroissantes selon 1/|x|α+1 avec 0 < α < 2 (ayant donc une variance infinie) tend vers une loi stable de paramètre α[4].
Références
↑ a et b(en) Samorodnitsky, G. and Taqqu, M. S., Stable Non-Gaussian Random Processes. Stochastic Models with Infinite Variance, New York, Chapman and Hall, London, , 632 p. (ISBN0-412-05171-0)
↑(en) Marcus, M. B. and Pisier, G., « Characterizations of almost surely continuous p-stable random Fourier series and strongly stationary processes », Acta Math., , p. 245-301
↑(en) Kôno, N. and Maejima, M., « Hölder continuity of sample paths of some self-similar stable processes », Tokyo Journal of Mathematics, , p. 93-100
↑Gnedenko, Boris Vladimirov., Limit distributions for sums of independent random variables, Addison-Wesley Pub. Co, (OCLC859841311, lire en ligne)