M ATHÉMATIQUES ET SCIENCES HUMAINES
B. L ECLERC
Applications pratiques des lois de probabilité
Mathématiques et sciences humaines, tome 36 (1971), p. 79-89
<http://www.numdam.org/item?id=MSH_1971__36__79_0>
© Centre d’analyse et de mathématiques sociales de l’EHESS, 1971, tous droits réservés.
L’accès aux archives de la revue « Mathématiques et sciences humaines » (http://
msh.revues.org/) implique l’accord avec les conditions générales d’utilisation (http://www.
numdam.org/conditions). Toute utilisation commerciale ou impression systématique est consti- tutive d’une infraction pénale. Toute copie ou impression de ce fichier doit conte- nir la présente mention de copyright.
Article numérisé dans le cadre du programme
APPUCATIONS PRATIQUES DES LOIS DE PROBABILITÉ
par B. LECLERC
LOIS DE PARETO LOI LOCNOHAL4LE
LOI COMPOSI TE
GÉO GRAPHIE
LOI DOUBLE EXPONENTIELLE
ÉCONOMIE
LOI DE BENINI
QUANDT
E.E.,
"Statistical discrimination among alternativehypothèses
and some economicregula-
rities", Journal of regional science,
vol.5,
n°2, 1964,
pp. 1-23.De nombreuses distributions de
grandeurs socio-économiques positives possèdent
unepropriété
commune : très
dissymétriques,
elles « s’étirent vers la droite ». C’est parexemple,
le cas de la distri-bution des revenus dans une
région
donnée à uneépoque fixée,
ou des tailles des villes dans une airegéographique
donnée. Ces distributions ont étéajustées
à diverseslois,
lesplus
courantes étant les loisde Pareto et la loi
lognormale,
et des modèles ont étéproposés
pour rendre compte de leur formegénérale.
Le propos de cet article est de comparer les
ajustements
de ces lois à certaines distributionsobservées,
avec unepréoccupation méthodologique :
l’auteur s’intéresse aux méthodesd’ajustement
etde test de convenance de celui-ci. Trois critères autres que la
qualité
del’ajustement
sont donnés pour le choix d’une fonctionmathématique représentant
une distribution observée : ce sont le réalisme deshypothèses
aboutissant à la formemathématique,
la facilité des calculsanalytiques
et lasignification économique
desparamètres.
Modèles
Huit formes
mathématiques
sontproposées
pour les fonctions derépartition
F(x)
des distributions étudiées. F(x)
est laprobabilité
d’une observation inférieure à x, pour tout x réelpositif.
a)
Loi de Pareto depremière espèce,
de coefficient de Pareto a > 1.K est une constante, et la loi n’est vérifiée que pour x suffisamment
grand.
b)
Loi de Pareto de secondeespèce
deparamètres K,
c, a.c)
Une formesimplifiée
de la loi de Pareto de troisièmeespèce (que
Pareto lui-mêmejugeait
rarementmeilleure que les
précédentes),
souvent nommée loi deChampernowne,
deparamètres K,
a, b.d)
Loiexponentielle
de moyenne a,prise
commeexemple
de distributionprésumée
nes’ajustant
pas bien au type de données étudiées.e)
Loilognormale
à troisparamètres
t, y, a définiepour x >
t.log (x
-t)
suit une loi normale N([1., 6).
f )
Loi deBenini,
mentionnée par Pareto commeparfois satisfaisante,
deparamètres a
et b.g)
Loicomposite (dénomination
del’auteur)
deparamètres
m,K,
a.h)
Loi doubleexponentielle (dénomination
del’auteur)
deparamètres
m,K,
a, b.Divers modèles ont été
proposés,
aboutissant à certaines de ces distributions. C’est ainsi queChampernowne (1953)
aproposé,
entre autres, un processusaboutissant,
pour la distribution des revenus, à la loi de Pareto depremière espèce.
Les revenus sontrépartis
enclasses,
les bornes inférieures etsupé-
rieures de
chaque
classe étant liées par un facteur deproportionnalité
constant pour les classes. Cham- pernownepostule
desprobabilités
de transition inter-classes constantes dans le temps, un individu ayant un revenu appartenant à une classe ne pouvant passer que dans la classesupérieure
ou dans uneclasse inférieure suffisamment
proche.
Les transitions nedépendent
pas de la classe dedépart,
mais dunombre de classes franchies. Kalecki
(1945)
aboutit à la loilognormale
en supposant que le revenu estle
produit
d’une suite de variables aléatoiresindépendantes
et enappliquant
les théorèmes limitescentraux.
Les lois
g)
eth), appliquées
à la taille de firmes industrielles parexemple,
sont dérivées des loisa)
et
c) respectivement.
Si on supposequ’une
activité industriellecomposite
compte rfirmes,
chacune exerçant une activité industriellesimple
et étant lapremière
dans cetteactivité,
pourlaquelle
la tailledes firmes est distribuée suivant la loi de Pareto
(l’auteur
reconnaît que ceshypothèses
sont hautementartificielles),
on aboutit à la distributioncomposite
pour la taille des firmes dans l’industriecomposite (en remplaçant
la loi de Pareto par celle deChampernowne,
on obtient la loi doubleexponentielle).
Estimation
Quatre
méthodes sont d’abordutilisées,
selon la loiajustée.
A)
Méthode des moments : on identifie les moments observés et les momentsthéoriques (il
est nécessaireque ceux-ci
existent) pris
en nombre suffisant(égal
au nombre deparamètres
àestimer).
B)
Méthodes desquantiles, analogue
à laprécédente
en prenant desquantiles
convenablement choisis(toujours définis)
au lieu des moments.C)
Méthode du maximum de vraisemblance.D) Ajustement
d’une droite par la méthode des moindres carrés au tracé de la fonction derépartition
observée avec des échelles de coordonnées convenables. L’auteur ne détaille
généralement
pas le choix de celles-ci. Les méthodes d’estimation pourchaque
loi sont les suivantes :a)
Loi de Pareto : deux loisthéoriques
obtenues par les méthodes C et D. Pourcelle-ci,
on a :b)
Loi de Pareto de secondeespèce : mélange
des méthodes A et B.c)
Loi deChampernowne :
méthodeD,
àpartir
de :d)
Loiexponentielle :
méthode des moments, c’est-à-dire identification de a à la moyenne observée.e)
Méthodes mixtes nonprécisées
dans l’article mais décrites par Aitchison et Brown(1963)
pour la loilognormale.
f )
etg)
La distributioncomposite
et la doubleexponentielle
sontaj ustées
par une méthode des moindres carrés.Enfin,
l’auteur propose une méthode d’estimationapplicable
à toutes les lois et sans biais. Oncherche les valeurs des
paramètres
minimisantoù x1, ..., Xi, ..., xn sont les
observations,
F(xo)
= 0 et F(xn+1)
= 1.La variable F
(x)
est en effetthéoriquement
uniformémentrépartie
etl’espérance
de F(xi)
-F est
20132013.
.n + 1
Cette estimation est faite par une méthode de
gradient numérique.
Les loisexponentielles
et deBénini ne sont pas étudiées de cette
façon,
et la loilognormale
est ici à deuxparamètres :
onprend
t = 0.Les résultats en
général
ne sont pas exacts : les itérations sont arrêtées pour S suffisammentpetit
et onn’est pas sûr que le minimum de S ainsi
approché
est absolu.Tests de convenance des modèles
L’utilisation du test du
x2 est rejetée
pour diverses raisons : legroupement
des observations en classesest
arbitraire,
lejugement
del’ajustement
n’est pas fait en fonction d’une ou deplusieurs
alternativesprécises
à la loitestée,
enfin et surtout on s’intéressebeaucoup
ici à la distribution desplus grandes
valeurs des variables étudiées. Pour celles-ci il y a relativement peu d’observations et le regroupement
en classes d’effectif suffisant
exigé
par le test dux2
ne permet pas une bonne discrimination. L’auteurpréfère
donc le test deKolmogorov-Smirnov,
pourlequel
laquantité
test est :où F est la fonction de
répartition ajustée,
S celleobservée,
x~, ..., Xt, ..., xn sont les observations. Cetest n’est pas non
plus pleinement
satisfaisant.Ainsi,
les valeurscritiques
de laquantité-test (au
delàdesquelles l’ajustement
doit êtrerejeté)
sont inconnueslorsque,
comme ce sera le casici,
lesparamètres
sont estimés à
partir
des observations. Lastatistique
D sera donc ici purementdescriptive,
sansinterprétation probabiliste.
L’auteur compare
également
pour certaineslois,
les coefficients de Lorenzthéoriques
et observés.La courbe de Lorenz est obtenue en
portant
F(x)
en abcisses et :en
ordonnées,
où K est la borne inférieure de x. Le coefficient de Lorenz L est alors :Le coefficient de Lorenz varie entre
0,5
et1,
et est une mesured’inégalité :
L est d’autantplus grand qu’une
masseplus importante
de la variable estrépartie
sur un effectifplus
restreint de lapopulation.
Pour les distributions estimées
par minimisation
de lastatistique S,
des valeurscritiques
de Sont été obtenues par des méthodes de simulation. Un second test est fondé sur l’idée que les résidus :
doivent être « au hasard ». On fait donc un test
non-paramétrique classique
en cherchant si le nombrede suites de résidus
positifs
ounégatifs (statistique Z)
estacceptable.
L’auteur faitégalement
des« analyses spectrales »
dont il ne détaille pas les calculs etl’interprétation.
Applications
Sept
distributions sont étudiées.1) Population
des villes desÉtats-Unis
deplus
de 50 000 habitants.2)
Mêmespopulations
diminuées de 50 000.3)
Distribution du nombre de firmes d’une valeursupérieure
à un million de dollars par industrie(définie
selon une classificationstandardisée),
fondée sur les données de Dun et Bradstreet pour le"Million Dollar
Directory"
de 1963.4)
Nombre de firmes par industrie(même définition)
manufacturière en 1958(U.S.
Bureau ofCensus).
5)
et6)
Chiffres d’affaires des 500plus grandes
firmes desÉtats-Unis
en 1955 et1960,
donnés par larevue Fortune.
7) Population
des pays dumonde, d’après
Hart et Prais(1956).
Deux tables donnent les résultats du test de
Kolmogorov-Smirnov,
pour les distributions entièresd’abord,
pour leur moitié droite ensuite. Les conclusions de l’auteur sont les suivantes :Les
rangements
des neuf distributionsthéoriques (deux
pour la loi de Pareto de type1)
par ordre dequalité
del’ajustement
ne sont pasindépendants.
Le test du coefficient de concordance ~ de Kendallest
significatif
au seuil1 %.
Quatre
lois donnent le meilleurajustcment
pour au moins un cas : la loi de Pareto depremière espèce
pour la distribution 1, celle de secondeespèce
pour les distributions 2 et7,
la loilognormale
pour les distributions
3, 5, 6,
la doubleexponentielle
pour la distribution 4. Ces trois dernières lois donnent les meilleurs résultats d’ensemble. La loiexponentielle donne,
commeprévu,
de mauvaisajustements.
Les différences entre lepremier
et le second tableau(demi-distributions)
sont faibles(moins
bons rangs pour la loilognormale).
La loi de Pareto de seconde
espèce
donne des coefficients de Lorenztoujours plus proches
de ceuxobservés que ceux obtenus à
partir
de la loilognormale.
La différence restecependant généralement
faible.
Une table donne ensuite les
statistiques
S. Ici le test W de Kendall n’est passignificatif.
Aucuneloi
théorique
étudiée n’estpartout acceptable
ou partout àrejeter,
et toutes sont au moins une fois lameilleure. Pour
départager
ceslois,
le recours à lastatistique
Z permet de mettre en tête la loi de Pareto de secondeespèce, puis
la loi deChampernowne,
la moins bonne étant pour ce test la loilognormale.
Les résultats de
l’analyse spectrale
donnée dans de nombreusesfigures,
donnent des résultatsidentiques.
La conclusion
générale
de l’auteur est que les lois étudiées sont assez voisines. Il observe ainsi que,lorsque
l’une d’elles donne un bonajustement,
il en est de même deplusieurs
autres.BIBLIOGRAPHIE
AITCHISON
J.,
et BROWN J. A.C.,
Thelognormal distribution, Cambridge, Mass., Cambridge University Press,
1963.BARTHOLOMEW
J.,
The meridian compactatlas, Cleveland, Ohio,
WorldPublishing, 1961,
CHAMPERNOWNE D.
G.,
"A model of incomedistribution",
EconomicJournal, 63, 1953,
pp. 318-351.COCHRAN W.
G.,
"Some methods forstrenthening X2 tests", Biometrics, 10, 1954,
pp. 417-421.DUESENBERRY J.
S., Income, saving
and thetheory of
consumerbehavior, Cambridge, Mass.,
HarvardUniversity Press,
1949.FELLER
W.,
"On theKolmogorov-Smirnov
limit theorems forempirical distribution",
Ann. math.Statist., 19, 1948,
pp. 177-189.FRIEDMAN
M.,
Atheory of the consumption function, Princeton, NJ,
PrincetonUniversity Press,
1957.GIBRAT
R.,
Lesinégalités économiques, Paris, Sirey,
1931.GODFREY M.
G.,
GRANGER C.W.,
et MORGENSTERN0.,
"The random walkhypothesis
of stock marketbehavior", Kyklos, 17, 1964,
pp. 1-31.HART P.
E.,
et PRAIS S.J.,
"Theanalysis
of businessconcentration",
J. r. statist.Soc.,
seriesA,
part2, 1956,
pp. 150-191.JENKINS G.
M.,
"General considerations in theanalysis
ofspectra", Technometrics, 3, 1961,
pp. 133-165.KALECKI
M.,
"On the Gibratdistribution", Econometrica, 15, 1945,
pp. 161-170.MALKIEL B.
G., "Expectations,
bondprices
and the term structure of interestrates", Quarterly journal of
economics, 66, 1962,
pp. 197-218.MANDELBROT
B.,
"New methods in statisticaleconomics",
Journalof political
economy,71, 1963,
pp. 421-440.
PARETO
V.,
Cours d’économiepolitique, Genève, Droz,
1964.QUANDT
R.E.,
"Old and new methods of estimation and the Paretodistribution",
Research memoran-dum n
68,
Econometric research program, PrincetonUniversity, Princeton, NJ, septembre
1969.
SIEGEL
S.,
Nonparametric statistics,
NewYork, McGraw-Hill,
1956.SIMON H.
A.,
et BONINI C.P.,
"The size distribution offirms",
American economicreview, 48, 1958,
pp. 607-617.
U.S. Bureau of
Census,
Concentration ratios inmanufacturing industries, Washington, DC,
US Govern-ment
Printing Office,
1963.ZIPF G.
K.,
Human behavior and theprinciple of
leasteffort, Reading, Mass., Addison-Weysley,
1949.URBANISME
LOI GAMMA
GÉOGRAPHIE
DISTRIBUTIONS SPATIALES
BUSSIÈRES
R.,
Thespatial
distributionof
urbanpopulation,
International Federation forhousing
andplanning,
Centre de Recherched’Urbanisme, Paris,
1970.Modèle
On s’intéresse à la distribution
spatiale
de lapopulation
d’une concentration urbaineimportante.
Celle-ci est
supposée
avoir un centreponctuel unique
0. La densité depopulation
D(r)
à la distance rdu centre 0 suit
généralement
dans ce casapproximativement
une loiexponentielle (Clark, 1951).
A est la densité au centre et b un
paramètre
de décroissance.A et b sont des constantes : on a alors pour la
population
totale d’habitationéloignée
du centred’une distance inférieure à r :
Ceci
équivaut
au modèleprobabiliste
selonlequel
laprobabilité
pour un individu de résider entreles distances r et r -- dr du centre est C
(r)
drC’est la densité d’une loi gamma.
Trois autres modèles
simples
ont étérejetés :
d’où
2)
Pour r d’oùPour r
d’où
et
pour r K
Riim
pour r >
Rlim.
Aucun de ces trois modèles ne rend compte des données observées.
Estimation
A et b sont calculés
itérativement,
pour obtenir le meilleurajustement possible
par la méthode des moindres carrés de la courbethéorique :
aux
points
observés.Test
La
qualité
desajustements apparaît
sur lesgraphiques joints
à l’article. L’auteur calcule le coefficient de corrélation linéaire r entre les nombres d’habitants observés et ceuxthéoriques, correspondant
auxmêmes distances du centre. r est
proche
de + 1 si les deux séries de valeurs tendent à êtreégales.
Application
Sept agglomérations
sont étudiées : Paris(7
600 000habitants, 1962), Lyon (850
000habitants, 1962),
Marseille
(800
000habitants, 1962),
Toronto(1
700 000habitants, 1961),
Toulouse(340
000habitants, 1962)
et Auxerre(28
000habitants, 1962).
Les données accessibles(recensements)
sont fournies parzones
(par exemple, quartiers
et communes de banlieue pourParis).
Pourchaque
zone est déterminéun centre
ponctuel
aussiproche
quepossible
du centre degravité
de sapopulation.
Lapopulation
touteentière de la zone est alors
supposée
au centre pour les calculs.Un centre de
l’agglomération
pour la loiexponentielle
estdéterminé, qui
ne coïncide pas for- cément avec le centre degravité
de lapopulation.
L’auteur observe que la densité depopulation
moyenne
D o’ (p)
à ladistance P
d’unpoint quelconque
0’ situé à une distance a du centre 0 est maximalepour
= a. En choisissantplusieurs points
0’successifs,
on peut donc déterminer 0 par recoupements.Sur un.e carte, l’auteur montre les centres de Paris ainsi calculés en 1954 et
1962,
ainsi que les centres degravité
aux mêmes dates. Tous cespoints
sont très voisins(300
m de différence pour uneagglomé-
ration de 55 km de
diamètre)
et leurdéplacement
dans letemps
faible. Une autre carteprésente
le centrecalculé de Marseille.
Des
graphiques
montrent lesajustements
obtenus. On a :Un
septième ajustement
satisfaisant est obtenu pour lapopulation
active du secteur tertiairede
Paris,
localisée cette fois en son lieu detravail,
et nonplus
derésidence,
en 1962.L’ajustement
estencore bon et l’on trouve :
Ceci
suggère
la recherchegénérale
des variablesgéographiques qui
suivent la loiexponentielle (on pourrait
étudier lesprix
desterrains,
parexemple).
L’auteur note que l’échantillon des villes étudiées est assez varié. Elles ont
cependant
toutes encommun une formation
spontanée,
« libre », nonplanifiée,
cequi
situe le modèleexponentiel
comme uneloi du
comportement
social des masses. Il semble que cette loiapparaisse
bien établie dans de nombreux cas, alors quejusqu’à
uneépoque récente,
on la considérait comme unepremière approximation
trèssimplifiée
etimprécise
de la réalité.BIBLIOGRAPHIE
BLUMENFELD
H.,
"The concentrictheory
of urbangrowth",
Landeconomics,
mai1949 ;
"The tidalwave of
metropolitan expansion",
J.of the
American Instituteof Planners,
hiver 1954.CLARK
C., Population growth
and land use,London, MacMillan,
1967. "Urbanpopulations densities",
J. r. stat.Soc., 114, part IV,
1951.NEWLING B.
E.,
"The mathematics of structure andprocess",
Annualmeetings,
Associationof American geographers,
avril12,
1967.SEYFRIED W.
R.,
"Thecentrality
of urban landvalues»,
Landeconomics, 39,
pp. 275-284.STEWART
J. Q.,
et WARNTZW., "Physics
ofpopulation distribution",
J.of regional science, 1,
1958.WARNTZ W. et NEFT
D.,
"Contribution to a statisticalmethodology
for arealdistributions",
J,of regional science, 2,
nO1,
1960.LOI DE POISSON
LOI BINOMIALE
NÉGATIVE GÉOGRAPHIE
KING L.
J.,
Statisticalanalysis
ingeography, Englewood Cliffs, NJ, Prentice-Hall,
1969.Dans cet ouvrage,
largement
consacré par ailleurs aux méthodesd’analyse
des données(analyse
facto-rielle, analyse discriminante, etc.),
l’auteurprésente
de nombreuxexemples
del’emploi
des lois deprobabilité
dans la recherchegéographique.
Nous reprenons ici ceuxqui
sont leplus complètement
traités.
Loi de Poisson
La
probabilité
de l’entierpositif x
est :La moyenne observée m permet d’estimer À. La moyenne et la variance
théorique
sontégales
à X.En
géographie,
on est amené à s’intéresser à des distributionsspatiales
bidimensionnelles.Dacey (1964)
a donné quatrehypothèses
conduisant à une loi de Poisson pour le nombre depoints
aléatoiressur une surface donnée.
i)
Laprobabilité qu’une
sous-surface contienne xpoints
nedépend
pas de saplace
dansl’espace
considéré.
ii)
Laprobabilité
d’unpoint
dans un élément de surface d A est À dA,
laprobabilité
deplus
d’unpoint
est d’un ordre inférieur.
iii)
Laprobabilité
p(x, A)
de xpoints
sur une surfaceégale
à A est continument dérivable parrapport
à A.iv)
p(0, 0)
.- 1 ; p(x, 0)
=0 ;
p(x, A)
= 0 pour x 0.L’auteur mentionne les travaux de Getis
(1964)
sur la localisation desmagasins
d’alimentationgénérale
à EastLansing.
Entre unepériode
où cesmagasins
ont tendance à se grouper(peu
de super-marchés)
et unepériode
où leur distribution tend à être uniforme(beaucoup
desupermarchés),
l’auteurpostule qu’ils
peuvent serépartir
auhasard,
suivant une loi de Poisson. Pour tester cettehypothèse,
la cité est divisée en carrés de même surface
(quadrats) et
lecomptage
desmagasins
danschaque
carréest effectué. Les distributions obtenues pour les années
1900,
1910 et 1960 sont « très semblables par leur forme )> à celles du modèlepoissonnien.
Ce modèle « au hasard » est évidemment une
simplification
à l’extrême de la réalité. On peut penser que d’autres modèles pourront aussi bien rendre compte des faits observés.Loi binomiale
négative
Pour cette
loi,
laprobabilité
p(x)
de l’entierpositif x
est selon Feller(1950) :
r est un
paramètre
entierpositif
et p estcompris
entre 0 et 1.L’estimation de ces
paramètres
n’est passimple.
Williamson et Bretherton(1963)
en ont fait ladiscussion. Le
plus simple
est d’utiliser la moyenne et la variancethéorique
m et S2(méthode
desmoments).
On a :Si r n’est pas entier
(les
factorielles sont étendues à ce cas par la fonction eulériennegamma)
d’autres estimateurs sont
utilisés,
notamment par Anscombe(1950).
Ces estimateurs ne sont pasprécisés
par l’auteur.
Il fait d’abord état des travaux de
Rogers (1965)
sur larépartition
decinq
sortes demagasins
dans Stockholm
(voir
fichecorrespondante).
Le modèlesous-jacent
est celui d’unerépartition poisson-
nienne des « grappes de
magasins
et pour le nombre demagasins
par « grappe » d’unerépartition logarithmique
deFisher,
pourlaquelle
on a :avec
Harvey (1966),
étudiant desphénomènes
decontagion
dansl’espace
arepris
ce modèle sur deuxséries de données de
Hâgerstrand (1953).
Dans desquadrats
sont mesurés dans lapremière
le nombred’accords d’amélioration des
pâturages
entre 1928 et1933,
dans la seconde le nombred’usagers
demachines à traire
(1944).
Les lieux de ces études ne sont pasprécisés.
L’auteur donne les tableaux des nombres observés et de ceuxthéoriques correspondant
à une estimation par la méthode d’Anscombe.Le test du
x2
permetd’accepter l’ajustement,
avec un niveau designification
de0,30
pour lapremière
distribution et de0,80
pour la seconde. Deux autres distributions deHâgerstrand
obtenuespar des méthodes de simulation sont
également
étudiées.Dacey (1967)
a fait le même travail pour 21 échantillons du nombre de maisons parquadrats
à Porto
Rico,
et a obtenu de très bonsajustements,
même en regroupant lesquadrats
en unitésplus grandes. Cependant,
dans ce cas, leparamètre
r devrait croîtreproportionnellement
aux éléments desurface,
et p devrait êtreinchangé
dansl’hypothèse d’indépendance
entre lesquadrats qui
est contenuedans les modèles
classiques
de la loi binomialenégative.
Ce n’est pas le cas etDacey
pensequ’un
modèlevraiment réaliste est encore à trouver.
Lois en relation avec la loi de Poisson
Dacey (1964)
a considéré d’autres modèles tirés de celui de Poisson pour la distribution depoints
surun espace bidimensionnel. Tout
d’abord,
on peut supposerqu’une
vasterégion homogène
est diviséeen c comtés de même taille. Un comté a la
probabilité
p d’avoir un chef-lieu et 1 - p de n’en pas avoir.Le nombre de centres urbains autres que les chefs-lieux que contient
chaque
comté est distribué suivant la loi de Poisson de moyenne m. On obtient donc commeprobabilité
pour un comté de contenir x centresurbains :
La moyenne et la variance
théoriques
sontp2,
d’où des estimateurs m et p de m et p par la méthode des moments.où x
et s2 sont la moyenne et la variance observées.Pour p =
0,
on retrouve le modèle purementpoissonnien. Lorsque
pcroît,
larépartition
descentres urbains tend à être
plus régulière. Pour p
= 1, x - 1 est une variable de Poisson.Ce modèle a été
appliqué
au nombre de centres urbains par comté enIowa,
pour les années1840, 1870, 1900,
1930 et 1960.Un tableau donne les résultats. Le dernier
ajustement (1960)
semble moins bon que lesprécédents.
D’autres modèles
théoriques
tirés de la loi de Poisson parDacey
sont ensuitementionnés,
sansajustement
à des distributions observées.BIBLIOGRAPHIE
ANSCOMBE F.
J., "Sampling theory
of thenegative
binomial andlogarithmic
seriesdistributions", Biometrika, 37,
pp.358-382,
1950.CLARK P.
J.,
et EVANS F.C.,
"Distance to nearestneighbour
as a measure ofspatial relationships
inpopulations", Ecology, 35,
pp. 445-453.CURRY
L.,
"Thegeography
of service centers within towns : The elements of anoperational approach",
Lund studies in
geography,
SeriesB, 24,
pp.31-53,
1962.CURRY
L.,
"The randomspatial
economy : Anexploration
in settlementtheory", Annals,
Association of AmericanGeographers, 54,
pp.138-146,
1964.DACEY M.
F.,
"Two-dimensional randompoints
patterns : A review and aninterpretation", Papers,
The
Regional
ScienceAssociation,
13 pp.41-55, 1964,
a.- "Modified Poisson
probability
law forpoint pattern
moreregular
thanrandom", Annals,
Asso-ciation of the American
Geographers, 54,
pp.559-565, 1964,
b.- "Order distance in an
inhomogeneous
randompoint pattern",
Canadiangeographer, 9,
pp. 144-153,
1965.- "A
compound probability
law for apattern
moredispersed
than random and with areal inhomo-geneity",
Economicgeography, 42,
pp.172-179,
1966.- An
empirical study of
the areal distributionof
houses in PuertoRico, Evanston, Ill.,
North-westernUniversity,
1967(mimeo).
FELLER
W.,
An introduction toprobability theory
and itsapplications,
NewYork, Wiley,
1957.GETis
A., "Temporal
land-use patternsanalysis
with the use of nearestneighbour
andquadrat methods", Annals,
Association of the AmericanGeographers, 54, 391-399,
1964.HÂCERSTRAND
’T., Innovationsfônloppet ur!Korologisk synpunkt, Lund, Gleerups Fôrlag,
1954.HARVEY D.
W., "Geographical
processes and theanalysis
ofpoint patterns",
Transactions and papers, Institute of BritishGeographers, 40,
pp.81-95,
1966.KING L.
J.,
"Aquantitative expression
of the pattern of urban settlements in selected areas of the UnitedStates", Tijdschrift
voor economische en socialegeografie, 53,
pp.1-7,
1962.PARZEN
E.,
Modernprobability theory
and itsapplications,
NewYork, Wiley,
1960.ROGERS
A.,
"A stochasticanalysis
of thespatial clustering
of retailestablishments",
J. Am. statist.Ass., 60,
pp.1094-1103,
1965.WILLIAMSON
E.,
et BRETHERTON M.H.,
Tablesof
thenegative
binomialdistribution,
NewYork, Wiley,
1963.