Lois de probabilits

Synthse

Quelques lois de probabilit discrtes:
Lois Notation Dfinition Esprance Variance

Uniforme
i, si 1 i n
P(X = x
i
) =
1
n

si x
i
= i,
E(X) =
n + 1
2


si x
i
= i,
V(X) =
n
2
1
12


Bernoulli

B(1, p)
si succs X = 1
chec X = 0
P(X = 0) = q
P(X =1) = p avec p+q = 1

E(X) = p

V(X) = pq

Binomiale

B(n, p)
S
n
= X
i
i=1
n

avec X variable Bernoulli
P(S
n
= k ) = C
n
k
p
k
q
nk




E(S
n
) = np


V(S
n
) = npq


Poisson


P()
P(X = k) =

k
e

k!

avec > 0

E(X) =


V(X) =

Binomiale
ngative


BN
(n,p)
avec k : nbre dpreuves
et n : nbre de succs, k n
P(X = k) = C
k1
n1
p
n
q
kn

E(X) =
n
p


V(X) = n
q
p
2

Gomtrique


BN (1,p)
avec n = 1
P(X = k) = pq
k1

E(X) =
1
p
V(X) =
q
p
2

Quelques lois de probabilit continues :

Lois Notation Dfinition Esprance Variance

Uniforme

f (x) =
1
b a
si x a,b) [ ]
f (x) = 0 si x a,b) [ ]


E(X) =
b + a
2



V(X) =
b a ( )
2
12


Normale

N(,)


x a f (x) =
1
2
e

1
2
x

2


E(X) =


V(X) =
2

Normale
rduite


N(0,1)



z a f (z) =
1
2
e

1
2
z
2
avec
Z =
X

et X N(,)



E(Z) = 0


V(Z) = 1


Khi deux

2
(n)

2
= X
i
2
i=1
n
avec X
i
N((0,1)

x a f (x) = C(n)x
n
2
1
e

x
2

avec n degrs de libert

E(
2
) = n


V(
2
) = 2 n


Student


T(n)

T
n
=
U
V
n
avec U N((0,1) et
V
2
(n)

E(T) = 0
si n > 1

V(T) =
n
n 2

si n > 2

Thorme central limite

Si S
n
= X
1
+ X
2
++ X
i
+ ...+ X
n
est la somme de n variables alatoires indpendantes et de
mme loi alors la variable alatoire
( )
n
n
S n
Z
n

= suit une loi normale rduite N(0,1) et

ceci quelque soit la loi de probabilit suivie par les variables alatoires.