21 vues

Cours

Transféré par Hicham Wadi

cours de probabilités statistiques

Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

Signaler comme contenu inapproprié

Passer à la page

Vous êtes sur la page 1sur 77

Rechercher à l'intérieur du document

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Mesures et analyses statistiques des donnes.

Hicham Wadi
Master GSI - Risques Industriels et Maintenance.

19 octobre 2014

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Table des matires.

Probabilits.
Quest-ce quune probabilit ?
Probabilits conditionnelles.
Dnombrements
Variables alatoires.
Quest-ce quune variable alatoire ?
Loi de probabilit dune variable alatoire.
Esprance et variance.
indpendance de variables alatoires
Notion dindpendance
Applications
Rgression linaire et mthode des moindres carrs
Loi faible des grands nombres.

Lois usuelles pour les variables alatoires discrtes.

Loi binomiale
Loi gomtrique
Loi binomiale ngative
Loi de Poisson
Lois usuelles pour les variables alatoires continues.
Loi uniforme.
Loi exponentielle.
Loi normale

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Expriences alatoires - vnements

Une exprience alatoire, par exemple le jet dun d, se caractrise par les
deux faits suivants :
1 Nous ne pouvons pas prdire avec certitude le rsultat.
2 Mais il est possible de dterminer lensemble de toutes les issues
possibles.
Notion dvnement
Lensemble des issues possibles sappelle l ensemble fondamental de
lexprience (alatoire) et est gnralement not . Tout sous ensemble de
sappelle un vnement
Quelques exemples : On jette un d = {1; 2; 3; 4; 5; 6}. Lensemble {2, 4, 6}
est lvnement La face du d est paire.
Exemple
Considrons lexprience qui consiste lancer successivement deux ds.
Quel est lensemble fondamental ?
Spcifier les ensembles qui caractrisent les vnements suivants :
A : La somme des points est gale six.
B : La somme des points est paire.
C : La somme des points est strictement infrieure six

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Le vocabulaire des vnements

sappelle lvnement impossible et lvnement certain.

Un vnement qui se rduit un lment sappelle un vnement
simple. {6} pour le lanc de d par exemple.
, cest dire si
On dit que B est lvnement contraire de A si B = A
A B = et si A B = .
Deux vnements A et B sont dits incompatibles si A B = . Rsultat
pair/impair pour le lanc de d par exemple.
On dit quun vnement A implique un vnement B si A B .
On dit que les vnements A1 , A2 , , An sont mutuellement exclusifs
sils sont incompatibles deux deux.
On dit que A1 , A2 , , An forment un systme complet dvnements
n
S
sils sont mutuellement exclusifs et si
Ak =
k =1

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Le concept de probabilit
Postulat de la thorie des probabilits
Supposons quon ralise un grand nombre N de fois une mme exprience
alatoire, si na est le nombre de fois quun vnement A se ralise, on
postule :
n
lim a = p(A )
N N
Le nombre p(A ) correspond la probabilit que lvnement A se ralise.
Axiomes de la thorie des probabilits
Pour tout vnement A , 0 P (A ) 1.
P () = 0 et P () = 1 (vnement impossible, vnement certain).
A et B tant deux vnements, P (A B ) = P (A ) + P (B ) P (A B )
Exercice
Montrer les galits suivantes et les illustrer par des exemples concrets :
) = 1 P (A ).
a) P (A
b) P (A B C ) =
P (A ) + P (B ) + P (C ) P (A B ) P (A C ) P (B C ) + P (A B C ).
c) Si A1 , A2 , , An forment un systme complet dvnements, alors pour
tout vnement A , P (A ) = P (A A1 ) + P (A A2 ) + + P (A An ).

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Probabilits conditionnelles I

Intuitivement, lorsque deux vnements A et B sont indpendants, on peut

crire P (A B ) = P (A ) P (B ). Lexercice suivant illustre cela :
Exercice
a) Considrons le cas du lanc de deux ds. Supposons que A soit un
vnement relatif au premier d et B un vnement relatif au second.
Pourquoi a-t-on ncessairement P (A B ) = P (A ) P (B ).
b) Montrer laide dun contre exemple quen gnral P (A B ) , P (A ) P (B )
.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Probabilits conditionnelles II

Correction
a) Notons 1 et 2 les ensembles fondamentaux correspondant
respectivement aux jets du premier et du second d. Lensemble
fondamental associ au lanc des deux ds peut scrire = 1 2
(produit cartsien).
Dire que A est un vnement relatif au jet du premier d signifie que A est de
la forme A1 2 avec A1 1 ; de mme, B = 1 B2 avec B2 2 . On
peut par consquent crire A B = A1 B2 et donc
card (A B ) = card (A1 ) card (B2 ), do :
P (A B ) =

card (A1 ) card (B2 )

card (A1 ) card (B2 )
=

= P (A )P (B )
card (1 ) card (2 )
card (1 ) card (2 )

b) On peut dfinir : A est lvnement La somme des faces est paire et B :

La somme des faces est impaire. On a A B = do P (A B ) = 0,
pourtant P (A ) , 0 et P (B ) , 0.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Probabilits conditionnelles III

Dfinition
A tant un vnement, lapplication PA qui tout vnement B associe le
P (A B )
nombre
sappelle la probabilit conditionnelle sachant A .
P (A )
On peut ainsi toujours crire P (A B ) = P (A ) PA (B ).
Thorme
Lapplication PA est une probabilit (elle en vrifie les axiomes).

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Probabilits conditionnelles - Exemples I

Exemple 1 : Cibles
Deux joueurs J1 et J2 tirent sur une cible. Nous supposons que J1 atteint la
cible 9 fois sur 10 et J2 6 fois sur 10. J2 joue 2 fois sur 3.
a) Quelle est la probabilit que la cible soit atteinte ?
b) Lun des joueurs atteint la cible. Quelle est la probabilit que ce soit J2 ?
Exemple 2 : Dpistage
Une maladie affecte une personne sur mille. On dispose dun test qui
dtecte cette maladie chez 99% des patients malades et qui donne un
rsultat faussement positif chez 0.2% des personnes saines testes. Une
personne est contrle positive. Quelle est la probabilit pour quelle soit
rellement malade ?

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Probabilits conditionnelles - Exemples II

Correction : cibles
a) Notons C lvnement "la cible est atteinte".
C1 (resp. C2 ) les vnements "la cible est atteinte par le joueur J1 " (resp.
J2 ).
Notons enfin J1 (resp. J2 ) les vnements "La joueur 1 tire" (resp. "le
joueur 2 tire").
S
On peut crire C = C1 C2 : la cible est atteinte soit par J1 soit par J2 .
9 = 3 et :
Or P (C1 ) = P (J1 )PJ1 (C ) = 13 10
10
2
6
4 .
P (C2 ) = P (J2 )PJ2 (C ) = 3 10 = 10
4 + 3 = 7 .
Ainsi P (C ) = P (C1 ) + P (C2 ) = 10
10
10
b) On remarque que P (C J2 ) = P (J2 )PJ2 (C ) = P (C )PC (J2 ). Donc
PC (J2 ) =

2 6
P (J2 )PJ2 (C )
= 3 10 = 74 .
P (C )
7
10

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Probabilits conditionnelles - Exemples III

Correction : test
Dsignons par M et T respectivement les vnements "la personne est
1 ,
malade" et "le rsultat du test est positif". Daprs lnonc : P (M ) = 1000
PM (T ) = 0.99 et PM
(T
)
=
0.002.
Nous
voulons
calculer
P
(M
).

T
Nous savons que P (M T ) = P (M )PM (T ) = P (T )PT (M ). Ainsi,
P (M )PM (T )
PT (M ) =
.
P (T )
)=
Il ny a plus qu calculer P (T ) : P (T ) = P (T M ) + P (T M
)P (T ) = 1 99 + 999 2 ' 0.003
P (M )PM (T ) + P (M
M
1000 100
1000 1000
Finalement, PT (M ) ' 0.33

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Arrangements et Combinaisons
Trs souvent, pour calculer des probabilits nous avons besoin de faire appel
aux mthodes de dnombrements.
Thorme des arrangements
Parmi n objets distincts {O1 , , On )} il existe
n!
AnP = n (n 1) (n p + 1) =
manires de construire une liste
(n p)!
ordonne (Oi 1 , , Oip ).
p

On dit quil y a An arrangements de p lments parmi n. Un arrangement de

n lments parmi n sappelle une permutation.
Exercice : Dans une course opposant 8 athltes, quel est le nombre de
podiums possibles ?
Thorme des combinaisons
p
n!
p
Un ensemble n lments admet Cn = Apn! =
sous ensembles p
p!(n p)!
lments (0 p n).

Exercice : On souhaite lire un comit de 6 membres parmi 15 hommes et

12 femmes. Madame A refuse de siger avec monsieur B.
a) Combien de comits peuvent tre constitus dans ces conditions ?
b) Dnombrer ceux de ces comits dont madame A fait partie.

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Dnombrements : exemples et proprits

Proprits des combinaisons
Etablir les proprits suivantes (inutile de se lancer dans des calculs) :
p

Cn = Cn
p
p
p1
Cn = Cn1 + Cn1 (formule de Pascal)
Exercice
On choisit 5 cartes dans un jeu de 32. Combien y-a-t-il de rsultats
comprenant :
a)
b)
c)
d)

Exactement deux valets ?

Aucun as ?
Au moins 3 dames ?
2 trfles et 3 carreaux ?

e) Deux cartes dune couleur et trois

de lautre ?
f) Au moins un roi ?
g) 3 piques et 2 rois ?

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Dnombrements : exemples et proprits

Correction
4!
43
=
= 6 cas. Il reste choisir
a) On choisit 2 valets parmi 4 : C42 =
2!2!
2
28!
28

26
3 =
3 cartes parmi 28 : C28
=
= 3276 possibilits. Au
3!25!
6
total : 6 3276 = 19656 mains.

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Dnombrements : exemples et proprits

Correction
4!
43
=
= 6 cas. Il reste choisir
a) On choisit 2 valets parmi 4 : C42 =
2!2!
2
28!
28

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Dnombrements : exemples et proprits

Correction
4!
43
=
= 6 cas. Il reste choisir
a) On choisit 2 valets parmi 4 : C42 =
2!2!
2
28!
28

26
3 =
3 cartes parmi 28 : C28
=
= 3276 possibilits. Au
3!25!
6
total : 6 3276 = 19656 mains.
b) On carte les as, il reste 28 cartes parmi lesquelles il faut en choisir 5,
cela fait
5 = 28! = 28 27 26 25 24 = 28 27 26 5 2 = 196560 mains.
C28
5!23!
5!
1 = 28 cas. 3 dames :
c) Soit trois dames, soit quatre. 4 dames : C28
3
2
C4 C28 = 4 14 27 = 1512. Au total 1512 + 28 = 1540 mains.

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Dnombrements : exemples et proprits

Correction
4!
43
=
= 6 cas. Il reste choisir
a) On choisit 2 valets parmi 4 : C42 =
2!2!
2
28!
28

= 28 56 = 1568 mains.
2
6

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Dnombrements : exemples et proprits

Correction
4!
43
=
= 6 cas. Il reste choisir
a) On choisit 2 valets parmi 4 : C42 =
2!2!
2
28!
28

= 28 56 = 1568 mains.
2
6
e) Il y a 16 cartes rouges et 16 noirs. Do
2 C 3 = 8 15 16 5 7 = 67200 mains.
C16
16

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Dnombrements : exemples et proprits

Correction
4!
43
=
= 6 cas. Il reste choisir
a) On choisit 2 valets parmi 4 : C42 =
2!2!
2
28!
28

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Dnombrements : exemples et proprits

Correction
4!
43
=
= 6 cas. Il reste choisir
a) On choisit 2 valets parmi 4 : C42 =
2!2!
2
28!
28

= 28 56 = 1568 mains.
2
6
e) Il y a 16 cartes rouges et 16 noirs. Do
2 C 3 = 8 15 16 5 7 = 67200 mains.
C16
16
5 = 98280 mains sans rois et C 5 = 201376 mains possibles. Il y
f) Il y a C28
32
a donc 201376 98280 = 103096 mains avec au moins un roi.
g) Avec le roi de pique (et une carte ni roi ni pique) :
C31 C72 21 = 63 21 = 1323 cas. Sans roi de pique : C32 C73 = 105. Au
total 1428 mains.

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Rappel du plan
1

Lois usuelles pour les variables alatoires discrtes.

Loi binomiale
Loi gomtrique
Loi binomiale ngative
Loi de Poisson
Lois usuelles pour les variables alatoires continues.
Loi uniforme.
Loi exponentielle.
Loi normale

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Variables alatoires : dfinition, exemples I

Aprs avoir ralis une exprience, on ne sintresse bien souvent qu une
certaine fonction dfinie sur lensemble des issues possibles et non pas
aux lments de lensemble . Par exemple, un joueur de loto ne sintresse
pas aux dtails des tirages possibles mais seulement la probabilit quil a
davoir m bons numros (m entre 0 et 6).
Dfinition
Une variable alatoire X est une fonction de lensemble fondamental
valeurs dans R. X : 7 R.
Un exemple : deux ds
On lance deux ds, on additionne les points des deux faces. On note X la
variable alatoire reprsentant le rsultat.
a) Quel est lensemble des possibilits ?
b) Prciser la dfinition de la fonction X .
c) Pour chacune des valeurs possibles x de X , quelle est la probabilit
dobtenir x ?

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Variables alatoires : dfinition, exemples II

Correction
a) Lensemble est compos de 36 lments : = {(1, 1), (1, 2), , (6, 6)}.
b) X est la fonction qui tout couple (d1 , d2 ) associe le nombre d1 + d2
c) Les probabilits des vnements {X = xi } sont rsumes dans le tableau
suivant :

On appelle support dune variable alatoire X lensemble des valeurs

possibles de X , cest dire X (). Par exemple dans le cas prcdent,
X () = {2, 3, , 12}.
Notation
Si X est une variable alatoire et x un rel, on note {X = x} lvnement
X 1 ({x}) (un sous ensemble de ).

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi de probabilit dune variable alatoire

Dfinition
La loi de probabilit PX qui toute valeur x du support de X associe la
probabilit P (X = x) sappelle la loi de probabilit de la variable X .
Par exemple dans le cas des deux ds, la loi de probabilit PX associe la
variable alatoire X (somme des deux ds) est dfinie par le tableau suivant :

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Esprance et variance I

Trs souvent le support dune variable alatoire se rpartit de part et dautre dune
valeur moyenne. Pour estimer la position centrale et la largeur de ce support, on
utilise souvent les notions de moyenne (ou esprance) et de variance :

Dfinitions
lesprance mathmatique (ou moyenne) dune variable alatoire X
est dfinie par :
n
X
E (X ) =
xk P (X = xk )
k =1

la variance de la variable alatoire X est dfinie par :

n
h
i X
Var(X ) = E (X E (X ))2 =
[xk E (X )]2 P (X = xk )
k =1

p
lcart type est la racine carre de la variance : (X ) = Var(X ).

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Esprance et variance II
Remarque
Pour les dmonstrations, on sautorisera crire dans tous les cas :
E (X ) = X ()P ().

Exercice
On lance deux ds, X reprsente la somme des deux faces. Calculer la
moyenne, la variance et lcart type de X .
Soient et deux rels, X et Y deux variables alatoires dfinies sur un
mme espace fondamental :
Proprits
E (aX + b ) = aE (X ) + b
E (X + Y ) = E (X ) + E (Y ).
Var(X ) = E (X 2 ) E (X )2
Var(X + ) = 2 Var(X )

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Esprance et variance III

Correction
Montrons par exemple que Var(X ) =E (X 2 ) E (X )2 :

Var(X ) = [X () E (X )]2 P () = X 2 () + E (X )2 2X ()E (X ) P () =

E (X 2 ) 2E (X )2 + E (X )2 = E (X 2 ) E (X )2 .
Exercices
une urne contient 5 boules rouges et 3 boules vertes. On choisit au
hasard et sans remise les boules une une jusqu obtention dune
boule rouge. Soit X le nombre de tirages ncessaires. dterminer la loi
de probabilit de X ainsi que son esprance et son cart type.
Mme question pour la situation suivante : on lance simultanment
deux ds quilibrs et on note X le maximum des deux chiffres obtenus.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Esprance et variance IV
Correction
On peut crire :
5
P (X = 1) =
8
35
P (X = 2) = P (X , 1)P{X ,1} (X = 2) =
87
325
P (X = 3) = P (X , 1)P{X ,1} (X , 2)P{X ,1 et X ,2} (X = 3) =
876
321
P (X = 4) = =
.
876
3
5
325
321
+3
+4
= 1.5
Ainsi E (X ) = 58 + 2
87
876
876
5
3
5
3
2
De mme, E (X ) = 8 + 4 8 7 + 9 8 72 56 + 16 38 27 16 ' 2.78.
p
Var(X ) = E (X 2 ) E (X )2 = 2.78 1.52 = 0.53 et (X ) = Var(X ) ' 0.73
X peut varier de 1 6. Le tableau suivant rsume la loi de la variable X :
k
Nb de cas
P (X = k )

1
1

2
3

3
5

4
7

5
9

6
11

1
36

3
36

5
36

7
36

9
36

11
36

Lesprance, la variance et lcart type se calculent comme pour

lexemple prcdent.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Rappel du plan
1

Lois usuelles pour les variables alatoires discrtes.

Loi binomiale
Loi gomtrique
Loi binomiale ngative
Loi de Poisson
Lois usuelles pour les variables alatoires continues.
Loi uniforme.
Loi exponentielle.
Loi normale

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Indpendance de deux variables

Dfinition
On dit de deux variables alatoires X et Y dfinies sur un mme ensemble
fondamental quelles sont indpendantes si pour tout couple
(x, y) X () Y (), la loi conjointe (x, y) 7 P (X = x, Y = y) vrifie :
P (X = x, Y = y) = P ({X = x} {Y = y}) = P (X = x)P (Y = y).
Exercice : un exemple
On dispose de deux boules et de trois botes A , B et C . Il y a une chance sur
trois pour quune boule donne soit place dans une bote donne. X est
dfinie comme Le nombre de boules dans A ; Y comme le nombre de
botes vides. Exprimer, sous la forme dun tableau, la probabilit conjointe
des variables X et Y . vrifier quelles ne sont pas indpendantes.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Correction

Correction
En dnombrant les diffrentes situations possibles, on peut tablir :
(X , Y )
Nb de cas
P (X , Y )

(2, 2)
1

(1, 1)
2

(0, 1)
1

(0, 2)
2

1
6

2
6

1
6

2
6

De mme pour les variables alatoires X et Y :

X
P (X )

4
9

1
9

Y
P (Y )

6
9

3
9

On ne peut pas crire dans tous les cas P (X = x, Y = y) = P (X = x)P (Y = y),

les variables alatoires X et Y ne sont donc pas indpendantes.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Proprits
Le thorme suivant joue un rle central :
Thorme
Si X et Y sont deux variables ndpendantes, alors E (XY ) = E (X )E (Y ) et
Var(X + Y ) = Var(X ) + Var(Y )

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Proprits
Le thorme suivant joue un rle central :
Thorme
Si X et Y sont deux variables ndpendantes, alors E (XY ) = E (X )E (Y ) et
Var(X + Y ) = Var(X ) + Var(Y )
Preuve
a) Montrons que E (XY ) = E (X )E (Y ) :
E (XY ) = xyP (X = x, Y = y)
=
xyP (X = x)P (Y = y) =
x,y
x,y

par indpendance
xP (X = x) yP (Y = y) = E (X )E (Y ).
x

b) Montrons que Var(X + Y ) = Var(X ) + Var(Y

):

Var(X + Y ) = E (X + Y )2 E 2 (X + Y ) = E X 2 + Y 2 + 2XY E 2 (X )
E 2 (Y ) 2E (X )E (Y )

par indpendance

Var(X ) + Var(Y )

Remarque
De manire gnrale : Var(X + Y ) = Var(X ) + Var(Y ) + 2 (E (XY ) E (X )E (Y ))
Le nombre Cov(X , Y ) = E (XY ) E (X )E (Y ) sappelle la covariance des
variables alatoires X et Y .

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Moindre carrs et rgression linaire I

Les notions de variance et de covariance apparaissent joliment lorsquon
recherche la droite qui reprsente le mieux un nuage de s points (xi , yi )
(obtenus par exemple exprimentalement).
Moindre carrs
On dit que la droite dquation y = ax + b est celle qui reprsente le mieux le
nuage (xi , yi ) si les coefficients a et b sont ceux qui minimisent la somme
des carrs :
(yi axi b )2
1i n

Thorme
En posant E (x) = n1 xi et E (y) = n1 yi , les coefficients a et b de la droite
i
i
des moindres carrs sont gaux :
cov(x, y)
1
a=
et b = E (y) aE (x) avec cov(x, y) = (xi E (x))(yi E (y))
var(x)
n i
1
et Var(x) = (xi E (x))2 .
n i

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Moindre carrs et rgression linaire II

Dmonstration
Posons f (a, b ) = (yi axi b )2 . Nous recherchons un couple (a, b ) tel que
i

f
f
=
= 0 ceci conduit rsoudre le systme
b
a

2(x y axi2 bxi ) = 0

aE (x 2 ) = E (xy) bE (x)
i i i

2(y ax b ) = 0
E (y) = aE (x) + b

i
i
i

aVar(x) = cov(x, y)
aE (x 2 ) = E (xy) (E (y) aE (x)) E (x)

E (y) = aE (x) + b
E (y) = aE (x) + b
2 f
2 f
(a, b ) > 0 et
(a, b ) > 0 ce qui tablit que
a 2
b 2
la solution trouve correspond bien un minimum.
On vrifie aisment que les

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Mesure de la qualit dune rgression linaire I

Dfinition
On appelle cofficient de corrlation linaire le nombre
Cov(x, y)
(x, y) = p
Var(x)Var(y)
Thorme
Un coefficient de corrlation linaire est toujours compris entre 1 et 1

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Mesure de la qualit dune rgression linaire II

Preuve
Ce rsultat est trs similaire au rsultat sur les vecteurs :

|
v 1 ~v2 | ||
v 1 || ||
v 2 || ...
Soit un rel, remarquons que
0 Var(x + y) = Cov(x + y, x + y) = 2 Var(y) + 2Cov(x, y) + Var(x) =
Ceci est un polynme du second degr (en ) de signe constant, son
discriminant est donc ngatif. Cest dire 4Cov 2 (x, y) 4Var(x)Var(y) 0.
Finalement
Cov 2 (x, y)
0
1
Var(x)Var(y)
Thorme
La droite des moindres carrs sera de qualit dautant meilleure que le
coefficient de corrlation linaire sera proche de 1 ou de 1

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Mesure de la qualit dune rgression linaire III

Preuve
En effet, la qualit de la droite sera dautant meilleure que la somme des
carrs des erreurs commises sera petite. Cest dire dautant plus que la
"
#2
Cov(x, y)
1
quantit Q = yi E (y)
(xi E (x)) est petite. On vrifie
n i
var(x)
2
Cov (x, y)
. Q est donc petit si et seulement si
aisment que Q = var(y)
Var(y)
2
Cov (x, y)
1
est petit, cest dire si le coefficient de corrlation linaire
Var(x)Var(y)
est proche de 1 ou de 1.
On remarque notamment que pour || = 1, les points (xi , yi ) sont
parfaitement aligns. Lorsque = 0, cela entrane Cov(x, y) = 0 et la droite
des mondres carrs est horizontale (elle a pour quation y = E (y)), il ny a
pas de dpendance entre les points xi et les points yi .

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Ingalits de Markov et de Bienayme-Tchebycheff I

Au dbut de ce cours, nous avions postul que si on ralise N expriences

alatoires et si na est le nombre doccurrences dun vnement A alors plus
n
N est grand et plus la frquence Na se rapproche de la probabilit P (A ).
La loi faible des grands nombres permet de dmontrer ce rsultat, qui du
coup nest plus un postulat. La dmonstration repose sur lingalit de
Bienayme-Tchebycheff qui repose elle-mme sur lingalit de Markov :
Les deux ingalits.
Ingalit de Markov
E (X )
.

Ingalit de Bienayme-Tchebycheff Si X est une v.a alors pour tout

Var(X )
> 0, P (|X E (X )| )
2
Si X une v.a support dans R+ alors pour tout > 0, P (X )

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Ingalits de Markov et de Bienayme-Tchebycheff II

Preuve
a) Si X est valeurs positives, on peut crire
E (X ) = xP (X = x) + xP (X = x). Les valeurs de x tant positives, on
x<

peut crire : E (X ) > P (X = x) soit E (X ) > P (X ).

Do lingalit de Markov.
b) Puisque > 0, crire |X E (X )| quivaut crire (X E (X ))2 2 , de
lingalit de Markov on obtient directement que :
Var(X )
.
P (|X E (X )| ) = P ((X E (X ))2 )
2
Ce qui montre lingalit de Bienayme-Tchebycheff.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi faible des grands nombres

Thorme
Soient X1 , X2 , Xn des variables alatoires indpendantes et de mme loi.
Notons E (X ) leur esprance commune. On a :

X + + Xn
lim P 1
E (X ) = 0
n
n

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi faible des grands nombres

Thorme
Soient X1 , X2 , Xn des variables alatoires indpendantes et de mme loi.
Notons E (X ) leur esprance commune. On a :

X + + Xn
lim P 1
E (X ) = 0
n
n
Dmonstration
X + + Xn
Posons Y = 1
, daprs lingalit de Bienayme-Tchebycheff, on
n
Var(Y )
peut crire P (|Y E (Y )| )
. Mais les variables Xi tant
2
Var(X1 )
indpendantes et de mme loi, Var(Y ) = nVar Xn1 =
n
Remarque
Nous verrons la fin de ce cours une version plus forte de ce thorme qui
affirme que la variable Y suit une distribution Gaussienne.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Rappel du plan
1

Lois usuelles pour les variables alatoires discrtes.

Loi binomiale
Loi gomtrique
Loi binomiale ngative
Loi de Poisson
Lois usuelles pour les variables alatoires continues.
Loi uniforme.
Loi exponentielle.
Loi normale

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Epreuves de Bernoulli
Une preuve de Bernoulli est une exprience alatoire avec deux issues
possibles succs avec une probabilit p et chec avec une probabilit
q = (1 p). Une squence de Bernoulli dordre n est la rptition de n
preuves de Bernoulli indpendantes et identiques.
Exemple
On lance trois fois de suite
une pice truque pour
laquelle la probabilit
dobtenir pile est p = 23 . On
gagne 5 pour chaque
sortie de Pile. Ceci
constitue une squence de
trois preuves de Bernoulli
identiques et
indpendantes. On peut
tracer larbre des
possibilits correspondant :

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Variable de Bernoulli

Dfinition
On dit
quune variable alatoire X suit une loi de Bernoulli de paramtre p si

1 avec une probabilit p

X =

0 avec une probabilit q = (1 p)

Proprit
Si X est une variable alatoire de Bernoulli de paramtre p alors E (X ) = p et
V (X ) = pq.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi binomiale
Dfinition / Thorme : loi binmiale
Dans le cas dun schma de Bernoulli dordre n et de paramtre p, la variable
X qui chaque exprience associe le nombre k de succs obt la loi
P (X = k ) = Cnk p k (1 p)nk
Cette loi est note B (n, p).
Usuellement, on reprsente la loi binomiale avec un diagramme en btons :
en abscisse, le nombre de succs et en ordonn la probabilit
correspondante.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi binomiale : un exemple I

Loi binomiale : explication
Lensemble fondamental associ une squence de Bernoulli dordre n
est constitu des squences de la forme = (e1 , , en ) Chaque vnement
ei tant un succs ou un chec.
Il y a Cnk manires dobtenir k succs, chacune ayant une probabilit gale
p k (1 p)nk de se raliser.
La loi binomiale est souvent utilise pour modliser un sondage avec remise, voici
un exemple :

Exemple
Une entreprise produit des batteries de tlphone. Au cours de la production
peuvent apparatre des dfauts indpendants que lon appellera dfaut A et
B . La probabilit du dfaut A vaut 0.02 celle de B vaut 0.01.
On prlve au hasard un chantillon de 100 batteries. La production est
suffisamment importante pour que ce prlvement soit assimil un tirage
avec remise. Soit X la variable alatoire qui tout chantillon de taille 100
associe le nombre de batteries dfectueuses. Quelle est la loi de probabilit
que suit la variable alatoire X ?

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi binomiale : un exemple II

Correction
La probabilit pour quune batterie ait un dfaut est
p = P (A B ) = P (A ) + P (B ) P (A B ). Mais, par hypothse, A et B sont
indpendants donc
p = P (A ) + P (B ) P (A )P (B ) = 0.02 + 0.01 0.01 0.02 = 0.0298.
La variable alatoire X reprsente le nombre de batteries ayant un dfaut
parmi 100 au hasard. Puisque le prlvement des 100 batteries peut tre
assimil 100 tirages avec remise, la situation est bien dcrite par une
squence de Bernoulli dordre n et de paramtre p :
La probabilit pour quil y ait k batteries en panne exactement est
Cnk p k (1 p)nk .

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Loi binomiale : moyenne et variance

Thorme
Si X est une variable alatoire de loi binomiale B (n, p), alors E (X ) = np et
V (X ) = np(1 p) = npq

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi binomiale : moyenne et variance

Thorme
Si X est une variable alatoire de loi binomiale B (n, p), alors E (X ) = np et
V (X ) = np(1 p) = npq
Preuve
Si X suit une loi binmiale B (n, p) alors on peut crire X = X1 + Xn ,
chacune des variables alatoires Xi tant une variable de Bernoulli de
paramtre p.
!
P 2
P
Ainsi E (X ) = E (X1 ) + E (Xn ) = np et E (X 2 ) = E
Xi + 2 Xi Xj
i

i <j

On remarque que pour tout i , E (Xi2 ) = p et pour tout couple i < j ,

E (Xi Xj ) = p 2 . Do E (X 2 ) = np + n(n 1)p 2 et
Var(X ) = E (X 2 ) E (X )2 = np + n(n 1)p 2 n 2 p 2 = npq
Exercice : Reprendre lexercice sur les tlphones portables et dterminer le
nombre moyen dappareils dfectueux ainsi que lcart type.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi gomtrique : dfinition I

On considre une preuve de Bernoulli dont la probabilit de succs est p et

celle dchec q = 1 p. On renouvelle cette preuve de manire
indpendante jusquau premier succs. On appelle X la variable alatoire
donnant le rang du premier succs.
Dfinition
On dit quune variable alatoire suit une loi gomtrique lorsque pour tout
k > 0, P (X = k ) = p(1 p)k 1 .
moyenne et variance
Si X suit une loi gomtrique alors E (X ) =

1
q
et V (X ) =
p
p2

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi gomtrique : dfinition II

Preuve
Remarquons que

1
= q k . Par drivation par rapport q, on dduit
1 q k 0

1
1
=
= k q k 1 . Or E (X ) = kpq k 1 = p kq k 1 donc
k 1
k 1
p2
(1 q)2 k 1
p
1
E (X ) =
= .
p
p2
Le principe est le mme pour le calcul de la variance :
2
Par drivation on obtient
= k (k 1)q k 2 , ainsi :
p 3 k 2
2q
1
E (X (X 1)) = E (X 2 ) E (X ) = pq k (k 1)q k 2 =
. Puisque E (X ) = ,
p
k 2
p2
2q 1
on en dduit que E (X 2 ) =
+ , ce qui entrane
p2 p
2q 1
1
q
V (X ) = E (X 2 ) E 2 (X ) =
+
=
p2 p p2
p2
que

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi binomiale ngative : dfinition

La loi binomiale ngative gnralise la loi gomtrique : On considre une

preuve de Bernoulli dont la probabilit de succs est p et celle dchec
q = 1 p. On renouvelle cette preuve de manire indpendante jusquau
succs dindice s. On appelle X la variable alatoire donnant le rang du
succs dindice s. Quelle est la loi de X ?
Solution
Si X = n, cela signifie quil y a eu s 1 succs lors des n 1 preuves
s1 p s1 (1 p)ns ) ET un succs lors de la
(vnement de probabilit Cn1
nime preuve (vnement de probabilit p). Finalement :
s1 p s (1 p)ns
P (X = n) = Cn1

Remarque
Contrairement la loi binomiale, ici ce nest pas s qui varie mais n

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi binomiale ngative : moyenne et variance

Thorme
Si X suit une loi binomiale ngative de paramtre (s, p) alors E (X ) =
V (X ) = s

(1 p)
p2

s
et
p

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi binomiale ngative : moyenne et variance

Thorme
Si X suit une loi binomiale ngative de paramtre (s, p) alors E (X ) =
V (X ) = s

s
et
p

(1 p)
p2

Preuve
Cela est immdiat condition de remarquer que si X suit une loi binomiale
ngative de paramtres (s, p) alors on peut crire X = G1 + + Gs , les
variables alatoires (et indpendantes) Gi obissant toutes une loi
gomtrique de paramtre p. On a alors :
sq
s
.
E (X ) = sE (G1 ) = et V (X ) = sV (G1 ) =
p
p2

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi de Poisson : dfinition et proprits

Dfinition
On dit quune variable alatoire X valeurs dans N suit une loi de poisson
de paramtre , si pour tout k N :
P (X = k ) = e

k
k!

2
k
On montre en analyse que pour tout R, e = 1 + +
+ +
+
2!
k!
cela permet de calculer lesprance et la variance dune loi de Poisson.
Moyenne et variance
Si X suit une loi de Poisson de paramtre alors E (X ) = V (X ) = .

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi de Poisson : dfinition et proprits

Dfinition
On dit quune variable alatoire X valeurs dans N suit une loi de poisson
de paramtre , si pour tout k N :
P (X = k ) = e

k
k!

X k k
k 0

e e = .

= e

X k k
k 1

= e

X
k 1

X k
k
= e
=
(k 1)!
k!
k 0

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Loi de Poisson : dfinition et proprits

Dfinition
On dit quune variable alatoire X valeurs dans N suit une loi de poisson
de paramtre , si pour tout k N :
P (X = k ) = e

k
k!

k
2
+ +
+
On montre en analyse que pour tout R, e = 1 + +
2!
k!
cela permet de calculer lesprance et la variance dune loi de Poisson.
Moyenne et variance
Si X suit une loi de Poisson de paramtre alors E (X ) = V (X ) = .
Preuve
X k k
X (k 1 + 1)k
= e
=
(k 1)!
(k 1)!
k 1
k 1
k 1

X k
X k

e
+
= e 2 e + e = 2 + .

(k 2)!
(k 1)!

E (X 2 ) = e

k 2

X k 2 k
k!

= e

k 1

Do V (X ) = E (X 2 ) E (X ) = 2 + 2 = .

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Quelle est la signification la loi de Poisson ? I

La loi de Poisson est en fait un cas limite de la loi binomiale. Voici comment :
Considrons un vnement alatoire dont il apparat que :
Hypothse
On suppose lexistence dune dure (petite) t telle que sur tout intervalle
de longueur t, est observ au plus une fois avec une probabilit t.
En posant T = nt et si X est le nombre doccurrences de lvnement sur
T
une dure T , alors X suit une loi binomiale B (n, p) avec p =
. Par
n
consquent :
P (X = k ) = Cnk p k (1 p)(nk ) =

(T )k n(n 1) (n k + 1)
(T ) n
(T ) k
1

n
n
k!
nk
La loi de Poisson sobtient pour T = 1 et rsulte de ce que lorsque n tend

n(n 1) (n k + 1)
(T ) k
vers linfini alors
1, de mme 1 n
1 et
k
n

n
(T )
1 n
e T .

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Quelle est la signification la loi de Poisson ? II

Remarque
Le mme raisonnement sapplique quil sagisse dintervalles temporels ou
spatiaux.
Rsumons-nous
Sous les hypothses suivantes :
La probabilit dune occurrence est la mme dans deux intervalles de
mme longueur.
Loccurrence ou la non-occurrence dun vnement dans un intervalle
est indpendante de loccurrence ou la non-occurrence de cet
vnement dans un autre intervalle.
La probabilit dobserver k occurences dans un intervalle de longueur T est :
P (X = k ) = e T

(T )k
k!

Nous avons aussi appris :

Une loi binomiale tend vers une loi de Poisson lorsque n et que np .

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Un exemple dapplication

Exercice : exemple dapplication

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Un exemple dapplication

Exercice : exemple dapplication

Durant la priode des inscriptions par tlphone luniversit, les appels se
succdent au rythme moyen dun toutes les deux minutes.
a) Quel est le nombre moyen dappels en une heure ?
b) Quelle est la probabilit de trois appels en cinq minutes ?
c) Quelle est la probabilit daucun appel dans un intervalle de cinq
minutes ?
Correction
a) En supposant le rythme des appels constant et puisquil y a 30 intervalles
de 2 minutes en une heure, cela fait 30 appels en moyenne par heure.

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Un exemple dapplication

Exercice : exemple dapplication

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Un exemple dapplication

Exercice : exemple dapplication

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Rappel du plan
1

Lois usuelles pour les variables alatoires discrtes.

Loi binomiale
Loi gomtrique
Loi binomiale ngative
Loi de Poisson
Lois usuelles pour les variables alatoires continues.
Loi uniforme.
Loi exponentielle.
Loi normale

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Densit, moyenne et variance

Rappel
Dans le cas des variables alatoires continues, les probabilits sont dfinies
via une densit de probabilit . La fonction est dfinie par la relation :
Zb
(x) dx

P (a X b ) =
a

Moyenne et variance
Les notions de moyenne et de variance sont dfinies de manire analogue et
concervent
R les mmes proprits.
E (X ) = x(x) dx, D tant le support de X .
DR
V (X ) = D (x E (X ))2 (x) dx = E (X 2 ) E (X )2

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi uniforme

Dfinition
On parle de loi uniforme dans le cas o la densit de probabilit est
constante, cest dire a la forme suivante :

b a si x [a, b ]
(x) =

0 sinon
Remarque Dans les langage de programmation, la loi uniforme est souvent
reprsente par la fonction rand (). Nous verrons cela en TP.
Exercice : Pouvez-vous dcrire une exprience alatoire bien dcrite par une
loi uniforme ?
Exercice
Montrer que pour la loi uniforme sur un sgment [a, b ] :
b +a
(b a)2
E (X ) =
et V (X ) =
.
2
12

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Loi exponentielle

Dfinition
On parle de loi exponentielle (aussi appele loi de dure de vie sans
vieillissement) dans le cas o la densit de probabilit est de la forme :

e x si x 0
(x) =

0 sinon.
Exercice
1 et V (X ) = 1
Montrer que pour la loi exponentielle, E (X ) =
2

Lois continues

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Lien entre la loi exponentielle et la loi de Poisson

La loi exponentielle est troitement lie la loi de Poisson. Ceci est illustr
par lexercice suivant :
Exercice : Loi exponentielle et loi de Poisson
Supposons que les pannes successives dun appareil suivent une loi de
Poisson de moyenne par unit de temps. Considrons la variable alatoire
X qui reprsente la dure entre deux pannes.
a) Quelle est la probabilit pour quil ny ait aucune panne dans un laps de
temps x ?
b) En dduire que P (X x) = 1 e x
c) En dduire que la densit de probabilit associe la loi de la variable X
est (x) = e x

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Lien entre la loi exponentielle et la loi de Poisson

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Lien entre la loi exponentielle et la loi de Poisson

Exercice : Loi exponentielle et loi de Poisson
Supposons que les pannes successives dun appareil suivent une loi de
Poisson de moyenne par unit de temps. Considrons la variable alatoire
X qui reprsente la dure entre deux pannes.
a) Quelle est la probabilit pour quil ny ait aucune panne dans un laps de
temps x ?
b) En dduire que P (X x) = 1 e x
c) En dduire que la densit de probabilit associe la loi de la variable X
est (x) = e x
Correction
a) Cest une consquence directe de la loi de Poisson : e x .
b) Daprs la question prcdente, la probabilit de lvnement X > x est
e x , par complmentarit P (X x) = 1 e x .

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Lien entre la loi exponentielle et la loi de Poisson

rapport x, on dduit que : (x) = e x

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Pourquoi sans viellissement ?

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Pourquoi sans viellissement ?

Exercice
Une variable alatoire continue est dite sans mmoire (ou sans
vieillissement) lorsque pour tous rels t 0 et h 0, la probabilit
conditionnelle PX t (X t + h ) pour que X t + h sachant que X > t est
gale la probabilit P (X h ).
Montrer quune variable alatoire X qui suit une loi exponentielle est sans
mmoire.
Correction
P (A B )
. Ainsi :
P (A )
P ((X t + h ) (X t))
P (X t + h )
e (t +h )
PX t (X t + h ) =
=
=
=
P (X t)
P (X t)
e t
e h = P (X h ).

On rappelle que PA (B ) =

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi normale
Dfinition
On dit dune variable alatoire continue X quelle suit la loi normale
N (m, 2 ) dans le cas o la densit de probabilit est de la forme (on parle
de Gaussienne) :

1
(x) = e
2

(x m)2
2 2 , avec x R, m R et > 0 un rel

Nous
admettrons que pour
la loi N (m, 2 ) :
E (X ) = m et
Var(X ) = 2 .

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Loi normale : proprits

Dispersion
Si une variable alatoire suit une loi normale d moyenne m et de variance
2 , alors :
38% de la population est dans lintervalle [m 0.5 , m + 0.5 ].
68% de la population est dans lintervalle [m , m + ].
86% de la population est dans lintervalle [m 1.5 , m + 1.5 ].
95% de la population est dans lintervalle [m 2 , m + 2 ].
99% de la population est dans lintervalle [m 2.5 , m + 2.5 ].
La proprit remarquable de la loi normale est la suivante :
Thorme : (admis)
Soient X1 et X2 deux variables alatoires indpendantes obissant
respectivement aux lois normales N (m1 , 1 ) et N (m2 , 2 ) alors X1 + X2 suit
aussi une loi normale, la loi N (m1 + m2 , 12 + 22 ).

Probabilits.

Variables alatoires.

indpendance de variables alatoires

Lois discrtes

Lois continues

Thorme limite centrale

Limportance de la loi normale est due au thorme suivant que nous
admettrons :
Thorme limite centrale (admis)
Soient X1 , X2 , Xn n variables alatoires indpendantes et de mme loi, de
X + Xn nm
moyenne m et de variance 2 . On pose : Zn = 1
.

n
Lorsque n , la variable alatoire Zn tend suivre la loi normale centre
rduite N (0, 1). Plus prcisment, sur tout segment [a, b ], le nombre
x2
Zb

dx
1
P (a Zn b ) converge vers
e 2
.
2 a
Remarques :
Dans le cas o les Xi suivent des lois normales, la dmonstration de ce
thorme est immdiate.
Le thorme central limite est lun des rsultats les plus importants de
la thorie des probabilits. Il donne une valuation de lerreur que lon
commet en estimant une esprance mathmatique par une moyenne
statistique.