Vous êtes sur la page 1sur 10

1. RÈsumÈ du ProbabilitÈ

1 Lois continues

1.1 Formules GÈnÈrales

ñ Soit f est densitÈ díune loi , Z f (x )dx = 1:

R

ñ Soit F la fonction de rÈpartition díune loi , alors

F X (t) =

t

Z f (x )dx

1

ñ La relation entre la probabilitÈ et la fonction de rÈpartition est :

P (X t) = F (t)

P (a X b ) = F (b ) F (a )

P (X > t ) = 1 P (X t) = 1 F (t)

ñ LíEspÈrence díune loi est :

E (X ) = Z x:f (x )dx

R

E ( ) = / 2 R

E ( X ) = E (X )

E [ h(X )] = Z h(x ):f (x )dx

R

1

Lois continues

2

ñ La variance díune loi :

V

ar (X ) =

E [(X E (X )) 2 ]

=

Z (x E (X )) 2 :f (x )dx

 

R

 

=

E (X 2 ) E (X ) 2

V ar ( ) = 0

et

V ar ( X ) = 2 V ar (X )

1.2 Loi Uniforme : U [ a;b ]

1. La densitÈ de cette loi est :

f (x ) = (

1

si x 2 [ a; b]

b a

0 Sinon

2. La fonction de rÈpartition de la loi uniforme est :

F X (t) = t a

a

b

3. LíEspÈrence et la Variance :

E (X ) = b + a

2

et

1.3 Loi Exponentielle : " ( )

1. La densitÈ de cette loi est :

f (x ) =

e

0

si t 2 [a; b]

V ar (X ) = (b a ) 2

12

si x 0 Sinon

2. La fonction de rÈpartition de la loi uniforme est :

F X (t) = 1 e t

3. LíEspÈrence et la Variance :

1

E (X ) =

et

si t 0

V

ar (X ) = 1 2

1

Lois continues

3

1.4 Loi Normale : N (m; )

1. LíEspÈrence et la Variance :

E (X ) = m

(m = La moyenne)

1.5 Loi Normale CentrÈe RÈduite : N (0; 1)

et

V ar (X ) = 2 ( = ecart-type)

1. Soit X un variable alÈatoire qui suit une loi normale N (m; ) cíest ‡ dire :

L (X ) = N (m; ) ; E (X ) = m ; V ar (X ) = 2

Dans le cas des grandes valeurs, on fait un changement de variable, tel que :

Y = X m Alors, puisque Y cíest une combinaison linÈaire de X, donc Y suit aussi une loi normal :

L (Y ) = N E (Y ); p V ar (X )

Calculons E (Y ), V ar (Y ):

2. LíEspÈrence et la Variance :

Pour líEspÈrence :

E (Y ) = E X m = E X m

=

E X + E m

1

E (X ) m = m m

=

= 0

De mÍme pour la Variance, et on trouve Önalement :

Alors

E (Y ) = 0

et

V ar (Y ) = 2 = 1

L (Y ) = N (0; 1)

1

Lois continues

4

3. Pour calculer P (a Y b ) tel que L (Y ) = N (0; 1), on utilise la table de la loi Normale CentrÈe RÈduite :

P (a Y b ) = (b ) (a )

4. Pour calculer ( t), on a :

( t) = 1 (t)

Exemple : ( 1: 56) = 1 (1:56) = 1 0; 9406 = 0.0594

1.6 Loi Khi-deux (de n degret de libertÈ) :

2

n

Soit X 1 , X 2 , X 3 ,

,X

n des variables alÈatoires tel que

L (X i ) = N (0; 1)

Alors le variable alÈatoire X tel que

X =

n

X X i 2

i=1

Suit une loi de Khi-deux de n degret de libÈrtÈ :

L (X ) =

2

n

1. La densitÈ de la loi de Khi-deux :

f (x ) = C n x

n

2

1 e x

2

2. LíEspÈrence et la Variance :

E (X ) = n

et

avec

C n =cte

V ar (X ) = 2n

1

Lois continues

5

1.7 Loi Student (de n degret de libertÈ) : n

Soit X , Y deux variables alÈatoires tel que

L (X ) = N (0; 1)

et L (Y ) =

2

n

Alors le variable alÈatoire T tel que

T = X

r Y

n

Suit une loi de Student de n degret de libÈrtÈ :

L (Y ) = n

1. La densitÈ de la loi de Khi-deux :

f (x ) = C n 1 + x 2

n

n + 1

2

2. LíEspÈrence et la Variance :

avec

C n =cte

E (X ) = 0 si n > 1

et

V

ar (X ) =

n n 2

si n > 2

2

Echantillonnage & Intervalle de ConÖance :

6

1.8 SchÈma díapproximation des lois

de ConÖance : 6 1.8 SchÈma díapproximation des lois 2 Echantillonnage & Intervalle de ConÖance :

2 Echantillonnage & Intervalle de ConÖance :

2.1 Echantillonnage :

: 6 1.8 SchÈma díapproximation des lois 2 Echantillonnage & Intervalle de ConÖance : 2.1 Echantillonnage

2

Echantillonnage & Intervalle de ConÖance :

7

Avec

X = 1

& Intervalle de ConÖance : 7 Avec X = 1 n n X X i i

n

n

X X i

i=1

et

S 2 =

1

n 1

n

X

i=1

(X i m ) 2

( X i m ) 2

et F = K

n

X : La moyenne Ampirique ; S 2 : Variance CorrigÈ ; F = FrÈquence.

2.2 Estimateurs :

CaractÈre m = moyenne 2 = variance

p = proportion pb = F = K

Estimateur

mb = X =

b

2 = S 2 =

1

1 n P i=1 n X i

n

n 1 P n

i=1 (X i m ) 2

Dans le calcule de S 2 :

Loi de líEstimateur

L (X ) = N (m ; L ( nS 2 ) =

2

2

n

1

n )

L (F ) = N (n ; q p(1 p)

n

1. Si on m on líutilise elle mÍme. Donc :

S 2 =

1

n 1

n

X

i=1

(X i m ) 2

2. Si m est inconnue donc on travaille avec son Estimateur X: Cíest ‡ dire :

S 2 =

1

n 1

n

X

i=1

X i X 2

2.3 Intervalles de ConÖance de risque :

I.C de la moyenne :

1. Si est connue =)

I:C (moyenne ) = x U 1

2

p n ; x + U 1

2

p n

2

Echantillonnage & Intervalle de ConÖance :

8

avec U 1 on líobtient du Table Fractile de N (0; 1):

2

Exemple : On a la conÖance 95% , donc le risque = 5% = 0: 05 Alors U 1 = U 0 : 975 = 1:96

2

2. Si est inconnue =)

I:C (moyenne) =

s

x t n 1 (1 ). n ; x + t n 1 (1 ). p

s

p

n

2

2

avec t n 1 (1 ) on líobtient du Table Fractile de Student:

2

Exemple : On a un echantillon de taille n = 11; la conÖance 95% , donc n 1 = 10 et le risque = 5% = 0:05 Alors t n 1 (1 ) = t 10 (0:975) = 2:228

2

I.C de la Variance / Ecart-type :

1. Pour la Variance :

I:C (Variance) = " (n 1)s 2

K 1

2

2. Pour líEcart-type :

I:C (Ecart-type) = " s (n 1)s 2

K 1

2

;

;

(n 1)s 2 K

2

#

s (n 1)s 2 K

2

#

3. avec K 1 et K on líobtient du Table Fractile de Khi deux de

2

2

n 1 degret de libertÈ Exemple : On travaillera avec le mÍme exemple de taille n = 11:

I.C de la Proportion :

1. On aura donc :

I:C (Proportion) = " f

r f (1 f )

n

U 1

2

;

r f (1 f )

n

f + U 1

2

avec U 1 on líobtient du Table Fractile de N (0; 1):

2

#

2

Echantillonnage & Intervalle de ConÖance :

9

Dans le cas díune population de taille connue N (exhaustif = avec remise) :

1. On prendra juste líexemple de la proportion et cíest le mÍme que la moyenne :

On multiplie les r f (1 f ) p n et p n par r N n

Donc, on aura

I:C (Proportion) = f U 1

avec U 1 on líobtient du Table Fractile de N (0; 1) .

N 1

s

;

n

2

q f (1 f )

n

q N n

N 1

;

f + U 1

2

2

2.4 Taille de líechantillon :

q f (1 f )

n

q N n

N 1

Taille de líechantillon de la moyenne :

1. Si est connue =)

n U 1

2

e

2

avec U 1 on líobtient du Table Fractile de N (0; 1) et e líerreur donnÈe.

2

2. Si est inconnue =)

n

U 1 s e 2

2

ou

2 2 n U 2e 1
2
2
n U 2e 1

avec U 1 on líobtient du Table Fractile de N (0; 1) et e líerreur donnÈe.

2

Taille de líechantillon de la proportion :

1. Taille de population non connue ( Non exhaustif)

n U 1

2

2 : f (1 f )

e

2

avec U 1 on líobtient du Table Fractile de N (0; 1) et e líerreur donnÈe.

2

2

Echantillonnage & Intervalle de ConÖance :

10

2. Taille de population connue N (exhaustif) La taille de líÈchantillon sera n 0 ; On calcule díabord n avec la relation suivante :

n = Sa valeur dans ( Moyenne , Proportion)

Puis on calcule n 0 :

n 0 =

N

N 1

n

+ 1