Académique Documents
Professionnel Documents
Culture Documents
Définition 1-1 Expérience aléatoire : On appelle expérience aléatoire toute opération dont le résultat est incertain.
Exemple, l’opération qui consiste à tirer une carte parmi 32 est une expérience aléatoire.
On appelle espace fondamental ou univers des possibles, noté , l’ensemble des résultats possibles associés à une
expérience aléatoire.
Exemple 1-1
On jette un dé une fois. Espace fondamental associé à cette expérience aléatoire est l’ensemble: 1,2,3,4,5,6
2. notion de probabilité
Soit C l’ensemble des événements. On appelle probabilité sur ( ,C), l’application, P, définie par :
P : C [0,1]
E P(E)
P( )=1
0 P( E ) 1, E
P( E1 E2 ) P( E1 ) P( E2 ) si E1 E 2
Propriétés :
P( ) 0
Soit un espace fondamental et A et A deux événement s complémentaires de . on a alors :
P( A ) 1 P( A )
A, B C , ( A B P( A ) P( B ) )
Soit un espace fondamental et soient A et B deux événements distincts ou non de . On a :
P( A B ) P( A ) P( B ) P( A B )
1
Exemple 2
On considère l’espace fondamental 1,2,3 et soit les événements élémentaires A={1} B={2} et C={3} avec
P(A)=P(B)=1/3. Calculer :
card( B )
P( B ) .
card( )
Exemple3 (Lancers de deux pièces). On lance deux pièces de monnaie. Calculer la probabilité d’obtenir au moins un
pile.
………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………...
4. La probabilité conditionnelle
On parle d’une probabilité conditionnelle si lors du déroulement de l’expérience aléatoire une information
supplémentaire est fournie à l’expérimenteur. On calcule alors la probabilité de l’événement A sachant que
l’événement B a été réalisé.
Définition 4.1
La probabilité conditionnelle de A sachant que B est réalisé, noté P(A/B) est définie par :
P( A B )
P( A / B )
P( B )
Exemple 4
On jette deux dés une fois. Calculer la probabilité d’obtenir une somme des points égale à 6 sachant que les
nombres amenés par les deux dés sont différents.
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………..
2
Remarque
P( A B )
P( A / B ) P( A B ) P( A / B ) P( B ) = P(B/A) P(A)
P( B )
Définition 5-1 Soit un espace fondamental. Les événements A1, A2,........An forment une partition ou un système
complet de l’ensemble fondamental ssi on a :
o Ai Aj i et j
n
o Ai
i 1
( Ai B ) ( A j B ) i , j
n
( Ai B ) B
i 1
On a alors :
n n
P( B ) P(Ai B ) P(B/Ai ) P( Ai )
i 1 i 1
Exemple 5 Deux entreprises se partagent le marché d’un bien la part de la première entreprise est 2/3. La fiabilité
(probabilité qu’il soit un bon produit) d’un produit offert par la première entreprise est p1=0.95, celle de la
deuxième entreprise est p2=0.9. On achète un produit, quelle est la probabilité qu’il soit fiable?
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………
Le Théorème de BAYES
Le théorème de Bayes est une conséquence du théorème de probabilité totale.
Théorème Soit un espace fondamental. Soient A1, A2,........An ou système complet de . Pour tout événement B
on a :
3
P( B / Ai ) P( Ai )
P( Ai / B ) n
i = 1,2.....n
P( B / Aj ) P( Aj )
j 1
Exemple Reprenons l’exemple 4-2, on achète un produit fiable, quelle est la probabilité qu’il soit fabriqué par la
première entreprise?
………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………..
6. Indépendance stochastique
Deux événements A et B de probabilité non nulles sont stochastiquement indépendants si la réalisation de B
n’affecte pas la probabilité de A.
Donc deux événements A et B de probabilités non nulles sont stochastiquement indépendants ssi
P( A B ) P( A ) P( B )
A et B
A et B sont indépendants
A et B
Exemple 6 : A et B sont deux événements indépendants tels que P(A)=0.3 et P(B)=0.6. Calculer les probabilités
suivantes: P( A B ) et P( A / B ) .
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
4
7. Les variables aléatoires, espérance, variance
Une variable aléatoire est une quantité numérique dont les valeurs observées sont déterminées par des
mécanismes aléatoires. Exemple la somme obtenue lors de la lancée de deux dés est une variable aléatoire.
On définit une variable aléatoire en associant un nombre réel à chaque éventualité d'une expérience aléatoire.
Une variable aléatoire X est donc une application de dans IR.
Exemple 7.1 : si on lance deux dés, l’univers des possibles, est le suivant :
( 1,1 ) (1,2)(1,3)..................(1,6)
(2,1)(2,2)(2,3)..................(2,6)
(3,1)(3,2)(3,3)...................(3,6)
36 couples
.
.
(6,1)(6,2)(6,3)..................(6,6)
La somme des points obtenue sur les deux dés est une variable aléatoire X telle que :
X : X ( ) = {2, 3,......12}
Exemple 7.2 : On lance deux pièces de monnaie. Soit X le nombre de piles obtenus lors du lancer de deux pièces.
L’ensemble des valeurs possibles pour X est {0,1,2}. X est une variable aléatoire telle que :
La Loi de probabilité
Soit une variable aléatoire discrète, X, on appelle loi de probabilité de X ou distribution de X, l’application associant à
chaque valeur de X, sa probabilité.
f : X ( ) [ 0,1]
x f(x)= P(X = x)
Propriété de f
f ( x) 1
xX ( )
De même toute fonction positive de A (une partie dénombrable de IR) dans IR et qui vérifie f ( x ) 1 est une loi
x A
de probabilité d’une variable aléatoire discrète.
5
Exemple : Reprenons l’exemple la somme des points obtenue lorsqu’on lance deux dés, la loi de probabilité est :
x
f ( x ) P( X x )
La Fonction de répartition
Soit une variable aléatoire X. On appelle fonction de répartition de X la fonction F, telle que :
F ( x ) P( X x ) x IR
x
F( x ) f(x)
k
Exemple 7-1 Le nombre de pannes journalières d’une machine est une variable aléatoire X dont la loi de probabilité
est la suivante:
x 0 1 2 3
F( x )
Espérance mathématique
Définition Soit X une variable aléatoire discrète, soit X( ) = { x0 , x1, ........., xn } .On appelle espérance
mathématique de X, notée E(X), la quantité suivante:
n
E ( X ) xi f ( xi )
i 0
E( X ) est la valeur de X en moyenne si l'on répète un grand nombre de fois la même expérience aléatoire.
6
Exemple : Calculer pour l’exemple 7-1 E(X).
………………………………………………………………………………………………………………………………………………………………………………………………………
…………………………………………………………………………………………………………………………………………………………………………………..
Propriétés de l’espérance
Linéarité : E( X Y ) E( X ) E( Y )
Cas de deux variables aléatoires X et Y indépendantes : E( XY ) E( X ) E( Y )
Soient a et b deux réels a 0 on a : E(aX + b) = aE(X)+ b
Variance et écart-type
Définition On appelle
variance, notée V(X) la
n
quantité positive suivante :
V ( X ) E ( X E ( X ))2 ( xi E ( X ))2 f ( xi )
i 0
2 2
= E(X ) - [E(X)] Formule de Koenig
( X ) V ( X )
Propriétés de la variance :
V (aX b) a 2V ( X ) (aX b) a ( X )
Si X et Y sont indépendantes on a alors: V(X + Y) = V(X) + V(Y)
Exemple
x 0 1 2 3
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………..
7
E(g(X))= g( xi ) f ( xi )
i
Applications
E( X n ) xi n f ( xi )dx
i
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
La loi Bernoulli
A une expérience aléatoire qui n’a que deux alternatives, S (le succès) et S (l’échec), on associe variable aléatoire X
prend les valeurs 1 lorsque S est réalisé et 0 lorsque S n’est pas réalisé.
X 0 1
P(X x) q 1- p p
Définition
P( X k ) p k ( 1 p )1k k 0,1
Caractéristiques
E( X ) p
V ( X ) p( 1 p )
Exemple On tire une boule dans une urne contenant 10 boules noires et 20 boules blanches. On considère la
variable aléatoire X qui prend la valeur 1 si la boule tirée est noire; 0 sinon. Quelle le loi de X ?
……………………………………………………………………………………………………………………………………………………………………………………
Exemple Lors du lancer d’une pièce de monnaie équilibrée, on considère X la variable aléatoire valant 1 si on obtient
pile et 0 si on obtient face. La variable aléatoire X suit-elle une loi de Bernoulli ? Si oui, de quel paramètre ?
………………………………………………………………………………………………………………………………………………………………………………………………………..
La loi Binomiale
Modèle de la loi Binomiale
Définition
P( X k ) C nk p k ( 1 p )nk
Théorème fondamental
Une loi binomiale de paramètres (n, p) est la somme de n variables aléatoires indépendante Bernoulli de paramètre
p.
Caractéristiques
E( X ) np
V ( X ) np( 1 p )
Exemple Considérons l’expérience qui consiste à lancer un dé, l’issue de l’expérience étant l’apparition ou non du
chiffre 6. L’expérience est répétée 12 fois.
1- Préciser la loi de probabilité de la variable aléatoire X égale au nombre de fois où le chiffre 6 est apparu au
cours des 12 fois.
2- Quelle est la probabilité que le chiffre 6 apparaît une seule fois au cours des 12 fois ?
3- Calculer E(X) et l’écart type de X.
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
…………………………………………………………………………………………………………………………………………………………………………………………………….
Remarque
La somme de deux v.a. indépendantes suivant les lois binomiales 𝐵(𝑚, 𝑝) et 𝐵(𝑛, 𝑝) suit la loi binomiale 𝐵(𝑚 + 𝑛,
𝑝).
La loi de Poisson
La variable aléatoire de Poisson est une variable aléatoire discrète qui caractérise le nombre d'événements survenus
par unité de temps ou d'espace dans le cas où ces événements se produisent de manière indépendante et aléatoire
dans le temps ou dans l'espace. La distribution de Poisson peut s'appliquer dans des problèmes de gestion (file
d'attente, centrales téléphoniques : événement aléatoire dans le temps), en écologie (nombre de moules par mètres
carrés), en biologie clinique (nombre de globules blancs par ml).
Définition
X( ) N
k
P( X k ) e avec 0 k!= k × (k - 1)···×2× 1.
k!
9
Caractéristiques
E( X ) V ( X )
Exemple Dans un guichet de banque, le nombre moyen de clients qui arrivent pendant 15 minutes est égal à 3.
Sachant que le nombre d’arrivée suit une loi de Poisson, déterminer les probabilités suivantes :
On démontre que si n tend l’infini et si p tend vers 0 ( n 50 p 0.1 ). La loi binomiale tend vers une loi de poisson
de paramètre ( n p ).
Exemple : une usine fabrique des lampe ; le taux des lampes défectueuse est 2%. Quelle est la probabilité que dans
un lot de 100 lampes, 8 soient défectueuses ?
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
Remarque : La somme de deux v.a. indépendantes suivant les lois de Poisson 𝑃(𝜆) et 𝑃(µ) suit la loi de Poisson
𝑃(𝜆 + µ).
La loi Géométrique
Soit une expérience Bernoulli où probabilité de succès est p. on réalise une série de tirages successif jusqu’à
l’obtention d’un succès. le nombre d’essais avant le premier succès, X, suit une loi Géométrique.
P( X k ) ( 1 p )k 1 p
10
Caractéristiques
1
E( X )
p
(1 p )
V( X )
p2
Exemple On lance un dé, on considère la variable aléatoire X associée au nombre de lancés jusqu'à l’obtention du
chiffre 6 pour la première fois.
Définition : Une variable aléatoire X est dite continue si sa fonction de répartition F ( x ) P( X x ) est continue sur
IR.
La Fonction de densité
Soit X une variable aléatoire continue ayant une fonction de répartition F(x), on appelle fonction de densité
ou densité de probabilité de la variable X, notée d.d.p, la fonction suivante : ( f (x) =fonction de densité = densité de
probabilité = d.d.p)
F ( x )
f(x)
x
x IR, f(x) 0
f(x) est continue sur IR, sauf peut être pour un nombre fini de points où la continuité n’est pas vérifiée.
f ( x ) dx 1
1
4 si 0 < x 2
f ( x ) cx si 2 < x 4
0 sinon
1- Déterminer la constante c.
11
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
La Fonction de répartition
Soit une variable aléatoire continue X. On appelle fonction de répartition de X la fonction F, telle que :
F ( x) P( X x) x IR
x
F ( x) f (t )dt
P(a < X < b)= P(a X < b)= P(a X b)= P(a X b)
= F(b) - F(a)
L’Espérance mathématique
Soit X une variable continue, f sa densité de probabilité. On appelle espérance mathématique de X, notée E(X), le
nombre :
E( X ) x. f ( x )dx
12
Propriétés de l’espérance
Linéarité : E( X Y ) E( X ) E( Y )
Cas de deux variables aléatoires X et Y indépendantes : E( XY ) E( X ) E( Y )
Soient a et b deux réels a 0 on a : E(aX + b) = aE(X)+ b
Exemple 7.4 Soit une variable aléatoire X définie par la fonction de densité suivante :
3
( 1 x ) si - 1 x 1
2
f ( x ) 4
0 sinon
1. Déterminer l'espérance de X.
2. Soit Y 2 X 1 ; calculer E(Y).
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………….………………………………………………………………………………………………………………………..
Variance et écart-type
On appelle variance de X, noté 𝑉(𝑋), la quantité positive suivante:
V (X ) ( x E ( X )) . f ( x)dx E ( X 2 ) E ( X )2
2
avec E ( X 2 ) x
2
. f ( x) dx
( X ) V ( X )
Propriétés de la variance :
Exemple : Reprenons l’exemple 7.4. Soit une variable aléatoire X définie par la fonction de densité suivante :
3
(1 x ) si - 1 x 1
2
f ( x) 4
0 sinon
1. Calculer la variance
13
1
2. Soit Y X 1 , calculer V(Y)
2
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
F ( q ) P( X q )
0 si x < 0
F( x ) x
1 - e si x 0
……………………………………………………………………………………………………………………………………………………………………………………
…………………………………………………………………………………………………………………………………………………………………………………
Fonction de densité
On dit qu’une VA X suit une loi uniforme sur un intervalle [a, b] et on note X U ([ a ,b ]) , si elle admet pour d.d.p la
fonction suivante :
1
si x [a,b]
f ( x ) b a
0 sinon
Fonction de répartition
0 si x a
x a
F ( x ) P( X x ) si x [a,b]
b a
1 si x b
14
Caractéristiques
ab ( b a )2
E( X ) V( X )
2 12
Exemple M Mohammed et M Ali se donnent rendez-vous entre 12h et 14h. Proche du lieu fixé, M Mohammed
arrivera assurément à 12h30. Quant à M Ali son arrivée dépend des conditions de circulation routière : il arrivera
entre 12h et 13h.
1) Quelle est la loi de probabilité suivie par la variable aléatoire donnant l’heure d’arrivée de M Ali?
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………..
La loi Exponentielle
Le temps qui s’écroule entre deux événements peut être mesuré en termes de probabilité par une loi exponentielle.
Exemple, le délai d’apparition d’une maladie contagieuse après un contact avec un malade.
Fonction de densité
On dit qu’une VA X suit une loi exponentielle si elle admet pour d.d.p la fonction suivante :
e - x si x 0, 0
f(x)
0 si x 0
Fonction de répartition
1 - e - x si x 0
F ( x ) P( X x )
0 si x 0
Caractéristiques
1
E (X )
1
V( X )
2
15
Exemple La durée de vie, exprimée en années, d’un circuit électronique est une variable aléatoire T dont la fonction
de répartition F est définie de la façon suivante :
t
1 - e - 2 si t 0
F( t )
0 si t 0
1-
donner la fonction de densité de T et indiquer le nom de cette loi.
2-
Calculer son espérance mathématique E(T).
3-
Sachant que le circuit a déjà fonctionné durant un an, quelle est la probabilité qu’il continue à fonctionner
encore durant au moins deux ans ?
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
Cette loi est très importante et très utilisée en statistique et en probabilité. Elle a permis d’établir d’autres lois
(Fisher, khi Deux) et de construire des différents tests statistiques.
Fonction de densité
On dit que X est distribuée selon une loi normale de paramètres , 2 et on note X N ( , 2 ) si sa fonction de
densité est la suivante :
2
1 x
1
f ( x) e 2 x IR Avec 0
2
Propriétés :
Caractéristiques :
16
X est une VA suivant une loi normale de paramètre et 2 ; X N , 2 , on a :
EX
V X 2
Propriétés
Transformation linéaire
Si X N , 2 , alors Y aX b N a b , a 2 2 , ( a , b IR et a 0 )
X 1
X N (1,4) alors Y ……………………………………………………………
2
X 2
X N (2 ; 0.09) alors Y ………………………………………………..
0.3
X 1 N 1 ,12 ,X 2
N 2 , 2 2 et X 1 et X 2 sont indépendantes alors X 1 X 2 N 1 2 , 12 22
Exemples X 1 N (1,4) et X 2 N (0,1) et X 1 et X 2 sont indépendantes alors
X1 X 2 ………………………………………………………………………………………
X1 2X 2 …………………………………………………………………………………….
1
1 z2
fZ ( z ) e 2 z IR
2
0.5 si z0
P( Z z ) 0.5 si z0
0.5 z0
si
17
Propriétés :Puisque cette fonction est symétrique par rapport à zéro :
P( Z a ) 1 P( Z a )
P( a Z a ) 2 P( Z a ) 1
Exemple
P( Z 1,96 ) ……………………………………………………………………………….
P( Z 1,96 ) ………………………………………………………………………………
Soit XN , 2 où 0 et 2 1 , dans ce cas P(X<x) ne peut pas être lue sur le tableau, il faut centrer et réduire
X
la variable X, en posant Z .
X x P(Z z)
Soit P( X x)
Z N (0;1)
z
Exemples
18
𝑃(𝑋 < 1) …………………………………………………………………………………………
On considère qu’elles doivent être identiquement distribuées. L’espérance de chacune d’elles est m (nombre fini). La
variance de chaque v.a est elle aussi finie. Sous ces conditions, l’espérance de la suite de v.a Xi converge en
probabilité vers m.
Soit une population décrite par une v.a X, de loi de probabilité quelconque. On tire aléatoirement un échantillon de
taille n. Nous avons donc une suite de v.a : X1, X2, …, Xn. Chacune d’elles a pour espérance m et pour variance σ². Soit
La moyenne de la suite de variables aléatoires est :
1 n
Xn Xi
n i 1
1 n 1 1
E( X n ) E X i E( X i ) n m m
n i 1 n i n
n
1 1
V ( X n ) V ( X i ) 2 V X i
i 1 n n i
en raison de la propriété de la variance en cas transformation affine d’une v.a. on a :
1 n 2 2
V (X n )
n2
V ( X i ) n2
n
i
2
P X E X a
a2
Définition. Soit (Xn) n ≥ 1 une suite de variables aléatoires. On dit que la suite (Xn) converge en probabilité vers la
variable aléatoire X si : ∀ ε > 0, 𝑙𝑖𝑚 𝑛 → +∞ 𝑃[|𝑋 − 𝑋𝑛| > 𝜀] = 0
Reprenons l’inégalité de Bienaymé-Tchebychev, Modifions deux éléments : nous remplaçons X par l’espérance
de Xn (les deux membres de l’inégalité sont divisés par n) et nous renommons ε notre nombre a, ceci afin d'indiquer
qu’il peut être choisi aussi petit que possible.
P X n E X n V X2 n
19
P Xn m 2
n 2
P X n m 0 qd n en d’autres termes, plus le nombre d’expériences aléatoires indépendantes
augmente, plus élevée est la probabilité que la moyenne de nos valeurs observées soit proche de l’espérance
théorique.
Exemple 8.1 on réalise un grand nombre (n) de lancers de la même pièce de monnaie, quelle sera la proportion de
piles que l’on devrait obtenir ?
on a une suite de v.a : X1, X2, …, Xn. où Xi suit une loi de Bernoulli de paramètre 1/2.
Les Xi ayant toutes la même loi de probabilité donnée par P(Xi =1)=1/2, P(Xi =0)=1/2, où 1 symbolise pile et 0
1
symbolise face. E ( X i ) p
2
1
X i B(n; ) est le nombre de pile obtenu au cours des n lancers.
2
i
1 n
Xn X i est la proportion des piles au cours des n lancers.
n i 1
D’après le théorème de La loi faible des grands nombres, la proportion des piles X n tend vers E(Xi ) = p = 1/2
Soit une suite de v.a X1, X2, …, Xn indépendantes et de même loi (donc de même espérance m et de même écart-
type σ).
𝑋1 + 𝑋2 … + 𝑋𝑛
∀ 𝑛 ∈ 𝐼𝑁 ∗ , 𝑋̅𝑛 =
𝑛
1 n 2 ̅̅̅̅
i ∼ N(m, n )
𝑋𝑛 −𝑚
Xn X ou encore 𝑌𝑛 = 𝜎 ~𝑁(0; 1)
n i 1 ⁄√𝑛
Mathématiquement, Y converge à l’infini mais en pratique on admet qu’à compter d’un échantillon de trente
moyennes la loi normale peut être utilisée, comme le TCL nous y invite…
n
(pour n → ∞) Xi ∼ N(𝑛𝑚, 𝑛𝜎 2 ) ou encore
i 1
Exemple On lance 50 fois une pièce équilibrée. Quelle est la probabilité que le nombre de piles obtenus soit compris
entre 22 et 28.
20
1 1 1
X i B( ) E ( X i ) p et V(Xi ) p (1 p)
2 2 4
n
le nombre de pile X i
i 1
n
1 1
d ' après le TCL X i N (n 2 ; n 4 ) N (25; 12.5)
i 1
22−25 ∑𝑛
𝑖=1 𝑋𝑖 −25 28−25
𝑃 (22 < ∑𝑛𝑖=1 𝑋𝑖 < 30) = 𝑃 ( < < ) = 𝑃(−0.85 < 𝑍 < +0.85) = 2 × 𝑃(𝑍 < 0.85) − 1
√12.5 √12.5 √12.5
= 2 × 0.80 − 1 = 0.6
Le TCL permet aussi de montrer qu’au-delà d’un certain effectif, la plupart des lois peuvent être approchées par une
loi normale sous condition d'indépendance.
21
Table de la fonction de répartition de la loi normale centré réduite
22