Loi de Probabilites

Lois de probabilité
Dr. Najoua Essamaoui
Institut des Mines de Marrakech

03 Novembre 2020
1/47
Dr. Najoua Essamaoui (Cadi ayyad university) Lois de probabilité 03 Novembre 2020 1 / 47
Lois de probabilité
Les lois de probabilité permettent de décrire les variables aléatoires sous la forme
d’une expérience type, puis d’analyser cette expérience en détail pour pouvoir
déduire les principales caractéristiques de toutes les expérience aléatoire du même
type. Le travail est fait une seule fois mais il sert à toutes les expérience
semblables.
2/47
Loi de Bernoulli
1 Loi de Bernoulli
2 Loi Binomiale
3 Loi de poisson
4 Loi normale
3/47
Loi de Bernoulli
Epreuve de Bernoulli
Définition : L’épreuve de Bernoulli de paramètre p est une expérience aléatoire

ayant deux issues possibles :
Le succès auquel est associé une probabilité p ∈ [0, 1]
L’échec auquel est associé la probabilité 1 − p.
Exemple :
1 Le jeu du pile ou face : On considère par exemple comme succès "obtenir
pile" et comme échec "obtenir face". (C’est une épreuve de Bernoulli de
paramètre p = 12 )
2 On lance un dé et on considère par exemple comme succès "obtenir un six" et
comme échec "ne pas obtenir un six". (C’est une épreuve de Bernoulli de
paramètre p = 16 )
4/47
Loi de Bernoulli
Loi de Bernoulli
Dans une épreuve de Bernoulli de paramètre p , si on appelle X la variable

aléatoire prenant la valeur 1 en cas de succès et 0 en cas d’échec, on dit que X est
une variable de Bernoulli de paramètre p , elle suit la loi de Bernoulli de
paramètre p :
L’espérance de X est :
5/47
Loi de Bernoulli
Loi de Bernoulli

paramètre p :
L’espérance de X est : E (X ) = p
La variance de X est :
5/47
Loi de Bernoulli
Loi de Bernoulli

paramètre p :
La variance de X est : V (X ) = p(1 − p)
L’écart-type de X est :
5/47
Loi de Bernoulli
Loi de Bernoulli

paramètre p :
La variance de X est : V (X ) = p(1 − p)
p
L’écart-type de X est : σ(X ) = V (X )
5/47
Loi de Bernoulli
Schéma de Bernoulli
Définition : On appelle schéma de Bernoulli comportant n épreuves (n entier

naturel non nul) de paramètre p, toute expérience consistant à répéter n fois de
façon indépendantes une même épreuve de Bernoulli de paramètre p.
Exemple :
1 5 lancers successifs d’une pièce de monnaie bien équilibrée, est un schéma de
bernoulli de paramètres n = 5 et p = 12 .
2 10 lancers de dé cubique bien équilibré dont les faces sont numérotées de 1 à
6, en appelant succès l’apparition de S : « obtenir un 1» constitue un schéma
de Bernoulli avec n = 10 et p = 16 .
6/47
Loi de Bernoulli
Remarque :
Un schéma de Bernoulli peut être illustré par un arbre (L’image ci-dessous
présente le cas de n = 3)
Un résultat d’un schéma de Bernoulli est une liste de n issues S (succès)
S̄(échec), par exemple {S, S, S̄, S, S̄} dans un schéma à 5 épreuves.
7/47
Loi de Bernoulli
8/47
Loi de Bernoulli
Définition : On considère un schéma de Bernoulli de n épreuves, représenteé

par un arbre. Pour tout 0 ≤ k ≤ n, on note Cnk le nombre de chemins de l’arbre
réalisant k succès lors de n répétitions.
Dans l’arbre ci-dessous on a : n = 3 et

Pour k = 0 ; il y a C30 = 1 chemin réalisant 0 succès
Pour k = 1 ; il y a C31 = 3 chemins réalisant 1 succès
Pour k = 2 ; il y a C32 = 3 chemins réalisant 2 succès
Pour k = 3 ; il y a C33 = 1 chemin réalisant 3 succès
9/47
Loi Binomiale
1 Loi de Bernoulli
2 Loi Binomiale
3 Loi de poisson
4 Loi normale
10/47
Loi Binomiale
Loi Binomiale
Dans un schéma de n épreuves de Bernoulli de paramètre p, la variable aléatoire

X qui prend pour valeurs le nombre de succès obtenus à pour loi de probabilité
P(X = k) = Cnk p k (1 − p)n−k
pour tout entier 0 ≤ k ≤ n, et on dit que X suit une loi binomiale de paramètre n
et p, notée B(n, p)
11/47
Loi Binomiale
Justification Dans un schéma de n épreuves de Bernoulli la variable qui compte les

succès prend pour valeurs 0, 1, . . . , n c’-à-d
X (Ω) = {0, 1, 2, . . . n}
Pour une entier k entre 0 et n, l’événement (X = k) est représenté dans l’arbre

par les chemins qui comportent k succès et n − k échecs, il y en a Cnk .
Chacun de ces chemins comporte k fois S et n − k fois S̄ et a donc probabilité
p k × (1 − p)n−k
Et donc,
P(X = k) = Cnk p k (1 − p)n−k
12/47
Loi Binomiale
Exemple 1 : On considère l’expérience suivante : On lance 10 fois de suite un dé

équilbré dont les faces sont numérotées de 1 à 6. On appelle X la variable
aléatoire qui prend la valeur correspondant au nombre de fois 1 apparait.
1 Quelle est loi suivie par la variable X ?
2 Quelle est la probabilité de l’événement X = 3 ?
3 Quelle est la probabilité que la face 1 apparaisse au moins 1 fois ?
13/47
Loi Binomiale

Solution :
1
X suit la loi binomiale de paramètres n = 10 et p = 6
13/47
Loi Binomiale

Solution :
1
La probabilité de l’événement X = 3 est :
3 1 3 5 7
P(X = 3) = C10 ( ) ( ) = 0.155
6 6
13/47
Loi Binomiale

Solution :
1
La probabilité de l’événement X = 3 est :
3 1 3 5 7
P(X = 3) = C10 ( ) ( ) = 0.155
6 6
L’événement "la face 1 apparot au moins une fois" correspond à l’événement

"X ≥ 1" qui a pour événement contraire "X = 0" et donc
0 1 0 5 10
P(X ≥ 1) = 1 − P(X = 0) = 1 − C10 ( ) ( ) = 0.83
6 6 13/47
Loi Binomiale
Espérance - Variance
Soit X une variable aléatoire qui suit une loi binomiale B(n, p)
L’espérance de X est :
E (X ) = np
La variance de X est :
V (X ) = np(1 − p)
L’ecart-type de la variable X est :
p
σ(X ) = np(1 − p)
14/47
Loi Binomiale
Exemple 2 : Deux joueurs Alain et Thomas s’affrontent dans un tournoi de tennis.

Alain et Thomas jouent 9 matchs. La probabilité qu’Alain gagne un match est
0,6.Le vainqueur est celui qui gagne le plus de matchs. Soit X la variable aléatoire
donnant le nombre de matchs gagnés par Thomas.
1 Quelle est la loi suivie par X ?
2 Ecrire l’événement "Thomas gagne le tournoi" à l’aide de X , et calculer sa
probabilité.
3 Calculer l’espérance, la variance et l’ecart-type de la variable X
15/47
Loi Binomiale
Solution :
1 Les matchs étant identiques et leurs résultats indépendants X suit une loi
binomiale de paramètres n = 9 et p = 0.4
2 Thomas gagne le tournoi, s’il gagne au moins 5 matchs, donc si l’événement
"X ≥ 5" est réalisé
P(X ≥ 5) = P(X = 5) + P(X = 6) + P(X = 7) + P(X = 8) + P(X = 9) = 0.26
p
E (X ) = np = 9×0.4 = 3.6, V (X ) = np(1−p) = 2.16 σ(X ) = 2, 16 = 1.46
16/47
Loi Binomiale
Critères permettent d’utiliser la loi binomiale
Il faut savoir justifier l’utilisation d’une loi binomiale dans une situation donnée.
Pour cela, on vérifiera les points suivants :
On a affaire à une épreuve de Bernoulli comportant deux issues possibles
réussite et échec, de probabilités p et q respectivement.
17/47
Loi Binomiale
On répète n fois cette épreuve et les n réalisations sont indépendantes (c’est
notamment le cas des tirages avec remise).
17/47
Loi Binomiale
On répète n fois cette épreuve et les n réalisations sont indépendantes (c’est
notamment le cas des tirages avec remise).
La variable aléatoire X est égale au nombre de réussites.
Dans ces conditions, on peut conclure que X suit la loi binomiale de paramètres n
et p : X B(n, p).
17/47
Loi de poisson
1 Loi de Bernoulli
2 Loi Binomiale
3 Loi de poisson
4 Loi normale
18/47
Loi de poisson
Introduction
La loi de Poisson est utilisée lorsqu’on étudie un phénomène rare dans certaines
conditions, elle s’applique généralement aux phénomènes accidentels où la
probabilité p est très faible (pannes de machines, accidents d’avions, fautes dans
un texte, etc.). Dans certaines conditions, elle peut également être définie comme
limite d’une loi binomiale (notamment lorsque n ≥ 50 et np ≤ 5).
19/47
Loi de poisson
Soient n ∈ N∗ , k ∈ {0, 1, . . . , n} et p ∈ [0, 1]. Les calculs avec une loi binomiale
deviennent plus compliqués dès que n est très grand et p très petit. On cherche à
approximer P(X = k) par quelque chose de plus simple. On pose λ = np est ce
que la quantité
P(X = k) = Cnk p k (1 − p)n−k
a-t-elle une limite quand n tend vers +∞ ?
20/47
Loi de poisson
Soient n ∈ N∗ , k ∈ {0, 1, . . . , n} et p ∈ [0, 1]. Les calculs avec une loi binomiale
deviennent plus compliqués dès que n est très grand et p très petit. On cherche à
approximer P(X = k) par quelque chose de plus simple. On pose λ = np est ce
que la quantité
P(X = k) = Cnk p k (1 − p)n−k
a-t-elle une limite quand n tend vers +∞ ?
D’après le calcul on trouve
λk
lim Cnk p k (1 − p)n−k = e −λ
nß+∞ k!
20/47
Loi de poisson
Loi de poisson
Définition :
On dit qu’une variable aléatoire réelle X suit une loi de poisson de paramètre
λ > 0 si sa loi de probabilité est donnée par :
λi
∀i ∈ N, P(X = i) = e −λ
i!
λ correspond au nombre de fois où l’évenement se produise en moyenne dans

un intervalle de temps donné.
Dans le cas de l’approximation de la loi binomiale par la loi de Poisson, le
paramètre de la loi de Poisson est λ = np.
Démonstration :
Vérifions que la somme des toutes les probabilités possibles vaut 1, on a :
X X e −λ λi
P(X = i) = = e −λ e λ = 1
i!
i≥0 i≥0
21/47
Loi de poisson
Représentation graphique
22/47
Loi de poisson
Exemple :
La probabilité pour une ampoule électrique « grille » à son premier allumage est
de 0, 01. Sur un groupe de 100 ampoules, quelle est la probabilité d’observer 0
ampoule qui grille ? 1 ? plus de 2 ?
23/47
Loi de poisson
Solution :
Pour une ampoule, il s’agit d’une loi de bernoulii, où le succès est assimilé au fait
qu’une ampoule grille avec la probabilité 0.01. Le groupe de 100 ampoules suit
une loi binomiale de paramètre n = 100 et p = 0.01. Comme n > 50 et
λ = np = 1 ≤ 5, on peut raisonnablement approcher cette loi par une loi de
Poisson de paramètre 1. Par suite,
e −1 10
P(X = 0) = = 0.367
0!
e −1 11
P(X = 1) = = 0.367
1!
P(X > 2) = 1 − P(X ≤ 2) = 1 − P(X = 0) − P(X = 1) − P(X = 2)
e −1 12
= 1 − 2 × 0.367 − = 0.08
2!
24/47
Loi de poisson
Espérance et Variance
Définition : Soit X une variable aléatoire suivant une loi de Poisson de paramètre
λ > 0 alors :
E (X ) = λ
V (X ) = λ
√
σ(X ) = λ
25/47
Loi de poisson
Démonstration : On sait que

+∞ n
X x λi
ex = P(X = i) = e −λ
n=0
n! i!
+∞ +∞
X X λi
E (X ) = iP(X = i) = ie −λ
i=0 i=0
i!
+∞ i X λi−1 +∞
X λ
= e −λ = λe −λ
i=1
(i − 1)! i=1
(i − 1)!
+∞
−λ
X λi
= λe = λe −λ e −λ = λ
i=0
i!
De la même manière on montre que V (X ) = λ.
26/47
Loi de poisson
Exercice 1
Dans une banque les clients arrivent à une fréquence moyenne de 10 par heure.
1 Quelle est la probabilité qui’il ait plus de 2 clients en 10 min ?
2 Quelle est la probabilité qui’il n’y aucun client dans une période de 5 min ?
27/47
Loi de poisson
Solution
1 Soit X la variable aléatoire qui donne le nombre de clients en 10 min. X suit

alors une de poisson de paramètre λ où λ est le nombre moyen en 10 min, on
a λ = np = 10 × 1060 = 0.16. On a
P(X > 2) = 1 − P(X ≤ 2)

= 1 − P(X = 0) − P(X = 1) − P(X = 2)
e −0.16 × 0.160 e −0.16 × 0.161 e −0.16 × 0.162
=1− − −
0! 1! 2!
= 1 − 0.766 = 0.234
2 Maintenant X sera la v.a qui donne le nombre de clients en 5min, X est alors
suit une loi de poisson de paramètre λ = 5 × 10
60 = 0.83 on a :
e −0.83 × 0.830
P(X = 0) = = 0.43
0!
28/47
Loi normale
1 Loi de Bernoulli
2 Loi Binomiale
3 Loi de poisson
4 Loi normale
29/47
Loi normale
Introduction
S’il y avait une seule loi de probabilité à connaître, ce serait celle-là. Elle est
importante en pratique car elle permet de représenter la variabilité de nombreux
phénomènes naturels (la glycémie à jeun, le taux de division bactérienne, etc.).
cette loi est donc très importante en statistique, car plusieurs phénomènes ont une
loi de probabilité très proche de la loi normale, suffisamment proche pour utiliser
cette dernière pour les modéliser. Elle fut découverte indépendamment par les
mathématiciens Gauss en Allemagne (1809) et Laplace en France (1812).
30/47
Loi normale
Loi normale
Définition : On dit qu’une variable aléatoire X suit une loi Normale d’espérance
µ et d’ecart-type σ > 0 (donc de variance σ 2 ) si elle admet pour densité de
probabilité la fonction f (x ) définie pour tout réel x par :
1 −1 x − µ 2
f (x ) = √ exp( ( ) )
σ 2π 2 σ
On note
X N (µ, σ 2 )
31/47
Loi normale
Loi normale
Définition : On dit qu’une variable aléatoire X suit une loi Normale d’espérance
µ et d’ecart-type σ > 0 (donc de variance σ 2 ) si elle admet pour densité de
probabilité la fonction f (x ) définie pour tout réel x par :
1 −1 x − µ 2
f (x ) = √ exp( ( ) )
σ 2π 2 σ
On note
X N (µ, σ 2 )
Définition (Loi centrée réduite) : On appelle loi normale centrée réduite la loi
normale de moyenne 0 et de variance 1, et donc sa densité est :
1 −x 2
√ e 2
2π
Une variable suivant la loi normale centrée réduite est notée Z .
31/47
Loi normale
Représentation graphique de la densité de la loi normale
La courbe rouge représente la fonction densité de probabilité de la loi normale

centrée réduite. 32/47
Loi normale
Règles pour les lois normales
Il n’est pas possible de calculer analytiquement la probabilité pour une loi normale
et d’obtenir une formule pour calculer directement la probabilité comme dans le
cas de certaines lois mais il y a quelques propriétés de la loi normale qui sont très
utiles ! !
1 Si X N (µ, σ 2 ) alors pour a ∈ R la variable aléatoire aX N (aµ, a2 σ 2 )
2 Si X1 et X2 deux variables aléatoires indépendantes de loi respectivement
N (µ1 , σ12 ) et N (µ2 , σ22 ), alors X1 + X2 suit une loi normale de moyenne
µ = µ1 + µ2 et de variance σ 2 = σ1 + σ2 .
33/47
Loi normale
X −µ
Proposition : Si X N (µ, σ 2 ) alors la variable aléatoire Z = σ suit la loi
normale centrée réduite N (0, 1).
34/47
Loi normale
X −µ
Proposition : Si X N (µ, σ 2 ) alors la variable aléatoire Z = σ suit la loi
normale centrée réduite N (0, 1).
Remarque : Ce résultat est une application de la première propriété, et c’est la

base pour effectuer des calculs de probababilité. Autrement dit, il suffit de pouvoir
caculer une probabilité sur une variable aléatoire de loi N (0, 1) pour pouvoir
calculer une probabilité pour une loi normale quelconque.
34/47
Loi normale
Démonstration : Calculons pour a < b quelconques P(a < Z < b).
X −m
P(a < < b) = P(σa + m < X < σb + m) (1)
σ
Z σb+m
1 −1 x − µ 2
= √ exp( ( ) )dx (2)
σa+m σ 2π 2 σ
(3)
x −m
Il suffit maintenant de faire un changement de variable s = σ pour obtenir
Z b
1 −s 2
∀a, b ∈ R, P(a ≤ Z ≤ b) = √ e 2 ds
a 2π
et donc Z suit la loi N (0, 1).
35/47
Loi normale
La technique utilisée pour évaluer une probabilité sur une variable aléatoire de loi
normale est de faire une transformation pour obtenir une loi normale centrée
réduite, ensuite on pourra facilement établir la probabilité en utilisant la table des
valeurs pour la loi normale N (0, 1).
36/47
Loi normale
Evaluation des probabilités de la loi normale centrée réduite
La première étape est de pouvoir obtenir toutes les probabilités pour une N (0, 1)
pour ensuite être en mesure de calculer les probabilités sur une loi normale de
moyenne et de variance quelconque.
Règles de calcul de probabilité

Dans l’utilisation de la table de la loi normale N (0, 1), on aura des calculs de
probabilités à faire. On les fera avec les règles suivantes :
P(X = 0) = 0
P(X < a) = P(X ≤ a)
P(X > a) = 1 − P(X ≤ a)
P(X ≤ −a) = P(X ≥ a) = 1 − P(X ≤ a)
P(−a ≤ X ≤ a) = 2P(X ≤ a) − 1
37/47
Loi normale
Table de la loi N (0, 1)
38/47
Loi normale
Table de la loi N (0, 1)
39/47
Loi normale
Exemple
Voici quelques exemples d’utilisation de cette table selon la probabilité

recherchée :
1 Calculons P(Z ≤ 1.13), on a 1.13 = 1.1 + 0.03 il faut donc se rendre à la
ligne 1.1 puis la colonne 0.03, on obtient
P(Z ≤ 1.13) = 0.8708
40/47
Loi normale
Exemple
Voici quelques exemples d’utilisation de cette table selon la probabilité

recherchée :
1 Calculons P(Z ≤ 1.13), on a 1.13 = 1.1 + 0.03 il faut donc se rendre à la
ligne 1.1 puis la colonne 0.03, on obtient
P(Z ≤ 1.13) = 0.8708
2 P(Z > 0.68), on a
P(Z > 0.68) = 1 − P(Z ≤ 0.68)
comme avant, on se rend a la ligne 0.6 puis la colonne 0.08 on trouve
P(Z > 0.68) = 1 − 0.7517
40/47
Loi normale
Evaluation des probabilités de loi normale quelconque
Lorsque la loi est une normale de moyenne et variance quelconques, il faut utiliser
les propriétés de la loi normale pour transformer la v.a. en une N (0, 1) puis utiliser
la table.
Si une v.a. X suit une loi normale de moyenne µ et une variance σ quelconques, le
calcul d’une probabilité sur cette v.a. passe par une transformation pour obtenir
une probabilité sur une loi N (0, 1) :
X −µ k −µ
P(X < k) = P( < )
σ σ
k −µ
= P(Z < )
σ
Où Z est une varaible aléatoire de loi N (0, 1).
41/47
Loi normale
Exemple :
Considétons la variale X de loi N (10, 6) on cherche par exemple P(5 < X < 11) :
5 − 10 X − 10 11 − 10
P(5 < X < 11) = P( √ < √ < √ )
6 6 6
5 − 10 11 − 10
= P( √ <Z < √ )
6 6
= P(−2 < Z < 0.41)
= P(Z < 0, 41) + P(Z < 2) − 1
= 0.63635
42/47
Loi normale
Exercice 1
Un chercheur veut étudier le QI d’une population, le domaine montre que la v.a

qui donne le QI d’un individu de la population est une v.a de loi N (100, 100).
1 Quelle est la probabilité d’observer un individu ayant un QI au plus de 120 ?
2 Supposons que le chercheur tire au hasard 10 personnes de la population.
Quelle est la probabilité d’observer plus de 3 personnes ayant un QI de plus
de 110 ?
43/47
Loi normale
Solution :
1 Soit X la variable aléatoire qui donne le QI, on a X N (100, 100) on

cherche la probabilité P(X > 120), on a
P(X > 120) = P(X − 100 > 120 − 100)

X − 100 120 − 100
= P( > )
10 10
= P(Z > 2) = 1 − P(Z ≤ 2)
= 1 − 0.9772 = 0.0228
44/47
Loi normale
2. Soit X la variable aléatoire qui donne le nombre de personnes parmi 10 ayant

un QI de plus de 110. Alors X suit une loi binomiale de paramètres n = 10 et α,
où α est la probabilité qu’un personne tirée au hasard ait un QI de plus de 110.
cherchons la valeur P(X > 3). pour ce faire on doit connaître α.
Soit Y la v.a qui donne le QI d’une personne tirée au hasard, alors

Y N (100, 100) on a :
Y − 100 110 − 100

P(Y > 110) = P( > )
10 10
= P(Z > 1) = 1 − P(Z ≤ 1)
= 1 − 0.8413 = 0.1587
On peut maintenant calculer P(X > 3) = 1 − P(X ≤ 3) et comme X suit une loi
binomiale on a
P(X > 3) = 1 − P(X = 0) − P(X = 1) − P(X = 2) − P(X = 3)

= 1 − 0.9402 = 0.598
45/47

Loi de Probabilites

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Loi de Probabilites

Transféré par

Droits d'auteur :

Formats disponibles

Lois de probabilité

Dr. Najoua Essamaoui

Institut des Mines de Marrakech

Définition : L’épreuve de Bernoulli de paramètre p est une expérience aléatoire

Dans une épreuve de Bernoulli de paramètre p , si on appelle X la variable

Dans une épreuve de Bernoulli de paramètre p , si on appelle X la variable

Dans une épreuve de Bernoulli de paramètre p , si on appelle X la variable

Dans une épreuve de Bernoulli de paramètre p , si on appelle X la variable

Définition : On appelle schéma de Bernoulli comportant n épreuves (n entier

Définition : On considère un schéma de Bernoulli de n épreuves, représenteé

Dans l’arbre ci-dessous on a : n = 3 et

Dans un schéma de n épreuves de Bernoulli de paramètre p, la variable aléatoire

P(X = k) = Cnk p k (1 − p)n−k

Justification Dans un schéma de n épreuves de Bernoulli la variable qui compte les

Pour une entier k entre 0 et n, l’événement (X = k) est représenté dans l’arbre

Exemple 1 : On considère l’expérience suivante : On lance 10 fois de suite un dé

Exemple 1 : On considère l’expérience suivante : On lance 10 fois de suite un dé

Exemple 1 : On considère l’expérience suivante : On lance 10 fois de suite un dé

Exemple 1 : On considère l’expérience suivante : On lance 10 fois de suite un dé

L’événement "la face 1 apparot au moins une fois" correspond à l’événement

Exemple 2 : Deux joueurs Alain et Thomas s’affrontent dans un tournoi de tennis.

P(X ≥ 5) = P(X = 5) + P(X = 6) + P(X = 7) + P(X = 8) + P(X = 9) = 0.26

Critères permettent d’utiliser la loi binomiale

Critères permettent d’utiliser la loi binomiale

Critères permettent d’utiliser la loi binomiale

D’après le calcul on trouve

λ correspond au nombre de fois où l’évenement se produise en moyenne dans

P(X > 2) = 1 − P(X ≤ 2) = 1 − P(X = 0) − P(X = 1) − P(X = 2)

Démonstration : On sait que

De la même manière on montre que V (X ) = λ.

1 Soit X la variable aléatoire qui donne le nombre de clients en 10 min. X suit

P(X > 2) = 1 − P(X ≤ 2)

Représentation graphique de la densité de la loi normale

La courbe rouge représente la fonction densité de probabilité de la loi normale

Règles pour les lois normales

Remarque : Ce résultat est une application de la première propriété, et c’est la

Démonstration : Calculons pour a < b quelconques P(a < Z < b).

Evaluation des probabilités de la loi normale centrée réduite

Règles de calcul de probabilité

Table de la loi N (0, 1)

Table de la loi N (0, 1)

Voici quelques exemples d’utilisation de cette table selon la probabilité

P(Z ≤ 1.13) = 0.8708

Voici quelques exemples d’utilisation de cette table selon la probabilité

P(Z ≤ 1.13) = 0.8708

2 P(Z > 0.68), on a

P(Z > 0.68) = 1 − P(Z ≤ 0.68)

comme avant, on se rend a la ligne 0.6 puis la colonne 0.08 on trouve

P(Z > 0.68) = 1 − 0.7517

Evaluation des probabilités de loi normale quelconque

Un chercheur veut étudier le QI d’une population, le domaine montre que la v.a

1 Soit X la variable aléatoire qui donne le QI, on a X N (100, 100) on

P(X > 120) = P(X − 100 > 120 − 100)

2. Soit X la variable aléatoire qui donne le nombre de personnes parmi 10 ayant

Soit Y la v.a qui donne le QI d’une personne tirée au hasard, alors

Y − 100 110 − 100

P(X > 3) = 1 − P(X = 0) − P(X = 1) − P(X = 2) − P(X = 3)

Vous aimerez peut-être aussi