Généralités

Notation Equation Interprétation

Ω = ensemble
A = tribu (ensemble non vide de parties de X)
Espace probabilisé Ω, A, ℙ -
ℙ = mesure de probabilité (à valeurs réelles définie sur un ensemble d'événements
dans un espace de probabilité)
Univers Ω Ω = {1,2,3,4,5,6} Ensemble contenant tous les événement élémentaires (tous les résultats possibles)
A = obtenir un résultat pair
Événement 𝐴 Ensemble de tous les éléments de A
A = {2,4,6}
Événement contraire 𝐴̅ ou 𝐴 𝑐 ̅ = {1,3,5}
A Deux événements contraires sont incompatibles et complémentaires
Événement certain Réalisé de façon certaine
B = obtenir un résultat < 2
Événement élémentaire 𝐵 Il n’y a qu’une éventualité
B = {1}
C = obtenir um résultat > 8
Événement impossible 𝐶 Jamais réalisé
C = {∅}
𝐴 = {2,4,6} 𝑒𝑡 𝐵 = {3,6} Constitué de tous résultats "A ou B" : signifie qu’au moins un des
Union 𝐴∪𝐵
𝐴 ∪ 𝐵 = {2,3,4,6} favorables à deux événements événements est vrai
Constitué de tous résultats
favorables simultanément à deux
𝐴 = {2,4,6} ; 𝐵 = {3,6} et 𝐴̅ = {1,3,5}
événements. A et C sont "A et B" : signifie que les 2 événements sont
Intersection 𝐴∩𝐵 𝐴 ∩ 𝐵 = {6}
incompatibles, car leur ∩ est vide. A vrais
𝐴 ∩ 𝐴̅ = {∅}
et C sont complémentaires, s’ils
sont incompatibles et leur U est Ω
0 ≤ 𝑃(𝐴) ≤ 1 𝐴 ∪ 𝐴̅ = Ω
𝑃(Ω) = 1
P est une loi de probabilité sur Ω, si
Si 𝐴 ∩ 𝐵 sont incompatibles, alors 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(Ω) = 𝑃(𝐴 ∪ 𝐴̅) = 𝑃(𝐴) + 𝑃(𝐴̅) = 1
Probabilité 𝑃 à chaque événement A notée P(A)
𝑃(𝐵) 𝑃(𝐴̅) = 1 − 𝑃(𝐴)
est un nombre compris entre 0 et 1
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) sinon 𝑃(∅) = 0

𝑃(𝐴 ∩ 𝐵) P de A sachant B
Probabilité conditionnelle 𝑃(𝐴|𝐵) 𝑃(𝐴|𝐵) = 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵|𝐴) ou
𝑃(𝐵)
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵) × 𝑃(𝐴|𝐵)

𝑃(𝐴) × 𝑃(𝐵|𝐴) On ne connaît que les probabilités conditionnelles « sachant A » et on s’intéresse à

Théorème de Bayes 𝑃(𝐴|𝐵) =
𝑃(𝐴) × 𝑃(𝐵|𝐴) + 𝑃(𝐴̅) × 𝑃(𝐵|𝐴̅) calculer la probabilité conditionnelle « sachant B »
 A et B sont indépendants si la
réalisation de l’un n’est pas
Indépendance 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵) 𝑃(𝐴|𝐵) = 𝑃(𝐴) ou 𝑃(𝐵|𝐴) = 𝑃(𝐵)
conditionnée par la réalisation de
l'autre
𝒃 𝑎𝑐 + 𝑏
𝒂+ =
𝒄 𝑐 𝒏! = 1 × 2 × 3 × … × 𝑛
1! = 1
𝒂 𝒄 𝑎 𝑑 1
÷ = × 𝒂−𝟑 = 0! = 1
𝒃 𝒅 𝑏 𝑐 𝑎3
𝒏 𝑛!
𝒂 𝒄 (𝑎 × 𝑦) + (𝑐 × 𝑧) 𝑎𝑥 ( ) = 𝑪𝒌𝒏 =
+ = 𝒂𝒙−𝒚 = 𝒌 𝑘! (𝑛 − 𝑘)!
𝒃 𝒅 𝑥 𝑎𝑦
𝑚𝑚𝑐(𝑏, 𝑑) = 𝑥
𝑥÷𝑏 =𝑦 𝒂𝒙+𝒚 = 𝑎 𝑥 × 𝑎 𝑦 𝐞𝐱𝐩(𝒂 + 𝒃) = exp(𝑎) exp(𝑏) = 𝑒 𝑎 × 𝑒 𝑏
𝑥÷𝑑 =𝑧 [𝐞𝐱𝐩 (𝒂)]𝒏 = exp (𝑛 × 𝑎)
Propriétés
(𝒂𝒃)𝒙 = 𝑎 𝑥 × 𝑏 𝑥
(𝒂𝒙 − 𝒃𝒚 )𝟐 = (𝑎 𝑥 − 𝑏 𝑦 ) × (𝑎 𝑥 − 𝑏 𝑦 ) 𝑃(𝑋 ≥ 𝑥) = 1 − 𝑃(𝑋 < 𝑥)
= 𝑎2𝑥 − 2𝑎 𝑥 𝑏 𝑦 + 𝑏 2𝑦 𝒂 𝒙 𝑎 𝑥 𝑃(𝑋 > 𝑥) = 1 − 𝑃(𝑋 ≤ 𝑥)
( ) = 𝑥 𝑃(𝑋 ≥ −𝑥) = 𝑃(𝑋 ≤ 𝑥)
𝒃 𝑏 𝑃(𝑋 ≤ −𝑥) = 1 − 𝑃(𝑋 < 𝑥)
𝒂𝟐 − 𝒃𝟐 = (𝑎 − 𝑏) × (𝑎 + 𝑏)
𝒂𝟒 − 𝟏 = (𝑎2 − 1) × (𝑎2 + 1)
𝟑 2 Au moins : 𝑃(𝑋 ≥ 𝑥)
𝒂 − 𝒂 = 𝑎(1 − 𝑎 )
Au plus : 𝑃(𝑋 ≤ 𝑥)
= 𝑎(1 − 𝑎) × (1 + 𝑎)
Moins de : 𝑃(𝑋 < 𝑥)
Plus de : 𝑃(𝑋 > 𝑥)
𝒂𝟑𝒙 − 𝒂𝒙 = 𝑎 𝑥 (𝑎2𝑥 − 1)
 Notation Equation Interprétation

Fonction linéaire :
Représenté par une
droite passant par
𝑓: 𝑥 ⟼ 𝑎𝑥 (𝑎 ∈ ℝ)
l’origine du repère. Il
suffit de choisir 2
points pour la tracer

𝑓: 𝑥 ⟼ 𝑎𝑥 + 𝑏 (𝑎 ∈ ℝ)
Fonction affine :
Représenté par une
droite qui ne passe
pas par l’origine du
repère

Fonction paire : La
courbe est
𝑓(−𝑥) = 𝑓(𝑥) symétrique par
Fonction 𝑓(𝑥) rapport à l’axe
d’ordonnée

Fonction impaire : La
courbe est
𝑓(−𝑥) = −𝑓(𝑥) symétrique par
rapport à l’origine du
repère

𝑓′ = 𝑓
𝑓(0) = 1 Fonction
𝑓(𝑥) × 𝑓(−𝑥) = 1, 𝑠𝑖 𝑓(𝑥) ≠ 0 exponentielle
{ exp(𝑥) × exp(−𝑥) = 1
 𝑓: 𝑥 ⟼ 𝑡 𝑓′: 𝑥 ⟼ 0 ] − ∞, +∞[
𝑓: 𝑥 ⟼ 𝑥 𝑓′: 𝑥 ⟼ 1 ] − ∞, +∞[
𝑓: 𝑥 ⟼ 𝑘𝑥 𝑓′: 𝑥 ⟼ 𝑘 ] − ∞, +∞[
] − ∞, +∞[, 𝑠𝑖 𝑛
𝑓: 𝑥 ⟼ 𝑥 𝑛 𝑓′: 𝑥 ⟼ 𝑛𝑥 𝑛−1
∈ℕ
1 1 ]
Fonction dérivée 𝑓′(𝑥) 𝑓: 𝑥 ⟼ 𝑓′: 𝑥 ⟼
𝑥 𝑥2 − ∞, 0[ 𝑜𝑢 ]0, +∞[
1
𝑓: 𝑥 ⟼ √𝑥 𝑓′: 𝑥 ⟼ ]0, +∞[
2 √𝑥
1
𝑓: 𝑥 ⟼ ln 𝑥 𝑓′: 𝑥 ⟼ ]0, +∞[
𝑥
𝑓: 𝑥 ⟼ 𝑒 𝑥 𝑓 : 𝑥 ⟼ 𝑒𝑥
′
] − ∞, +∞[
𝑓(𝑥) = (𝑢 + 𝑣) 𝑓′(𝑥) = (𝑢′ + 𝑣′)
𝑓(𝑥) = (𝑘𝑢) 𝑓′(𝑥) = (𝑘𝑢′) 𝑘∈ℝ
𝑓(𝑥) = (𝑢𝑣) 𝑓′(𝑥) = (𝑢′ 𝑣) + (𝑢𝑣′)
Opération algébrique de
𝑓′(𝑥) 𝑓(𝑥) = (𝑢)𝑛 𝑓′(𝑥) = (𝑛𝑢′𝑢 𝑛−1 )
dérivées
𝑢 𝑢′ 𝑣 − 𝑢𝑣′
𝑓(𝑥) = 𝑓′(𝑥) =
𝑣 𝑣2
1 𝑣′
𝑓(𝑥) = 𝑓 ′(𝑥) = −
𝑣 𝑣2
𝑓(𝑥) = 0 𝐹(𝑥) = 𝑡
𝑓(𝑥) = 1 𝐹(𝑥) = 𝑥
𝑥 𝑛+1
𝑓(𝑥) = 𝑥 𝑛 𝐹(𝑥) =
𝑛+1
1
𝑓(𝑥) = 𝐹(𝑥) = ln (𝑥)
𝑥
Primitive 𝐹(𝑥)
1 1
𝑓(𝑥) = 𝐹(𝑥) = −
𝑥2 𝑥
1 𝑥 𝑛−1 1
𝑓(𝑥) = 𝑛 𝐹(𝑥) = =
𝑥 −𝑛 + 1 (−𝑛 + 1) × 𝑥 𝑛
1
𝑓(𝑥) = 𝐹(𝑥) = √𝑥
2√ 𝑥
𝑓(𝑥) = 𝑒 𝑥 𝐹(𝑥) = 𝑒 𝑥
 Notation Equation
lim 𝑓(𝑥) 𝑙 𝑙 𝑙 +∞ −∞ +∞ +∞ −∞ 0 0
𝑛→𝛼

lim 𝑔(𝑥) 𝑙′ +∞ −∞ +∞ −∞ −∞ 𝑙′ 𝑙′ ±∞ 0
𝑛→𝛼

lim 𝑓(𝑥) + 𝑔(𝑥) Forme

Limite de 𝑙 + 𝑙′ +∞ −∞ +∞ −∞ ±∞
𝑛→𝛼 indéterminé
fonction
lim 𝑓(𝑥) × 𝑔(𝑥) +∞ 𝑙 ≠ 0 −∞ 𝑙 ≠ 0 Forme
𝑙 × 𝑙′ +∞ +∞ −∞
𝑛→𝛼 −∞ 𝑙 ≠ 0 +∞ 𝑙 ≠ 0 indéterminé
𝑙 ′
𝑓(𝑥) 𝑙 ≠0 +∞ 𝑙′ ≠ 0 −∞ 𝑙′ ≠ 0
𝑙′ Forme Forme Forme Forme
lim 0 0 −∞ 𝑙 ′ ≠ 0 +∞ 𝑙′ ≠ 0 0
𝑛→𝛼 𝑔(𝑥) ±∞ indéterminé indéterminé indéterminé indéterminé
+∞ 𝑙 ′ = 0 −∞ 𝑙 ′ = 0
𝑙 ≠ 0 𝑒𝑡𝑙 ′ = 0
 Variables aléatoires
Variable aléatoire X(Ω) P(X=k) E(X) Var(X) σ(X) Fonction de répartition F(X)
Discrète : Est une fonction X qui a tout élément
de Ω associe un réel → X (Ω)
Croissante en escalier
𝑋(Ω) = ℝ 𝑃(𝑋 ≤ 𝑥)
Discrète = quand X est dénombrable
ℝ [0,1]
Finie = nombre fini d’événements Caractérise la
Infinie = nombre infini de termes dans le calcul Finie 𝑃(𝑋 = 𝑥𝑖) Caractérise
𝑋(Ω) = {𝑥1, 𝑥2, … , 𝑥𝑛 } position l’amplitude (autour
𝑛
√𝑉𝑎𝑟(𝑋)
de l’E)
∑ 𝑃(𝑋 = 𝑥𝑖) = 1 ∑ 𝑥𝑖 . 𝑝𝑖
Infinie 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
𝑖=1
𝑋(Ω) = {0, 1, … }

𝐸(𝑎𝑋 + 𝑏) = 𝑎𝐸(𝑋) + 𝑏
𝑉𝑎𝑟(𝑎𝑋 + 𝑏) = 𝑎2 𝑣𝑎𝑟(𝑋)
Propriété 𝜎(𝑎𝑋 + 𝑏) = |𝑎|𝜎(𝑋)
𝐹𝑥 (𝑏) = 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) + 𝐹𝑥 (𝑎)

Croissante continue
𝑃(𝑋 ≤ 𝑥)
Continue : Est une fonction X de densité f si pour ℝ [0,1]
tout intervalle [𝑎, 𝑏] de ℝ on a : 𝑥
𝑃 ∈ [𝑎, 𝑏] = ∫[𝑎.𝑏] 𝑓(𝑥) 𝑑𝑥 ∫ 𝑓(𝑢)𝑑𝑢
𝑃(𝑋 = 𝑥) −∞
+∞
+∞
𝑋(Ω) = ℝ ∫ 𝑥𝑓(𝑥)𝑑𝑥 𝐸(𝑋 2 ) − [𝐸(𝑋)]2 √𝑉𝑎𝑟(𝑋)
∫ 𝑓(𝑥)𝑑𝑥 = 1 −∞
−∞
𝑓(𝑥) ≥ 0

𝑃(𝑋 ∈ [𝑎, 𝑏]) = ∫[𝑎.𝑏] 𝑓(𝑥) 𝑑𝑥

Propriété
𝑃(𝑋 ∈ [𝑎, 𝑏]) = 𝐹(𝑏) − 𝐹(𝑎)
 Lois de probabilités discrètes
Loi de probabilité
Loi Notation Cadre Variable aléatoire X X(Ω) E(X) Var(X)
P(X=k)
Une expérience aléatoire qui a deux
Loi de Bernoulli Indicatrice de succès ou 𝑃(𝑋 = 1) = 𝑝
𝑋 ~ Ɓ (𝑝) résultats possibles : soit succès (1), 𝑋(Ω) = {0,1} p 𝑝(1 − 𝑝)
(F) échec 𝑃(𝑋 = 0) = 1 − 𝑝
soit échec (0)
Sous le schéma de
Bernoulli (expériences aléatoires Compte le nombre k de 𝐶𝑛𝑘 . 𝑝𝑘 . (1 − 𝑝)𝑛−𝑘
Loi Binomiale
𝑋 ~ Ɓ (𝑛, 𝑝) identiques et indépendantes) : succès obtenu au cours de 𝑋(Ω) = {0,1, … , 𝑛} 𝑛𝑝 𝑛𝑝(1 − 𝑝)
(F)
répétition de n épreuves avec deux n épreuves 𝑘 = 0, 1, …
résultats possibles : succès et échec
Sous le schéma de
Bernoulli (expériences aléatoires Compte le nombre n de 𝑝(1 − 𝑝)𝑘 1−𝑝 1−𝑝
Loi géométrique
𝑋 ~ 𝒢 (𝑝) identiques et indépendantes) : répétition pour obtenir un 𝑋(Ω) = {0,1, … }
(I) 𝑝 𝑝2
répétition de n épreuves dont les succès k 𝑘 = 0, 1, …
échecs suivis d’un succès
Sous le schéma de
𝑘
Bernoulli (expériences aléatoires Compte le nombre d’échec 𝐶𝑛+𝑘−1 . 𝑝𝑘 . (1 − 𝑝)𝑘 𝑛(1 − 𝑝) 𝑛(1 − 𝑝)
Loi binomiale
𝑋 ~ Ɓ𝑁 (𝑛, 𝑝) identiques et indépendantes) : k obtenus avant 𝑋(Ω) = {0,1, … }
négative (I) 𝑝 𝑝2
répétition de k épreuves nécessaires d’atteindre les n succès 𝑘 = 0, 1, …
pour obtenir les succès
Comportement du nombre
d'événements se produisant dans un
intervalle de temps fixé, s’ils se
produisent avec une fréquence
Loi de Poisson moyenne ou espérance connue,
𝑋 ~ Ƥ (𝜆)
(I) et indépendamment du temps écoulé
Compte le nombre k 𝜆𝑘
depuis l'événement précédent.
d’apparition d’un 𝑒 −𝜆 .
Si 𝑋 ~ Ƥ (𝜆) 𝑒𝑡 𝑌 ~ Ƥ (𝜃), X et Y sont 𝑋(Ω) = {0,1, … } 𝑘! 𝜆 𝜆
événement rare sur un
indépendantes alors 𝑋 + 𝑌 ~ Ƥ (𝜆 +
intervalle de temps donné 𝑘 = 0, 1, …
𝜃)
Si n est très grand et p très petit :
Approximation
𝑋 ~ Ɓ (𝑛, 𝑝) 𝑝 < 1/10
de la loi
≈ 𝑛 > 50
Binomiale par la
𝑋 ~ Ƥ (𝜆) 𝑛𝑝 < 10
loi de Poisson
avec 𝜆 = 𝑛𝑝
 Lois de probabilités continue
Notation Cadre Fonction de densité de probabilité Fonction de répartition E(X) Var(X)

𝑥−𝑎
1 , 𝑠𝑖 𝑎 ≤ 𝑋 ≤ 𝑏
𝑓(𝑥) = {𝑏 − 𝑎 , 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝐹(𝑥) = {𝑏 − 𝑎
0, 𝑠𝑖 𝑥 < 𝑎
0, 𝑠𝑖𝑛𝑜𝑛
1, 𝑠𝑖 𝑥 > 𝑏

Modélisent des tirages aléatoires

Loi uniforme 𝑏+𝑎 (𝑏 − 𝑎)2
𝑋 ~ Ʋ(𝑎, 𝑏) continus uniformément répartis sur
un intervalle 2 12

1 − 𝑒 −𝜆𝑥 , 𝑥≥0
𝐹(𝑥) = {
𝜆𝑒 −𝜆𝑥
, 𝑥>0 0, 𝑥<0
𝑓(𝑥) = {
0, 𝑠𝑖𝑛𝑜𝑛 +∞
∫ 𝜆𝑒 −𝜆𝑢 𝑑𝑢 = 1 − 𝑒 −𝜆𝑥
0
Modélisent des durées aléatoires
1 1
Loi exponentielle 𝑋 ~ 𝐸(𝜆) d’un phénomène sans mémoire ou
sans vieillissement ou sans usure 𝜆 𝜆2

Modélisent un grand nombre de 1 𝑥2 𝑓(𝑥) = 𝐹(𝑥)

Loi normale causes indépendantes dont les effets 𝑓(𝑥) = 𝑒− 2 , 𝑥 ∈ℝ
𝑋 ~ Ɲ(0,1) √2𝜋 0 1
centrée-réduite s’additionnent et dont aucune n’est Par symétrie, 𝐹(−𝑥) = 1 − 𝐹(𝑥)
prépondérante
 L’intersection de la ligne u1 et la colonne u2 figure la valeur de φ (fonction de répartition) de la loi normale E(X) = 0 et Var(X) = 1, tq 𝜙(𝑢1 + 𝑢2) = 𝑝 et tq 𝑃(𝑋 ≤ 𝑥) = 𝑝
Par symétrie, 𝜙(−𝑥) = 1 − 𝜙(𝑥)

𝑃(𝑋 ≤ 𝑥) = 0,7290
𝜙(𝑥) = 0,7290
𝜙(0,61) = 0,7290
𝑥 = 0,61

Table
𝑃(𝑋 ≥ 𝑥) = 0,1112
1 − 𝑃(𝑋 < 𝑥) = 0,1112
𝜙(𝑥) = 0,8888
𝜙(1,22) = 0,8888
𝑥 = 1,22

𝜙(−1,03) = 1 − 𝜙(𝑥) 𝑥 = 0,43

= 1 − 𝜙(1,03) 𝜙(𝑥) = 1 − 0,43
= 1 − 0,8485 𝜙(𝑥) = 0,57 → 𝜙(0,18)
= 0.1515 𝜙(−0,18) = 0,43
1 −1 𝑥−𝜇 2
( )
𝑓(𝑥) = 𝑒 2 𝜎 , −∞ < 𝑥 < +∞
𝜎√2𝜋

Modélisent un grand nombre de

Loi Normale ou
causes indépendantes dont les effets 𝑓(𝑥) = 𝐹(𝑥)
Gaussienne 𝑋 ~ Ɲ(𝜇, 𝜎 2 ) 𝜇 𝜎2
s’additionnent et dont aucune n’est
générale
prépondérante
 𝑌−𝜇
Si X ~ Ɲ(μ, σ2), alors 𝑍 = , une variable centrée réduite suit une Ɲ(0,1).
𝜎

𝑌−𝜇 𝑎−𝜇
𝑍 = 𝑃(𝑌 ≤ 𝑎) = 𝑃 ( ≤ )
Calcul de la 𝜎 𝜎
𝑎−𝜇
probabilité 𝑍 = 𝜙( ),
𝜎

𝑃(𝑋 ≥ 𝑥) = 𝑃(𝑋 > 𝑥)

𝑃(𝑋 ≤ 𝑥) = 𝑃(𝑋 < 𝑥)

Soient X et Y deux variables aléatoires normales indépendantes de paramètres respectifs (μx ; σx2), (μy ; σy2), alors leur somme X + Y est une variable aléatoire normale de
paramètres :

𝑋 + 𝑌 ~ 𝑁(𝜇𝑋 + 𝜇𝑌 ; 𝜎 2𝑋 + 𝜎 2 𝑌 ) → (𝐸(𝑋) + 𝐸(𝑌) ; 𝑉𝑎𝑟(𝑋) + 𝑉𝑎𝑟(𝑌))

𝑋 − 𝑌 ~ 𝑁(𝜇𝑋 − 𝜇𝑌 ; 𝜎 2𝑋 + 𝜎 2 𝑌 ) → (𝐸(𝑋) − 𝐸(𝑌) ; 𝑉𝑎𝑟(𝑋) + 𝑉𝑎𝑟(𝑌))

Théorème
𝑋 ~ 𝑁(10; 9) 𝑒𝑡 𝑌 ~ 𝑁(5; 16), 𝑍 = 2𝑋 − 3𝑌

𝑍 ~ 𝑁(2𝜇𝑋 − 3𝜇𝑌 ; 22 𝜎𝑋 + 32 𝜎𝑌 )
𝑍 ~ 𝑁(2 × 10 − 3 × 5 ; 22 × 9 + 32 × 16)
 Lois dérivées de la loi gaussienne
Variable aléatoire
Loi Notation Cadre Z Fonction de densité Fonction de répartition E(Z) Var(Z)
Z
𝑍 = 𝑋12 + 𝑋22 + ⋯
+ 𝑋𝑛2
Utilisée dans le test
du χ2 pour vérifier 𝑛
La somme de
l'adéquation d'une 𝑍 = ∑ 𝑋𝑖2
carrés de Xn
distribution 𝑖=1
variables
empirique à une loi
aléatoires 𝑥 ∈ℝ+
Loi du Khi- de probabilité
𝑍 ~ 𝜒𝑛2 indépendantes 𝑛 2𝑛
deux donnée : s'applique
centrées réduites Pour 𝑛 > 1, on utilise
dans le test
Ɲ(0,1) à n degrés la table du Khi-deux
d'hypothèses à
de liberté (ddl)
certains seuils
(indépendance Pour 𝑛 > 30, par TCL, ↑ 𝐸(𝑍) ↑ 𝑉𝑎𝑟(𝑍)
notamment) approximation normale Plus la courbe se déplace
𝑧−𝑛
𝑃(𝑍 < 𝑧) ≈ 𝜙 ( )
√2𝑛
L’intersection de la ligne n et la colonne P figure la valeur y tq 𝑃(𝑋𝑛2 > 𝑦) = 𝑝

Si X suit une loi 𝑋62 , 𝑃(𝑋 > 13,198) = 0,04

Table

Si X suit une loi 𝑋82 , 𝑃(𝑋 < 9,524)

𝑃(𝑋 < 9,524) = 1 − 𝑃(𝑋 > 9,524)

= 1 − 0,3
= 0,7
 Le quotient entre
Utilisée lors des
deux variables
tests de
indépendantes :
comparaison de 𝑋
une suit la loi Non Infinie, si 𝑘 ≤ 2
paramètres comme 𝑍=
normale centrée définie, si
Loi de
𝑍 ~ 𝑆𝑡𝑘
la moyenne et dans
réduite Ɲ(0,1) et √𝑌⁄𝑘 𝑘=1 𝑘
Student l’estimation de
l’autre la loi du 𝑘−2
paramètres de la
Khi-deux à k 𝑥 ∈ℝ± 0, 𝑠𝑖 𝑘 > 1 si 𝑘 > 2
population à partir
degrés de liberté
de données sur un
(ddl)
échantillon

L’intersection de la ligne n et la colonne P figure la valeur t tq 𝑃(|𝑆𝑡𝑛 | > 𝑡) = 𝑃(𝑆𝑡𝑛 > 𝑡) + 𝑃(𝑆𝑡𝑛 < −𝑡) = 𝑝

Si X suit une loi 𝑆𝑡5 , 𝑃(|𝑋| > 0,727) = 0,5

Table
0,3
𝑃(𝑋 > 1,156) = = 0,15
2

𝑋 𝑡𝑞 𝑃(𝑋 < 𝑥) = 0,1 (la moitié de la P de la table. On regarde P = 0,2)

𝑃(𝑋 > 𝑥) = 0,1
𝑃(𝑋 > 1,476) = 0,1
𝑃(𝑋 < − 1,476) = 0,1
𝑋 = −1,476
𝑃 = 0,2 → −1,476 < 𝑋 < 1,476
Le quotient entre
Utilisée pour 𝑋⁄
deux variables 𝑛
comparer deux 𝑍=
indépendantes, 𝑌⁄
variances 𝑘
distribuées
Loi de observées et sert 𝑘 2𝑘 2 (𝑛 + 𝑘 − 2)
chacune selon
Fisher- 𝑍 ~ 𝐹(𝑛, 𝑘) surtout dans les 𝑥 ∈ℝ+ 𝑘−2 𝑛(𝑘 − 2)2 (𝑘 − 4)
une loi du Khi-
Snedecor très nombreux tests si 𝑘 ≥ 3 si 𝑘 ≥ 5
deux à n et k
d’analyse de Si 𝑍~𝐹(𝑛, 𝑘) alors
degrés de liberté 1
variance et de ~𝐹(𝑘, 𝑛)
(ddl) 𝑍
covariance
 L’intersection de la colonne n1 et la ligne n2 figure la valeur f tq 𝑃(𝐹𝑛1,𝑛2 > 𝑓) = 0.05

Si X suit une loi 𝐹2,8 , 𝑃(𝑋 > 4,46) = 0,05

L’intersection de la colonne n1 et la ligne n2 figure la valeur f tq 𝑃(𝐹𝑛1,𝑛2 > 𝑓) = 0.025

Table
Si X suit une loi 𝐹2,8 , 𝑥 𝑡𝑞 𝑃(𝑋 < 𝑥) = 0,025

1 1 1
Si 𝑍~𝐹(𝑛, 𝑘) → 𝑝(𝑍 > 𝑧) alors ~𝐹(𝑘, 𝑛) → 𝑝 ( > )
𝑍 𝑋 𝑥

1 1
𝑃(𝑋 < 𝑥) = 𝑃 ( > ) = 0,025
𝑋 𝑥
1
𝑃 (𝑋 < ) = 0,025
39,37

S’applique quelle La somme de n 𝐹𝑛 (𝑎) 𝑉𝑎𝑟(𝑆𝑛 ) = 𝑛𝜎 2

𝐸(𝑆𝑛 ) = 𝑛𝜇
que soit la loi de variables 𝑆𝑛 − 𝑛𝜇
Théorème 𝑆𝑛 = 𝑋1 + ⋯ + 𝑋𝑛 = 𝑃( ≤ 𝑎) 𝜎2
probabilité suivie aléatoires √𝑛𝜎 2 𝐸(𝑋̅) = 𝜇 𝑉𝑎𝑟(𝑋̅) =
de la limite
par les v.a. indépendantes et 𝑛
centrale 𝑆𝑛 𝑋̅ − 𝑛𝜇
discrètes ou de même loi 𝑋̅ = =𝑃 ≤𝑎 Si les variables 𝑋𝑛 sont des v.a.
(TCL) 𝑛
continues, pourvu lorsque le n vers continues, mais pas normales, alors il
√𝜎2 ⁄𝑛
que les épreuves l’infini ( ) suffit en général que 𝑛 ≥ 30
 soient indépendant Si les variables 𝑋𝑛 sont des Bernoulli
es, reproductibles 𝑁(0,1) (p), alors 𝑆𝑛 ~𝐵(𝑛, 𝑝). On l’approche
et en très grand par la loi normale Ɲ(𝜇, 𝜎 2 ) :
nombre
𝑉𝑎𝑟(𝑆𝑛 )
𝐸(𝑆𝑛 ) = 𝑛𝑝
= 𝑛𝑝(1 − 𝑝)
si 𝑛𝑝 ≥ 5
si 𝑛(1 − 𝑝) ≥ 5

𝑋 = nombre de souris ayant des effets secondaires après injection d’un vaccin parmi 40 souris
Supposition : indépendance et probabilité = 34% d’effets secondaires pour chaque souris
Quelle est la 𝑃(𝑋 < 15) avec 𝑋~𝐵(40 ; 0.34) ?

𝒏𝒑 = 40 × 0,34 = 𝟏𝟑, 𝟔 > 𝟓

𝒏(𝟏 − 𝒑) = 40(1 − 0,34) = 𝟐𝟔, 𝟒 > 𝟓

Exemple Alors, on approche 𝑋 par la loi Ɲ(𝜇, 𝜎 2 ) → Ɲ(13,6; 9)

𝑋−𝜇 𝑥−𝜇
𝑃(𝑋 < 15) ≈ ( < )
𝜎 𝜎

𝑋 − 13,6 15 − 13,6
𝑃(𝑋 < 15) ≈ ( < )
3 3
≈ 𝜙(0,47)
= 0,6808