Chap 3

I. Définition II. Caractéristiques des v.a. continues III.
Lois de probabilité usuelles
Techniques quantitatives d’économie et de gestion
Chapitre III
Les variables aléatoires continues
1 / 76
I. Définition II. Caractéristiques des v.a. continues III. Lois de probabilité usuelles
Introduction
I Chapitre II Les variables aléatoires discrètes

I I Définition
I II Caractéristiques des variables aléatoires
I III Lois de probabilité usuelles
I Chapitre III Les variables aléatoires continues
I I Définition
I II Caractéristiques des variables aléatoires
I III Lois de probabilité usuelles
⇒ On ne considèrera dans ces deux chapitres que des situations où
l’on peut parfaitement observer la population
2 / 76
I. Définition
Une v.a. X est continue si
3 / 76
I. Définition
Une v.a. X est continue si l’ensemble de ses valeurs possibles DX

comprend un nombre infini non-dénombrable d’éléments.
Ex :
3 / 76
I. Définition

Ex : DX = [0, 1]
3 / 76
I. Définition

Ex : DX = [0, 1] ou DX = [0, +∞[.
3 / 76
II. Caractéristiques des variables aléatoires continues
4 / 76
II. Caractéristiques des variables aléatoires continues
On peut décrire un v.a. à l’aide de :

1. Sa fonction de densité
2. Sa fonction de répartition
3. Son espérance mathématique
4. Sa variance et son écart-type
4 / 76
1. Fonction de densité
Intéressons-nous aux salaires observés des 1000 employés d’une
entreprise :
5 / 76
entreprise :
Salaires Effectif
[1000 ; 1500[ 500
[1500 ; 2000[ 200
[2000 ; 2500[ 250
[2500 ; 3000[ 50
Total 1000
1. Pourquoi doit-on présenter les variables continues sous la
forme d’intervalles ?
5 / 76
entreprise :
Salaires Effectif
[1000 ; 1500[ 500
[1500 ; 2000[ 200
[2000 ; 2500[ 250
[2500 ; 3000[ 50
Total 1000
2. Calculez des fréquences relatives des différents salaires
5 / 76
entreprise :
Salaires Effectif
[1000 ; 1500[ 500
[1500 ; 2000[ 200
[2000 ; 2500[ 250
[2500 ; 3000[ 50
Total 1000
2. Calculez des fréquences relatives des différents salaires
3. Représentez graphiquement la distribution de la population en
fonction de son salaire
5 / 76
6 / 76
Remarques :
7 / 76
Remarques :
I L’aire d’un histogramme est toujours égal à 1.
7 / 76
Remarques :
I L’aire d’un histogramme est toujours égal à 1.
I On peut compléter/substituer à l’histogramme un polygone de
fréquence
7 / 76
8 / 76
9 / 76
Plus l’amplitude de la classe est faible, plus l’information fournie est
précise :
10 / 76
Plus l’amplitude de la classe est faible, plus l’information fournie est
précise :
Salaires Effectif
[1000 ;1250[ 200
[1250 ; 1500[ 300
[1500 ; 1750[ 150
[1750 ; 2000[ 50
[2000 ; 2250[ 100
[2250 ; 2500[ 150
[2500 ; 2750[ 40
[2750 ; 3000[ 10
Total 1000
10 / 76
11 / 76
12 / 76
13 / 76
14 / 76
Lorsque l’amplitude de l’intervalle a tend vers zéro, P{X=x} tend
15 / 76

aussi vers zéro,
15 / 76

aussi vers zéro, et le rapport P{Xa=x} tend vers une valeur limite,
appelée densité de probabilité.
15 / 76

On appelle densité de probabilité ou fonction de densité de X
15 / 76

On appelle densité de probabilité ou fonction de densité de X la

fonction numérique f qui vérifie ces deux conditions :
15 / 76


I f (x) ≥ 0, ∀x ∈ DX
15 / 76


I f (x) ≥ 0, ∀x ∈ DX
R
I f (x)dx =
x∈DX
15 / 76


I f (x) ≥ 0, ∀x ∈ DX
R R +∞
I f (x)dx = −∞ f (x)dx = 1
x∈DX
15 / 76
Fonction de densité
Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

l’aire sous f(x).
16 / 76

l’aire sous f(x).
Soient DX = ] − ∞, +∞[, b et c deux nombres quelconques
appartenant à DX avec b<c.
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
I bc f (x)dx =
R
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
I bc f (x)dx =P{b ≤ X ≤ c} =
R
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
I bc f (x)dx =P{b ≤ X ≤ c} =P{b < X < c}
R
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
R
I b+∞ f (x)dx =
R
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
R
I b+∞ f (x)dx =P{X ≥ b}

R
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
R
I b+∞ f (x)dx =P{X ≥ b}= P{X > b}

R
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
R
I b+∞ f (x)dx =P{X ≥ b}= P{X > b}

R
Rc
I −∞ f (x)dx =
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
R
I b+∞ f (x)dx =P{X ≥ b}= P{X > b}

R
Rc
I −∞ f (x)dx = P{X ≤ c}
16 / 76

l’aire sous f(x).
I f (b) 6= P{X = b}
R
I b+∞ f (x)dx =P{X ≥ b}= P{X > b}

R
Rc
I −∞ f (x)dx = P{X ≤ c}= P{X < c}
16 / 76
Exemple :
17 / 76
Exemple :
Dans le cadre de la mise en place d’une charte qualité de son

standard téléphonique, une entreprise souhaite vérifier si le nombre
de standardistes employés est suffisant.
17 / 76
Exemple :
Dans le cadre de la mise en place d’une charte qualité de son

standard téléphonique, une entreprise souhaite vérifier si le nombre
de standardistes employés est suffisant.
On s’intéresse donc à la v.a. X=« Temps en secondes s’écoulant

entre 2 appels successifs ».
17 / 76
Exemple :
18 / 76
Exemple :
1. Vérifiez que f(x) est une fonction de densité

2. Représentez graphiquement puis calculez la probabilité que le
temps entre deux appels soit compris entre 10 et 20 secondes
18 / 76
Exemple :
1.Vérifiez que f(x) est une fonction de densité
19 / 76
Exemple :
Rappel : On appelle fonction de densité de X la fonction numérique
f qui vérifie ces deux conditions :
19 / 76
Exemple :
I f (x) ≥ 0, ∀x ∈ DX (1)
19 / 76
Exemple :
I f (x) ≥ 0, ∀x ∈ DX (1)
R R 40
I f (x)dx = 0 f (x)dx = 1 (2)
x∈DX
19 / 76
Exemple :
I f (x) ≥ 0, ∀x ∈ DX (1)
R R 40
I f (x)dx = 0 f (x)dx = 1 (2)
x∈DX
D’après le graphique, on voit que la condition (1) est toujours
vérifiée.
19 / 76
Exemple :
I f (x) ≥ 0, ∀x ∈ DX (1)
R R 40
I f (x)dx = 0 f (x)dx = 1 (2)
x∈DX
vérifiée.
R 40
Vérification de la condition (2) : 0 f (x)dx =?
19 / 76
Exemple :
I f (x) ≥ 0, ∀x ∈ DX (1)
R R 40
I f (x)dx = 0 f (x)dx = 1 (2)
x∈DX
vérifiée.
R 40
Deux approches possibles :
19 / 76
Exemple :
I f (x) ≥ 0, ∀x ∈ DX (1)
R R 40
I f (x)dx = 0 f (x)dx = 1 (2)
x∈DX
vérifiée.
R 40
I Méthode 1 : calculons l’aire du triangle
19 / 76
Exemple :
I f (x) ≥ 0, ∀x ∈ DX (1)
R R 40
I f (x)dx = 0 f (x)dx = 1 (2)
x∈DX
vérifiée.
R 40
I Méthode 1 : calculons l’aire du triangle
I Méthode 2 : calculons l’intégrale de f(x)
19 / 76
Exemple :

Méthode 1 : calculons l’aire du triangle
20 / 76
Exemple :

b×h
2 =
20 / 76
Exemple :

b×h 40×0.05
2 = 2 =
20 / 76
Exemple :

40×0.05
b×h
2 = 2 = 22 = 1
20 / 76
Exemple :
Méthode 2 : calculons l’intégrale de f(x)
21 / 76
Exemple :
Tout d’abord, déterminons l’équation de f(x) :
21 / 76
Exemple :
I Ordonnée à l’origine :
21 / 76
Exemple :
I Ordonnée à l’origine : 0.05
I Pente :
21 / 76
Exemple :
I Pente : 0.05−0
0−40 =
21 / 76
Exemple :
I Pente : 0.05−0
0−40 = - 0.00125
On a donc f(x)= 0.05-0,00125x
21 / 76
Exemple :
I Pente : 0.05−0
0−40 = - 0.00125
On a donc f(x)= 0.05-0,00125x
R 40
Nous pouvons maintenant calculer 0 f (x)dx
R 40
0 f (x)dx =
21 / 76
Exemple :
I Pente : 0.05−0
0−40 = - 0.00125
On a donc f(x)= 0.05-0,00125x
R 40
R 40 R 40
0 f (x)dx = 0 (0.05 − 0.00125x)dx =
21 / 76
Exemple :
I Pente : 0.05−0
0−40 = - 0.00125
On a donc f(x)= 0.05-0,00125x
R 40
0.00125 2 40
R 40 R 40
0 f (x)dx = 0 (0.05 − 0.00125x)dx = 0.05x − 2 .x 0 =
21 / 76
Exemple :
I Pente : 0.05−0
0−40 = - 0.00125
On a donc f(x)= 0.05-0,00125x
R 40
0.00125 2 40
R 40 R 40
0 f (x)dx = 0 (0.05 − 0.00125x)dx = 0.05x − 2 .x 0 =
0.05 × 40 − 0.00125
2 .402 − (0.05 × 0 − 0.00125
2 .02 ) =
21 / 76
Exemple :
I Pente : 0.05−0
0−40 = - 0.00125
On a donc f(x)= 0.05-0,00125x
R 40
0.00125 2 40
R 40 R 40
0 f (x)dx = 0 (0.05 − 0.00125x)dx = 0.05x − 2 .x 0 =
0.05 × 40 − 0.00125
2 .402 − (0.05 × 0 − 0.00125
2 .02 ) =2 − 1 = 1
⇒ Les conditions (1) et (2) sont donc bien vérifiées, f(x) est une
fonction de densité.
21 / 76
Exemple :
2. Représentation graphique de P{10 < X < 20}
22 / 76
Exemple :
23 / 76
Exemple :
23 / 76
Exemple :
Calcul de P{10 < X < 20}

23 / 76
Exemple :

24 / 76
Exemple :

I Méthode 1 : calculons l’aire du trapèze
24 / 76
Exemple :

Méthode 1 : calculons l’aire du trapèze
24 / 76
Exemple :


(b+B)×h
2 =
24 / 76
Exemple :


(b+B)×h
2 = (0.024+0.038)×10
2 =
24 / 76
Exemple :


(b+B)×h
2 = (0.024+0.038)×10
2 =0.062 ∗ 5 = 0.31
⇒ Il y 31% de probabilité que temps entre deux appels soit compris
entre 10 et 20 secondes
24 / 76
Exemple :

25 / 76
Exemple :

P{10 < X < 20} =
R 20
10 f (x)dx =
25 / 76
Exemple :

P{10 < X < 20} =
R 20 R 20
10 f (x)dx = 10 (0.05 − 0.00125x)dx =
25 / 76
Exemple :

P{10 < X < 20} =
0.00125 2 20
R 20 R 20
10 f (x)dx = 10 (0.05 − 0.00125x)dx = 0.05x − 2 .x 10 =
25 / 76
Exemple :

P{10 < X < 20} =
0.00125 2 20
R 20 R 20
10 f (x)dx = 10 (0.05 − 0.00125x)dx = 0.05x − 2 .x 10 =
0.05 × 20 − 0.00125
2 .202 − (0.05 × 10 − 0.00125
2 .102 ) =
25 / 76
Exemple :

P{10 < X < 20} =
0.00125 2 20
R 20 R 20
10 f (x)dx = 10 (0.05 − 0.00125x)dx = 0.05x − 2 .x 10 =
0.05 × 20 − 0.00125
2 .202 − (0.05 × 10 − 0.00125
2 .102 ) =
0.00125 2 2
0.05 × (20 − 10) − 2 × (20 − 10 ) =
25 / 76
Exemple :

P{10 < X < 20} =
0.00125 2 20
R 20 R 20
10 f (x)dx = 10 (0.05 − 0.00125x)dx = 0.05x − 2 .x 10 =
0.05 × 20 − 0.00125
2 .202 − (0.05 × 10 − 0.00125
2 .102 ) =
0.00125 2 2
0.05 × (20 − 10) − 2 × (20 − 10 ) =
0.05 × 10 − 0.000625 × (400 − 100) = 0, 5 − 0, 185 =
25 / 76
Exemple :

P{10 < X < 20} =
0.00125 2 20
R 20 R 20
10 f (x)dx = 10 (0.05 − 0.00125x)dx = 0.05x − 2 .x 10 =
0.05 × 20 − 0.00125
2 .202 − (0.05 × 10 − 0.00125
2 .102 ) =
0.00125 2 2
0.05 × (20 − 10) − 2 × (20 − 10 ) =
0.05 × 10 − 0.000625 × (400 − 100) = 0, 5 − 0, 185 = 0,3125
⇒ Il y 31% de probabilité que temps entre deux appels soit compris
entre 10 et 20 secondes
25 / 76
2. Fonction de répartition
26 / 76
Soient DX = ] − ∞, +∞[ et b un nombre quelconque appartenant

à DX .
26 / 76

à DX .
On appelle fonction de répartition de la v.a. X,
26 / 76

à DX .
On appelle fonction de répartition de la v.a. X, la fonction

numérique F définie telle que :
26 / 76

à DX .

∀b, F (b) = P{X ≤ b} =
26 / 76

à DX .

∀b, F (b) = P{X ≤ b} =P{X < b} =
26 / 76

à DX .

numérique F définie telle que : Rb
∀b, F (b) = P{X ≤ b} =P{X < b} = −∞ f (x)dx
26 / 76
Retour à notre exemple

3. Quelle est la probabilité pour que X soit inférieure à 20
secondes ?
27 / 76
Exemple :
2. Représentation graphique de P{X < 20}
28 / 76

secondes ?
29 / 76

secondes ?
R 20
F (20) = P{X < 20} = 0 f (x)dx =
29 / 76

secondes ?
R 20
F (20) = P{X < 20} = 0 f (x)dx =
R 20
0 (0.05 − 0.00125x)dx =
29 / 76

secondes ?
R 20
F (20) = P{X < 20} = 0 f (x)dx =
0.00125 2 20
R 20
0 (0.05 − 0.00125x)dx = 0.05x − 2 .x 0 =
29 / 76

secondes ?
R 20
F (20) = P{X < 20} = 0 f (x)dx =
0.00125 2 20
R 20
0 (0.05 − 0.00125x)dx = 0.05x − 2 .x 0 =
0.05 × 20 − 0.00125
2 .202 − 0 = 0.75
29 / 76

secondes ?
4. Quelle est la probabilité pour que X soit supérieure à 20
secondes ?
30 / 76

secondes ?
secondes ?
P{X > 20}=1-F(20)=
30 / 76

secondes ?
secondes ?
P{X > 20}=1-F(20)=1-0.75=0.25
30 / 76

secondes ?
secondes ?
secondes ?
31 / 76

secondes ?
secondes ?
secondes ?
R 10
F (10) = P{X < 10} = 0 f (x)dx =
31 / 76

secondes ?
secondes ?
secondes ?
R 10
F (10) = P{X < 10} = 0 f (x)dx =
R 10
0 (0.05 − 0.00125x)dx =
31 / 76

secondes ?
secondes ?
secondes ?
R 10
F (10) = P{X < 10} = 0 f (x)dx =
0.00125 2 10
R 10
0 (0.05 − 0.00125x)dx = 0.05x − 2 .x 0 =
31 / 76

secondes ?
secondes ?
secondes ?
R 10
F (10) = P{X < 10} = 0 f (x)dx =
0.00125 2 10
R 10
0 (0.05 − 0.00125x)dx = 0.05x − 2 .x 0 =
0.05 × 10 − 0.00125
2 .102 − 0 = 0.44
31 / 76

secondes ?
secondes ?
secondes ?
6. Calculez la probabilité que le temps entre deux appels soit
compris entre 10 et 20 secondes
à l’aide de la fonction de répartition ?
32 / 76
Exemple :
P{10 < X < 20} =

33 / 76
Exemple :
P{10 < X < 20} = F (20) − F (10) =

33 / 76
Exemple :
P{10 < X < 20} = F (20) − F (10) = 0.75 − 0.44 =

33 / 76
Exemple :
P{10 < X < 20} = F (20) − F (10) = 0.75 − 0.44 = 0.31

33 / 76
3. L’espérance mathématique
34 / 76
Indicateur de tendance centrale.
34 / 76
On appelleRespérance mathématique de la v.a. X la valeur :

E (X ) = x.f (x)dx
x∈DX
34 / 76

E (X ) = x.f (x)dx
x∈DX
Retour à notre exemple : Calculons le temps moyen entre deux

appels. R
40
E (X ) = 0 x.f (x)dx =
34 / 76

E (X ) = x.f (x)dx
x∈DX

appels. R
40 R 40
E (X ) = 0 x.f (x)dx = 0 x.(0.05 − 0.00125x)dx =
34 / 76

E (X ) = x.f (x)dx
x∈DX

appels. R
40 R 40
E (X ) = 0 x.f (x)dx = 0 x.(0.05 − 0.00125x)dx =
R 40 2
0 (0.05x − 0.00125x )dx =
34 / 76

E (X ) = x.f (x)dx
x∈DX

appels. R
40 R 40
E (X ) = 0 x.f (x)dx = 0 x.(0.05 − 0.00125x)dx =
R 40 2
0.05 2 0.00125 3 40
0 (0.05x − 0.00125x )dx = 2 x − 3 .x 0 =
34 / 76

E (X ) = x.f (x)dx
x∈DX

appels. R
40 R 40
E (X ) = 0 x.f (x)dx = 0 x.(0.05 − 0.00125x)dx =
R 40 2
0.05 2 0.00125 3 40
0 (0.05x − 0.00125x )dx = 2 x − 3 .x 0 =
0.05 2 − 0.00125 .403 − 0 =
2 × 40 3
34 / 76

E (X ) = x.f (x)dx
x∈DX

appels. R
40 R 40
E (X ) = 0 x.f (x)dx = 0 x.(0.05 − 0.00125x)dx =
R 40 2
0.05 2 0.00125 3 40
0 (0.05x − 0.00125x )dx = 2 x − 3 .x 0 =
0.05 2 − 0.00125 .403 − 0 = 13.33
2 × 40 3
⇒ Il y a en moyenne 13.33 secondes entre chaque appel.
34 / 76
Remarque 1 : E(X) est le « centre de gravité »du graphique de la
fonction de densité
35 / 76
Remarque 2 : Si f(x) est une fonction symétrique autour d’une

constante k. Alors :
36 / 76

I E(X)=k
36 / 76

I E(X)=k
I P{X<E(X)}=
36 / 76

I E(X)=k
I P{X<E(X)}= P{X>E(X)}
36 / 76

I E(X)=k
I P{X<E(X)}= P{X>E(X)}=0.5
36 / 76

I E(X)=k
I P{X<E(X)}= P{X>E(X)}=0.5
I P{X<E(X)-b}=
36 / 76

I E(X)=k
I P{X<E(X)}= P{X>E(X)}=0.5
I P{X<E(X)-b}= P{X>E(X)+b}
36 / 76
4. La variance et l’écart-type
37 / 76
Indicateurs de dispersion.
37 / 76
On appelle variance de la v.a. X la valeur :

V (X ) = σ 2 (X ) =
37 / 76

V (X ) = σ 2 (X ) =E [(X − E (X ))2 ] =
37 / 76

V (X ) = σ 2 (X ) =E [(X − E (X ))2 ] =E (X 2 ) − E (X )2
37 / 76

V (X ) = σ 2 (X ) =E [(X − E (X ))2 ] =E (X 2 ) − E (X )2
x 2 .f (x)dx−
R
⇔ V (X ) =
x∈DX
37 / 76

V (X ) = σ 2 (X ) =E [(X − E (X ))2 ] =E (X 2 ) − E (X )2
x 2 .f (x)dx− [ x.f (x)dx]2
R R
⇔ V (X ) =
x∈DX x∈DX
37 / 76

V (X ) = σ 2 (X ) =E [(X − E (X ))2 ] =E (X 2 ) − E (X )2
x 2 .f (x)dx− [ x.f (x)dx]2
R R
⇔ V (X ) =
x∈DX x∈DX
p
⇒ L’écart-type : σ(X ) = V (X )
37 / 76
Retour à notre exemple : calculons la variance et l’écart-type du
temps entre deux appels.
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
Calculons d’abord E [X 2 ]
R 40
E (X 2 ) = 0 x 2 .f (x)dx =
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
R 40 R 40
E (X 2 ) = 0 x 2 .f (x)dx = 0 x 2 .(0.05 − 0.00125x)dx =
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
R 40 R 40
E (X 2 ) = 0 x 2 .f (x)dx = 0 x 2 .(0.05 − 0.00125x)dx =
R 40 2 3
0 (0.05x − 0.00125x )dx =
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
R 40 R 40
E (X 2 ) = 0 x 2 .f (x)dx = 0 x 2 .(0.05 − 0.00125x)dx =
R 40 2 3
0.05 3 0.00125 4 40
0 (0.05x − 0.00125x )dx = 3 x − 4 .x 0 =
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
R 40 R 40
E (X 2 ) = 0 x 2 .f (x)dx = 0 x 2 .(0.05 − 0.00125x)dx =
R 40 2 3
0.05 3 0.00125 4 40
0 (0.05x − 0.00125x )dx = 3 x − 4 .x 0 =
0.05 3 0.00125 4
3 × 40 − 4 .40 − 0 =
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
R 40 R 40
E (X 2 ) = 0 x 2 .f (x)dx = 0 x 2 .(0.05 − 0.00125x)dx =
R 40 2 3
0.05 3 0.00125 4 40
0 (0.05x − 0.00125x )dx = 3 x − 4 .x 0 =
0.05 3 0.00125 4
3 × 40 − 4 .40 − 0 = 266.67
On a donc V(X)= E [X 2 ] − E 2 [X ] =
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
R 40 R 40
E (X 2 ) = 0 x 2 .f (x)dx = 0 x 2 .(0.05 − 0.00125x)dx =
R 40 2 3
0.05 3 0.00125 4 40
0 (0.05x − 0.00125x )dx = 3 x − 4 .x 0 =
0.05 3 0.00125 4
3 × 40 − 4 .40 − 0 = 266.67
On a donc V(X)= E [X 2 ] − E 2 [X ] = 266.67 − 13.332 ≈ 89
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
R 40 R 40
E (X 2 ) = 0 x 2 .f (x)dx = 0 x 2 .(0.05 − 0.00125x)dx =
R 40 2 3
0.05 3 0.00125 4 40
0 (0.05x − 0.00125x )dx = 3 x − 4 .x 0 =
0.05 3 0.00125 4
3 × 40 − 4 .40 − 0 = 266.67
On a donc V(X)= E [X 2 ] − E 2 [X ] = 266.67 − 13.332 ≈ 89

p
Enfin, σ(X ) = V (X ) ≈
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
R 40 R 40
E (X 2 ) = 0 x 2 .f (x)dx = 0 x 2 .(0.05 − 0.00125x)dx =
R 40 2 3
0.05 3 0.00125 4 40
0 (0.05x − 0.00125x )dx = 3 x − 4 .x 0 =
0.05 3 0.00125 4
3 × 40 − 4 .40 − 0 = 266.67
On a donc V(X)= E [X 2 ] − E 2 [X ] = 266.67 − 13.332 ≈ 89

p √
Enfin, σ(X ) = V (X ) ≈ 89 ≈ 9.43
38 / 76
Rappel V (X ) = σ 2 (X ) = E (X 2 ) − E (X )2
R 40 R 40
E (X 2 ) = 0 x 2 .f (x)dx = 0 x 2 .(0.05 − 0.00125x)dx =
R 40 2 3
0.05 3 0.00125 4 40
0 (0.05x − 0.00125x )dx = 3 x − 4 .x 0 =
0.05 3 0.00125 4
3 × 40 − 4 .40 − 0 = 266.67
On a donc V(X)= E [X 2 ] − E 2 [X ] = 266.67 − 13.332 ≈ 89

p √
Enfin, σ(X ) = V (X ) ≈ 89 ≈ 9.43
Il y a donc en moyenne entre (13.33-9.43) 3,9 et (13,33+9,43)

22,76 secondes entre chaque appel.
38 / 76
III. Lois de probabilité usuelles
39 / 76
III. Lois de probabilité usuelles
1. La loi uniforme
2. La loi exponentielle
3. La loi normale
4. Quelques lois dérivées de la loi normale
4.1 La loi du χ2
4.2 La loi de Student - Fisher
4.3 La loi de Fisher - Snédecor
39 / 76
1. La loi uniforme
1. La loi uniforme continue
40 / 76
1. La loi uniforme

Cette loi décrit des phénomènes continus uniformément répartis
dans un intervalle.
40 / 76
1. La loi uniforme

dans un intervalle.
Soient a et b deux nombres quelconques appartenant à ] − ∞, +∞[.
40 / 76
1. La loi uniforme

dans un intervalle.

Une v.a. X suit une loi uniforme sur l’intervalle [a,b] si
40 / 76
1. La loi uniforme

dans un intervalle.

Une v.a. X suit une loi uniforme sur l’intervalle [a,b] si sa fonction
de densité est :
40 / 76
1. La loi uniforme

dans un intervalle.

de densité est :
1
f (x) = b−a , si a ≤ x ≤ b
0 , sinon
40 / 76
1. La loi uniforme

dans un intervalle.

de densité est :
1
f (x) = b−a , si a ≤ x ≤ b
0 , sinon
On écrira X ∼ U(a, b)
40 / 76
1. La loi uniforme
41 / 76
1. La loi uniforme
42 / 76
1. La loi uniforme

Sa fonction de répartition est :
43 / 76
1. La loi uniforme


 0 si x<a
x−a
F (x) = si a ≤ x ≤ b
 b−a
1 x>b
43 / 76
1. La loi uniforme


 0 si x<a
x−a
F (x) = si a ≤ x ≤ b
 b−a
1 x>b
43 / 76
1. La loi uniforme
On a toujours :
44 / 76
1. La loi uniforme
On a toujours :
I E (X ) = a+b2
44 / 76
1. La loi uniforme
On a toujours :
I E (X ) = a+b2
Remarque : la loi uniforme est symétrique par rapport à E(X)
44 / 76
1. La loi uniforme
On a toujours :
I E (X ) = a+b2
Remarque : la loi uniforme est symétrique par rapport à E(X)
(b−a)2
I V (X ) = 12
44 / 76
45 / 76
Cette loi :
I Décrit le temps entre des événements
45 / 76
Cette loi :
I Décrit le temps entre des événements arrivant de façon
continue et indépendamment les uns des autres avec une
intensité constante (processus de Poisson).
45 / 76
Cette loi :
I Permet de modéliser
45 / 76
Cette loi :
I la durée de vie d’un phénomène
45 / 76
Cette loi :
I la durée de vie d’un phénomène ou
I le temps d’attente avant que ne se produise un certain
événement
45 / 76
Une v.a. X suit une loi exponentielle de paramètre λ si sa fonction
de densité est :
46 / 76
de densité est :
f (x) = λe −λx , ∀x ∈ [0, +∞[
46 / 76
de densité est :
f (x) = λe −λx , ∀x ∈ [0, +∞[
On écrira X ∼ Exp(λ).
46 / 76
47 / 76
F (x) = 1 − e −λx , ∀x ∈ [0, +∞[
47 / 76
On a toujours :
48 / 76
On a toujours :
I E (X ) = λ1
48 / 76
On a toujours :
I E (X ) = λ1
I V (X ) = 1 1
λ2
et σ(X ) = λ
48 / 76
On a toujours :
I E (X ) = λ1
I V (X ) = 1 1
λ2
et σ(X ) = λ
Remarque :
I Loi discrète équivalente =
48 / 76
On a toujours :
I E (X ) = λ1
I V (X ) = 1 1
λ2
et σ(X ) = λ
Remarque :
I Loi discrète équivalente =la loi géométrique.
48 / 76
Application
La durée de vie en années d’un ordinateur est une v.a. X suivant
une loi exponentielle de paramètre (λ = 51 ).
1. Calculez la durée de vie moyenne d’un ordinateur ainsi que son
écart-type.
49 / 76
Application
écart-type. X suivant une loi exponentielle de paramètre
(λ = 51 ), on sait que
I E (X ) = 1 1
λ = 1/5 =5
49 / 76
Application
I E (X ) = λ1 = 1/5
1
=5
1
I σ(X ) = λ = 5
49 / 76
Application
I E (X ) = λ1 = 1/5
1
=5
1
I σ(X ) = λ = 5
Un ordinateur fonctionnera en moyenne entre 0 et 10 ans.
49 / 76
Application
I E (X ) = λ1 = 1/5
1
=5
1
I σ(X ) = λ = 5
2. Calculez la probabilité qu’un ordinateur fonctionne moins de 4
ans.
49 / 76
Application
I E (X ) = λ1 = 1/5
1
=5
1
I σ(X ) = λ = 5
ans.
X suivant une loi exponentielle de paramètre (λ = 15 ), on sait que
F (4) =
49 / 76
Application
I E (X ) = λ1 = 1/5
1
=5
1
I σ(X ) = λ = 5
ans.
X suivant une loi exponentielle de paramètre (λ = 15 ), on sait que
1
F (4) =1 − e − 5 ×4 = 1 − e −0,8 =1-0,45=0,55.
49 / 76
3. La loi normale
3. La loi normale
50 / 76
3. La loi normale
3. La loi normale
Loi statistique la plus répandue et la plus utile.
50 / 76
3. La loi normale
3. La loi normale
Une v.a. X suit une loi normale si sa fonction de densité est :
50 / 76
3. La loi normale
3. La loi normale

1 1 2
f (x) = √ e − 2σ2 (x−µ)
σ 2π
50 / 76
3. La loi normale
3. La loi normale

1 1 2
f (x) = √ e − 2σ2 (x−µ)
σ 2π
Avec :
I DX =] − ∞, +∞[
I µ = E (X )
I σ = σ(X )
50 / 76
3. La loi normale
3. La loi normale

1 1 2
f (x) = √ e − 2σ2 (x−µ)
σ 2π
Avec :
I DX =] − ∞, +∞[
I µ = E (X )
I σ = σ(X )
On écrira X ∼ N(µ, σ)
50 / 76
3. La loi normale
Représentations graphiques
51 / 76
3. La loi normale
Sa fonction de densité a une forme en cloche.
51 / 76
3. La loi normale

I Les valeurs moyennes sont les plus fréquentes alors que les
valeurs extrêmes sont de plus en plus rares.
51 / 76
3. La loi normale

I Les valeurs moyennes sont les plus fréquentes alors que les
valeurs extrêmes sont de plus en plus rares.
I Symétrique autour de l’espérance (µ)
51 / 76
3. La loi normale
52 / 76
3. La loi normale
53 / 76
3. La loi normale
54 / 76
3. La loi normale
55 / 76
3. La loi normale
Propriétés
Propriété 1 : Transformation linéaire
Soient X une v.a. suivant la loi normale N (µ, σ) et a et b deux
réels,
56 / 76
3. La loi normale
Propriétés
réels,
Alors aX + b est une v.a. suivant
56 / 76
3. La loi normale
Propriétés
réels,
Alors aX + b est une v.a. suivant la loi normale,
56 / 76
3. La loi normale
Propriétés
réels,
Alors aX + b est une v.a. suivant la loi normale, N (aµ + b, |a|.σ).
56 / 76
3. La loi normale
Propriétés
réels,
Conséquence : Soit X ∼ N(µ, σ),

alors Z = X σ−µ = σ1 X − σµ ∼
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
E (Z ) = E ( σ1 X − σµ ) =
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
E (Z ) = E ( σ1 X − σµ ) =E ( σ1 X ) − µ
σ =
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
E (Z ) = E ( σ1 X − σµ ) =E ( σ1 X ) − µ
σ = σ1 E (X ) − µ
σ =
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
E (Z ) = E ( σ1 X − σµ ) =E ( σ1 X ) − µ
σ = σ1 E (X ) − µ
σ = σµ − µ
σ =
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
E (Z ) = E ( σ1 X − σµ ) =E ( σ1 X ) − µ
σ = σ1 E (X ) − µ
σ = σµ − µ
σ =0.
V (Z ) = V ( σ1 X − σµ ) =
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
E (Z ) = E ( σ1 X − σµ ) =E ( σ1 X ) − σµ = σ1 E (X ) − µ
σ = σµ − µ
σ =0.
V (Z ) = V ( σ1 X − σµ ) =V ( σ1 X ) =
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
E (Z ) = E ( σ1 X − σµ ) =E ( σ1 X ) − σµ = σ1 E (X ) − µ
σ = σµ − µ
σ =0.
V (Z ) = V ( σ1 X − σµ ) =V ( σ1 X ) = σ12 V (X ) =
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
E (Z ) = E ( σ1 X − σµ ) =E ( σ1 X ) − σµ = σ1 E (X ) − σµ = σµ − µ
σ =0.
2
V (Z ) = V ( σ1 X − σµ ) =V ( σ1 X ) = σ12 V (X ) = σσ2 =
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
E (Z ) = E ( σ1 X − σµ ) =E ( σ1 X ) − σµ = σ1 E (X ) − σµ = σµ − σµ =0.
2
V (Z ) = V ( σ1 X − σµ ) =V ( σ1 X ) = σ12 V (X ) = σσ2 =1.
⇒ On dit que Z est une variable normale centrée réduite (VNCR).
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
2
Intérêt de centrer et réduire une v.a. suivant la loi normale ?
56 / 76
3. La loi normale
Propriétés
réels,

alors Z = X σ−µ = σ1 X − σµ ∼ N(0, 1).
2
Intérêt de centrer et réduire une v.a. suivant la loi normale ?

La loi normale centrée réduite est tabulée.
56 / 76
3. La loi normale
57 / 76
3. La loi normale
Propriétés - Exemple
Le cours d’une action cotée en bourse suit une loi normale

d’espérance 45 et d’écart-type 4.
58 / 76
3. La loi normale

d’espérance 45 et d’écart-type 4. Calculez la probabilité que le
cours soit inférieur à 46e.
58 / 76
3. La loi normale

Soit X la v.a « prix d’un action ».

On sait que X ∼ N(45, 4), on a donc aussi Z =
58 / 76
3. La loi normale


On sait que X ∼ N(45, 4), on a donc aussi Z = X −45
4 ∼ N(0, 1)
X −45
On cherche P{X < 46} = P{ 4 <
58 / 76
3. La loi normale


4 ∼ N(0, 1)
X −45 46−45
On cherche P{X < 46} = P{ 4 < 4 } =
58 / 76
3. La loi normale


4 ∼ N(0, 1)
X −45 46−45
On cherche P{X < 46} = P{ 4 < 4 } =P{Z < 0.25}
58 / 76
3. La loi normale


4 ∼ N(0, 1)
X −45 46−45
On cherche P{X < 46} = P{ 4 < 4 } =P{Z < 0.25}
On peut maintenant utiliser la table de la loi normale centrée

réduite pour P(Z<z) pour retrouver cette probabilité.
58 / 76
3. La loi normale


4 ∼ N(0, 1)
X −45 46−45
On cherche P{X < 46} = P{ 4 < 4 } =P{Z < 0.25}
On peut maintenant utiliser la table de la loi normale centrée

réduite pour P(Z<z) pour retrouver cette probabilité.
P{Z < 0.25} = 0.5987 ≈60%
58 / 76
3. La loi normale
Propriétés
Propriété 2 : Additivité
Si X1 , ..., Xn , sont des v.a. indépendantes de lois respectives
N(µ1 , σ1 ), ..., N(µn , σn ),
59 / 76
3. La loi normale
Propriétés
N(µ1 , σ1 ), ..., N(µn , σn ),
Alors leur somme X1 + ... + Xn est normale, de loi :
59 / 76
3. La loi normale
Propriétés
N(µ1 , σ1 ), ..., N(µn , σn ),
Alors leur somme X1 + ... + Xn est qnormale, de loi :
X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
59 / 76
3. La loi normale
Propriétés
N(µ1 , σ1 ), ..., N(µn , σn ),
X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
Exemple :
Soient X ∼ N(15, 2) et Y ∼ N(10, 1).
59 / 76
3. La loi normale
Propriétés
N(µ1 , σ1 ), ..., N(µn , σn ),
X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
Exemple :
Soient X ∼ N(15, 2) et Y ∼ N(10, 1).
⇒ Déterminez la loi suivie par X+Y.
59 / 76
3. La loi normale
Propriétés
N(µ1 , σ1 ), ..., N(µn , σn ),
X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
Exemple :
Soient X ∼ N(15, 2) et Y ∼ N(10, 1).
⇒ Déterminez la√loi suivie par
√X+Y.
X + Y ∼ N(25, 22 + 12 = 5)
59 / 76
3. La loi normale
Propriétés
Propriété 3 : Le théorème central limite (TCL) :
60 / 76
3. La loi normale
Propriétés
Considérons un grand nombre n de v.a. indépendantes X1 , ..., Xn
de même loi.
60 / 76
3. La loi normale
Propriétés
de même loi.
Alors, si n est grand, leur somme X = X1 + ... + Xn , suit
approximativement une loi normale, même si ces variables ne sont
pas normales.
60 / 76
3. La loi normale
Propriétés
de même loi.
Alors, si n est grand, leur somme X = X1 + ... + Xn , suit
approximativement une loi normale, même si ces variables ne sont
pas normales.
Une conséquence intéressante :

⇒ Permet l’approximation de nombreuses lois à partir de la loi
normale.
On verra l’approximation par la loi normale de la
I Loi binomiale (1)
I Loi de Poisson (2)
60 / 76
3. La loi normale
Propriétés
(1) Approximation d’une loi binomiale par une loi normale :
61 / 76
3. La loi normale
Propriétés
Si n est grand, et si 0,1 < p < 0,9,
61 / 76
3. La loi normale
Propriétés
Si n est grand, et si 0,1 < p < 0,9, alors
p la loi binomiale peut être
approchée par une loi normale N(np, np(1 − p)).
61 / 76
3. La loi normale
Propriétés
Exemple : On lance 16 fois une pièce non truquée.

1. Soit Y la variable aléatoire égale au nombre de faces.
Déterminez la loi suivie par Y, ses paramètres ainsi que son
ensemble de définition DY .
2. Calculez le nombre moyen de faces ainsi que son écart-type
3. Calculez la probabilité que le nombre de faces obtenu soit
compris entre 5 et 10.
61 / 76
3. La loi normale
2. La loi normale
Graphique tiré de Alalouf S., Labelle D., Ménard J. (2002). Introduction

à la statistique appliquée. Loze-Dion.
62 / 76
3. La loi normale
Propriétés
Propriété 3 : Le Théorème Central Limite (TCL) :
Exemple : On lance 16 fois une pièce non truquée.
1. Soit Y la variable aléatoire égale au nombre de faces.
Déterminez la loi suivie par Y, ses paramètres ainsi que son
ensemble de définition DY .
2. Calculez le nombre moyen de faces ainsi que son écart-type
3. Calculez la probabilité que le nombre de faces obtenu soit
compris entre 5 et 10.
Remarque : Pour améliorer l’approximation, on peut effectuer
une correction de continuité :
P{5 ≤ Y ≤ 10} ≈ P{4, 5 < Y < 10, 5} 63 / 76
3. La loi normale
Propriétés
(2) Approximation d’une loi de Poisson par une loi normale :
64 / 76
3. La loi normale
Propriétés
Si λ est grand (λ >15),
64 / 76
3. La loi normale
Propriétés
Si λ est grand (λ >15), √
alors on peut approcher la loi de Poisson
par une loi normale N(λ, λ).
Exemple : Un site internet enregistre en moyenne le week-end 10

000 commandes.
1. Soit X la variable aléatoire égale au nombre de commandes e
nun week-end. Déterminez la loi suivie par X, ses paramètres
ainsi que son ensemble de définition DX .
2. Calculez la probabilité que le nombre de commandes durant le
week-end dépassent les 10 200 (en effectuant une correction
de continuité).
64 / 76
65 / 76
Présentation de Trois lois :

I La loi du χ2
I La loi de Student
I La loi de Fisher
Remarque : Elles sont toutes tabulées
65 / 76
4.1. La loi du χ2
66 / 76
4.1. La loi du χ2
Soient Zi , avec i = 1, 2, ..., n, n v.a. suivant une loi normale N(0,1).
66 / 76
4.1. La loi du χ2
Soient Zi , avec
P i = 1, 2, ..., n, n v.a. suivant une loi normale N(0,1).
Alors Y = ni=1 Zi2 suit une loi
66 / 76
4.1. La loi du χ2
Soient Zi , avec
Alors Y = ni=1 Zi2 suit une loi du χ2 à n degrés de liberté (n ddl).
66 / 76
4.1. La loi du χ2
Soient Zi , avec
Alors Y = ni=1 Zi2 suit une loi du χ2 à n degrés de liberté (n ddl).
On écrira Y ∼ χ2 (n).
66 / 76
67 / 76

4.1. La loi du χ2
On aura toujours :
I DY = [0, +∞[
68 / 76

4.1. La loi du χ2
On aura toujours :
I DY = [0, +∞[
I E(Y) = n
68 / 76

4.1. La loi du χ2
On aura toujours :
I DY = [0, +∞[
I E(Y) = n
I V(Y) = 2n
68 / 76

4.1. La loi du χ2
On aura toujours :
I DY = [0, +∞[
I E(Y) = n
I V(Y) = 2n
Exemple : Soit Y ∼ χ2 (6).

1. Déterminer E(Y)
68 / 76

4.1. La loi du χ2
On aura toujours :
I DY = [0, +∞[
I E(Y) = n
I V(Y) = 2n

1. Déterminer E(Y)
E(Y) = n= 6
2. Déterminer V(Y)
68 / 76

4.1. La loi du χ2
On aura toujours :
I DY = [0, +∞[
I E(Y) = n
I V(Y) = 2n

1. Déterminer E(Y)
E(Y) = n= 6
2. Déterminer V(Y)
V(Y) = 2n=12
3. Déterminer y tel que P{Y>y}=90%
68 / 76

4.1. La loi du χ2
On aura toujours :
I DY = [0, +∞[
I E(Y) = n
I V(Y) = 2n

1. Déterminer E(Y)
E(Y) = n= 6
2. Déterminer V(Y)
V(Y) = 2n=12
3. Déterminer y tel que P{Y>y}=90%
y=2,20
68 / 76
4.2. La loi de Student
69 / 76

Soient Z une VNCR,
69 / 76

Soient Z une VNCR, Y une variable du χ2 à n ddl, Z et Y étant
indépendantes.
69 / 76

indépendantes.
Alors, T = qZY
n
69 / 76

indépendantes.
Alors, T = qZY est une variable de Student à n ddl.
n
69 / 76

indépendantes.
Alors, T = qZY est une variable de Student à n ddl.
n
On écrira T ∼ St(n).
69 / 76
Graphique tiré de Hurlin C., Mignon V. 2015. Statistique et probabilités

en économie-gestion. Dunod. p.219
70 / 76
71 / 76

On a toujours si n>3 :
I DT =] − ∞, +∞[
72 / 76

I DT =] − ∞, +∞[
I E(T) = 0
72 / 76

I DT =] − ∞, +∞[
I E(T) = 0
n
I V (T ) = n−2
72 / 76

I DT =] − ∞, +∞[
I E(T) = 0
n
I V (T ) = n−2
Exemple : Soit X ∼ St(6).

1. Déterminer E(X).
72 / 76

I DT =] − ∞, +∞[
I E(T) = 0
n
I V (T ) = n−2

1. Déterminer E(X). E(X) = 0
2. Déterminer V(X).
72 / 76

I DT =] − ∞, +∞[
I E(T) = 0
n
I V (T ) = n−2

n 6
2. Déterminer V(X). V (X ) = n−2 = 6−2 = 1, 5 .
3. Déterminer x tel que P{X<x}=90%.
72 / 76

I DT =] − ∞, +∞[
I E(T) = 0
n
I V (T ) = n−2

n 6
2. Déterminer V(X). V (X ) = n−2 = 6−2 = 1, 5 .
3. Déterminer x tel que P{X<x}=90%. x=1,4398.
72 / 76
4.3. La loi de Fisher - Snédecor
73 / 76

Soient X une variable du χ2 à n ddl,
73 / 76

Soient X une variable du χ2 à n ddl, Y une variable du χ2 à m ddl,
73 / 76

X et Y étant indépendantes.
X
Alors, F = n
Y suit une loi
m
73 / 76

X
Alors, F = n
Y suit une loi de Fisher à (n, m) ddl.
m
On a toujours : DF = [0, +∞[
73 / 76

X
Alors, F = n
m
On a toujours : DF = [0, +∞[
On écrira F ∼ F (n, m).
73 / 76
74 / 76

X
Alors, W = n
Y suit une loi
m
75 / 76

X
Alors, W = n
m
On a toujours : DW = [0, +∞[
On écrira W ∼ F (n, m).
Exemple : Soit X ∼ F (6, 2).

⇒ Déterminer x tel que P{X<x}=95%.
75 / 76

X
Alors, W = n
m

⇒ Déterminer x tel que P{X<x}=95%. x=19,33
75 / 76

X
Alors, W = n
m

⇒ Déterminer x tel que P{X<x}=95%. x=19,33
Remarque : Si T suit une loi de Student à n ddl, T 2 suit une loi de

Fisher à (1, n) ddl.
75 / 76
Conclusion Chapitre 3
Présentation des v.a. continues lorsque l’on connaît la population.
76 / 76
Conclusion Chapitre 3
Présentation des v.a. continues lorsque l’on connaît la population.
Dans les chapitres suivants, on n’observera plus l’ensemble de la

population mais seulement un échantillon.
⇒ Inférence statistique
76 / 76

Chap 3

Transféré par

Informations du document

Titre original

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

Chap 3

Transféré par

Droits d'auteur :

Formats disponibles

I. Définition II. Caractéristiques des v.a. continues III.

Lois de probabilité usuelles

Techniques quantitatives d’économie et de gestion

I Chapitre II Les variables aléatoires discrètes

Une v.a. X est continue si

Une v.a. X est continue si l’ensemble de ses valeurs possibles DX

Une v.a. X est continue si l’ensemble de ses valeurs possibles DX

Une v.a. X est continue si l’ensemble de ses valeurs possibles DX

II. Caractéristiques des variables aléatoires continues

II. Caractéristiques des variables aléatoires continues

On peut décrire un v.a. à l’aide de :

Lorsque l’amplitude de l’intervalle a tend vers zéro, P{X=x} tend

Lorsque l’amplitude de l’intervalle a tend vers zéro, P{X=x} tend

Lorsque l’amplitude de l’intervalle a tend vers zéro, P{X=x} tend

Lorsque l’amplitude de l’intervalle a tend vers zéro, P{X=x} tend

On appelle densité de probabilité ou fonction de densité de X

Lorsque l’amplitude de l’intervalle a tend vers zéro, P{X=x} tend

On appelle densité de probabilité ou fonction de densité de X la

Lorsque l’amplitude de l’intervalle a tend vers zéro, P{X=x} tend

On appelle densité de probabilité ou fonction de densité de X la

Lorsque l’amplitude de l’intervalle a tend vers zéro, P{X=x} tend

On appelle densité de probabilité ou fonction de densité de X la

Lorsque l’amplitude de l’intervalle a tend vers zéro, P{X=x} tend

On appelle densité de probabilité ou fonction de densité de X la

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

I b+∞ f (x)dx =P{X ≥ b}

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

I b+∞ f (x)dx =P{X ≥ b}= P{X > b}

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

I b+∞ f (x)dx =P{X ≥ b}= P{X > b}

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

I b+∞ f (x)dx =P{X ≥ b}= P{X > b}

Remarque : Ce n’est pas la valeur de f(x) qui nous intéresse mais

I b+∞ f (x)dx =P{X ≥ b}= P{X > b}

Dans le cadre de la mise en place d’une charte qualité de son

Dans le cadre de la mise en place d’une charte qualité de son

On s’intéresse donc à la v.a. X=« Temps en secondes s’écoulant

1. Vérifiez que f(x) est une fonction de densité

1.Vérifiez que f(x) est une fonction de densité

1.Vérifiez que f(x) est une fonction de densité

1.Vérifiez que f(x) est une fonction de densité

1.Vérifiez que f(x) est une fonction de densité

Calcul de P{10 < X < 20}

Calcul de P{10 < X < 20}

Calcul de P{10 < X < 20}

Calcul de P{10 < X < 20}

Méthode 1 : calculons l’aire du trapèze

Calcul de P{10 < X < 20}

Méthode 1 : calculons l’aire du trapèze

Calcul de P{10 < X < 20}

Méthode 1 : calculons l’aire du trapèze

Calcul de P{10 < X < 20}

Méthode 1 : calculons l’aire du trapèze

Calcul de P{10 < X < 20}

Calcul de P{10 < X < 20}

Calcul de P{10 < X < 20}