Cours de Métrologie

suite

1
 Lois de probabilités
Variable aléatoire continue

Une variable aléatoire est dite continue lorsqu'elle prend

toutes les valeurs dans un intervalle, borné ou non, de l'ensemble
des nombres réels.
A la différence d'une variable aléatoire discrète, la probabilité
pour que X prenne une valeur donnée sera toujours nulle.

Les probabilités seront toujours calculées sur des intervalles et les

sommes seront naturellement remplacées par des intégrales.

Finalement la loi de probabilité d'une variable aléatoire continue

s'exprime par une fonction numérique à valeurs réelles dite
fonction densité de probabilité représentée graphiquement par
une courbe. 2
 Lois de probabilités
L'aire de la surface limitée par x1 et x2 représente la
probabilité que la variable X soit comprise entre x1 et x2

f(x)dx

x2 x1 X
dx

3
 Caractéristiques d’une VA
Fonction de répartition
la fonction de répartition ou cumulative il s’agit d'une courbe
continue et croissante dans le cas d'une variable aléatoire
continue.
x
F(x) = P(X  = x ) =  f (t )dt
−
x2 x2 x1
Pr( x1  X  x2 ) =  f ( x )dx =  f ( x )dx −  f ( x )dx = F ( x2 ) − F ( x1 )
x1 − −

x2
Pr( x1  X  x2 ) =  f ( x )dx = F ( x2 ) − F ( x1 )
x1

4
 Caractéristiques d’une VA

Esperance mathématique E(X) : Moyenne

k

Pour une VAD E ( X ) =  pi xi

i =1

+
Pour une VAC E(x) =  x f ( x )dx
−

Variance d’une VA : Var(X)

n n
Var(X )= E[(X-E(X))²]=  p i (x i − E (X)) 2 =  p i (x 2i − 2x i E (X) + [E (X)] 2 
i =1 i =1

n n n n
Var(X )=  p i x 2i − 2 E ( X)  p i x i + (E (X))  p i =  p i x 2i − (E (X)) 2 = E (X 2 ) − (E (X)) 2
2
i =1 i =1 i =1 i =1

5
 Caractéristiques d’une VA


Var ( X ) = E ( X − E ( X ) ) = E ( X 2 − 2 XE ( X ) + ( E ( X )) 2
2

E ( X 2 ) − 2 E ( X ) E ( X ) + ( E ( X )) 2 = E ( X 2 ) − ( E ( X )) 2

Var ( X ) = E ( X ) − ( E ( X ))
2 2

n
Var ( X ) =  pi xi2 − ( E ( X )) 2
i =1

Var( X ) = 
−
+
x f ( x )dx −
2
 x f ( x)dx
+

−
2

6
 Caractéristiques de 2 VA

Variance des distribution jointes: Covariance xy

Cov( X , Y ) = E ( X − E ( X ) )(Y − E (Y ) ) = E ( XY ) − XE ( X ) − Y ( E (Y ) − E ( X )( E (Y )

Cov( X , Y ) = E ( XY ) − E ( X ) E (Y )
si X et Y sont deux variables aléatoires continues dont la densité de
probabilité jointe est f(x,y), les moyennes ou espérance
mathématiques de X et Y sont:

7
 Caractéristiques de 2 VA
− − xf (x, y)dxdy
+ +
 x = E ( X) =

 y = E (Y) =   yf (x, y)dxdy

+ +
− −

 = E ( X − E ( x ))  = 
+ +
 ( x − E ( x )) 2 f ( x, y )dxdy
2 2
x
− −

 = E (Y − E (Y ))  = 
+ +
 ( y − E ( y )) 2 f ( x, y )dxdy
2 2
y
− −

Cov( x, y ) =   x. yf ( x, y )dx dy −    xf ( x, y )dx dy.  yf ( x, y )dx dy 

     
+ + + + + +

− 
 −   −  −  −  −  

8
9
 Lois de probabilités usuelles

Lois de probabilités usuelles

10
 f(x)

1/b-a

0 x
t
a b

F(x)

1
F(t)

0
t
a b x 11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
 Lois de distribution usuelles

Relation entre la largeur de la loi (l’étendue) et l’écart type 

2A
2A
Loi triangulaire
Loi rectangulaire

2
Loi normale (ou Laplace-Gauss)
2A
 correspond à l’abscisse du point
Loi dite de « l’arcsinus »
d’inflexion
26
Estimation de la moyenne des échantillons

27
28
Théorème central limite

29
Estimation

30
31
Détermination de la taille de l’echéantillon n

32
Régression linéaire

33
34
35
36