Leçon 4 : Lois de probabilités

continues usuelles

SOW Tierno

05-04-2017
1.0
 Table des
matières

Objectifs 3

I - Définitions 4

II - Moments 5

III - Loi de Laplace - Gauss 7

IV - Loi normale centrée réduite - N(0, 1) 8

V - Propriété 9

VI - Théorème central limite 10

VII - Approximations 11

VIII - Autres lois continues usuelles 12

 Objectifs

Au terme de ce chapitre vous devez :

Savoir lire dans les tables des lois de probabilité telles que la loi normale centrée et réduite.
Appliquer les propriétés des lois continues à la résolution de problèmes réels
NB – Il est indispensable d'avoir les tables de la loi Normale N (0;1) ; loi de student et loi du khi -deux

3
 Définitions

Définitions
I
Définition
Densité d'une variable aléatoire réelle -
On dit qu'une v. a. X est absolument continue s'il existe une fonction f intégrable telle que :

f est alors la densité de probabilité de X.

La fonction de répartition est définie de la façon suivante :

Si f est continue alors F est dérivable et F' = f.

La loi de probabilité de X est donnée par f ou F.

4
 Moments

Moments
II
Espérance mathématique

=m

Variance :

Ecart - type

Exemple
Soit une variable aléatoire X dont la fonction de répartition est définie par :

1. Déterminer les probabilités qu ' elle prenne une valeur :

inférieure à 1;
comprise entre 2 et 4;
supérieure à 3
2. Déterminer la densité de probabilité f de X. existe- t-il des points où f n'est pas définie ?
3. Représenter graphiquement f et F.
Solution
1.

2. Densité de probabilité

3. Courbe de densité et courbe cumulative

5
 Moments

6
 Loi de Laplace - Gauss

Loi de Laplace - Gauss

III
X suit une loi de Laplace - Gauss si sa densité de probabilité est définie par :

Moments de X :

7
 Loi normale centrée réduite - N(0, 1)

Loi normale centrée

réduite - N(0, 1) IV

Fonction, densité de probabilité

Fonction de répartition ( π(t))

La fonction π(t) est tabulée pour les valeurs positives de t. Et on vérifie que : : π(- t) = 1 - π(t)

Calculs pratiques

Soit X N(m, ); pour les calculs de probabilités concernant X, on se ramène

systématiquement à la loi normale centrée réduite par le changement de variable :

On peut alors écrire, par exemple :

8
 Propriété

Propriété
V
Soient X1, X2, . . . , Xn des v. a. indépendantes et suivant des lois N(mi, i).

On démontre que la v. a. suit une loi

9
 Théorème central limite

Théorème central
limite VI

Ce théorème fondamental est à l'origine de l'importance de la loi normale en probabilités et

statistique.
Soit une suite (Xn) de variables aléatoires indépendantes de même loi, d'espérance
mathématique commune m et de variance commune 2.

Alors la v. a. converge en loi vers une v. a. normale centrée

réduite; c'est - à - dire que :
F(z)= P(Z<z) tend vers π(z) lorsque n tend vers l'infini.

10
 Approximations

Approximations
VII
Approximation de la loi binomiale par la loi normale

Approximation de la loi de Poisson par la loi normale

En résumé, on a les approximations suivantes :

Correction de continuité
Dans les approximations précédentes, on approche les calculs concernant des lois discrètes à
valeurs entières à l'aide d'une loi continue. Ceci entraîne une difficulté due au fait que, pour
une loi continue, les probabilités du type P(X=x) sont nulles; ce qui n'est pas forcément vrai
pour les lois discrètes.
On peut améliorer la précision des calculs en utilisant les formules suivantes ( correction de
continuité) :
- si X suit une loi B(n , p ) et x {0, 1, 2, . . . , n}

On en déduit la valeur approchée de P(X=x)

- Si X suit une loi de Poisson P(λ), x IN :

11
 Autres lois continues usuelles

Autres lois continues

usuelles VIII

Loi uniforme

Fonction densité de probabilité :

Une v. a. X suit une loi uniforme sur l'intervalle [a, b],
( a < b), si sa d.d.p. est définie par la fonction f suivante :

Espérance mathématique et variance

Loi exponentielle

Fonction densité de probabilité

Une v. a. X suit une loi exponentielle de paramètre θ(θ >0), si sa d.d.p. est la fonction f suivante
:

; on note X Exp (θ )

Espérance mathématique et variance

Loi du 2 ( ou loi de Pearson)

Définition
Soit un système de n v. a. X1, X2, . . . , Xn telles que pour tout i {1, 2, . . . ,n}, Xi N(0, 1).

Alors suit une loi du Khy - deux à n degrés de liberté, notée : .

Cette loi joue un rôle fondamental dans la théorie des tests et elle est tabulée.
Espérance mathématique et variance
E(X) = n et V(X) = 2n
Approximation

12
 Autres lois continues usuelles

On montre que pour 30 <n <100, .

Et si

Loi de Student

Définition
- Si X suit une loi N(0 ; 1), Y suit loi 2(n) et si X et Y sont indépendantes, alors la v. a. T définie par :

suit une loi de Student à n degrés de libertés, notée T(n).

Cette loi intervient notamment en théorie de l'estimation et en théorie des tests, et elle est tabulée.
Espérance mathématique et variance

Approximation
Pour n>30, la loi de Student peut être approchée par la loi N( 0 ;1).

Loi de Fisher - Snédécor ( loi du rapport des variances)

Définition

Si X suit une loi 2 (m) et Y une loi 2 (n), et si X et Y sont indépendantes, alors la v. a.

suit une loi de Fisher - Snédécor à m et n degrés de liberté, notée F(n , m)

Cette loi intervient également en théorie des tests, et elle est tabulée.
Espérance mathématique et variance

Remarque

Si X suit F(m, n) , alors suit F(n, m).

13