1.

1
1.1

Rsum du Probabilit

Lois continues
Formules Gnrales

Soit f est densit dune loi ,

f (x)dx = 1:

Soit F la fonction de rpartition dune loi , alors

FX (t) =

Zt

f (x)dx

La relation entre la probabilit et la fonction de rpartition est :

P (X
P (a

P (X > t) = 1

t) = F (t)
b) = F (b)
P (X

F (a)

t) = 1

F (t)

LEsprence dune loi est :

E(X) =

x:f (x)dx

E( ) =
E( X) =
E[h(X)] =

/ 2R
E(X)
h(x):f (x)dx

Lois continues

La variance dune loi :

V ar(X) = E[(X E(X))2 ]
Z
(x E(X))2 :f (x)dx
=
R

= E(X 2 )
V ar( ) = 0

1.2

et

E(X)2

V ar( X) =

V ar(X)

Loi Uniforme : U[a;b]

1. La densit de cette loi est :
(
f (x) =

1
b
0

si x 2 [a; b]

Sinon

2. La fonction de rpartition de la loi uniforme est :

t a
FX (t) =
si t 2 [a; b]
b a
3. LEsprence et la Variance :
E(X) =
1.3

b+a
2

et

V ar(X) =

a)2
12

(b

Loi Exponentielle : "( )

1. La densit de cette loi est :
f (x) =

si x 0
Sinon

e
0

2. La fonction de rpartition de la loi uniforme est :

FX (t) = 1
3. LEsprence et la Variance :
1
E(X) =

et

si t

V ar(X) =

1
2

Lois continues

1.4

Loi Normale : N (m; )

1. LEsprence et la Variance :
E(X) = m

1.5

(m = La moyenne)

et

V ar(X) =

( = ecart-type)

Loi Normale Centre Rduite : N (0; 1)

1. Soit X un variable alatoire qui suit une loi normale N (m; ) cest
dire :
L(X) = N (m; ) ; E(X) = m ; V ar(X) = 2
Dans le cas des grandes valeurs, on fait un changement de variable, tel
que :
X m
Y =
Alors, puisque Y cest une combinaison linaire de X, donc Y suit aussi
une loi normal :
p
L(Y ) = N E(Y ); V ar(X)

Calculons E(Y ), V ar(Y ):

2. LEsprence et la Variance :
Pour lEsprence :
E(Y ) = E
= E
=

X
X
E(X)

=E
m

+E
m

= 0
De mme pour la Variance, et on trouve nalement :
E(Y ) = 0

et

V ar(Y ) =

Alors
L(Y ) = N (0; 1)

=1

Lois continues

3. Pour calculer P (a Y
b) tel que L(Y ) = N (0; 1), on utilise la table
de la loi Normale Centre Rduite :
P (a

b) = (b)

(a)

4. Pour calculer ( t), on a :

( t) = 1
Exemple : ( 1:56) = 1

1.6

(t)
0; 9406 = 0.0594

(1:56) = 1

2
n

Loi Khi-deux (de n degret de libert) :

Soit X1 , X2 , X3 ,.......,Xn des variables alatoires tel que

L(Xi ) = N (0; 1)
Alors le variable alatoire X tel que
X=

n
X

Xi 2

i=1

Suit une loi de Khi-deux de n degret de librt :

L(X) =

2
n

1. La densit de la loi de Khi-deux :

n

f (x) = Cn x 2

x
2

avec

Cn =cte

2. LEsprence et la Variance :
E(X) = n

et

V ar(X) = 2n

Lois continues

1.7

Loi Student (de n degret de libert) :

Soit X , Y deux variables alatoires tel que

et L(Y ) =

L(X) = N (0; 1)

2
n

Alors le variable alatoire T tel que

X
T =r
Y
n
Suit une loi de Student de n degret de librt :
L(Y ) =

1. La densit de la loi de Khi-deux :

2

f (x) = Cn 1 +

x
n

n+1
2

avec

Cn =cte

2. LEsprence et la Variance :

et

E(X) = 0 si n > 1
n
si n > 2
V ar(X) =
n 2

Echantillonnage & Intervalle de Conance :

1.8

2
2.1

Schma dapproximation des lois

Echantillonnage & Intervalle de Conance :

Echantillonnage :

Echantillonnage & Intervalle de Conance :

Avec
1X
X=
Xi
n i=1
n

et

S =

n
X

(Xi

m) 2

et F =

i=1

K
n

X : La moyenne Ampirique ; S 2 : Variance Corrig ; F = Frquence.

2.2

Estimateurs :

Caractre
m = moyenne
2
= variance

Estimateur P
m
b = X = n1 ni=1 Xi
b2 = S 2 = 1 Pn (Xi
i=1
n 1

p = proportion pb = F =

m) 2

K
n

Loi de lEstimateur
L(X) = N (m; n )
2
L( nS2 ) = 2n 1q

p(1 p)
n

L(F ) = N (n;

Dans le calcule de S 2 :

1. Si on m on lutilise elle mme. Donc :

1

S =

n
X

(Xi

m) 2

i=1

2. Si m est inconnue donc on travaille avec son Estimateur X: Cest

dire :
n
1 X
2
S =
Xi X 2
n 1 i=1
2.3

Intervalles de Conance de risque

I.C de la moyenne :
1. Si

est connue =)
I:C(moyenne) = x

U1

; x + U1

Echantillonnage & Intervalle de Conance :

avec U1 2 on lobtient du Table Fractile de N (0; 1):

Exemple : On a la conance 95% , donc le risque = 5% = 0:05
Alors U1 2 = U0:975 = 1:96
2. Si est inconnue =)
I:C(moyenne) = x

s
). p
2
n

tn 1 (1

s
). p
2
n

; x + tn 1 (1

avec tn 1 (1 2 ) on lobtient du Table Fractile de Student:

Exemple : On a un echantillon de taille n = 11; la conance 95% , donc
n 1 = 10 et le risque = 5% = 0:05
Alors tn 1 (1 2 ) = t10 (0:975) = 2:228
I.C de la Variance / Ecart-type :
1. Pour la Variance :

"

(n 1)s2
(n 1)s2
;
I:C(Variance) =
K1 2
K2
2. Pour lEcart-type :
I:C(Ecart-type) =

"s

(n 1)s2
;
K1 2

1)s2

(n

K2

3. avec K1 2 et K 2 on lobtient du Table Fractile de Khi deux de

n 1 degret de libert
Exemple : On travaillera avec le mme exemple de taille n = 11:

I.C de la Proportion :
1. On aura donc :

"

I:C(Proportion) = f
avec U1

U1

f (1

f)
n

; f + U1

on lobtient du Table Fractile de N (0; 1):

f (1

f)
n

Echantillonnage & Intervalle de Conance :

Dans le cas dune population de taille connue N (exhaustif = avec remise) :

1. On prendra juste lexemple de la proportion et cest le mme que la
moyenne :
r
r
f (1 f ) s
N n
On multiplie les
; p et p par
n
N 1
n
n
Donc, on aura
q
q
q
q
f (1 f )
f (1 f )
N n
N
;
f
+
U
I:C(Proportion) = f U1 2
1
n
N 1
n
N
2
avec U1

2.4

on lobtient du Table Fractile de N (0; 1) .

Taille de lechantillon :

Taille de lechantillon de la moyenne :

1. Si

est connue =)

U1

e
on lobtient du Table Fractile de N (0; 1) et e lerreur
2

avec U1 2
donne.
2. Si est inconnue =)
n
avec U1
donne.

U1

s
2
e

ou

U1 2
2e

on lobtient du Table Fractile de N (0; 1) et e lerreur

Taille de lechantillon de la proportion :

1. Taille de population non connue ( Non exhaustif)
n
avec U1
donne.

U1

2
2

f (1 f )
e2

on lobtient du Table Fractile de N (0; 1) et e lerreur

n
1

10

Echantillonnage & Intervalle de Conance :

2. Taille de population connue N (exhaustif)

La taille de lchantillon sera n0 ; On calcule dabord n avec la relation
suivante :
n = Sa valeur dans ( Moyenne , Proportion)
Puis on calcule n0 :
n0 =

N
+1

N 1
n