Beruflich Dokumente
Kultur Dokumente
La v.a.r. X est dite absolument continue s il existe une fonction positive f, appelée fonction
x
densité de probabilité telle que : ∀x ∈ R, F(x) = P(X ≤ x) = ∫ f ( t ) dt
−∞
Remarque :
b
F(x) = P(X ≤ x) = ∫ f ( t ) dt
−∞
En effet:
Proposition: on a
b
4- P( X > a)=∫ f ( t ) dt
a
5- La fonction de répartition est continue sur R.
6- Si la fonction de densité f d’une v.a. continue X est continue au point x alors f est
la dérivée de da fonction de répartition F, c’est-à-dire F’(x)=f(x).
Démonstration :
En dérivant, on obtient:
si g est décroissante, on a :
{
1
, x ∈[−1,1]
f ( x )= 2
0, sinon
Soit Y=g(X)=-2X+1.
fY(y)=(1/2)fX((1-y)/2)
{
1
Donc : f Y ( y )= 4 , y ∈[−1,3 ]
0, sinon
Exemple 2 :
On a Y = g(X) avec g(x) = X 2. Dans ce cas g’(x) = 2x qui est positive pour x > 0 et négative
pour x < 0, d’où g n’est pas strictement monotone. Mais, pour y > 0, on a :
FY (y) = P(Y ≤ y) = P(X2 ≤ y) = P(− √y ≤ X ≤ √y) = FX( √y) − FX(− √y) En dérivant, on
obtient :
Variance et écart-type :
Ecart-type : σ(X) = √ V (X ) .
Remarque:
Une v.a. continue X suit une loi uniforme sur un intervalle [a, b] et on note X ∼ U [a, b] si sa
densité de probabilité est :
La fonction de répartition F(x) de X est:
2) Loi exponentielle:
Une v.a. X continue suit la loi exponentielle, de paramètre λ>0, notée X ~ εxp(λ), si sa densité
de probabilité est:
• Sa variance: V(X)= 1/ λ2
3) Loi Gamma:
Une v.a. continue X suit une loi gamma de paramètres α, β > 0 et on note X ∼ Γ(α, β) si sa
densité de probabilité est :
Une v.a. continue X suit une loi de Weibull de paramètres α > 0 et β > 0, si sa densité de
probabilité est :
L’espérance mathématique :
La variance :
5) Loi bêta :
Une v.a. continue X suit une loi bêta de paramètres α, β > 0 et on note X ∼ B(α, β) si sa
densité de probabilité est :
L’espérance mathématique :
La variance
6) Loi de Pareto :
Une v.a. X suit une loi de Pareto de paramètre α si sa densité de probabilité est définie par :
Sa variance est :
7) Loi de Laplace :
Une v.a. X suit une loi de Laplace de paramètres α et λ > 0 si sa densité est :
L’espérance mathématique :
La variance :
8) Loi de Cauchy :
Une v.a. X suit une loi de Cauchy de paramètres α et λ > 0 si sa densité est :
La fonction de répartition est :
9) Loi normale :
Une v.a. X suit une loi normale de paramètres m et σ > 0 et on note X ∼ N (m, σ) si sa densité
est :
La variance :
Proposition :
Si N (m, σ), alors la v.a Y=(X-m)/ σ suit loi normale centrée réduite N (0, 1).
Une v.a. X suit une loi normale centrée réduite s’il suit une loi normale de paramètre m = 0 et
σ = 1 et on note X ∼ N (0, 1). Sa fonction de densité est :
On peut ramener tout calcul sur la fonction de répartitions d’une variable aléatoire normale
N((m, σ) à un calcul sur la fonction de répartition , notée ϕ (x) , dune v.a N(0,1).
Une v.a. X suit une loi Log-normale de paramètres m et σ > 0, et on note X ∼ LN (m, σ), si sa
densité est :
Sa variance est :
Une v.a. X suit une loi de Khi-deux avec n degrés de liberté, et on note X ∼ X 2 (n), si sa
densité est :
Sa variance : V(X)=2n
Une v.a. X suit une loi de Student à n degrés de liberté si sa densité de probabilité est définie
par :
Pour n = 1, on a f(x) = (1 /π )(1/ 1+x2 )et on retrouve la loi de Cauchy. Son espérance
mathématique est : E(X) =0
Sa variance est : Var(X) = n/( n – 2) , (n > 2)
Une v.a. X suit une loi de Fisher à p et q degrés de liberté si sa densité de probabilité est
définie par :
La variance
•si n est grand (n≥50) ,P<0.1 et 0< np<10, la loi binomiale B(n,p) peut-être approximée par
une loi de Poisson P(λ) dont le paramètre λ est défini par λ=np.
Si n est grand (>30), p et q ne sont pas trop petites (pratiquement 0.2<P<0.8, npq ≥5). La loi
binomiale B(n,p) peut être approximée par une loi normale N(µ = np, σ = √ npq )
Soit une v.a. qui suit une loi de Poisson de paramètre λ. Si λ≥15, alors cette loi de Poisson
P(λ) peut être approximée par une loi normale N(λ, √ λ )Alors, la variable ( X- λ)/ √ λ
suit une normale centrée, réduite N(0,1).
Référence :