Statistiquescours3
Familles de loi de probabilité continues, définies sur l’ensemble des réels, complètement caractérisées par leur espérance et leur variance De distribution symétrique autour de leur espérance x ~ N (µ ,σ 2 ) f ( x) = ( x − µ )2 exp − 2σ 2 2πσ 1
2
Exemples de lois normales
Fonction de répartition
Pas calculable analytiquement
Calcul numérique
La loi normale centrée réduite
Loi normale d’espérance nulle et de variance 1
u ~ N (0,1) f (u ) = u2 1 exp − 2 2π
Représentation graphique
Passage d’une loi normale quelconque à la loi normale centrée réduite
On peut toujours déterminer la valeur de la fonction de densité ou de répartition d’une loi normale quelconque à partir de la loi normale centrée réduite en effectuant un changement de variable
u=
x−µ
x = σu + µ
σ
Tables de distribution de la loi normale centrée réduite
Utilisation de la table de la fonction de répartition
Utilisation de la table de l’écart-réduit
Somme de deux lois normales indépendantes
La somme de deux lois normales indépendantes est une loi normale dont l’espérance et la variance sont égales respectivement à la somme des espérances et des variances.
Loi binomiale
On obtient une loi binomiale quand : on répète n fois une même expérience de Bernoulli ayant une probabilité de succès p, les expériences étant indépendantes entre elles On s’intéresse au nombre de succès k, On dit que X suit alors une loi binomiale de paramètres n et p.
Caractéristiques de la distribution binomiale k P ( X = k ) = Cn p k q n − k = n! k !( n − k )!
p k q n−k
E ( X ) = np V ( X ) = np (1 − p )
L’espérance et la variance correspondent à celles de la somme de n tirages de Bernoulli indépendants de paramètre p
Distribution binomiale n=10 p x 0 1 2 3 4 5 6 7 8 9 10 total 0.1 0.3487 0.3874 0.1937 0.0574 0.0112 0.0015 0.0001 0.0000 0.0000 0.0000 0.0000 1.0000 0.2 0.1074 0.2684 0.3020 0.2013 0.0881 0.0264