Lois de probabilit usuelles

Variables alatoires
Soit lunivers dune exprience alatoire muni de la probabilit P .

Dnition 1.1 (Variable alatoire) Une variable alatoire dnie sur associe chaque issue, une valeur numrique. Les variables alatoires que nous tudierons sont des applications (des fonctions) de dans R. Par exemple, au jeu de pile ou face, on peut dcider quobtenir pile rapporte 1 e, alors quobtenir face fait perdre 1 e. On dnit alors la variable alatoire X par : X(pile) = 1 et X(face) = 1, qui donne le gain en euros en fonction du rsultat de lexprience alatoire. Dnitions et notations 1.2 ({X x}, Fonction de rpartition) Soit X une variable alatoire dnie sur . Lensemble des lments de dont limage par X est infrieure ou gale au nombre rel x se note : {X x}, et cet ensemble est un vnement. La probabilit de cet vnement se note : P (X x). La fonction de rpartition de la variable alatoire X est la fonction FX (parfois note simplement : F ) dnie sur R par : FX (x) = P (X x).

Variables alatoires discrtes

Dnition 2.1 (Variable alatoire discrte) Soit X : R une variable alatoire. On dit que X est une variable alatoire discrte sil ny a pas plus dimages par X que dlments dans N. Notations 2.2 ({X = xi }, P (X = xi )) Soit X une variable alatoire discrte. Soit {xi R | i I}, avec I N, lensemble des images par X des lments de . Pour tout i dans I, lensemble des antcdents de xi par X : { |X() = xi } est lvnement not : {X = xi }. La probabilit de lvnement {X = xi } se note : P (X = xi ). Dnition 2.3 (Loi de probabilit dune variable alatoire discrte) Soit X une variable alatoire discrte. Soit {xi R | i I}, avec I N, lensemble des images par X des lments de . La loi de probabilit de X est lensemble des couples : (x i , P (X = xi )) pour i I. Dnition et notation 2.4 (Esprance) Soit X une variable alatoire discrte prenant les valeurs 1 xi , pour i I N. Dans le cas o I nest pas une partie nie de N, on exige
1. Lensemble des images des lments de par X est : {xi R | i I N}.

2 VARIABLES ALATOIRES DISCRTES

que iI P (X = xi )|xi | soit une srie numrique convergente 2. Lesprance (ou : lesprance mathmatique, ou encore : la moyenne) de la variable alatoire X se note E(X) et est dnie par : E(X) = P (X = xi )xi .
iI

Que reprsente lesprance dune variable alatoire ? Pour tenter de cerner la signication de lesprance dune variable, le thorme suivant (admis) sera dun grand secours. Thorme 2.1 (Loi faible des grands nombres) Soit n N {0}. On considre une mme exprience alatoire ralise n fois dans les mmes conditions. Soit lunivers de lexprience alatoire, et P la probabilit dont est muni. Soit X : R une variable alatoire ayant pour esprance m. Pour k N [1, n], notons Xk la variable alatoire gale X et associe la k-ime ralisation de lexprience alatoire. 1 Dans ces conditions, la suite des variables alatoires X n = n n Xk converge en probabilit k=1 vers m ; cest dire, pour tout > 0, lim P X n m = 1.
n+

Ce thorme indique que pour n assez grand, il est presque certain que X n prend la valeur m. En dautres termes, on retrouve lide intuitive que plus lexprience alatoire est rpte de faon identique, plus la moyenne des valeurs prises par X lors de chaque rptition de lexprience se stabilise autour de lesprance (appele galement : moyenne) de X. Ainsi, en reprenant lexemple gurant en page 1 du jeu de pile ou face, on a : E(X) = P (X = 1) (1) + P (X = 1) 1 = 0,5 + 0,5 = 0 ; le gain moyen par partie est nul. Ce jeu de pile ou face entre donc dans la catgorie des jeux quitables. Dnition et notation 2.5 (Variance) Soit X une variable alatoire discrte desprance E(X) R, et prenant les valeurs xi , i I N. Dans le cas o I nest pas une partie nie de N, on exige que iI P (X = xi )x2 converge 3. La variance de X, note V (X) ou 2 (X), est i dnie par : V (X) = P (X = xi ) (xi E(X))2 = E X 2 (E(X))2 .
iI

Dnition et notation 2.6 (cart-type) Soit X une variable alatoire discrte de variance V (X) R+ . Lcart-type de X, note (X), est dni par : (X) = V (X). On rencontre parfois les notations X ou pour lcart-type. Thorme 2.2 Avec les conditions de la dnition 2.5, on a : V (X) =
iI

P (X = xi )x2 (E(X))2 . i

Dnitions 2.7 (Variable alatoire centre, rduite) Soit X une variable alatoire discrte. Si E(X) = 0, alors on dit que X est une variable alatoire centre. Si (X) = 1, alors on dit que X est une variable alatoire rduite. Si E(X) = 0 et (X) = 1, alors on dit que X est une variable alatoire centre rduite.
2. Nous naurons, dans la pratique, pas nous proccuper dtudier cette convergence. Cette contrainte nest prsente dans la dnition que pour que le cas : I inni, ne soit pas laiss de ct. Cette proccupation thorique ne devrait pas apparatre dans un sujet dexamen. 3. Voir la note 2
DUT Gnie Biologique Anne universitaire 2007/2008

3
Exercice 2.1 Le jeu consiste lancer simultanment deux ds six faces numrotes de un six. Pour nimporte lequel des deux ds, toutes les faces ont la mme probabilit dtre obtenues. Le rsultat du lanc est la somme des nombres apparus sur la face suprieure de chacun des ds. La mise initiale dun joueur est de e. Si le joueur obtient 2, 3, 4, 5 ou 6, alors il perd sa mise. Si le joueur obtient 7 ou 8, alors il touche 9 e. Si le joueur obtient un rsultat suprieur ou gal 9, alors il touche 18 e. On note X la variable alatoire qui chaque rsultat de lanc associe la somme verse au joueur. 1. laide dun tableau doubles entres, dterminer quel est lvnement lmentaire le plus probable (celui qui a la plus forte probabilit). 2. Que reprsente E(X)? 3. Quel doit tre le montant de la mise pour que le jeu soit quitable? (Jeu quitable : espoir de gain nul.)

Loi de Bernoulli

Dnition 3.1 (preuve de Bernoulli) Une preuve de Bernoulli est un preuve deux issues, souvent appeles : succs et chec . On suppose que la probabilit de lvnement : un succs a t obtenu vaut p ; et donc, la probabilit de lvnement contraire : un chec a t obtenu vaut q = 1 p. Dnition et notation 3.2 (Loi de Bernoulli B(p)) On considre une preuve de Bernoulli. On suppose que la probabilit de lvnement : un succs a t obtenu vaut p ; et donc, la probabilit de lvnement contraire : un chec a t obtenu vaut q = 1 p. Soit X la variable alatoire qui associe la valeur 1 un succs a t obtenu et la valeur 0 un chec a t obtenu . La variable alatoire X suit alors la loi de Bernoulli de paramtre p. Cette loi est note : B(p). Thorme 3.1 (Esprance) Soit X une variable alatoire suivant la loi de Bernoulli B(p). On a : E(X) = p. Thorme 3.2 (Variance) Soit X une variable alatoire suivant la loi de Bernoulli B(p). On a : V (X) = p(1 p).

Loi binomiale

Dnition 4.1 (Schma de Bernoulli) On considre une preuve de Bernoulli. On eectue, dans les mmes conditions, n fois de suite cette preuve (n N {0}). Les n rptitions de lpreuve sont indpendantes les unes des autres. quoi ressemble lunivers du schma de Bernoulli dcrit ci-dessus ? Lunivers est ici un ensemble de n-uplets. Pour simplier le problme supposons que lexprience soit rpte trois fois. succs est reprsent par a et chec par b. Dans ce cas, = {(a, a, a), (a, a, b), (a, b, a), (b, a, a), (a, b, b), (b, a, b), (b, b, a), (b, b, b)}. La notation (a, a, b) signie que lors de la premire exprience alatoire, le rsultat obtenu fut : a, lors de la seconde, le rsultat fut : a, et lors de la troisime, le rsultat fut : b. Supposons
T. Cuesta IUT de Crteil

4 LOI BINOMIALE

que la probabilit dobtenir a soit gale p et que la probabilit dobtenir b soit gale q. Comme il ny a que deux issues, on a : q = 1 p. Les trois vnements A : le rsultat de la premire preuve est a , B : le rsultat de la deuxime preuve est a et C : le rsultat de la troisime preuve est b sont indpendants. On en dduit que P ({(a, a, b)}) = P (A B C) = P (A)P (B)P (C) = pp(1 p) = p2 (1 p). Comme il y a autant de triplets o a apparat deux fois que de sous-ensembles deux lments dans un ensemble trois lments, on obtient que la probabilit dobtenir exactement deux fois le rsultat a lorsque lexprience alatoire est rpte trois fois vaut : 3 p2 (1 p). 2 Thorme 4.1 On considre une preuve ayant deux issues : a et b. La probabilit dobtenir a comme rsultat de lexprience alatoire est p. La probabilit dobtenir b est q = 1p. On rpte n fois cette preuve dans les conditions du schma de Bernoulli. Soit X la variable alatoire comptabilisant le nombre de ralisations de {a} au cours des n rptitions de lpreuve. On a alors, pour tout entier naturel 4 k : P (X = k) = n k p (1 p)nk . k

Dmonstration 4.1 La probabilit dobtenir a lors des k premires rptitions de lpreuve, puis b lors des n k suivantes est, puisque les rptitions sont indpendantes les unes des autres, p k (1 p)nk . Comme il y a autant de n-uplets o a apparat exactement k fois que de sous-ensembles k lments dans un ensemble n lments, on en dduit le thorme.

Dnition et notation 4.2 (Loi binomiale B(n, p)) La variable alatoire X du thorme 4.1 a pour loi de probabilit la loi binomiale de paramtres n et p. Le premier paramtre : n, est le nombre de rptitions de lpreuve deux issues ; le second paramtre : p, est la probabilit dobtenir a comme rsultat de lpreuve deux issues. La loi binomiale de paramtres n et p se note : B(n, p). Thorme 4.2 (Esprance) Lesprance de la variable alatoire X, suivant la loi binomiale B(n, p), est : E(X) = np.
Dmonstration 4.2 Par dnition, on a :
n

E(X) =
k=0

n k k p (1 p)nk = k

k
k=1

n k p (1 p)nk . k

Or, pour k = 0 (et donc n = 0), k On en dduit :

n

n k

=k

n1 (n 1)! n! . =n =n k1 k!(n k)! (k 1)!(n 1 (k 1))! n 1 k1 p (1 p)n1(k1) k1 n1 i p (1 p)n1i = np(p + 1 p)n1 = np. i
n k

E(X) =np
k=1 n1

=np
i=0

4. On rappelle que si k > n, alors

DUT Gnie Biologique

= 0.
Anne universitaire 2007/2008

5 Thorme 4.3 (Variance) La variance 5 de la variable alatoire X, suivant la loi de probabilit B(n, p), est : V (X) = np(1 p).
Dmonstration 4.3 La variance de X est donne
n 6

par :
n k k 2 Cn pk (1 p)nk (np)2 .

V (X) =
k=0

k k 2 Cn pk (1 p)nk (E(X))2 =

k=1

Daprs la dmonstration 4.2, on a :

n k=1 k k 2 Cn pk (1 p)nk = np n1 n k=1 k1 kCn1 pk1 (1 p)n1(k1)

= np = np

i=0 n1 i=0

i (i + 1)Cn1 pi (1 p)n1i n1 i iCn1 pi (1 p)n1i + i=0 i Cn1 pi (1 p)n1i

= np (n 1)p + (p + (1 p))n1 Do : V (X) = np(1 p).

= np(np p + 1) = (np)2 + np(1 p)

Exercice 4.1 BTS Comptabilit gestion, session 2000, exercice 2 Dans une entreprise, un stage de formation lutilisation dun nouveau logiciel de gestion a t suivi par 25 % du personnel. Ainsi la probabilit quune personne choisie au hasard dans lentreprise ait suivi ce stage est p = 0,25. Les parties A et B peuvent tre traites de faon indpendante. Partie A On choisit au hasard n personnes de cette entreprise. On suppose que leectif est susamment important pour assimiler ce choix un tirage avec remise. 1. Dans cette question, n = 10. On note X la variable alatoire qui, tout ensemble de 10 personnes ainsi choisies, associe le nombre de personnes ayant suivi le stage. (a) Expliquer pourquoi X suit une loi binomiale. Indiquer les paramtres de cette loi. (b) Dterminer, 102 prs, la probabilit des vnements suivants : E1 : Parmi 10 personnes choisies au hasard, exactement 2 personnes ont suivi le stage ; E2 : Parmi 10 personnes choisies au hasard, au plus une personne a suivi le stage . 2. Dans cette question, n = 500. On note Y la variable alatoire qui, tout ensemble de 500 personnes choisies, associe le nombre de personnes ayant suivi le stage. On admet que la variable alatoire Y suit la loi binomiale de paramtres n = 500 et p = 0,25. (a) Dterminer lesprance mathmatique de la variable alatoire Y . En donner une interprtation. Dterminer une valeur approche, arrondie 10 1 prs, de lcart-type de la variable alatoire Y .
5. La variance de la variable alatoire X suivant la loi B(n, p) nest pas donne dans le formulaire ; cest lcart-type qui est donn par (X) = npq, avec q = 1 p. k 6. On rappelle que Cn = n . k
T. Cuesta IUT de Crteil

5 LOI GOMTRIQUE

(b) (question relative une loi normale) Partie B Dans cette entreprise, le personnel comprend 52 % de femmes. Lvnement F : une personne choisie au hasard dans lentreprise est une femme a donc pour probabilit P (F ) = 0,52. On rappelle que 25 % du personnel a suivi le stage de formation lutilisation du nouveau logiciel de gestion. Lvnement S : une personne choisie au hasard dans lentreprise a suivi le stage a donc pour probabilit P (S) = 0,25. Enn, 40 % du personnel fminin de cette entreprise a suivi le stage. La probabilit conditionnelle correspondante est P (S/F ) = 0,4 ou P F (S) = 0,4. 1. Calculer la probabilit de lvnement A : une personne choisie au hasard dans lentreprise est une femme et a suivi le stage . 2. Calculer la probabilit de lvnement B : une personne choisie au hasard parmi les personnes ayant suivi le stage est une femme .

Loi gomtrique

Soit une preuve de Bernoulli pour laquelle la probabilit de succs vaut p et la probabilit d chec vaut q = 1 p. On considre, comme pour la loi binomiale, un schma de Bernoulli. On suppose cependant que lpreuve de Bernoulli est rpte une indniment. Dnition et notation 5.1 (Loi gomtrique G(p)) Soit X la variable alatoire qui un schma de Bernoulli associe le nombre dessais ncessaires lobtention du premier succs. La variable alatoire X suit la loi gomtrique de paramtre p. Cette loi est note : G(p). Thorme 5.1 Soit X une variable alatoire qui suit la loi gomtrique de paramtre p. Alors, P (X = k) = p(1 p)k1 .
Dmonstration 5.1 Lindpendance des preuves implique que la probabilit davoir un chec au premier, au second,. . . , au k 1-me essai, et un succs au k-me, est gale au produit des probabilits de chacun de ces vnements.

Les dmonstrations des formules donnant la moyenne et lcart-type ne seront pas donnes. 1 = k0 xk , pour tout x dans [0, 1[. Elles reposent, sauf si p = 1, sur lgalit : 1x Thorme 5.2 (Esprance, Variance) Soit X une variable alatoire qui suit la loi gomtrique G(p) avec p = 0. On a alors : E(X) = 1 p et V (X) = 1p p

Exercice 5.1 Un procd de production fournit 0,5% de pices non conformes. On prlve et on contrle une une des pices, jusqu obtention dune pice non conforme. On suppose le stock de pices susamment important pour assimiler ce tirage un tirage avec remise. 1. Quelle est la probabilit que vingt essais soient ncessaires avant de tirer du stock une pice non conforme? 2. Quelle est, en moyenne, le nombre de pices prlever pour obtenir une pice non conforme?
DUT Gnie Biologique Anne universitaire 2007/2008

Loi hypergomtrique

La loi hypergomtrique est la loi que suit une variable alatoire qui compte le nombre dindividus dans un chantillon prsentant un caractre donn, lorsque la population nest pas susamment vaste pour assimiler ce prlvement dchantillon un tirage avec remise. Dans ce cas, la proportion dindividus prsentant le caractre tudi varie chaque fois quun individu est prlev dans la population. La loi binomiale nest plus adapte. Dnition et notation 6.1 (Loi hypergomtrique H(N, D, n)) On considre une population de N individus. Dans cette population, il y a D N indivudus prsentant le caractre C. Soit X la variable alatoire qui tout chantillon de n individus issu de la population, associe le nombre dindividus prsentant le caractre C. La variable alatoire X suit la loi hypergomtrique H(N, D, n). Thorme 6.1 Soit X une variable alatoire dont la loi de probabilit est H(N, D, n). Alors, pour tout entier naturel k : P (X = k) =
D k N D nk N n

Dmonstration 6.1 La dmonstration est une question simple de combinatoire. Il faut dabord se rappeler i que j = 0 ds que j > i. Si X = k, alors k individus ont t choisis parmi les D prsentant le caractre, et n k ont t choisis parmi des N D ne prsentant pas le caractre, pour constituer lchantillon de taille n. Le nombre de cas favorables est donc D N D , alors que le nombre de cas possibles k nk est N . n

Corollaire 6.1.1 (Identit de Vandermonde)

n

k=0

N1 k

N2 nk

N1 + N 2 n

Dmonstration 6.1 (Dmonstration du 6.1.1) Soit X une variable alatoire de loi H(N 1 + N2 ,N1 ,n). La somme des probabilits des vnements lmentaires tant toujours gale 1, on a : n P (X = k) = k=0 N2 (N1 )(nk) n k k=0 (N1 +N2 ) = 1. On en dduit le rsultat. n

Nous admettrons les rsultats suivants : Thorme 6.2 (Esprance) Soit X une variable alatoire dont la loi de probabilit est H(N, D, n). Alors, nD E(X) = N D On remarquera que si on pose p = , alors, p est la probabilit de tomber sur un individu N prsentant le caractre C lorsque lon tire au hasard un individu dans la population. Avec cette notation, on a : E(X) = np. On retrouve, bien que la probabilit de tirer un individu prsentant le caractre C varie lors de la constitution de lchantillon de taille n, le rsultat de lesprance dune variable alatoire suivant la loi B(n, p).
T. Cuesta IUT de Crteil

7 LOI DE POISSON

Thorme 6.3 (Variance) Soit X une variable alatoire dont la loi de probabilit est H(N, D, n). Alors, nD N D N n V (X) = N N N 1
D D En posant p = N et q = 1 p = NN , on obtient : V (X) = npq N n . On remarquera que la N 1 variance de X ne dire de la variance dun variable alatoire qui suit la loi B(n, p) que dun facteur N n . N 1

N n prsent dans la formule de N 1 la variance dans le thorme 6.3 est appel : facteur dexhaustivit. Dnition 6.2 (Facteur dexhaustivit) Le coecient
Exercice 6.1 Un lot de 80 pices contient 2,5% de pices dfectueuses. Quel est la probabilit quun chantillon de 10 pices prlev dans ce lot contienne au moins une pice dfectueuse?

Loi de Poisson

Soit n N, k N [0, n] et p [0, 1]. On suppose que le produit np est constant. On pose k = np. Le nombre k tant x, la quantit Cn pk (1 p)nk a-t-elle une limite lorsque n tend vers + (et p tend vers 0, puisque np est constant)? nk k k k 1 n . Cn pk (1 p)nk = Cn n nk , quand n tend vers +. Calculons la limite de 1 n nk On sait que : 1 n = exp (n k) ln 1 n . Le dveloppement limit lordre 1 de t ln(1+t) tant t+o(t), on en dduit que : ln 1 n = n +o n . Do, (nk) ln 1 n = 1 (nk) + n , o dsigne une fonction continue en 0 et telle que (0) = 0. On sait que n lim nk = 1. On en dduit : lim (n k) ln 1 = . La continuit de la fonction n n
n+ n+

exponentielle permet alors dobtenir : lim exp (n k) ln 1

k k

n! k Cn k = k!(nk)! nk = n Le produit n(n 1) (n (k 1)) est constitu de k facteurs. 1 2 On a : n(n1)(n(k1)) = 1 1 n 1 n 1 k1 . n nk k k Comme lim 1 m = 1, pour tout entier m x, on a : lim Cn nk = n n+ n+

n+ n(n1)(n2)(n(k1)) k . nk k!

= exp().

k . k!

Conclusion : lim

n+

k Cn

k n

nk n

k exp() . k!

Dnition et notation 7.1 (Loi de Poisson P()) Soit R . On dit que la variable + alatoire discrte X, valeurs dans N, suit la loi de Poisson de paramtre , note : P(), si pour tout k dans N : k P (X = k) = e . k! Daprs ce qui prcde cette dnition, la loi de Poisson peut servir dapproximation dune loi binomiale B(n, p) lorsque n est assez grand et p proche de 0 ; et dans ce cas, on utilisera la loi de Poisson P(np) comme approximation de B(n, p). Thorme 7.1 (Esprance) Soit X une variable alatoire suivant la loi de Poisson P(). Alors, E(X) = .
DUT Gnie Biologique Anne universitaire 2007/2008

9
Dmonstration 7.1 On sait que : E(X) =
N k k=1 k k! e + k k=0 k k! e N 1 k k=0 k! .

= e

N k1 k=1 (k1)!

= e

On en dduit : E(X) = e

N +

lim

N k . k=0 k k! e

Or,

N k k=0 k k! e

+ k k=0 k!

= e e =

Thorme 7.2 (Variance) Soit X une variable alatoire suivant la loi de Poisson P(). Alors, V (X) = .
Dmonstration 7.2 On sait que : k V (X) = + k 2 e 2 = lim k=0 k!
N 2 k k=0 k k! e N 2 k k=0 k k! e

N +

2 . Or,
N k1 k=1 k (k1)!

N 2 k k=1 k k! e
k

= e

=e =e On obtient donc :
N +

N 1 k=0 (k

+ 1) = e k! +
N 1 k1 k=1 (k1)!

N 1 k k=0 k!

N 1 k k=0 k k! N 1 k k=0 k!

N 1 k k=0 k!

= e

N 2 k k=0 k!

lim

N 2 k k=0 k k! e

= e e + e = + 2 . Do : V (X) = .

Exercice 7.1 BTS groupement A session 2001, exercice 2 Dans cet exercice, tous les rsultats seront donns 10 4 prs. La question 3 peut tre traite indpendamment des questions 1 et 2. Une entreprise produit des batteries de tlphone portable. Au cours de la production peuvent apparatre deux dfauts indpendants que lon appellera dfaut A et dfaut B. La probabilit que le dfaut A apparaisse vaut 0,02 et la probabilit que le dfaut B apparaisse vaut 0,01. 1. Calculer la probabilit quune batterie soit dfectueuse, cest--dire quelle comporte au moins un des deux dfauts. 2. On prlve au hasard dans la production un chantillon de 100 batteries. La production est susamment importante pour que ce prlvement soit assimil un tirage avec remise. Soit X la variable alatoire qui tout chantillon de taille 100 associe le nombre de batteries dfectueuses. (a) Quelle est la loi de probabilit que suit la variable alatoire X ? Donner son esprance mathmatique et sa variance. (b) On admet que la loi de X peut tre approche par une loi de Poisson. Quel est le paramtre de cette loi de Poisson? En utilisant cette approximation, calculer la probabilit que lchantillon comporte plus de deux batteries dfectueuses. 3. (Question relative une loi normale).

Variables alatoires continues

Dnition 8.1 (Variable alatoire continue) Lorsquune variable alatoire peut prendre toutes les valeurs dun intervalle non vide et non rduit un point, on dit que cest une variable alatoire continue.
Exercice 8.1 Soit X une variable alatoire continue. Montrer que pour tout a et tout b dans R, a < b: P (a < X b) = P (X b) P (X a).
T. Cuesta IUT de Crteil

10

8 VARIABLES ALATOIRES CONTINUES

Dnition 8.2 (Densit de probabilit) Soit f une fonction continue, sauf ventuellement en un nombre ni de points, dnie sur R et valeurs dans [0, + [. On dit que f + est une densit de probabilit 7 si : f (t) dt = 1. Dnition 8.3 Soit f une densit de probabilit. On dit que la variable alatoire continue X a pour densit de probabilit f lorsque la fonction de rpartition F X de X vrie :
x

(x R) On a alors :

FX (x) = P (X

x) =

f (t) dt.

Ainsi que, pour tout a et tout b rels tels que a < b : P (a < X b) =

(x R) FX (x) = f (x).
b

f (t) dt.
a

Dnition et notation 8.4 (Esprance 8 ) Soit X une variable alatoire continue de densit de probabilit f . Alors 9 lesprance (esprance mathmatique, moyenne) E(X) de la variable alatoire X est dnie par :
+

E(X) =

tf (t) dt.

Dnition et notation 8.5 (Variance) Soit X une variable alatoire continue de densit de probabilit f . Alors 10 la variance V (X) de la variable alatoire X est dnie par :
+

V (X) =

t2 f (t) dt (E(X))2 = E X 2 (E(X))2 .

Dnition et notation 8.6 (cart-type) Soit X une variable alatoire continue de variance V (X). Lcart-type (X) de X est dni par : (X) =
0 1

V (X).
si x [0, 1] si x [0, 1]

Exercice 8.2 On considre la fonction f dnie sur R par : f (x) =

1. Montrer que f est une densit de probabilit. 2. Soit X une variable alatoire de densit de probabilit f . Calculer la moyenne et lcart-type de X. Exercice 8.3 On considre la fonction f dnie sur R par : f (x) = 0 exp(x) si x ] , 0[ si x [0, + [

1. Montrer que f est une densit de probabilit. 2. Soit X une variable alatoire de densit de probabilit f . Calculer la moyenne et lcart-type de X.
7.
+

f (t) dt = lim

b lim b+ a

f (t) dt

= lim

b+

b lim a a

f (t) dt

8. Quelques claircissements sur la notion desprance peuvent tre lus page 2. 9. Avec des conditions de convergence de lintgrale dont nous ne nous proccuperons pas. 10. Voir la note 9
DUT Gnie Biologique Anne universitaire 2007/2008

11

Loi normale (loi de Laplace-Gauss)

La dmonstration classique du rsultat suivant utilise un calcul dintgrale double. Ce rsultat sera ici admis. Thorme 9.1 Soient m R et R . Alors f : R R, x + est une densit de probabilit. 1 (x m)2 exp 2 2 2

Dnition et notation 9.1 (Loi normale N (m, )) Soient m R et R . On dit que + la variable alatoire continue X suit la loi normale N (m, ), lorsque la densit de probabilit de X est la fonction f dnie sur R par :
(tm)2 1 f (t) = e 22 . 2

Remarque : Si X suit la loi normale N (m, ), alors pour tout a et tout b dans R, a < b : P (a < X b) = P (a < X < b) = P (a X < b) = P (a X b).

Thorme 9.2 (Esprance) Soit X une variable alatoire suivant la loi N (m, ). Alors, E(X) = m.
Dmonstration 9.2 En faisant abstraction de ltude de la convergence des intgrales, on a : 1 E(X) = 2 = 2 1 +m 2
+ +

x exp 1

1 2

xm

dx 1 2 xm dx
+ 2

xm 1 2

exp xm
2 2

dx

exp

1 exp = 2 2 =0+m=m

xm

+m

Thorme 9.3 (Variance) Soit X une variable alatoire suivant la loi N (m, ). Alors, V (X) = 2 .
Dmonstration 9.3 En faisant abstraction de ltude de la convergence des intgrales, on a : 1 E(X 2 ) = 2 = 2
+ +

x2 exp 1 xm

1 2

xm exp 1 2

dx xm
2 2

dx

1 +m 2
T. Cuesta

1 x exp 2

xm

dx

IUT de Crteil

12
1 Dune part, m 2 + 1 x (E(X))2 , on 2 xm + x exp

9 LOI NORMALE (LOI DE LAPLACE-GAUSS)

1 2
xm 2

dx = m2 . Dautre part, une intgration par parties de

obtient : V (X)

exp 1 2

xm 2 = 2.

dx permet dobtenir comme rsultat 2 . Comme V (X) = E(X 2 )

On remarque que les paramtres m et de la loi normale N (m, ) correspondent respectivement la moyenne (lesprance) et lcart-type de toute variable alatoire suivant cette loi. Dnition 9.2 (Loi normale centre rduite) La loi normale dont les paramtres sont : m = 0 et = 1, note N (0, 1), sappelle la loi normale centre rduite. Notation 9.3 La fonction de rpartition dune variable alatoire T qui suit la loi normale centre rduite N (0, 1) est note : . On a donc :
t

(t) = P (T

t) =

1 x2 exp 2 2

dx.
2

La courbe reprsentative de la fonction f : R R, x 1 exp x , densit de probabilit 2 2 dune variable alatoire suivant une loi normale centre et rduite est donne ci-dessous :
0,5 0 1

Cette courbe en cloche est une gaussienne 11 . Thorme 9.4 Pour tout t dans R : (t) = 1 (t).
Dmonstration 9.4 (t) =
t

1 x2 exp 2 2

dt.

Le changement de variable u = x, permet dobtenir : (t) =

+ 1 u2 1 u2 exp exp du = 2 2 2 2 + t t 1 u2 exp =1 du = 1 (t). 2 2 t

du

Une dmonstration plus visuelle et moins rigoureuse, consiste utiliser la parit de la fonction densit de probabilit. On voit alors (dessin ralis pour t > 0), que laire (t) de la partie du plan comprise entre la courbe et laxe des abscisses, situe gauche de la droite dquation x = t, est gale laire 1 (t) de la partie du plan comprise entre la courbe et laxe des abscisses, situe droite de la droite dquation x = t. 0,5 t 0 t1

11. On appelle gaussienne une courbe reprsentative dune densit de probabilit dune variable alatoire suivant une loi de Laplace-Gauss.
DUT Gnie Biologique Anne universitaire 2007/2008

13 Thorme 9.5 Soit X une variable alatoire suivant la loi N (m, ). Notons T la variable alatoire dnie pour tout dans , par : T () = X()m . Alors, T est une variable alatoire centre rduite, et T suit la loi normale centre rduite N (0, 1).
Dmonstration 9.5 FT (x) =P (T =

x) = P

X m

= P (X

x + m)

x+m

(tm)2 1 e 22 dt. 2

Le changement de variable u =

tm

dans cette dernire intgrale, permet dobtenir :

x

FT (x) =

u2 1 e 2 du. 2

On en dduit que T suit la loi normale N (0, 1). Alors, daprs les thormes 9.2 et 9.3, on a : E(T ) = 0 et (T ) = V (T ) = 1.

tout a et tout b dans R, a < b, on a :

Thorme 9.6 (Moivre-Laplace) Soit Xn une variable alatoire suivant la loi binomiale X B(n, p). On associe Xn la variable centre rduite Tn dnie par : Tn = n np . Alors, pour
np(1p) b n+

lim P (a < Tn

b) =
a

1 x2 exp 2 2

dx.

Dans la pratique, pour n assez grand (n 50) et p ni voisin de 0 ni voisin de 1, on estime que la loi normale N np, np(1 p) est une bonne approximation de la loi binomiale B(n, p).
Exercice 9.1 BTS groupement A session 2001, exercice 2 (Voir exercice 7.1 page 9) 3. On sintresse dans cette question la dure de dcharge des batteries. On note Y la variable alatoire qui tout chantillon de 100 batteries associe la moyenne des dures de dcharge. On admet que la variable alatoire Y suit la loi normale de paramtres m = 80 et = 0,4. (a) Calculer la probabilit : P (79 Y 81). (b) Dterminer le rel a tel que : P (Y a) = 0,95. On donnera une valeur dcimale approche 2 prs par dfaut de a. 10 (c) Calculer la probabilit de lvnement : (Y 80) sachant que (Y 79,34) . Exercice 9.2 BTS Biochimiste, session 1996, exercice 1 Une entreprise produit en trs grande quantit des ampoules dune solution injectable. La probabilit quune ampoule, prise au hasard dans la production de lusine, ne suive pas le cahier des charges et soit donc considre comme dfectueuse est 0,001. 1. On prlve au hasard 100 ampoules dans la production dune journe. Le prlvement seectue avec remise. On appelle X la variable alatoire prenant pour valeur le nombre dampoules dfectueuses de ce prlvement. Quelle est la loi de probabilit de la variable alatoire X ? Prciser ses paramtres, son esprance mathmatiques, sa variance et son cart-type.
T. Cuesta IUT de Crteil

14

10 LOI EXPONENTIELLE
2. On admet que lon peut approcher la loi de probabilit de X par une loi de Poisson. (a) Quel est le paramtre de cette loi de Poisson? (b) Calculer les probabilits des vnements suivants : A : il ny a aucune ampoule dfectueuse dans le prlvement . B : il y a au plus deux ampoules dfectueuses dans le prlvement . 3. On a mesur le volume de liquide dans chaque ampoule de ce prlvement, et on a obtenu les rsultats suivants : Volume [4,94 ; 4,96[ [4,96 ; 4,98[ [4,98 ; 5,00[ [5,00 ; 5,02[ en cm3 Eectif 11 22 30 18 Volume [5,02 ; 5,04[ [5,04 ; 5,06[ [5,06 ; 5,08[ en cm3 Eectif 10 8 1 Dans ce qui suit, les rsultats seront donns sous forme dcimale arrondie au centime le plus proche. (a) Calculer une approximation de la moyenne x et de lcart-type e de cette srie statistique. (b) Soit Y une variable alatoire suivant la loi normale centre rduite. Calculer le rel t 0,01 tel que P (t0,01 Y t0,01 ) = 0,99. (La dernire partie de la question porte sur un problme destimation)

10

Loi exponentielle

volution temporelle dune abilit

On suppose quun quipement donn peut connatre une dfaillance de manire alatoire. On note R(t) la probabilit que lquipement fonctionne encore linstant t ; R(t) est aussi la probabilit que la panne intervienne aprs linstant t. Soit X la variable alatoire qui donne linstant auquel la panne survient. On a : P (X > t) = R(t). Notons F la fonction de rpartition de X et notons f = F sa densit de probabilit. On a : P (X t) = F (t) = 1 R(t). Dnition 10.1 (Taux de dfaillance) Avec les notations ci-dessus, le rapport Z(t) est la taux de dfaillance linstant t. Dans le cas o Z est une fonction constante donnant pour image tout t 0, on obtient lquation direntielle : = R , car f = F = R . On en dduit que R(t) = Cet . R On suppose quau temps t = 0 lquipement fonctionne. On a donc R(0) = 1 ; ce qui permet de dterminer la valeur de C. On trouve C = 1. En intgrant R, on obtient : f (t) = et +C . Or, pour que lintgrale de f sur R converge, + on doit avoir C = 0. On vrie que f (t) dt = 1. f (t) = R(t)

Dnition et notation 10.2 (Loi exponentielle E()) Soit X une variable alatoire conti0 si t < 0 . nue dont la densit de probabilit est la fonction f dnie sur R par : f (t) = t e si t 0 On dit alors que X suit la loi exponentielle de paramtre . Cette loi est note : E().
DUT Gnie Biologique Anne universitaire 2007/2008

15 On dmontre, laide dintgrations par parties, les rsultats suivants : Thorme 10.1 (Esprance, Variance) Soit X une variable alatoire suivant la loi exponentielle E(). Alors, 1 1 et V (X) = 2 . E(X) =
1 Dnition 10.3 (MTBF) Lesprance E(X) = de la variable alatoire X de loi E() est appele : dure de vie moyenne ou MTBF (Mean Time Between Failures).

Exercice 10.1 On considre un quipement industriel compos de machines dont la dure de vie suit une mme loi exponentielle de dure de vie moyenne est gale 20 000 heures. Quelle est la proportion de machines qui tomberaient en panne aprs expiration dune garantie de 5 000 heures?

11

Loi du 2

Dnition et notation 11.1 (Loi du 2 n degrs de libert) Soient X1 , X2 , . . . , Xn , n variables alatoires indpendantes de mme loi N (0, 1). La loi de la variable alatoire
2 2 2 X = X1 + X2 + + X n

est appele 12 loi du 2 n degrs de libert. Cette loi est note 2 (n). La densit de probabilit de la loi 2 (n) est susamment complique pour que nous nen abordions pas ltude. De mme, nous admettrons : Thorme 11.1 (Esprance, Variance) Soit X une variable alatoire suivant la loi 2 (n). Alors, E(X) = n et V (X) = 2n. La loi du 2 intervient dans des problmes destimation, de test dhypothses sur la la variance ou lcart-type. Thorme 11.2 Soient X1 , X2 , . . . , Xn , n variables alatoires indpendantes de mme loi 1 1 N (, ). On pose X = n n Xi et S 2 = n1 n (Xi X)2 . Alors, la variable alatoire i=1 i=1 n 2 2 (Xi X) (n 1)S X = i=1 2 = suit la loi 2 (n 1). 2

12

Loi de Student

Je ne proposerai ici aucune description de cette loi qui intervient dans des tests statistiques sur des chantillons de petites tailles.

13

Loi de Fisher-Snedecor

Loi utilise dans des tests statistiques de comparaison de deux variances dchantillons.
12. Lire : khi-deux .
T. Cuesta IUT de Crteil

14

Loi normale centre rduite

t

DUT Gnie Biologique Anne universitaire 2007/2008

16

1 Valeurs de (t) = 2
t 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 t 0.00 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 3 0.99865 4 0.999968

e
0.01 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 3.1 0.99903

x2 2

dx en fonction de t.
0.02 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.03 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 3.3 0.99952 4.3 0.999991 0.04 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 3.4 0.99966 4.4 0.999995 0.05 0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.9115 0.9265 0.9394 0.9505 0.9599 0.9678 0.9744 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.9960 0.9970 0.9978 0.9984 3.5 0.99977 4.5 0.999997 0.06 0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.9131 0.9279 0.9406 0.9515 0.9608 0.9686 0.9750 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 0.9961 0.9971 0.9979 0.9985 3.6 0.999841 0.07 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.9147 0.9292 0.9418 0.9525 0.9616 0.9693 0.9756 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 0.9962 0.9972 0.9979 0.9985 3.7 0.999892 0.08 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.9162 0.9306 0.9429 0.9535 0.9625 0.9699 0.9761 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.9963 0.9973 0.9980 0.9986 3.8 0.999928 0.09 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8389 0.8621 0.8830 0.9015 0.9177 0.9319 0.9441 0.9545 0.9633 0.9706 0.9767 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0.9964 0.9974 0.9981 0.9986 3.9 0.999952

14 LOI NORMALE CENTRE RDUITE

3.2 0.99931 4.2 0.999987

4.1 0.999979

15

Loi de Student
nu\alpha 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 80 120

T. Cuesta IUT de Crteil

Valeurs de t telles que P (|T | > t ) = , en fonction de et du degr de libert .

0.9 0.158 0.142 0.137 0.134 0.132 0.131 0.130 0.130 0.129 0.129 0.129 0.128 0.128 0.128 0.128 0.128 0.128 0.127 0.127 0.127 0.127 0.127 0.127 0.127 0.127 0.127 0.127 0.127 0.127 0.127 0.126 0.126 0.126 0.126 0.126 0.8 0.325 0.289 0.277 0.271 0.267 0.265 0.263 0.262 0.261 0.260 0.260 0.259 0.259 0.258 0.258 0.258 0.257 0.257 0.257 0.257 0.257 0.256 0.256 0.256 0.256 0.256 0.256 0.256 0.256 0.256 0.255 0.254 0.254 0.254 0.253 0.7 0.510 0.445 0.424 0.414 0.408 0.404 0.402 0.399 0.398 0.397 0.396 0.395 0.394 0.393 0.393 0.392 0.392 0.392 0.391 0.391 0.391 0.390 0.390 0.390 0.390 0.390 0.389 0.389 0.389 0.389 0.388 0.387 0.387 0.386 0.385 0.6 0.727 0.617 0.584 0.569 0.559 0.553 0.549 0.546 0.543 0.542 0.540 0.539 0.538 0.537 0.536 0.535 0.534 0.534 0.533 0.533 0.532 0.532 0.532 0.531 0.531 0.531 0.531 0.530 0.530 0.530 0.529 0.527 0.526 0.526 0.524 0.5 1.000 0.816 0.765 0.741 0.727 0.718 0.711 0.706 0.703 0.700 0.697 0.695 0.694 0.692 0.691 0.690 0.689 0.688 0.688 0.687 0.686 0.686 0.685 0.685 0.684 0.684 0.684 0.683 0.683 0.683 0.681 0.679 0.678 0.677 0.674 0.4 1.376 1.061 0.978 0.941 0.920 0.906 0.896 0.889 0.883 0.879 0.876 0.873 0.870 0.868 0.866 0.865 0.863 0.862 0.861 0.860 0.859 0.858 0.858 0.857 0.856 0.856 0.855 0.855 0.854 0.854 0.851 0.848 0.846 0.845 0.842 0.3 1.963 1.386 1.250 1.190 1.156 1.134 1.119 1.108 1.100 1.093 1.088 1.083 1.079 1.076 1.074 1.071 1.069 1.067 1.066 1.064 1.063 1.061 1.060 1.059 1.058 1.058 1.057 1.056 1.055 1.055 1.050 1.045 1.043 1.041 1.036 0.2 3.078 1.886 1.638 1.533 1.476 1.440 1.415 1.397 1.383 1.372 1.363 1.356 1.350 1.345 1.341 1.337 1.333 1.330 1.328 1.325 1.323 1.321 1.319 1.318 1.316 1.315 1.314 1.313 1.311 1.310 1.303 1.296 1.292 1.289 1.282 0.1 6.314 2.920 2.353 2.132 2.015 1.943 1.895 1.860 1.833 1.812 1.796 1.782 1.771 1.761 1.753 1.746 1.740 1.734 1.729 1.725 1.721 1.717 1.714 1.711 1.708 1.706 1.703 1.701 1.699 1.697 1.684 1.671 1.664 1.658 1.645 0.05 12.706 4.303 3.182 2.776 2.571 2.447 2.365 2.306 2.262 2.228 2.201 2.179 2.160 2.145 2.131 2.120 2.110 2.101 2.093 2.086 2.080 2.074 2.069 2.064 2.060 2.056 2.052 2.048 2.045 2.042 2.021 2.000 1.990 1.980 1.960 0.02 31.821 6.965 4.541 3.747 3.365 3.143 2.998 2.896 2.821 2.764 2.718 2.681 2.650 2.624 2.602 2.583 2.567 2.552 2.539 2.528 2.518 2.508 2.500 2.492 2.485 2.479 2.473 2.467 2.462 2.457 2.423 2.390 2.374 2.358 2.326 0.01 63.657 9.925 5.841 4.604 4.032 3.707 3.499 3.355 3.250 3.169 3.106 3.055 3.012 2.977 2.947 2.921 2.898 2.878 2.861 2.845 2.831 2.819 2.807 2.797 2.787 2.779 2.771 2.763 2.756 2.750 2.704 2.660 2.639 2.617 2.576 0.001 636.619 31.599 12.924 8.610 6.869 5.959 5.408 5.041 4.781 4.587 4.437 4.318 4.221 4.140 4.073 4.015 3.965 3.922 3.883 3.850 3.819 3.792 3.768 3.745 3.725 3.707 3.690 3.674 3.659 3.646 3.551 3.460 3.416 3.373 3.291

17

16

Loi de Poisson
k\lambda 0 1 2 3 4 5 6 k\lambda 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 0.2 0.8187 0.1637 0.0164 0.0011 0.0001 0.0000 0.0000 1 0.368 0.368 0.184 0.061 0.015 0.003 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.3 0.7408 0.2222 0.0333 0.0033 0.0003 0.0000 0.0000 1.5 0.223 0.335 0.251 0.126 0.047 0.014 0.004 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.4 0.6703 0.2681 0.0536 0.0072 0.0007 0.0001 0.0000 2 0.135 0.271 0.271 0.180 0.090 0.036 0.012 0.003 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.5 0.6065 0.3033 0.0758 0.0126 0.0016 0.0002 0.0000 3 0.050 0.149 0.224 0.224 0.168 0.101 0.050 0.022 0.008 0.003 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.6 0.5488 0.3293 0.0988 0.0198 0.0030 0.0004 0.0000 4 0.018 0.073 0.147 0.195 0.195 0.156 0.104 0.060 0.030 0.013 0.005 0.002 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 5 0.007 0.034 0.084 0.140 0.175 0.175 0.146 0.104 0.065 0.036 0.018 0.008 0.003 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 6 0.002 0.015 0.045 0.089 0.134 0.161 0.161 0.138 0.103 0.069 0.041 0.023 0.011 0.005 0.002 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 7 0.001 0.006 0.022 0.052 0.091 0.128 0.149 0.149 0.130 0.101 0.071 0.045 0.026 0.014 0.007 0.003 0.001 0.001 0.000 0.000 0.000 0.000 0.000 8 0.000 0.003 0.011 0.029 0.057 0.092 0.122 0.140 0.140 0.124 0.099 0.072 0.048 0.030 0.017 0.009 0.005 0.002 0.001 0.000 0.000 0.000 0.000 9 0.000 0.001 0.005 0.015 0.034 0.061 0.091 0.117 0.132 0.132 0.119 0.097 0.073 0.050 0.032 0.019 0.011 0.006 0.003 0.001 0.001 0.000 0.000 10 0.000 0.000 0.002 0.008 0.019 0.038 0.063 0.090 0.113 0.125 0.125 0.114 0.095 0.073 0.052 0.035 0.022 0.013 0.007 0.004 0.002 0.001 0.000

DUT Gnie Biologique Anne universitaire 2007/2008

18

Valeurs de P (X = k)

16 LOI DE POISSON

17

Loi du 2
ddl\a 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 0.999 0,0000 0,002 0,024 0,091 0,210 0,381 0,598 0,857 1,152 1,479 1,834 2,214 2,617 3,041 3,483 3,942 4,416 4,905 5,407 5,921 6,447 6,983 7,529 8,085 8,649 9,222 9,803 10,391 10,986 11,588 0,990 0,0002 0,020 0,115 0,297 0,554 0,872 1,239 1,646 2,088 2,558 3,053 3,571 4,107 4,660 5,229 5,812 6,408 7,015 7,633 8,260 8,897 9,542 10,196 10,856 11,524 12,198 12,879 13,565 14,256 14,953 0,975 0,001 0,051 0,216 0,484 0,831 1,237 1,690 2,180 2,700 3,247 3,816 4,404 5,009 5,629 6,262 6,908 7,564 8,231 8,907 9,591 10,283 10,982 11,689 12,401 13,120 13,844 14,573 15,308 16,047 16,791 0,900 0,016 0,211 0,584 1,064 1,610 2,204 2,833 3,490 4,168 4,865 5,578 6,304 7,042 7,790 8,547 9,312 10,085 10,865 11,651 12,443 13,240 14,041 14,848 15,659 16,473 17,292 18,114 18,939 19,768 20,599 0,850 0,036 0,325 0,798 1,366 1,994 2,661 3,358 4,078 4,817 5,570 6,336 7,114 7,901 8,696 9,499 10,309 11,125 11,946 12,773 13,604 14,439 15,279 16,122 16,969 17,818 18,671 19,527 20,386 21,247 22,110 0,150 2,072 3,794 5,317 6,745 8,115 9,446 10,748 12,027 13,288 14,534 15,767 16,989 18,202 19,406 20,603 21,793 22,977 24,155 25,329 26,498 27,662 28,822 29,979 31,132 32,282 33,429 34,574 35,715 36,854 37,990 0,100 2,706 4,605 6,251 7,779 9,236 10,645 12,017 13,362 14,684 15,987 17,275 18,549 19,812 21,064 22,307 23,542 24,769 25,989 27,204 28,412 29,615 30,813 32,007 33,196 34,382 35,563 36,741 37,916 39,087 40,256 0,025 5,024 7,378 9,348 11,143 12,833 14,449 16,013 17,535 19,023 20,483 21,920 23,337 24,736 26,119 27,488 28,845 30,191 31,526 32,852 34,170 35,479 36,781 38,076 39,364 40,646 41,923 43,195 44,461 45,722 46,979 0,010 6,635 9,210 11,345 13,277 15,086 16,812 18,475 20,090 21,666 23,209 24,725 26,217 27,688 29,141 30,578 32,000 33,409 34,805 36,191 37,566 38,932 40,289 41,638 42,980 44,314 45,642 46,963 48,278 49,588 50,892 0.001 10,828 13,816 16,266 18,467 20,515 22,458 24,322 26,124 27,877 29,588 31,264 32,909 34,528 36,123 37,697 39,252 40,790 42,312 43,820 45,315 46,797 48,268 49,728 51,179 52,620 54,052 55,476 56,892 58,301 59,703

T. Cuesta IUT de Crteil

Valeurs ayant pour probabilit a dtre dpasses, en fonction du degrs de libert.

19