Fichier PDF

Partage, hébergement, conversion et archivage facile de documents au format PDF

Partager un fichier Mes fichiers Convertir un fichier Boite à outils PDF Recherche PDF Aide Contact



Complement Module5 Statistique .pdf



Nom original: Complement Module5 Statistique.pdf
Auteur: magal

Ce document au format PDF 1.5 a été généré par PScript5.dll Version 5.2.2 / Bullzip PDF Printer / www.bullzip.com / Freeware Edition (not registered), et a été envoyé sur fichier-pdf.fr le 04/01/2017 à 00:11, depuis l'adresse IP 41.248.x.x. La présente page de téléchargement du fichier a été vue 609 fois.
Taille du document: 3.1 Mo (49 pages).
Confidentialité: fichier public




Télécharger le fichier (PDF)









Aperçu du document


ismtrl.omar@gmail.com

Lois de Probabilité

Complement
module 5:Statistique

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Loi de Bernoulli
Soit un univers 0 constitué de deux éventualités, S pour succès et E pour échec

0= {E, S}
sur lequel on construit une variable aléatoire discrète, « nombre de succès» telle que au cours
d'une épreuve,
si S est réalisé, X= 1
si E est réalisé, X =

°

On appelle variable de Bernoulli ou variable indicatrice,
la variable aléatoireX telle que: X: 0 ---t IR
X(O) = {O,l}

La loi de probabilité associée à la variable de Bernoulli X telle que,
P(X= 0) =q
P(X=l) = P avec p+q

1
est appelée loi de Bernoulli notée B(l,p)
=

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

L'espérance de la variable de Bemoulli est
2

car par définition

E(X) = LXiPi

= (0 X

q) + (1 xp)

=P

;=1

La variance de la variable de Bernoulli est

V(X)

2

car par définition V(X) = LX;2p; - E(X)2 = [(0 X q) + (1 x p)] _ p2
;=1

d'où V(X)

=

P - p2 = P (1 - p)

Complément module Statistique 2015/2016

= pq

= pq

1

ismtrl.omar@gmail.com

Loi binomiale
Décrite pour la première

fois par Isaac Newton en 1676 et démontrée pour la première fois

par le mathématicien suisse Jacob Bernoulli en 1713, la loi binomiale est l'une des
distributions de probabilité les plus fréquemment rencontrées en statistique appliquée.
Soit l'application
avec

Sn : rl' ~ JR_11
Sn

= X]

+ X2 +...+ X + ...+ XI

où Xi est une variable de Bernoulli

La variable binomiale, Sn . représente le nombre de succès obtenus lors de la répétition de n
épreuves identiques et indépendantes, chaque épreuve ne pouvant donner que deux résultats
possibles.
Ainsi la loi de probabilité suivie par la somme de n variables de Bernoulli où la probabilité
associée au succès est p, est la loi binomiale de paramètres n et p.
Sn: on ~ JR_n
n

Sn

= 'L.x;,
i=l

~

13(n,p)

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

La probabilité que Sn

=

k, c'est à dire l'obtention de k succès au cours de n épreuves

indépendantes est :

c:

P(S/1 = k) = /lP k q IJ-k

Dénlonstration

Il est facile de démontrer que l'on a bien une loi de probabilité car:
/1

LP(Sn
k=O

Il

=k)=

LC}~pkqll-k

= (p+q)11 =1 carp+q=l

k=O

Remarque : Le développement du binôme de Newton (p+q)" permet d'obtenir l'ensemble
des probabilités pour une distribution binomiale avec une valeur n et p donnée. Il existe
également des tables de la loi binomiale où les probabilités sont tabulées pour des valeurs n et
p données.

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Exemple:
Dans une expérience sur le comportement du rat, rattus norvegiens, on fait pénétrer
successivement n rats dans un labyrinthe en forme de H. On étudie alors la probabilité que k
rats empruntent la branche supérieure droite du H.
A chaque épreuve, deux évènements peuvent se produire: soit le rat suit l'itinéraire voulu
(succès) soit il ne l'emprunte pas (échec). Sachant qu'il y a 4 itinéraires possibles (branches),
la probabilité du succès p = 1/4.

Hypothèse:
- si les rats n'ont pas été conditionnés,
- si la branche supérieure droite ne comporte aucun élément attractif ou répulsif,
- si le choix de l'itinéraire d'un rat n'affecte pas le choix du suivant (odeurs)
alors: la variable aléatoire X « itinéraire emprunté pour x rats» suit une loi binomiale

1

X ~ j3(n,-)
4

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

dont la distribution des probabilités est la suivante si l'on étudie le comportement de 5 rats:

k
P(X=k)
o , 40

Distribution de probabilités
de la variable binomiale X
X ~ B (5, 0,25)

~~

0,30

0,20

1

-

-

2

-

0,10

°

3

-

,

0,00

o

,

,

1

2

,

3

. .....

1
,

r

4

5

k

Nombre de rats ayant emprunt" la
branche suprleure droite du labyrinthe.

Complément module Statistique 2015/2016

4
5

P(X= k)

c~(~r

= 0,237

c~(~)G)

= 0,395

c~GrGr

-

c;

= 0,088

4

erer
4

4

c;(!)c)'
CgCr

0,264

= 0,015

= 0,001

ismtrl.omar@gmail.com

Espérance et variance pour la loi binomiale

E(Sn) = np

L'espérance d'une variable binomiale Sn est égale à
en effet

E(SII) = E(X1 + X2+ ... + X+ ...+ XI)
n

or

E(X1 + X2+· .. + X;+ ...+ Xn) = LE(X;)

propriété de l'espérance

;=1
n

Il

et

E(SII) = L E(X;) = LP
Î= 1

d'où

E(Sn)

avec E(X;) = p

variable de Bernoulli

i= 1

= np

La variance d,urle variable binomiale Sn est égale à

en effet

V(Sn) = npq

V(Sn) = V(X1 + X2+ ... + X+ ...+ Xn)
Il

or

V(X] + X2+ ... + X;+ ...+ Xn) = LV(X;)

propriété de la variance

;=1
n

et

V(Sn) =LV(X;)
;=1

d'où

n

= LPq

avec V(X)

;=1

V(Sn) = npq
Complément module Statistique 2015/2016

= pq

car variable de Bernoulli

ismtrl.omar@gmail.com

Loi de Poisson
Pour chaque entier k ≥ 1 (fixé) la loi binomiale vérifie la propriété suivante :
P(Sn = k) = C p ( 1 − p)
k
n

n−k

k

λk e− λ

,
k!

lorsque n → +∞, sous la contrainte
np = λ
où λ est le nombre moyen de réalisation.
Remarque: Si on reprend l’exemple des rats, on pour n=100 rats on a p=1/4
et λ=25.

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Comparaison de la loi binomiale et la loi de Poisson
pour n=100, λ=1, p=0.01
TABLE

Binomiale

2

AN EXAMPLE OF THE POISSON ApPROXIMATION

Poisson
Nk

k

b(k; 100, 0.01)

0
1
2
3
4

0.366032
0.369730
0.184 865
0.060999
0.014 942

0.367
0.367
0.183
0.061
0.015

879
879
940
313
328

41

5
6
7
8
9

0.002898
0.000463
0.000063
0.000007
0.000001

0.003 066
0.000 5t 1
0.000073
0.000009
0.000001

l
0
0
0
0

p(k; 1)

34
16
8
0

The first columns illustrate the Poisson approximation to the binomial
distribution. The last column records the number of batches of 100 pairs of
random digits each in which the combination (7, 7) appears exactly k times.

Donc en pratique lorsque l’on a un « grand nombre » d’évènements qui suivent une
loi binomiale et qu’on connaît la moyenne λ, on peut utiliser une loi de Poisson.
Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Démonstration
En effet on a p =
C p (1 − p)
k
n

k

n−k

λ
n

n!
λ 
=
 
k!(n − k )!  n 

λk 

n!  1 
= 
 
k!  (n − k )!  n 

k

 λ
1 − 
 n

n−k

k

 λ
1 − 
 n

n−k





λk 

n
n!  1 
n−k 
(
)
n
= 

λ
 

k!  (n − k )!  n 

n

n
Mais d' aprés la formule de Striling (i.e. n! ≈ 2πn   ) on a
e
n!
n
nn
e −k

n−k
(n − k )!
n − k (n − k )
donc
n!  1 
n n−λ
n−k
lim
n − λ ) = lim
(




n → +∞
n → +∞
(n − k )!  n 
n−kn−k 
n

n−λ
= lim 

n → +∞
n−k 

n−k

e −k
Complément module Statistique 2015/2016

n−k

e −k

ismtrl.omar@gmail.com

Pour conclure il reste a montrer que
n−k

n−λ
−k
−λ
=
lim
e
e


n → +∞
n−k 
En effet on a
n−λ


n−k 

n−k

=e

 n−λ 
( n − k ) ln 

 n−k 

=e

 n −λ

( n − k ) ln 
−1+1 
n

k



  n − λ 2 
n−λ
 n−λ
ln
− 1 + 1 =
− 1 + O 
− 1 
n−k
 n−k
 n − k  
2

−λ+k
 − λ + k  

=
+ O 
 
n−k
n

k
 

Donc
 n −λ

−1+1 
( n − k ) ln 
 n−k


  − λ+k 2 
− λ + k +( n −k )O 
 
  n−k  



e
=e
d' où le résultat.

→ e − λ + k quand n → +∞,

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Une variable aléatoire X à valeurs dans];

suit une loi de Poisson de paramètre

Àke-A
P(_y = k) = ---

les réels Pk sont donnés par

k!

on note :
Remarque : Une loi de Poisson est donnée par sa loi de probabilité:
(1) Tfk,P(X= Ir) > 0

L P(X = k) = L

(2)

k;::O

d'où

k;::O

e-..l À-k

k!

L P(X = k) = e-Àe

À

À-k

= e -À

L.1';::0

k!

or

=1

k;::O

Complément module Statistique 2015/2016

Â

Oc > 0) si

ismtrl.omar@gmail.com

Espérance et variance

L 'espérance d'une variable aléatoire de Poisson est
Par définition

,

d'ou

(

E X)=

•__
).,,21
AI<

1_-J.).

L,.- = AI<

1>0

k!

e

,

= /1.

Complément module Statistique 2015/2016

E(~Y)= Â

ismtrl.omar@gmail.com

La variance d'tille variable de Poisson est

i

Par définition
1

en posant k'

=

L k2 Àke-

L .!!...)._ke-J. + L k(k-l) Àke-J.

J

=

k!

k~O


d'ou)'k;;

k + k(k -1). alors

.;,0 k!

"'e-À

, A.'

k~O
_{

12,3

A

k!
A

1k+lJ

/!.

=e À+-+-+ ...+--+e
k!
1! 2!
k!

l

-A'

Complément module Statistique 2015/2016

À3)4

/l

1!

2!

J

A·k+2

).-+-+-+....
+-k!

ismtrl.omar@gmail.com

Comparaison de la loi binomiale et la loi de Poisson
pour n=500, p=1/365, λ=500/365
(c) Birthdays. What is the probability, Pk' that in a company of 500
people exactly k will have birthdays on New Year's Day? If the 500
people are chosen at random, we may apply the scheme of 500 Bernoulli
trials with probability ofsuccess P = ais. For the Poisson approximation
we put ). = ~~-~
= 1.3699 ....
The correct probabilities and their Poisson approximations are as
follows:

k

o

1

2

3

4

5

6

Binomial

0.2537

0.3484

0.2388

0.1089

0.0372

0.0101

0.0023

Poisson

0.2541

0.3481

0.2385

0.1089

0.0373

0.0102

0.0023

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Exemple:
Une suspension bactérienne

contient 5000 bactéries/litre.

On ensenlence à partir de cette

suspension, 50 boites de Pétri, à raison dI cn13 par boite. Si X représente le nombre de
colonies par boite, alors la loi de probabilité de X est:
X ~ P(À=5)
La probabilité qu'il n'y ait aucune colonie sur la boite de Pétri est:

Rappel: 1 litre=1000 cm3
Donc ici le nombre moyen de bactéries par boite est 5.
On suppose aussi que le nombre de colonie par boite
est le même que le nombre moyen de bactéries par boites

P(X

= 0) =

50

-5

e

O!

= 0,0067 soit approximativement

0,67 o de chance.

La probabilité qu'il n'y ait au moins une colonie sur la boite de Pétri est:
P(X> 0)=1- P(X= 0) = 1-0,0067 = 0,9933 soit 99,3 o de chance d'avoir au moins
une colonie bactérienne qui se développe dans la boite de Pétri. (voir événement contraire)
Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Loi binomiale négative (des temps d’attente)
Sous les conditions de Bernoulli (épreuves identiques et indépendantes), on
désire connaître la probabilité (d’attendre) de faire X=k épreuves
indépendantes, pour avoir n succès.

x suit une loi biuomtale

nêganve de paramètres n et p notée LJN (n,p) si :

1
n k-n
P (..(1.~T_- k) -_ Cnk-I P q

avec k; n

Complément module Statistique 2015/2016

E

N et k>

Il

ismtrl.omar@gmail.com

Espérance et variance

L'espérance associée il une loi binomiale négative est:

-

La variance associée il une loi binomiale nézative est:

Complément module Statistique 2015/2016

E(À') =!!_

p

V(.,Y) = 11~

P

ismtrl.omar@gmail.com

Loi géométrique ou loi de Pascal
ou binomiale négative avec n=1
Lorsque le nombre de succès n est égal à 1. la loi de la variable aléatoire discrète X porte

le nom de loi de Pasral ou loi gêomêrrtque de paramètre p telle que
P(X

D'où J'espérance

= k) = pq k-I

avec kEN



associée à la loi géométrique est:

l

E(X)=-

P
et la varmuce associée à la loi géométrique est:

Complément module Statistique 2015/2016

V(À.')=~
p'

ismtrl.omar@gmail.com

Loi normale ou loi de Laplace-Gauss
On parle de loi normale lorsque l'on a affaire à une variable aléatoire continue dépendant

d'un grand nombre de causes indépendantes dont les effets s'additionnent et dont aucune n'est
prépondérante (conditions de Borel). Cette loi acquiert sa forme définitive avec Gauss (en
1809) et Laplace (en 1812). C'est pourquoi elle porte également les n0111Sde: loi de
Laplace, loi de Gauss et loi de Laplace-Gauss.
Une variable aléatoire absolument continue X suit une loi normale de paramètres (~L, 0) si
sa densité de probabilité est donnée par:

f:IR~IR
x

1---7

f(x)

=

1

e

---1(X-I')2

CF

.,
avec Il

E

IR et

0 E

R

+

(j~

X ~

Notation:

V(Il, 0)

+∞

On admettra que

∫ f ( x)dx = 1 car on ne peut pas calculer cette intégrale par

-∞

des méthodes usuelles.
Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

La fonction J est paire autour d'un axe de symétrie x = IJ. car fCx +
d'où DE = [~l , +oo[

La dérivé premièreJ'(x)
d'où J'(x)

=

est égale à :J'(x) = _(

0 pour x

= ~L et

d'oùJ"(x)

pour x

=0

= ~L + cr

~ + cr

x

x;/' YX)

DélTIonstration

J'(x) < 0 pour x > ~l

La dérivé seconde f " (x) est égale à :

f"(x)

fClJ. - x)

~L ) =

~2(1 -

~-

(x

:;")2

et J"(x) > 0 pour x >

~L

)1

Dénl0nstration

(x)

+ cr

+00
0.2-

o

J"(x)
J'(x)

11\

+

0=2
0=5
0=10
0=20
0=30

0.15-

0

1
0.1

fCx)
1

a../2n

1

e

2

,

o

- 20

-10

Complément module Statistique 2015/2016

o

\.
,

o

,

20

,
30

ismtrl.omar@gmail.com

Espérance et variance

L'espérance

E(X)

de la loi normale vaut :

La variance de la loi normale vaut:

Complément module Statistique 2015/2016

1

V(X)

= ~L

= (52

ismtrl.omar@gmail.com

Loi normale centré et réduite
Une variable aléatoire continue X suit une loi normale réduite si sa densité de probabilité

est donnée par :

f: JR -+ JR

Remarque
• "V' X EJR,

·f

:

f est bien une loi de probabilité
j(x) > 0

est intégrable sur ]-00, + =l et

f:

f(x)dx

car:

=

1

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

La fonctionfest paire carj{-x) =j{x) d'où DE = [0,+00 [
La dérivé première est f'(x) = -xj{x) avecf'(x) s 0 pour x 2: O.
La dérivée seconde est f"(x) = -f(x) + x2j{x) = (x2 -l)j{x) qui s'annule pour x = 1 sur DE.

Remarque : L'axe de symétrie correspond à l'axe des ordonnées (x = 0) et le degré
d'aplatissement de la courbe de la loi normale réduite est 1.

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

L'espérance

d'une loi normale réduite est:

En effet par définition E(X)

=

f

E(X) = 0

+CI)
-CI)

xf(x)dx.

Or la fonction à intégrer est impaire d'où E(X)=O

(cours d'analyse: intégrale)

La variance d'une loi normale réduite est:
En effet par définition V(X) =

d'où

f~ x-e
V(X) = &
1

?

V(X) =

~l

or T/(X)
d'où

x2

2

-xe

1

=

&
f
21r

+en

2

~-~

e

E(X)2

x2f(x)dx-

x2
-~

-CI)

(

f:

V(X) = 1

-«> -

dx

S:

x2

î

j

') ]+00

-e 2" dx avec [ -xe '; ~

=

0

x2
2

dx =1 par définition d'une fonction de répartition

-CI)

V(XJ = 1

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Relation avec la loi normale

Si X suit une loi normale V (u,o), alors Z = X-JI , une variable centrée réduite suit
Cf

une la loi normale réduite N(O,I).

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Convergence en loi
Le théorème central limite

Appelé également théorème

de la limite centrale, il fut établi par Liapounoff et Lindeberg.

On se place dans une situation d'épreuves répétées, caractérisées par une suite
Xl, Xl, X3, ... , X;, ... , Xn de n variables aléatoires indépendantes et de même loi (espérance
E(Xï) = ~l et variance V (Xi) = (52). On définit ainsi deux nouvelles variables aléatoires:

Sn= Xl + X2 + + X;+ ...+ Xn
la moyenne M = X; + X2 + + X = ~
la somme

y

Il

n

n

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

E(Sn)

=

n~

E(Mn)

=~

cr
V(M )=n

n

Théorème central limite
Soit la variable aléatoire Sn résultant de la somme de n variables aléatoires
indépendantes et de même loi, on construit la variable centrée réduite telle que:
Sn-nfl
ZII

Alors pour tout t

E

=

(C7Fn)

1R, la fonction de répartition Fn(t) = P(Zn < t) est telle que:

Complément module Statistique 2015/2016

Le mod`
ismtrl.omar@gmail.com

.

: III~~b~_..




~.

.....""..,."

,.

...

,.

,.

'.

1"

µ

En sciences humaines on observe souvent des distributions
I

etriques autour de µ
ot sym´
plutˆ

I

avec une forme de cloche

Pour pouvoir faire des calculs, on va parfois supposer que X suit une
distribution ”mod`ele”, appel´ee Loi normale.
Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Si X suit cette distribution ”mod`ele”, on lui associe une courbe :

µ
I

courbe sym´
etrique par rapport `a µ

I

forme de cloche

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Si X suit cette distribution ”mod`ele”, on lui associe une courbe :

aire gris´ee = P (X ≤ z)

µ

z

I

courbe sym´
etrique par rapport `a µ

I

forme de cloche

I

l’aire gris´ee repr´esente la proportion cumul´ee

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Pour chaque µ, σ, il existe une loi normale de moyenne µ et
d’´
ecart-type σ.
On la note N (µ, σ).

Cas particulier
µ = 0 et σ = 1 : loi normale centr´ee/r´eduite.

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Pour chaque µ, σ, il existe une loi normale de moyenne µ et
d’´
ecart-type σ.
On la note N (µ, σ).

Cas particulier
µ = 0 et σ = 1 : loi normale centr´ee/r´eduite.

Lorsque l’on suppose qu’une variable X suit le mod`ele de la loi normale
N (µ, σ), on ´ecrit
X ∼ N (µ, σ) .

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Exemples de lois normales avec moyennes diff´
erentes, mˆeme ´ecart-type :
N (−1, 1)

N (3, 1)

-1

3

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Exemples de lois normales avec moyennes diff´
erentes, mˆeme ´ecart-type :
N (−1, 1)

N (3, 1)

-1

3

Exemples de lois normales avec mˆeme moyenne, ´
ecart-types diff´
erents :

N (3, 1)
N (3, 2)

3
Complément module Statistique 2015/2016

Le mod`
ismtrl.omar@gmail.com

µ
Pour la tracer `a la calculatrice/ordinateur,


1
(x − µ)2
y = √ exp −
.
2σ 2
σ 2π
Cette formule n’est pas utile pour ce cours !
Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

´
Etude
sur le QI de 515 enfants du mˆeme ˆage, µ = 100, 1, σ = 5, 7.

,,---------------,
SJ

n

li
QI

Complément module Statistique 2015/2016

r~Il n Il n

ismtrl.omar@gmail.com

´
Etude
sur le QI de 515 enfants du mˆeme ˆage, µ = 100, 1, σ = 5, 7.

QI

En rose, courbe de la loi normale N (µ = 100, 1; σ = 5, 7).
Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

I

distribution ”mod`ele” pour des variables quantitatives continues

I

moyenne µ, ´ecart-type σ

I

allure de la courbe :

µ
I

aires = proportions cumul´ees

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Exemple
On suppose qu’une certaine variable X ∼ N (0, 1). Pour quelle proportion
d’individus est-ce que X ≤ 1, 56 ?
On cherche P(X ≤ 1, 56) (rappel : on ´ecrit aussi F (1, 56)).

aire gris´ee = F (1, 56)

0

1, 56

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Exemple
On suppose qu’une certaine variable X ∼ N (0, 1). Pour quelle proportion
d’individus est-ce que X ≤ 1, 56 ?
On cherche P(X ≤ 1, 56) (rappel : on ´ecrit aussi F (1, 56)).
On cherche 1,56 dans la table :
..
.
1, 5
..
.

...

0, 06

...

...

0.9406

...

Donc P(X ≤ 1, 56) = 0, 9406.
Pour 94, 06 % des individus, la variable X est inf´erieure `a 1, 56.
Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Exemple
On suppose qu’une certaine variable X ∼ N (0, 1). Pour quelle proportion
d’individus est-ce que X ≥ 1, 49 ?
On cherche P(X ≥ 1, 49). On ´ecrit d’abord
P(X ≥ 1, 49) = 1 − P(X ≤ 1, 49) = 1 − F (1, 49)
On cherche 1,49 dans la table.
..
.
1, 4
..
.

...

...

...

. . . 0.9319

Donc P(X ≤ 1, 49) = 0, 9319.
Soit P(X ≥ 1, 49) = 1 − 0.9319 = 0.0681.

0, 09

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Exemple
On suppose qu’une certaine variable X ∼ N (0, 1). Pour quelle proportion
d’individus est-ce que X ≤ −1, 1 ?

P (X ≥ 1, 1)

P (X ≤ −1, 1)
-1, 1

0

1, 1

Mais on sait traiter les > :
P(X ≥ 1, 1) = 1 − P(X ≤ 1, 1) = 1 − 0, 8643.

Finalement, P(X ≤ −1,Complément
1) = 0, module
1357.Statistique 2015/2016

ismtrl.omar@gmail.com

` retenir :
A
F (−a) = 1 − F (a)

P (X ≥ 1, 1)

P (X ≤ −1, 1)
-1, 1

0

1, 1

par exemple : F (−1, 1) = 1 − F (1, 1).

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Pour n’importe quel a > 0,

I

P(X ≤ a)

⇒ table
a

0

II

P(X ≥ a)

= 1 −
0

III

IV

P(X ≤ −a)

⇒ cas I

a

0

⇒ cas II

=
-a

0

-a

0

P(X ≥ −a)

0

a

0

a

⇒ cas I

=

Complément module Statistique 2015/2016

a

ismtrl.omar@gmail.com

I

Pour faire des calculs avec une N (µ, σ), on se ram`ene `a la loi
N (0, 1).

Th´eor`eme
Si

X ∼ N (µ, σ)

alors

X −µ
∼ N (0, 1) = Z .
σ

On dit que l’on centre et r´
eduit X .
On utilise la lettre Z pour d´esigner une loi normale centr´ee/r´eduite.

Complément module Statistique 2015/2016

ismtrl.omar@gmail.com

Exemple
On suppose qu’une certaine variable X ∼ N (11; 2). Pour quelle
proportion d’individus est-ce que X ≤ 14 ?
On cherche P(X ≤ 14).
I

On centre et on r´
eduit X :

X −11
2

I


P(X ≤ 14) = P

∼ N (0, 1).

X − 11
14 − 11

2
2

= P(Z ≤ 1, 5)
I

On cherche 1, 5 dans la table.

On trouve finalement P(X ≤ 14) = 0, 9332.

Complément module Statistique 2015/2016



ismtrl.omar@gmail.com

TABLE DE LA LOI NORMALE CENTREE REDUITE
Lecture de la table: Pour z=1.24 (intersection de la ligne 1.2 et de la colonne 0.04),
on a la proportion P(Z < 1,24) = 0.8925
I(x)

P(Z > 1,96) = 0,025
P(Z > 2,58) = 0,005
P(Z > 3,29) = 0,0005
z=1.24 X
Rappels:
1/ P(Z > z) = 1 - P(Z < z) et 2/ P(Z < -z) = P(Z > z)
Exemple: Sachant P(Z < 1,24) = 0,8925, on en déduit:
1/ (P(Z > 1,24) = 1 - P(Z < 1,24) = 1- 0,8925 = 0,1075
2/ P(Z < -1,24) = P(Z > 1,24) = 0,1075
z
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
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0

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
0,99865
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99989
0,99993
0,99995
0,99997

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
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995
0,99997

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
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996
0,99997

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
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996
0,99997

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
0,99882
0,99916
0,99940
0,99958
0,99971
0,99980
0,99986
0,99991
0,99994
0,99996
0,99997

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
0,99886
0,99918
0,99942
0,99960
0,99972
0,99981
0,99987
0,99991
0,99994
0,99996
0,99997

Complément module Statistique 2015/2016

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
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996
0,99998

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
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996
0,99998

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
0,99896
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997
0,99998

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
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997
0,99998


Documents similaires


Fichier PDF complement module5 statistique
Fichier PDF fiche 17 loi binomiale
Fichier PDF stat
Fichier PDF t maths binom
Fichier PDF ent loisdensite
Fichier PDF serie corrigee n 4 variables aleatoires et lois


Sur le même sujet..