Variables aléatoires- Lois de probabilité
Définition : Soit un univers fini à N éventualités,
1; 2; 3;iN
N , on appelle variable aléatoire toute application X de dans . :k i
X
x
où k
1;2;3N
. xiest appelé valeur de la variable aléatoire X.
X xi
k/ (X k)xi
L’ensemble des antécédents des valeurs de X inférieures ou égale à un réel x se note :
X x
k/ (X k)x
. Conséquences : les n événements
X xi i
1...nforment un système complet d’événement de Définition : l’ensemble des couples ( ; (x P Xi xi)constitue la loi de probabilité de la variable aléatoire X Définir la loi de probabilité d’une expérience aléatoire, c’est :
faire une partition de l’univers avec les évènements constitué par les différentes issues possibles de l’expérience :
1; 2; 3;iN
; X( )
x x x1; 2; ;3xixn
déterminer les probabilités de chacun de ces évènements : p1, p2, … ,pn,
consigner ces résultats dans un tableau tel que celui-ci :
X xi x1 x2 … xn
( i)
P X x p1 p2 … pn
Remarque : soit p(X = xi) = pi. De plus,
1
1
i p i i
p
= p1 + p2 + … + pn B -Espérance et varianceDans ce paragraphe, on considère une épreuve dont les issues sont les nombres x1, x2, …, xn. Ces nombres sont les valeurs d’une grandeur que l’on peut noter X.
La loi de probabilité de X est alors :
valeurs possibles x1 x2 … xn
probabilité p1 p2 … pn
Définition 1: On appelle espérance mathématique de la variable aléatoire X le nombre réel, noté E(X) définie par : E(X) = x1 p1 + x2 p2 + … + x n p n ;
1
( )
i p i i i
E X x p
Remarque : lorsque E(X) = 0 pour une situation de jeu on dit que le jeu est équitable
E ( X ) représente la moyenne des gains obtenus si on répète l’épreuve un grand nombre de fois . E (X ) < 0 signifie une perte si on répète l’épreuve un grand nombre de fois
E ( X ) > 0 signifie un gain si on répète l’épreuve un grand nombre de fois
Définition 2 : On appelle variance de la variable aléatoire X le nombre réel positif, noté V(X) définie par : V X( )E X( E X( ))2 ;
2 2 21
( ) ( ) ( ) ( ( ))
n
i i
i
V X x E X p E X E X
V(X) = (x1 – E(X))² p1 + (x2 – E(X))² p2 + … + (xn – E(X))² pn.
La variance est également donnée par la formule : V(X) = x12p1 + x22p2 + … + xn2pn – E(X) 2
Démonstration :
2 2 21 1 1 1
( ) n i ( ) i n i i 2 n i i ( ) n i( ( ))
i i i i
V X x E X p x p x p E X p E X
V X( )E X( 2) 2 ( ( )) E X 2( ( ))E X 2 et
V X ( ) E X (
2) ( ( )) E X
2Définition 3 : L’écart -type de cette loi, noté , est la racine carrée de la variance : ( )X V X( ). Remarques : la variance et l’écart-type permettent d’estimer la dispersion des valeurs de X autour de l’espérance mathématique
On a toujours V(X) 0 ; on peut donc calculer , c’est à dire . De plus on a toujours 0.
² = V(X), c’est pourquoi V(X) est souvent noté ².
Fonction de répartition
Définition : On appelle fonction de répartition de la variable aléatoire X l’application F définie par :
: 0;1
( ) ( )
F
x F x P X x
F(x) est la probabilité de l’événement « obtenir une valeur de X inférieure ou égale à x » Propriétés : Soit x et y deux nombres réels
P X( x) 1 P X( x) 1 F x( ) ; P a X( b)P X( b)P X( a)F b( )F a( )
La fonction F est croissante
Si x x 1 , F x( ) 0 ; si x x n , F x( ) 1
Démonstration : P X( x)P X( x) 1 P X( x) 1 P X( x) 1 F x( )
( ) ( ) ( ) 1 ( ) ( ) (1 ( ))
( ) ( ) ( ) ( ) ( )
P X b P a X b P X b P a X b P X a P X b P a X b P X b P X a F b F a
Pour tous réel a et b : si a b alors F b( )F a( ) 0 , donc F est croissante sur . La représentation graphique de la fonction F est une fonction en escalier
2 3 4 5 6 7 8 9
-1 -2
p1+p2 1-pn 1
0 1
p1
x y
Exemple
xi 2 3 4 5 6
( i) P X x
1
8 1 4
1 4
1 4
1 8
1 Combinaisons
Définition 3 .On appelle combinaison de p éléments d’un ensemble E comportant n éléments (n ≥ p), toute partie de E à p éléments.
Remarque 3 Dans une combinaison, l’ordre n’intervient pas
Théorème ( admis ) le nombre de combinaisons d’ordre p d’un ensemble à n éléments est : Cnp p n p
!
n! !
Dans un ensemble comportant n éléments il ya Cnp façons d’en choisir p
Exercice 7 De combien de manières est -il possible d’obtenir deux cartes à . « Trèfle ». lorsqu’on prend deux cartes parmi un jeu de 32. Réponse : C82 (il y a en tout 8 cartes à trèfle).
Exercice 8 De combien de manières est -il possible d’obtenir deux cartes . « AS ». lorsqu’on prend Deux cartes parmi un jeu de 32. Réponse : C24 (il y a en tout 4 as).
Exercice 9 De combien de manières est -il possible d’obtenir deux cartes « AS ». et trois cartes « Roi ».
Lorsqu’on prend cinq cartes parmi un jeu de 32. Réponse : C42C43
(Première étape : on choisit deux As : C42 possibilités ; Deuxième étape : on choisit trois rois : C43 possibilités ; Ensuite c’est le principe multiplicatif).
Propriétés 1. Cnp Cnn p . 2. Cn0 1 ; Cn0 1 ; C1n n ; C111 et Cnn 1 ( 0! 1 ) 3. C =Cnp np11Cnp1.
Cette dernière formule permet de construire le célèbre triangle de Pascal :
2 3 4 5 6 7 8
-1 0,25 0,375 0,5 0,625 0,75 0,875 1
0 1
0,125
0
0 1
1
0 1 2
2 2 2
0 1 2 3
3 3 3 3
0 1 2 3 3
4 4 4 4 4
1
1 1
1 2 1
1 3 3 1
1 4 6 4 4
...
n n
C
C C
C C C
C C C C
C C C C C
chaque nombre du triangle s’obtient en ajoutant le nombre écrit au dessus et son voisin de gauche Formule de binôme de NEWTON
0
( )
n p n p p n p n
p
a b C a b
Démonstration : ( )n ( ) ( ) ( )...( ) ( )
n fois
a b a b a b a b a b a b
Le développement de ce produit donne une somme de termes de la forme a bp n p
(on prend a dans p facteurs et b dans les n − p restants) , p prenant toutes les valeurs entières de 0 à n.
Or il y a p
C
n façons de choisir p facteurs parmi n , donc le coefficient dea bp n p estC
np.D’où : 0 0 1 1 1 1 1 1 0
0
( ) ... ...
n p n p p n p n n p p n p n n n n
n n n n n n
p
a b C a b C a b C a b C a b C a b C a b
Loi binomiale B( , )n p
Définition On appelle épreuve de Bernoulli une épreuve ayant deux éventualités.
l'éventualitéSavec la probabilité pet l'éventualitéSavec la probabilité 1p .
L'éventualité
Scorrespondra souvent au "succès" d'une expérience,
Sétant alors "l'échec Exemple
On jette une pièce de monnaie. Il s'agit d'une épreuve de Bernoulli, les deux éventualités sont Pi : "Pile"
et F : "Face". Notons p P( )i p et p F( ) 1 p. si la pièce est équilibrée, on a
1
( ) ( )
i
2
p P p F . On répète quatre fois, de façon indépendante, le jet de cette pièce
On peut traduire la situation par un arbre pondéré.
La probabilité d'obtenir la suite ( , , , )P P F Pi i i est p p (1 p) p p3(1p)
La probabilité d'obtenir trois fois Pile sur les quatre lancers est la probabilité de l'événement :
{( , , , )P P P Fi i i ; ( , , , )P P F Pi i i ;( , , , )P F P Pi i i ; ( , , , )F P P Pi i i ] . Elle est égale à 4p3(1p).
Le nombre 4 correspond au nombre de choix des positions des trois Pi dans la séquence de quatre (ou, ce qui est identique, au nombre de choix de la position du
Fdans la séquence de quatre), c'est-à-dire C43
Notons X la variable aléatoire égale au nombre de "Pile" obtenus sur les quatre lancers.
On a X() = {0 ; 1 ; 2 ; 3 ; 4} et on a justifié que p X( 3)C43p3(1p) La loi de probabilité de X est alors donnée par :
k 0 1 2 3 4
P ( X = k ) C40p0(1p)4 C41p1(1 p)3 C42p2(1p)2 C43p3(1p)1 C44p4(1p)0 Propriété
On considère un schéma de Bernoulli consistant en la répétition n fois d'une épreuve de Bernoulli pour
Pi F
Pi
Pi
Pi Pi
Pi
Pi
Pi Pi Pi Pi Pi Pi
F
F
F
F
F F
F F
F
F F F F F
Pi Pi
1er
2ème
3ième
4ième p
p
p
p
p
p p p p
p
p p
p
p 1-p
1-p 1-p
1-p
1-p
1-p
1-p 1-p
1-p 1-p 1-p 1-p 1-p 1-p
1-p p
laquelle la probabilité du succès S est p.
Une variable aléatoire X à valeurs entières ( X(Ω) = {0, 1, 2,..., n})suit une loi binomiale de paramètres n et p, notée en abrégé ( , )B n p , Soit une épreuve aléatoire n’ayant que 2 issues possibles
Si on note X la variable aléatoire égale au nombre de succès obtenus sur les n répétitions, la loi de probabilité de X est donnée par : pour tout k tel que 0 k n, (P X k) C k knp (1p)n k . Définition
On dit que la loi de probabilité d'une variable aléatoire X est une loi binomiale de paramètres n et p
lorsque : - l'ensemble de ses valeurs est { 0 ; 1 ; ... ; n }- pour tout k tel que 0 k n , (P X k) C k knp (1p)n k .Cette loi est parfois notée ( , )B n p Remarque : Des épreuves indépendantes sont des épreuves où la probabilité p de réalisation d’un événement A est la même à chaque épreuve.
Par exemple, si on effectue n tirages avec remise, on effectue n épreuves indépendantes.
Autre exemple : Si un atelier comporte n machines identiques, le fonctionnement de chaque machine doit être considéré comme une épreuve. Le fonctionnement des n machines constitue donc n épreuves indépendantes.
On dit alors que X suit la loi binomiale ( , )B n p de paramètres n et p
Remarque : les probabilités obtenues correspondent aux termes successifs de la formule du Binôme donc
1
C (1 ) (1 ) 1
n k k n k n
n k
p p p p
, et on a bien1
( ) 1
k n
k
p X k
Théorème : soit n et p 0 1; . Si une variable aléatoire X suit la loi binomiale ( , )B n p de paramètre n et p , alors ( )E X np ; ( )V X np(1p) ; ( ) X np(1p)
Démonstration
0 1
( ) k n nk k(1 )n k k n nk k(1 )n k
k k
E X kC p p kC p p
. Or , pour k0( et donc n0) ,11
! ( 1)!
!( )! ( 1)!( )!
k k
n n
n n
kC k n nC
k n k k n k
, on en déduit :
1 1 ( 1) ( 1) 1 1 1
1 1
1 0
( ) k n nk k (1 )n k i n ni i(1 )n i ( 1 )n
k i
E X np C p p np C p p np p p np
.2 2 2 2
0 1
( ) k n nk k(1 )n k ( ( )) k n nk k(1 )n k ( )
k k
V X k C p p E X k C p p np
.2 2 1 1 1 ( 1) 2 1 1 2
1 1
0 1 0
( ) k n nk k(1 )n k ( ) k n nk k (1 )n k ( ) i n ( 1) ni i(1 )n i ( )
k k i
V X k C p p np np kC p p np np i C p p np
1 1
1 1 2 1 2
1 1
0 0
( ) i n ni i(1 )n i i n ni i(1 )n i ( ) ( 1) (( (1 ))n ( )
i i
V X np iC p p C p p np np n p p p np
V X( )np np p( 1) ( )np 2np(1 p) ( ) np 2 .D’où ( )V X np(1p) 3.2 Loi de Poisson.P m( )
Définition : Une variable aléatoire X à valeurs dans suit une loi de Poisson de paramètre m (m0), notée en abrégé ( )P m si la loi de probabilité de X est définie par : ( )
!
k m
P X k m e k
pour tout k On l'utilise lorsque la réalisation d'un événement est assez rare et que l'on effectue l'expérience correspondante un grand nombre de fois.
Propriétés admises: Soit m . Les valeurs caractéristiques d'une variable aléatoire X suivant une P(m) sont : E(X) = m ; ( )V X m ; σ(X) = m.
Si n est assez grand et si p est très proche de 0 et si n p n’est pas trop grand , alors on peut approcher la loi binomiale ( , )B n p par la loi de poisson P(np) ( m np ).
0 1
( ) lim
! !
k N k
m m
k N k
m m
E X k e k e
k k
. 1 10 ! 1 ! 1( 1)! 0 !
k N k N k N k
m m m m
k k k k
m m m m
k e k e me me
k k k m
On en déduit :
0
( ) !
m k m m
k
E X me m me e m
k
. 2 2 2 20 1
( ) lim
! !
k N k
m m
k N k
m m
V X m e m m e m
k k
;Or
1 1 1 1 1 1
2
1 1 0 0 0 0 0
( 1)
! ( 1)! ! ! ! ( 1)! !
k k k k k k k
N N N N N N N
m m m m m
k k k k k k m
m m m m m m m
m e me k me k me k me
k k k k k k k
2 1 1 2 1
20 ! 0 ! 0 ! 0 !
k k k k
N N N N
m m m m m
k k k k
m m m m
me me m me me e m m
k k k k
.D’où ( )V X mPropriété : Approximation de la loi binomiale B( , )n p par la loi de Poisson P(m)
On admet qu'une loi binomiale de paramètre net ptelle que n30 ; p0,1et np(1p) 10 peut être approchée par une loi de Poisson de paramètre m np . (on conserve l'espérance mathématique)
Soit n , k 0;net p 0;1. On suppose que le produit npest constant . on pose m np . Le nombre k étant fixé , la quantité C pnk k(1p)n k a-telle une limite lorsque n tend vers et ptend vers 0 , puisque np est constant ?.en effet : (1 ) 1
k n k
k k n k k
n n
m m
C p p C
n n
. Calculons la limite de 1
m n k
n
, quand n tend vers . On sait que ln 1 1
n k n k m
m n
n e
.
L’approximation affine de ln(1x)au voisinage de 0 est ln(1x) x ( )x On en déduit que : ln 1 m m m
n n n
. D’où
n k
ln 1 mn
n k
nm mn
n k
nm 1n où désigne une fonction continue en 0 et telle que (0) 0 .On sait que
lim 1
n
n k n
. On en déduit : que lim
ln 1n
n k m m
n
. La continuité de la fonction exponentielle permet d’obtenir ln 1
lim
n k m m
n m
n e e
! ( 1)( 2)...( ( 1))
!( )! !
k k k
nk k k
m n m n n n n k m
C n k n k n n k
, le produit (n n1)(n2)...(n(k1)) est
Constitué de k facteurs . on a donc ( 1)( 2)...( ( 1)) 1 2
1 1 1 ... 1
k
n n n n k k
n n n
n
comme
lim 1 1
n
k n
, pour tout entier m fixé , on a : lim 1
!
k n k k
k m
n n
m m m
C e
n n k
Variable aléatoire continue
Définition Soit un univers
On dit qu’une variable aléatoire est continue si l’ensemble des valeurs de X est un intervalle de . Fonction de répartition d’une variable aléatoire continue
Définition : On appelle fonction de répartition de la variable aléatoire X l’application F définie par :
: 0;1
( ) ( )
F
x F x P X x
F(x) est la probabilité de l’événement « obtenir une valeur de X inférieure ou égale à x » Propriétés : Soit x , a et b trois nombres réels
P X( x) 1 P X( x) 1 F x( ) et P a X( b)P X( b)P X( a)F b( )F a( )
La fonction F est croissante
xlimF x( ) 0 et xlim
F x( ) 1
La fonction F est continue sur Démonstration P X( x)P X( x) 1 P X( x) 1 P X( x) 1 F x( ).
( ) ( ) ( ) 1; ( ) ( ) (1 ( ))
( ) ( ) ( ) ( ) ( )
P X b P a X b P X b P a X b P X a P X b P a X b P X b P X a F b F a
Pour tous réel a et b : si a b alors F b( )F a( ) 0 , donc F est croissante sur .
Soit a I ;
lim ( ) lim ( ) lim ( ) ( )
( ) ( ) ( )
x a x a x a
x a x a x a
F x P X x P X a P a X x
P X a P X a F a
car P X( a) 0 .
De même
lim ( ) ( )
x ax a
F x F a
donc la fonction F est continue sur .
Remarque : a R et h 0, ( X = a) (a − h X ≤ a + h) . Donc : a R
P(X = a) P (a − h < X a + h) = F(a + h) − F(a − h). F étant dérivable est continue et donc lim (h0F a h )hlim (0F a h )F a( ). D’où : a R : P(X = a) = 0
Interprétation géométrique : F(t) est l’aire de la surface délimitée par la courbe représentative de la densité f, l’axe des abscisses et la droite d’équation x = t.
Densité de probabilité
Définition Une fonction f définie sur est une densité de probabilité si :
Pour tout réel x : f x( ) 0 et f est continue sauf éventuellement en un nombre finie de points ;
f x dx( ) 1
. PropriétésSoit X une variable aléatoire continue et F la fonction de répartition de X
La dérivée de F sur est une densité de probabilité de X est f
La fonction F est la primitive de f suivante ( ) ( )
x
F x f x dx
Valeurs caractéristiques d’une variable aléatoire continue Espérance mathématique ; variance et écart-type Définition : l’espérance mathématique d’une variable aléatoire continue X est le nombre réel noté :
( )E X xf x dx( )
.On appelle variance de X le nombre réel noté V X( )définie par:
2
2 2 2
( ) ( ) ( ( )) ( ) ( )
V X E X E X x f x dx E X
L’écart-type de X , noté ( )X , est la racine carrée de la variance : ( ) X V X( ). Loi normale
Définition Soit m et *
La loi de probabilité d’une variable aléatoire continue X est la loi normale ou loi de Laplace Gauss De paramètres met , notée N( , )m , si la densité de probabilité g est définie par :
1 2
1 2
( ) 2
x m
g x e
.
Conséquence :
Définition : Soit X une variable aléatoire qui suit la loi normale N( , )m .
la fonction de répartition F de X est donnée par l’intégrale : ( ) ( ) ( )
t
F x P X x g t dt
Valeurs caractéristiques de la loi normale N( , )m
Propriété : si une variable aléatoire X suit la loi normale N( , )m , alors : E(X) = m ; V X( )2 ; σ(X) = . Loi normale centrée réduite
Définition : Si les paramètres de la loi normale sont respectivement 0 et 1 , alors on dit que la loi est centrée réduite , on la note N(0 ,1)
Conséquence : la densité de probabilité associée à la normale N(0 ,1)est la fonction f définie par :
2
1 2
( ) 2
x
f x e
.
Propriétés
f est une fonction paire sur ( pour tout réel x , f( x) f x( ) )
la représentation graphique de f , C f est symétrique par rapport à l’axe (yy') . Théorème : Soit X une variable aléatoire qui suit la loi normale N( , )m .
En effectuant le changement de variable suivant : X m
T
on obtient une nouvelle Variable aléatoire , notée T, qui suit la loi normale centrée réduite N(0 ,1)
Démonstration
X suit la loi N( , )m donc sa densité de probabilité est la fonction g définie par :
1 2
1 2
( ) 2
x m
g x e
et on a
1 2
1 2
( ) ( )
2
t t m
F x P X x e dt
Faisons le changement d’intégration t m u
. On obtient dtdu
Lorsque t tend vers , u tend , lorsque t tend vers x , u tend vers x m
u
2
2 2
1 1 1
2 2 2
1 1 1
( ) ( )
2 2 2
x m x m
t t m u u
F x P X x e dt e du e du
Si on pose maintenant X m
T
soit x m
t
pour tout réel x il vient :
1 2
1 2
( ) ( )
2
t u
F t P T t e dt
La densité de probabilité de T est donc la fonction f définie par : ( ) 1 ² / 2 2
f x e x
.
Conséquence : La loi normale N( , )m a deux paramètres (comme la loi binomiale) mais le changement de variable X m
T
permet de travailler avec la loi normale centrée réduite N(0 ,1), dont la table est fournie dans la fiche formulaire autorisée .
2
2 2
1 1 1
2 2 2
1 1 1
( ) ( ) ( ) ( )
2 2 2
x m t m x u x u
T X m
F x P T x P x P X x m e dt e du e du
Fonction de répartition associée à la loi normale centrée réduite Définition
Soit T la variable aléatoire qui suit la loi normale centrée réduite N(0 ,1) La fonction de répartition ( )t de T est donnée par l’intégrale
1 2
1 2
( ) ( )
2
t x
t P T t e dx
.La table de la loi normale N(0 ,1)donne les valeurs de ( t) pour t [0,3].
(2, 47) 0,9932
( 2,47)
P X . P X( 2,47) 1 (2, 47) 0,0068 , On utilise la symétrie de la courbe de la fonction (P X 1, 23)P X( 1,23) 1 P T( 1, 23)
1(1,23) 1 0,8907 0,1093 APPROXIMATION
Approximation de la loi binomiale ( , )B n p par la loi de Poisson P(m) ou par la loi normale N( , )m
Pour n grand (n > 30) et p voisin de 0 tel que np(1p) 10 , on peut approcher la loi binomiale ( , )B n p par la loi de Poisson P(m) en prenant m = n p.
Pour n grand (n50) et np(1 p) 10 , on peut approcher la loi binomiale B
( , )
n p par la loi normale N( , )m en prenant m np et np(1p)Propriétés ( t) 1 ( )t
en particulier ( 0 ) 1
2 ; Pr(T t ) 1 ( )t ; Pr(a T b ) Pr( a T b ) ( )b ( )a
Pr( t T) Pr( t T t) Pr( t T t) ( )t (t) 2 ( ) 1 t
1 2
1 2
( ) ( )
2
t x
t P T t e dx
. On pose u x ce qui permet d’obtenir =2 2 2 2 2
1 1 1 1 1
2 2 2 2 2
1 1 1 1 1 1 1 ( )
2 2 2 2 2
t u u u u t u
t t
e du e du e du e du e du t
Exercice
Soit X la variable qui suit la loi normale N( , )m où m2,09et 0,13 Calculer (P X 2,35) P(1,895X 2,285)
( 2,35) 2,09 2,35 2,09 0,26
( ) ( ) ( 2) 0,9772
0,13 0,13 0,13
P X X
P P T P T
1,895 2,09 2,09 2,35 2,09 0,195 0,195
(1,895 2,285) ( ) ( ) ( 0,15 0,15)
0,13 0,13 0,13 0,13 0,13
( 0,15) ( 0,15) ( 0,15) (1 ( 0,15)) 2 ( 0,15) 1
2 0,9332 1 0,8664
P X P X P T P T
P T P T P T P T P T
On pourra retenir les résultats suivants :
( ) ( 1 1) 2 (1) 1 0, 68 68%
p m X m p T
( 2 2 ) ( 2 2) 2 (2) 1 0,95 95%
p m X m p T
( 3 3 ) ( 3 3) 2 (3) 1 0,997 99, 7%
p m X m p T Propriétés
1. (p X a)p X( a) ( )a
2. (p a X b) p a X( b) ( )b ( )a 3. (p X a) p X( a) ( a) 1 ( )a
4. (p a X a) p a X( a) 2 ( ) 1 ( a a0)
Loi normale de moyenne 0 et d'écart type 1 p(-1,5<X<1,5)=0,866386
P(t)
2 3
-1 -2
-3
0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4
0 1
0,04 y
p(a<X<b)=b a Loi normale de moyenne 0 et d'écart type 1 p(X<-1,5)=0,0668069
2 3
-1 -2
-3
0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4
-0,04
0 1
0,04
x y
Loi normale de moyenne 0 et d'écart type 1 p(X<1,24)=0,892513
2 3
-1 -2
-3
0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4
0 1
0,04
Loi normale de moyenne 0 et d'écart type 1 p(X>1,23)=0,109348
2 3
-1 -2 -3
0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4
0 1
0,04
x y
p(X > a)= a ) = a
Loi binomiale
Exemple : On lance plusieurs fois un dé et on s’intéresse au nombre d’apparitions du six
On lance le dé deux fois
Probabilités
développement de ( a + b) 2
a 2 + 2 ab + b 2
S S
(1/6) 2S (1/6) (5/6)
S
S
(1/6) (5/6)S (5/6) 2
La loi de probabilité de la variable X qui compte le nombre de succès est : L’espérance mathématique E (X) = 2 1
6 = 1 3 La variance est V(X) = 2 1
6 5 6 = 5
18
On lance le dé trois fois
Probabilités développement de ( a + b) 3
a 3 + 3 a 2b + 3 ab 2 + b 3
S S
(1/6) 3S
S (1/6) 2 (5/6)S
(1/6) 2 (5/6)Loi normale de moyenne 0 et d'écart type 1 p(X<1,25)=0,894351
2 3
-1 -2
-3
0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36
-0,04
0 1
0,04
x y
p(X<a) =(a)
xi
0 1 2
p( X = xi
) 25 36
5 18
1
36
S S (1/6) (5/6) 2 S
S S
(1/6) 2 (5/6)S (1/6) (5/6) 2
S
S
(1/6) (5/6) 2S (5/6) 3
La loi de probabilité de la variable X qui compte le nombre de succès est : L’espérance mathématique E (X) = 3 1
6 = 1 2 La variance est V(X) = 3 1
6 5 6 = 5
12 .
xi
0 1 2 3
p( X = xi
) 125 216
25 72
5 72
1 216
Pi F
Pi
Pi
Pi Pi
Pi
Pi
Pi Pi Pi Pi Pi Pi
F
F
F
F
F F
F F
F
F F F F F
Pi Pi
1er
2ème
3ième
4ième p
p
p
p
p
p p p p
p
p p
p
p 1-p
1-p 1-p
1-p
1-p
1-p
1-p 1-p 1-p
1-p 1-p 1-p 1-p 1-p
1-p p
p 1-p p 1-p p 1-pp p p
Pi F Pi F Pi F Pi1-p 1-p 1-p 1-p 1-p 1-p 1-p 1-p 1-p 1-p 1-p 1-pFPi FPiFPiF PiFPi FPiFPiFPiFPi FPi FPi F Pi 1-pF
5ième
p p p p p p p p p