Professional Documents
Culture Documents
Rappel Mathmatique
I. Introduction aux Probabilits
1. Premires explications
Les probabilits sont nes du dsir de prvoir l'imprvisible ou de quantifier l'incertain. Mais il faut avant tout prciser ce qu'elles ne sont pas : elles ne permettent pas de prdire le rsultat d'une unique exprience. Les probabilits n'ont de sens qu'avec l'observation de la loi des grands nombres : si on renouvelle une exprience un grand nombre de fois, la frquence d'apparition d'un v nement est proche de sa probabilit d'apparition. !i on lance un d "#### fois, la frquence d'apparition du n$% sera tr s voisine de "&%. L'tude des probabilits s'est alors rvl un outil tr s puissant pour les organisateurs de 'eux, depuis le chevalier de Mr, en passant par le philosophe (ascal et pour finir che) les mathmaticiens de la *ran+aise des 'eux. ,u'importe pour eux que ce soit M. -upont ou M. -upuis qui gagne le gros lot, leur tude porte sur le grand nombre de 'oueurs, quelles sont les sommes mises, quelles sont les sommes gagnes. Le calcul des probabilits s'est aussi rvl un outil indispensable dans l'tude et la couverture des risques et est . la base de tous nos s/st mes d'assurance. 0nfin, le si cle dernier a vu l'apparition d'une approche probabiliste dans le domaine de l'atome. Les premiers pas dans le domaine des probabilits consistent . se familiariser avec le vocabulaire probabiliste lmentaire, dcouvrir les modes de calcul d'une probabilit, utiliser un arbre de probabilit, dcouvrir la notion d'indpendance en probabilit lmentaire, apprendre quelques r gles de combinatoire et travailler sur quelques variables alatoires lmentaires
2. Principaux lments
2.1. Univers
Lors d'une exprience alatoire, c'est1.1dire soumise au hasard 2de alea 2latin3 le hasard, les ds3, on commence par faire l'inventaire de tous les rsultats possibles. L'ensemble de tous les rsultats possibles sera appel l' univers 4 des possibles.
2.1. Eventualit
5haque rsultat possible sera appel une ventualit 6.
L78I9: M:R78:;0 1 1 <= :IM:5
Rappel mathmatique
Exemple 1 : 7n lance une pi ce. L'univers des possibles est 4>?(@ *A.2( pour (ile, * pour face3. Le ( est une ventualit de ce lancer. Exemple 2 : 7n choisit au hasard un rel strictement compris entre # et " non inclus. L'univers des possibles est 4 >B # @ "C. Le nombre est une des ventualits. Exemple 3 : 7n lance D pi ces successivement. L'univers des possibles est 4>?*** @ **( @ *(* @ *(( @ (** @ (*( @ ((* @ (((A. La suite de caract res (*( est une ventualit de cette srie de lancers.
2. . !vnement
8n ensemble de rsultats possibles dfinit un vnement. 5'est un sous1ensemble de l'univers 4. Il peut Etre dcrit en extension 2dans le cas d'un ensemble fini3 ou par une description. Exemple 1: 7n lance un d. L'univers est 4>?" @ = @ D @ F @ G @ %A. La partie : > ?" @ = @ DA est un vnement dcrit en extension. 5et vnement se dcrit par la phrase H on obtient au plus D en lan+ant le d I. Jout lancer de d donnant comme rsultat ", = ou D ralise l'vnement :. Exemple 2 : -ans le choix d'un nombre au hasard entre # et ", l'vnement H on obtient un nombre rationnel I correspond . l'ensemble . Exemple 3 : 7n lance D pi ces successivement. L'vnement H on obtient plus de piles que de faces I correspond . l'ensemble ?*(( @ (*( @ ((* @ (((A. 2. .1. !vnement particulier L'univers 4 est appel vnement certain. -ans un lancer de d, l'vnement H obtenir un numero compris entre " et % I correspond . l'vnement ?" @ = @ D @ F @ G @ %A, c'est1.1dire . l'vnement certain. L'ensemble vide K est appel vnement impossible. dans un lancer de d, l'vnement H obtenir plus de L I correspond . l'vnement ?A > K, c'est1.1dire l'vnement impossible. 8n vnement qui ne comporte qu'un seul lment ou ventualit est appel vnement lmentaire. 2. .2. "pration sur les vnements #$union: l'vnement est ralis d s que : ou M est ralis. -ans un lancer de d, si l'vnement : est H obtenir un nombre pair I et l'vnement M H obtenir un multiple de D I, l'vnement est l'vnement H obtenir un nombre pair "U un multiple de D I, c'est1.1 dire ?= @ D @ F @ %A. #$intersection: l'vnement est ralis d s que : et M sont raliss dans la mEme exprience. -ans un lancer de d, si l'vnement : est H obtenir un nombre pair I et l'vnement M H obtenir un multiple de D I, l'vnement est l'vnement H obtenir un nombre pair E% multiple de D I, c'est1.1dire ?%A.
L78I9: M:R78:;0
1 1 <D
:IM:5
Rappel mathmatique
#e contraire: l'vnement contraire de :, not contient tous les lments de 4 qui ne sont pas dans :. 5'est l'vnement qui est ralis d s que : n'est pas ralis. -ans un lancer de d, si l'vnement : est H obtenir un nombre pair I, l'vnement contraire de :, est l'vnement H obtenir un nombre impair I. 2. . . !vnements incompatibles Lorsque deux vnements ont une intersection vide, c'est qu'ils ne peuvent pas Etre raliss au cours d'une mEme exprience. 7n les appelle alors vnements incompatibles. -ans un lancer de d, si l'vnement : est H obtenir un multiple de F I et l'vnement M H obtenir un multiple de D I, les vnements : et M sont incompatibles. Il ne faut pas confondre les vnements incompatibles 2qui ne peuvent se produire lors d'une mEme exprience3 et vnements indpendants 2qui se produisent indpendamment l'un de l'autre3. Maintenant que tout le vocabulaire est en place, il s'agit de quantifier la probabilit de ralisation de chaque vnement.
Les probabilits sur les vnements vrifient alors les proprits lmentaires suivantes
L78I9: M:R78:;0
1 1 <F
:IM:5
Rappel mathmatique
. . Equiprobabilit
!i on estime que toutes les ventualits sont quiprobables, et si on note Card243, le cardinal de 4, c'est1.1dire le nombre d'lments dans 4, chaque ventualit a une probabilit d'apparition de
Rappel mathmatique
dpend du rsultat du lanc des deux ds. R chaque rsultat de l'exprience soumise au hasard est associ un nombre 2gain ou somme des chiffres3. 5ette relation entre l'ensemble des rsultats possibles d'une exprience alatoire, que l'on appelle univers des possibles, et un ensemble de nombres est . l'origine de la dfinition formelle de la variable alatoire. *ormellement, une variable alatoire relle est une application S dPun univers 4 muni dPune probabilit p vers R. 5ette application cre un nouvel univers S243 de rels sur lequel on peut construire une probabilit issue de p. 5ette probabilit sPappelle loi de probabilit de S. Il arrive souvent que lPon oublie lPunivers 4 pour ne sPintresser quP. lPunivers S243.
Exemple: 0n lan+ant deux ds, on cre un univers 4 de D% lments form de couples dPentiers de " . %. !ur cet univers, on dfinit une quiprobabilit 2les lancers des = ds tant deux expriences indpendantes3. !i lPon ne sPintresse quP. la somme des deux ds, il faut crer une variable alatoire S qui, . chaque couple, associe leur somme. LPunivers S243 est donc ?= , D , F , G , % , L , < , T , "# , "" , "=A. 5et univers contient "" lments, mais il nPest pas adquat dP/ dfinir une quiprobabilit.
pS2L3 > p2S > L3 > p2?2" , %3A3 U p2?2=, G3A3 U p2?2D , F3A3 U p2?2F , D3A3 U p2?2G , =3A3 U p2?2% , "3A3 > %&D% > "&% pS2=3 > p2S > =3 > p2?" , "A3 > "&D%
xi pi
<
"#
""
"=
"&D% =&D% D&D% F&D% G&D% %&D% G&D% F&D% D&D% =&D% "&D%
L78I9: M:R78:;0
1 1 <%
:IM:5
Rappel mathmatique
La variance sPcrit alors, par analogie avec la formule de la variance avec frquences:
1. . .onction de rpartition
La &onction de rpartition d'une variable alatoire S est la fonction * dfinie sur R par *2x3 > p2S W x3. -ans le cas dPune variable discr te, cPest une fonction en escalier. 0n effet :
si x si si ... si si
X x" alors F2x3 > #. alors F2x3 > p". alors F2x3 > p" U p=.
alors F2x3 alors F2x3 > ".
Rappel mathmatique
7n peut remarquer que p2Ca @ aB3 > #, donc que p2Ba @ bB3 > p2Ca @ bB3 ce qui explique la libert prise dans ce cas avec les ingalits larges ou strictes.
La loi exponentielle dite aussi de dure de vie sans vieillissement La loi normale, dite aussi loi de Laplace1Oauss, ou loi normale gaussienne, ou loi de Oauss.
et telle que
l'vnement survienne entre et , la somme de tous les cas possibles correspondant . la certitude de l'apparition de l'vnement. La fonction est appele densit de probabilit .
Rappel mathmatique
si lPintgrale existe La variance sPcrit alors, par analogie avec la formule de la variance avec frquences:
2. . .onction de rpartition
La fonction de rpartition est la fonction * dfinie sur R par *2x3 > p2S W x3. -ans le cas dPune variable . densit, cPest la primitive de f dont la limite en U Z est ".
0n effet
2.). Mdiane
!i la fonction de rpartition * est continue et strictement croissante, elle dfinit une bi'ection de R sur B# @ "C. Il existe donc alors une valeur unique M telle que *2M3 > "&=. 5ette valeur s'appelle la mdiane de la variable alatoire S. 0lle vrifie p2S W M3 > p2S [ M3 > #,G.
.ormules1
L'esprance est dfinie pour les variables alatoires . valeurs dans R 2ou 53 de la mani re suivante :
5as d'une variable discr te : o !i S prend un nombre fini n de valeurs relles : x1, x2, ..., xn avec les probabilits p1, p2, ..., pn alors
L78I9: M:R78:;0
1 1 <T
:IM:5
Rappel mathmatique
o
!i S prend un nombre dnombrable de valeurs relles : x0, x1, ..., xi, .... avec les probabilits p0, p1, ..., pi, .... alors si la srie converge absolument.
2La convergence absolue assure que la division de la srie ne dpend pas de la mani re de numroter les termes3 5as d'une variable . densit de probabilit : o !i S a pour densit de probabilit f alors . condition que cette intgrale existe.
Proprits
'onstantes L'esprance d'une variable alatoire constante est gale . cette constante@ par exemple, si b est une constante, alors 02b3 > b. Monotonie !i X et Y sont des variables alatoires tels que . #inarit L'esprance est un oprateur linaire dans la mesure oQ presque s\rement, alors
pour deux variables alatoires quelconques X et Y 2qui doivent Etre dfinies sur le mEme espace probabiliste3 et pour deux nombres rels a et b.
L78I9: M:R78:;0
1 1 T#
:IM:5
Rappel mathmatique
dans laquelle une intgrale de Riemann1!tielt'es appara]t. (our une distribution de probabilits absolument continue avec une densit de probabilit f, il / a :
. .onction de rpartition
0n thorie des probabilits ou en statistiques, la &onction de rpartition d'une variable alatoire relle caractrise la loi de probabilit de cette variable alatoire relle. La &onction de rpartition de la variable alatoire relle est la fonction qui . tout rel associe
oQ le membre de droite rprsente la probabilit que la variable alatoire relle prenne une valeur infrieure ou gale . La probabilit que se trouve dans l'intervalle est donc, si
La &onction de rpartition d'une mesure de probabilit dfinie sur la tribu borlienne est la fonction qui . tout rel associe
Rappel mathmatique
*ariables / densit
*onction de rpartition de la loi normale centre rduite La fonction de rpartition d'une variable alatoire de densit de probabilit des primitives 2en un sens un peu relach, voir ci1dessous3 de cette densit prcisment est dfinie par: est une . (lus
Joutefois, ce n'est pas, en toute gnralit, une primitive au sens strict du terme : on peut seulement affirmer
qu'une fonction de rpartition est drivable presque partout que si la variable est . densit, alors la drive de est presque partout gale .
Proprits caractristiques
%horme ^ La fonction de rpartition d'une variable alatoire caractristiques suivantes : ". est croissante @ =. 0lle est partout continue . droite @ D. F. . @ a les proprits
0utres proprits C
: cause des points ", D et F, est borne, plus prcisment
L78I9: M:R78:;0
1 1 T=
:IM:5
Rappel mathmatique
5omme toute fonction monotone borne, admet en tout point une limite . gauche , limite . gauche gale ou non . selon que est continue en ou non. L'ensemble des points de discontinuit de est fini ou dnombrable. La connaissance de la fonction de rpartition permet de dfinir la probabilit de tout intervalle
7Q l'on utilise
pour
et
5ette proprit est la plus dlicate et fait intervenir une consquence des axiomes des probabilits sur la probabilit de l'union d'une suite croissante d'ensembles. 7n consid re une suite de rels croissante, convergeant vers x. L'intervalle est alors union dnombrable de la suite croissante dPintervalles . La probabilit de l'intervalle est donc la limite des probabilits des intervalles , i.e. la limite de la suite (ar proprit des fonctions croissantes, cette limite existe et vaut
). Moment 2mathmatiques3
0n probabilits 2mathmatiques, statistiques3, on dfinit le moment d'ordre n>0 d'une variable alatoire X, s'il existe, le nombre .
L78I9: M:R78:;0
1 1 TD
:IM:5
Rappel mathmatique
Remarque : pour un entier naturel n donn, l'ensemble des fonctions continues sur dont le moment d'ordre n existe est un espace vectoriel rel, et l'application une forme linaire sur cet espace vectoriel. est
. partir de l'chantillon
). Moments centrs
7n dfinit le moment centr d'ordre n>0 d'une variable alatoire X, s'il existe, le nombre .
Le moment d'ordre un de la variable : Le moment d'ordre deux de la variable centre : correspond . la variance.
correspond . l'esprance
Les moments par rapport . l'origine 2moments ordinaires ou ra" moments en anglais3:
L78I9: M:R78:;0
1 1 TF
:IM:5
Rappel mathmatique .
Il existe des formules 2qui ressemblent . celle du binbme3 permettant de calculer un moment centr d'ordre ` . partir des moments ordinaires d'ordre infrieur ou gal . `, et rciproquement @ voici quelques exemples 2'usqu'. l'ordre F3 :
et :
est utilise afin de gnrer les moments associs . la distribution de probabilits de la variable alatoire X.
6. 0s-mtrie 2statistique3
0n thorie des probabilits et statistiques, le coefficient de diss/mtrie 2 s!e"ness en :nglais3 est un moment standardis qui mesure l'as/mtrie de la densit de pobabilit d'une variable alatoire dfinie sur les nombre rels. 0n termes gnraux, l'as/mtrie d'une distribution est positive si la queue de droite 2. valeurs hautes3 est plus longue ou grosse, et ngative si la queue de gauche 2. valeurs basses3 est plus longue ou grosse. L'as/mtrie est le troisi me moment standardis, se note c" et est calcul . partir du cube des carts . la mo/enne et mesure le manque de s/mtrie d'une distribution.
8n coefficient positi& indique une distribution tale vers la gauche, et donc une queue de distribution tale vers la droite@
L78I9: M:R78:;0
1 1 TG
:IM:5
Rappel mathmatique
8n coefficient n8ati& indique une distribution tale vers la droite, et donc une queue de distribution tale vers la 8auche@ -ans le cas d'une distribution normale, par s/mtrie on a: c" > #. La distribution est s-mtrique.
7. 9urtosis
0n thorie des probabilits et en statistiques, le :urtosis 2mot d'origine grec 3, plus souvent traduit par coe&&icient d$aplatissement, ou coe&&icient d$aplatissement de Pearson, correspond . une mesure de l'aplatissement, ou a contrario de la pointicit#, de la distribution d'une variable alatoire relle. 5'est la seconde des caractristiques de forme, avec le coefficient de diss/mtrie. 0lle mesure, hors effet de dispersion 2donne par l'cart1t/pe3, la disposition des masses de probabilit autour de leur centre, tel que donn par l'esprance mathmatique, c'est1.1dire d'une certaine fa+on, leur regroupement proche ou loin du centre de probabilit.
7.1. (&inition
7n le dfinit, sous rserve que les moments impliqus existent, comme :
0n fran+ais explicite, c'est le rapport entre le moment centr d'ordre F et le carr du moment centr d'ordre = 2appel variance3. (our une distribution de probabilit quelconque, ce coefficient est compris entre " et UZ. (our une distribution de probabilit suivant la loi normale centre rduite, ce coefficient d'aplatissement vaut D. 8n coefficient d'aplatissement lev indique que la distribution est plutbt pointue en sa mo/enne, et des queues de distribution paisses 2fat tails en anglais3. 5eci s'intuite par l'approche alternative suivante : en effet, une autre mani re d'exprimer ce coefficient est de considrer les contributions lmentaires au moment d'inertie de la variable alatoire @ notons cette derni re X. 5ela revient . s'intresser . la distribution de 2notations classiques3. 0n mo/enne ce param tre vaut ", par construction. !on moment d'ordre = est le coefficient d'aplatissement. 5omme son esprance mathmatique est fixe, son moment d'ordre = ne peut voluer que par compensation : pour l'augmenter, il faut de l'inertie en
L78I9: M:R78:;0 1 1 T% :IM:5
Rappel mathmatique
position loigne, contrebalance par de l'inertie proche. -u point de vue t/pologie, si f= [ D, on parle de distribution lepto:urtique. La notion de lepto`urtosis est tr s utilise dans le milieu de la finance de march, les chantillons a/ant des queues plus paisses que la normale aux extrmits, impliquant des valeurs anormales plus frquentes " R l'oppos, un coefficient d'aplatissement proche de un indique une distribution relativement aplatie pour une mEme variance. !i f= X D, on parlera de distribution plati:urtique. 0t pour boucler cet aspect de t/pologie, si f=
5et exc s d'aplatissement, !urtosis excess en anglais, est source d'ambiguVt. :vec cette nouvelle acception, un exc s d'aplatissement positif correspond . une distribution pointue et un exc s d'aplatissement ngatif . une distribution aplatie. 8n exc s d'aplatissement nul correspond . une distribution quasi$normale, d'autant mieux qu'elle sera s/mtrique 2coefficient d'as/mtrie proche de #3.
lorsque son esprance existe. 5ette fonction, comme son nom l'indique, est utilise afin de gnrer les moments associs . la distribution de probabilits de la variable alatoire .
0n introduisant dans cette quation le dveloppement limit de l'exponentielle, cette expression est quivalente . :
L78I9: M:R78:;0
1 1 TL
:IM:5
Rappel mathmatique
oQ mi est le ieme moment de . !i la densit de probabilit n'est pas continue, la fonction gnratrice des moments peut Etre obtenue par l'intgrale de !tielt'es :
;.2. Proprits
non ncessairement identiquement distribues3 et oQ , alors la densit de probabilit. de &n est la convolution pondre par les ai des densits de probabilit de chacun des Xi et la fonction de gnration des moment de &n est donne par
!i la fonction gnratrice des moments existe dans un intervalle ouvert autour de t #, le neme moment de la variable alatoire X est donn par la n me drive de la fonction gnratrice value en t>#:
>
5ette relation permet de calculer tr s aisment les moments d'une loi dont on conna]t la fonction gnratrice. (ar exemple, E2X3 > %X'2#3 et 'ar2X3 > E2X=3 Y E2X3= > %X''2#3 Y C%X'2#3B=.
Exemple
7n veut calculer l'esprance de la loi exponentielle. !a fonction gnratrice des moments est
donnes par:
on obtient:
L78I9: M:R78:;0
1 1 T<
:IM:5
Rappel mathmatique
7n confond parfois la fonction gnratrice et une fonction de la variable x. 5ependant, il est utile de prciser qu'une fonction gnratrice est avant tout une srie formelle et que la fonction de la variable x correspondante risque de ne pas converger pour tout x.
L78I9: M:R78:;0
1 1 TT
:IM:5
Rappel mathmatique
fonction gnratrice de la suite constante " : fonction gnratrice de la suite 2n3 : fonction gnratrice de la suite 2n=3 : fonction gnratrice de la suite :
7n parle aussi de &onction 8nratrice exponentielle de la suite 2an3 dfinie par la srie formelle .
Lorsque l'on travaille plutbt avec l'inverse de X, la variable (>"&X, on parle alors de la transforme en 9, asservissements. , qui est beaucoup utilise en traitement du signal et en
7n peut retrouver la suite initiale 2an3 . partir de la fonction gnratrice F2X3 2resp. la fonction gnratrice exponentielle E2X33 selon les formules
<.2. En probabilit
(&inition
!oit X une variable alatoire enti re et positive, la fonction gnratrice de X est la srie enti re:
oQ )2X
(our la loi de (oisson de param tre h, on a > eh2t Y "3@ (our la loi binomiale de param tres 2n, p3, on a et on en dduit *n,p2t3 > 2" Y p U pt3n.
et il vient *h2t3
L78I9: M:R78:;0
1 1 "##
:IM:5
Rappel mathmatique
Proprits
ECtXB
!i X admet une variance 'arCXB, et donc une esprance ECXB, alors *X et ses drives premi re et seconde sont dfinies en t>" et on a:
!i deux variables alatoires relles discr tes . valeurs dans admettent la mEme fonction gnratrice, alors elles ont la mEme loi de probabilit". !oient X et Y deux variables alatoires relles discr tes enti res et positives. !i X et Y sont indpendantes alors on a:
*X U Y > *X.*Y
remarque: La rciproque est fausse.
L78I9: M:R78:;0
1 1 "#"
:IM:5
=ernoulli
Rappel mathmatique 0n mathmatiques, la distribution de =ernoulli ou loi de =ernoulli, du nom du mathmaticien suisse iacques Mernoulli, est une distribution discr te de probabilit, qui prend la valeur " avec la probabilit p et # avec la probabilit q > " Y p.
-ensit de probabilit & *onction de masse *onction de rpartition
9urtosis 2non1normalis3
L'esprance mathmatique d'une variable alatoire de Mernoulli vaut p et la variance vaut pq > p2" Y p3. Le jurtosis tend vers l'infini pour des valeurs hautes et basses de p, mais pour p > " & = la distribution de Mernoulli a un `urtosis plus bas que toute autre distribution, cPest1.1dire ".
1. *ariable de =ernoulli
8ne variable alatoire suivant la loi de Mernoulli est appele variable de Mernoulli. La loi de Mernoulli est la loi de la variable alatoire qui code le rsultat d'une preuve de Mernoulli de la mani re suivante : " pour Nsucc sN, # pour NchecN, ou quel que soit le nom qu'on donne aux deux issues d'une preuve de Mernoulli.
L78I9: M:R78:;0
1 1 "#=
:IM:5
Rappel mathmatique
5lassiquement, crire une variable alatoire +, comptant un nombre d'v nements dans une situation donne, comme la somme d'une famille de variables de Mernoulli permet de calculer simplement l$esprance de +, comme tant la somme des param tres de ces variables de Mernoulli:
2. (istributions lies
!i sont des variables alatoires de Mernoulli avec param tre p, indpendantes et identiquement distribues, alors leur somme + suit la Loi binomiale :
*. #oi binomiale
L78I9: M:R78:;0
1 1 "#D
:IM:5
=inomiale
Rappel mathmatique
-ensit de probabilit & *onction de masse
*onction de rpartition
Paramtres 2rel3
q>"Yp
>upport (ensit de probabilit 2&onction de masse3 .onction de rpartition Esprance Mdiane 2centre3 un des Mode *ariance 0s-mtrie 2statistique3
L78I9: M:R78:;0 1 1 "#F :IM:5
"
9urtosis 2non1normalis3
Rappel mathmatique
0n mathmatiques, une loi binomiale de param tres n et p est une loi de probabilit qui correspond . l'exprience suivante : 7n renouvelle n fois de mani re indpendante une preuve de Mernoulli de param tre p 2exprience alatoire . deux issues possibles, gnralement dnommes respectivement H succ s I et H chec I, la probabilit d'un succ s tant p, celle d'un chec tant q > 2" Y p33. 7n compte alors le nombre de succ s obtenus . l'issue des n preuves et on appelle S la variable alatoire correspondant . ce nombre de succ s. L'univers dsigne l'ensemble des entiers naturels de # . n.
;otons que ce nombre de combinaisons se distingue du nombre des arrangements de lments parmi n n'importe pas. 0t comme il / a
du fait que dans une combinaison l'ordre des lments !k fa+ons d'ordonner ! lments, le nombre des combinaisons et on obtient :
L78I9: M:R78:;0
1 1 "#G
:IM:5
Rappel mathmatique
5ette loi de probabilit s'appelle la loi binomiale de param,tre -n . p/ et se note 0-n . p/.
1. 'alcul de p2:3
8ne preuve de Mernoulli conduit . la cration d'un univers 4 > ?! @ 0A, 2! pour !ucc s et 0 pour 0chec3. n preuves de Mernoulli indpendantes conduisent . la cration d'un univers 4 n constitu de n1 uplets d'lments de 4, sur lequel peut se dfinir une probabilit produit. La probabilit de l'ventualit 2!, !, ..., !, 0, 0, ..., 03 avec ! succ s et n 1 ! checs a donc pour valeur p`qn1`. (lus gnralement, tout n1uplet form de ! succ s et de n$! checs aura pour probabilit p`qn1` quel que soit l'ordre d'apparition des ! et des 0. L'v nement H S > ` I est form de tous les n1uplets comportant ! succ s et n $ ! checs. La combinatoire permet de dterminer le nombre de n1uplets de ce t/pe : il / en a autant que de parties . ! lments d'un ensemble . n lments @ or chaque partie correspond . une fa+on de placer les ` succ s parmi les n places du n1uplet. Il / a donc probabilit gale . p`qn1`. -onc n1uplets, chacun a/ant une
02S3 est donc la somme des esprances, soit np l2S3 est la somme des variances, soit np215p3
. 'onver8ence
L78I9: M:R78:;0
1 1 "#%
:IM:5
Rappel mathmatique
(our de grandes valeurs de n, le calcul de devient vite pratiquement impossible, sauf si l'on cherche . calculer le logarithme de cette expression au lieu de l'expression elle1 mEme. 7n distingue deux cas :
Lorsque n tend vers l'infini et que p tend vers # avec np > a, la loi binomiale converge vers une loi de (oisson de param tre a. 0n pratique, on remplace la loi binomiale par une loi de (oisson d s que n [ D# et np X G ou d s que n [ G# et p X #.". Lorsque n tend vers l'infini et que p et q sont de mEme ordre de grandeur, la loi binomiale converge vers une loi normale d'esprance np et de variance npq. 0n pratique, on remplace une loi binomiale par une loi normale d s que n [ D#, np [ G et nq [ G
L78I9: M:R78:;0
1 1 "#L
:IM:5
Poisson
Rappel mathmatique
-ensit de probabilit & *onction de masse
L'axe hori)ontal est l'indice !. La fonction est seulement dfinie pour les valeurs enti res de !.
*onction de rpartition
L'axe hori)ontal est l'indice !. La fonction de rpartition est seulement discontinue pour les valeurs enti res de !. Paramtres >upport (ensit de probabilit 2&onction de masse3 .onction de rpartition
2oQ m2x,13 est la *onction gamma incompl te3 Esprance Mdiane 2centre3 Mode *ariance 0s-mtrie 2statistique3 9urtosis 2non1normalis3 L78I9: M:R78:;0 .onction 8nratrice des moments
1 1 "#< :IM:5
et h
Rappel mathmatique
0n statistique, la loi de Poisson de param tre h, ou loi des vnements rares, correspond au mod le suivant : S prend des valeurs enti res : #, ", =, ... 5ette variable alatoire suit une loi de probabilit dfinie par
1. 'alcul de p2:3
5e calcul peut se faire de mani re dductive en travaillant sur une loi binomiale de param tres 2J@ h&J3. (our J grand, on dmontre que la loi binomiale converge vers la loi de (oisson. Il peut aussi se faire de mani re inductive en tudiant sur l'intervalle C#@ JB les fonctions F!2t3 > probabilit que l'vnement se produise ` fois sur l'intervalle de temps C# @ tB. 0n utilisant la rcurrence et du calcul diffrentiel, on parvient . retrouver les formules prcdentes.
et que:
L78I9: M:R78:;0
1 1 "#T
:IM:5
Rappel mathmatique
L78I9: M:R78:;0
1 1 ""#
:IM:5
Rappel mathmatique
. .onction 8nratrice
La fonction gnratrice de la loi de poisson est
(monstration La fonction gnratrice d'une loi S est dfinie par . :insi on obtient :
L78I9: M:R78:;0
1 1 """
:IM:5
Rappel mathmatique
(monstration
6. (omaine d$application
Le domaine d'application de la loi de (oisson a t longtemps limit . celui des vnements rares comme les suicides d'enfants, les arrives de bateaux dans un port ou les accidents dus aux coups de pied de cheval dans les armes 2tude de Ladislaus Mort`ieaic)3.
L78I9: M:R78:;0
1 1 ""=
:IM:5
Rappel mathmatique
Mais depuis quelques dcennies son champ d'application s'est considrablement largi. :ctuellement, on l'utilise beaucoup dans les tlcommunications 2pour compter le nombre de communications dans un intervalle de temps donn3, le contrble de qualit statistique, la description de certains phnom nes lis . la dsintgration radioactive 2la dsintgration des no/aux radioactifs suivant, par ailleurs, une loi exponentielle de param tre not aussi lambda3, la biologie2mutations3, la mtorologie, la finance pour modliser la probabilit de dfaut d'un crditn
7. (ia8rammes en b?tons
5omme toute loi de probabilit discr te, une loi de (oisson peut Etre reprsente par un diagramme en botons. 5i1dessous sont reprsents les diagrammes en botons des lois de (oisson de param tres ", = et G.
Lorsque le param tre h de la loi de (oisson devient grand, 2pratiquement lorsqu'il est suprieur . G3, son diagramme en boton est correctement approch par l'histogramme d'une loi normale d'esprance et de variance gales . h 2l'intervalle de classe tant gal . l'unit3. 5ette convergence tait mise . profit, avant que les mo/ens informatiques ne se gnralisent, pour utiliser la loi normale en lieu et place de la loi de (oisson dans certains tests.
L78I9: M:R78:;0
1 1 ""D
:IM:5
(monstration La dmonstration est faite ici par la fonction gnratrice des moments. 7n sait en effet que %X U Y2t3 > %X2t3%Y2t3 par indpendance de X et Y et que la fonction gnratrice des moments dtermine univoquement la loi. 0n partant du rsultat dmontr plus haut: %X2t3 on calcule: %X U Y2t3
> %X2t3%Y2t3 > exp2h2et Y "33exp2d2et Y "33 > exp2h2et Y "3 U d2et Y "33 > exp22h U d32et Y "33
Le rsultat %X U Y2t3 > exp22h U d32et Y "33 est simplement la fonction gnratrice des moments d'une loi de (oison de param tre h U d
L78I9: M:R78:;0
1 1 ""F
:IM:5
Rappel mathmatique
(istribution 8aussienne
-ensit de probabilit & *onction de masse
La courbe rouge reprsente la fonction q 2voir texte3, densit de probabilit d'une variable suivant une loi normale centre rduite *onction de rpartition
Paramtres d mo/enne 2nombre rel3 e= [ # variance 2nombre rel3 >upport (ensit de probabilit 2&onction de masse3 .onction de rpartition Esprance d Mdiane 2centre3 d Mode d *ariance e= 0s-mtrie # 2statistique3 9urtosis 2non1 D 2# si normalis3 normalis3 .onction 8nratrice des moments
L78I9: M:R78:;0
.onction caractristique
1 1 ""G
:IM:5
Rappel mathmatique
0n probabilit, on dit qu'une variable alatoire relle X suit une loi normale 2ou loi normale 8aussienne, loi de #aplace5@auss3 d'esprance 2 et d'cart t/pe 3 strictement positif 2donc de variance 323 si cette variable alatoire relle X admet pour densit de probabilit la fonction p-x/ dfinie, pour tout nombre rel x, par :
8ne telle variable alatoire est alors dite variable gaussienne. 7n note habituellement cela de la mani re suivante :
L78I9: M:R78:;0 1 1 ""% :IM:5
Rappel mathmatique
La loi normale est une des principales distributions de probabilit. 0lle a t introduite par le mathmaticien :braham de Moivre en "LDD et utilise par lui afin d'approcher des probabilits associes . des variables alatoires binomiales possdant un param tre n tr s grand. 5ette loi a t mise en vidence par Oauss au SIS e si cle et permet de modliser de nombreuses tudes biomtriques. !a densit de probabilit dessine une courbe dite courbe en cloche ou courbe de Oauss.
1.
(&inition
Reprsentation graphique d'une loi normale centre rduite 2dite courbe de Oauss ou courbe en cloc4e3. 7n appelle loi normale 2ou gaussienne3 centre rduite la loi dfinie par la densit de probabilit dfinie par :
2intgrale de Oauss3.
7n dmontre 2voir plus bas3 que la loi dfinie par cette densit de probabilit admet une esprance nulle et une variance gale . ". Remarques :
drivable
et
vrifie,
pour
tout
l'identit
L78I9: M:R78:;0
1 1 ""L
:IM:5
Rappel mathmatique
La reprsentation graphique de cette densit est une courbe en cloche 2ou courbe de Oauss3.
Moments
Les moments de cette loi existent tous. (our tout l'origine est : , le moment d'ordre n par rapport .
0n raison de la parit de l'intgrande, tous les moments d'ordre impair sont nuls : !upposons . prsent n pair : !i , oQ .
2l'esprance est nulle : la loi est donc dite centr#e3 et : la loi est donc dite r#duite3.
5eci 'ustifie l'appellation de loi normale centr#e r#duite. -es formules prcdentes, on dduit encore : et La loi tant rduite, les moments centrs sont tous gaux aux moments par rapport . l'origine de mEme rang @ en particulier : , et . et l'aplatissement 2!urtosis3 :
.onction de rpartition
7n note r la fonction de rpartition de la loi normale centre rduite. 0lle est dfinie, pour tout rel x, par :
L78I9: M:R78:;0
1 1 ""<
:IM:5
Rappel mathmatique
. 5'est la primitive de qui tend vers # en @ elle ne s'exprime pas . l'aide des fonctions usuelles 2exponentielle, etc.3 mais devient elle1mEme une fonction usuelle, importante, pour quiconque pratique le calcul des probabilits ou les statistiques @ elle s'exprime . l'aide de la &onction d$erreur. 5itons les proprits suivantes de la fonction r :
0lle est indfiniment drivable, et 0lle est strictement croissante, tend vers # en 2c'est donc une bi'ection unique, not , tel que
: pour tout 3
Remarque : les notations et pour dsigner H la I densit et la fonction de rpartition de la loi normale centre rduite sont usuelles. 0pproximation de la &onction de rpartition Il n'existe pas d'expression pour r mais on peut exploiter avec profit son aspect rgulier pour en donner une approximation groce . un dveloppement en srie de Ja/lor. (ar exemple, voici une approximation 2. l'ordre G3 autour de #: 5ette approximation est performante pour s x s X =. 8ne approximation pour les grandes valeurs de x est donne, pour x positif, par la formule srie divergente pour tout x positif, mais dont les sommes partielles encadrent 1$5-x/ de mani re efficace lorsque x est grand. .
(ar exemple,
d'oQ une erreur relative infrieure . =Gt pour x suprieur . = ou bien infrieure . ""t pour x suprieur . D. 7u bien encore :
L78I9: M:R78:;0
1 1 ""T
:IM:5
Rappel mathmatique
d'oQ une erreur relative infrieure . =Gt pour x suprieur . = ou bien infrieure . =t pour x suprieur . D. %ables numriques Il existe des tables de la fonction de rpartition, donnant des valeurs approches de @ on se limite . des x positifs ou nuls : en effet, si par exemple on conna]t l'approximation , on en dduit . ,
:u lieu des prcdentes, on utilise souvent des tables de la fonction qu'on notera ici dfinie sur par :
La table suivante donne pour tout x de # 'usqu'. D,T par pas de #,#", la valeur de "#G r2x3. 5es valeurs sont arrondies . l'unit la plus proche. L'entre en ligne donne les deux premiers chiffres de x, c'est1.1dire le chiffre des units et celui des dixi mes, et l'entre en colonne le chiffre des centi mes. (ar exemple : r2",LD3 > #,TG<"<. A,AA G#### GDT<D GLT=% %"LT" %GGF= %T"F% L=GLG LG<#F L<<"F <"GTF <F"DF <%FDD <<FTD T#D=# T"T=F TDD"T TFG=# TGGFD T%F#L A,A1 G#DTT GFD<# G<D"L %="L= %GT"# %TFTL L=T#L L%""G LT"#D <"<GT <FDLG <%%G# <<%<% T#FT# T=#LD TDFF< TF%D# TG%DL T%F<G A,A2 G#LT< GFLL% G<L#% %=GG= %%=L% %T<FL LD=DL L%F=F LTD<T <="=" <F%"F <%<%F <<<LL T#%G< T===# TDGLF TFLD< TGL=< T%G%= A,A G""TL GG"L= GT#TG %=TD# %%%F# L#"TF LDG%G L%LD# LT%LD <=D<" <F<FT <L#L% <T#%G T#<=F T=D%F TD%TT TF<FG TG<"< T%%D< A,A) G"GTG GGG%L GTF<D %DD#L %L##D L#GF# LD<T" LL#DG LTTGG <=%DT <G#<D <L=<% <T=G" T#T<< T=G#L TD<== TFTG# TGT#L T%L"=
1 1 "=#
A,A A,1 A,2 A, A,) A,6 A,7 A,; A,< A,B 1,A 1,1 1,2 1, 1,) 1,6 1,7 1,; 1,<
A,A6 G"TTF GGT%= GT<L" %D%<D %LD%F L#<<F LF="G LLDDL <#=DF <=<TF <GD"F <LFTD <TFDG T""FT T=%FL TDTFD TG#GD TGTTF T%L<F
A,A7 G=DT= G%DG% %#=GL %F#G< %LL=F L"==% LFGDL LL%DL <#G"" <D"FL <GGFD <L%T< <T%"L T"D#T T=L<G TF#%= TG"GF T%#<# T%<G%
A,A; G=LT# G%LFT %#%F= %FFD" %<#<= L"G%% LF<GL LLTDG <#L<G <DDT< <GL%T <LT## <TLT% T"F%% T=T== TF"LT TG=GF T%"%F T%T=%
A,A< GD"<< GL"F= %"#=% %F<#D %<FDT L"T#F LG"LG L<=D# <"#GL <D%F% <GTTD <<"## <TTLD T"%=" TD#G% TF=TG TGDG= T%=F% T%TTG
A,AB GDG<% GLGDG %"F#T %G"LD %<LTD L==F# LGFT# L<G=F <"D=L <D<T" <%="F <<=T< T#"FL T"LLF TD"<T TFF#< TGFFT T%D=L TL#%=
:IM:5
L78I9: M:R78:;0
Rappel mathmatique 1,B 2,A 2,1 2,2 2, 2,) 2,6 2,7 2,; 2,< 2,B ,A ,1 ,2 , ,) ,6 ,7 ,; ,< ,B
TL"=< TL"TD TL=GL TLD=# TLD<" TLFF" TLG## TLGG< TL%"G TL%L# TLL=G TLLL< TL<D" TL<<= TLTD= TLT<= T<#D# T<#LL T<"=F T<"%T T<="F T<=GL T<D## T<DF" T<D<= T<F== T<F%" T<G## T<GDL T<GLF T<%"# T<%FG T<%LT T<L"D T<LFG T<LL< T<<#T T<<F# T<<L# T<<TT T<T=< T<TG% T<T<D TT#"# TT#D% TT#%" TT#<% TT""" TT"DF TT"G< TT"<# TT=#= TT==F TT=FG TT=%% TT=<% TTD#G TTD=F TTDFD TTD%" TTDLT TTDT% TTF"D TTFD# TTFF% TTF%" TTFLL TTFT= TTG#% TTG=# TTGDF TTGFL TTG%# TTGLD TTG<G TTGT< TT%#T TT%=" TT%D= TT%FD TT%GD TT%%F TT%LF TT%<D TT%TD TTL#= TTL"" TTL=# TTL=< TTLD% TTLFF TTLG= TTL%# TTL%L TTLLF TTL<" TTL<< TTLTG TT<#" TT<#L TT<"D TT<"T TT<=G TT<D" TT<D% TT<F" TT<F% TT<G" TT<G% TT<%" TT<%G TT<%T TT<LF TT<L< TT<<= TT<<% TT<<T TT<TD TT<T% TTT## TTT#D TTT#% TTT"# TTT"D TTT"% TTT"< TTT=" TTT=F TTT=% TTT=T TTTD" TTTDF TTTD% TTTD< TTTF# TTTF= TTTFF TTTF% TTTF< TTTG# TTTG= TTTGD TTTGG TTTGL TTTG< TTT%# TTT%" TTT%= TTT%F TTT%G TTT%% TTT%< TTT%T TTTL# TTTL" TTTL= TTTLD TTTLF TTTLG TTTL% TTTLL TTTL< TTTL< TTTLT TTT<# TTT<" TTT<" TTT<= TTT<D TTT<D TTT<F TTT<G TTT<G TTT<% TTT<% TTT<L TTT<L TTT<< TTT<< TTT<T TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT ".#### ".#### ".#### ".#### ".#### ".#### ".#### ".#### ".#### ".#### et 2dcoulant de la formule de 5hasles
si si
, alors , alors
pour tout
et pour tout
Exemples numriques
L78I9: M:R78:;0
1 1 "="
:IM:5
Rappel mathmatique
est
:insi, est contin\ment 2et mEme indfiniment3 drivable : suit une loi . densit, et la drive de est une densit de probabilit de cette variable alatoire @ pour tout ,
(&inition
7n appelle loi normale 2ou 8aussienne, ou de Laplace1Oauss3 de param tres 3 la loi de probabilit dfinie par la densit : , telle que pour tout 2oQ
. 8ne variable gaussienne est une variable alatoire relle qui suit une loi normale de param tres 2oQ est soit positive, soit nulle3. Le cas oQ est nul est appel cas d#7#n#r# et correspond aux variables alatoires constantes. 5ette convention trange est commode 4otation: cette loi est note La loi normale centre rduite est note .
L78I9: M:R78:;0
1 1 "==
:IM:5
Rappel mathmatique
7n peut noncer plusieurs proprits, compte tenu de ce qui prc de 2le dernier point se dmontrant de mani re analogue3.
Proprits
!oit une variable alatoire
. :lors :
son esprance et sa variance existent et sa fonction de rpartition est telle que pour tout
!oit une variable alatoire qui suit la loi normale . :lors la variable alatoire exp2X3 2de loi dite log1normale3 poss de les proprits suivantes:
#ar8eur / mi5hauteur
Lorsque l'on travaille sur une reprsentation graphique, on estime frquemment la largeur de la gaussienne par sa largeur . mi1hauteur 8 2en anglais full "idt4 at 4alf maximum, *uvM3, qui est la largeur de la courbe . une altitude qui vaut la moiti de l'altitude du sommet. La largeur . mi1hauteur est proportionnelle . l'cart t/pe :
Le facteur = sert . prendre en compte l'extension de la gaussienne dans les valeurs ngatives.
'alcul de P2a C D C b3
Les rsultats prcdents permettent de ramener tout calcul de probabilit relatif . la loi normale . un calcul de probabilit relatif . la loi normale centre rduite. 7n a vu qu'on dispose de tables donnant des approximations de valeurs de la fonction , tables qu'on
L78I9: M:R78:;0
1 1 "=D
:IM:5
Rappel mathmatique
utilise encore frquemment, mEme si certaines calculatrices ou certains tableurs peuvent maintenant les remplacer. !i la variable alatoire , on a : suit la loi normale , et si sont deux rels tels que
lorsque
, oQ
ce qui quivaut .
, ou
l'intervalle est appel pla8e de normalit au niveau de confiance w 2si par exemple, w > #,TG, on dit : Nplage de normalit au niveau de confiance TGtN : en statistique, c'est un intervalle dans lequel se trouve TGt de la population lorsque la distribution est gaussienne3. Exemples numriques Oroce . la table prcdente, on obtient :
@ l'intervalle confiance %< t est la plage de normalit au niveau de @ l'intervalle 28 tant la largeur . mi1hauteur3 est la plage de normalit au niveau de confiance L% t
@ l'intervalle confiance TG t est la plage de normalit au niveau de @ l'intervalle confiance TT t est la plage de normalit au niveau de
L78I9: M:R78:;0
1 1 "=F
:IM:5
Rappel mathmatique
. 'hamp d$application
8ne planche de Oalton nous montre que la loi binomiale tend vers la loi normale Le Jhor me de Moivre1Laplace affirme la convergence d'une loi binomiale vers une loi de Oauss quand le nombre d'preuves augmente. 7n peut alors utiliser la loi normale comme approximation d'une loi binomiale de param tres 2n @ p3 pour n grand et p, " 1 p de mEme ordre de grandeur @ on approche alors cette loi binomiale par la loi normale a/ant mEme esprance np et mEme variance np2" Y p3. 7n a dessin ci1dessous :
la loi binomiale de param tres 2"=@" & D3 2diagramme en botons rouge3 et la loi normale correspondante d'esprance F et de variance < & D 2courbe verte3
la loi binomiale de param tres 2%#@" & D3 2diagramme en botons rouge3 , et la loi normale correspondante d'esprance =# et de variance F# & D 2courbe verte3
L78I9: M:R78:;0
1 1 "=G
:IM:5
Rappel mathmatique
Le mathmaticien 5arl *riedrich Oauss a introduit cette loi pour le calcul d'erreurs. 0n statistiques, de nombreux phnom nes suivent des distributions gaussiennes : donnes biomtriques des individus 2:dolphe ,utelet3.
). 'ritres de normalit
Le recours . une distribution gaussienne est si frquent qu'il peut finir par Etre abusif. Il faut alors rechercher des crit res de normalit. Le premier crit re, le plus simple, consiste . tracer l'histogramme ou le diagramme en botons de la distribution et . vrifier si le dia8ramme est en &orme de E cloche F. 5e crit re, sub'ectif, permet cependant d'liminer une partie des distributions 'uges alors non gaussiennes. Le crit re suivant consiste . utiliser les plages de normalit ou intervalles de confiance. 7n a vu que si une distribution est gaussienne :
%<t de la population est dans l'intervalle L%t de la population est dans l'intervalle TGt de la population est dans l'intervalle TTt de la population est dans l'intervalle
, , , .
Lorsque ces pourcentages ne sont pas respects, il / a fort . parier que la distribution n'est pas gaussienne.
L78I9: M:R78:;0
1 1 "=%
:IM:5
deux variables alatoires indpendantes suivant respectivement les lois . suit la loi normale .
5ette proprit se dmontre directement 2par convolution3, ou indirectement 2au mo/en des fonctions caractristiques3.
Exemple
7n prend ici le gramme comme unit de masse. !i la masse du contenu d'une bo]te de conserve suit la loi normale d'esprance F## et de variance =G, et si celle du contenant suit la loi normale d'esprance %# et de variance F, alors 2avec l'h/poth se, naturelle, d'indpendance3 la masse totale de la bo]te de conserve suit la loi normale d'esprance F%# et de variance =T @ son cart t/pe est environ G,F grammes.
f2t3 > # si t X #
pour tout t x #.
7n dit que S suit une loi exponentielle de paramtre -e fa+on plus formelle on peut caractriser la loi exponentielle de la fa+on suivante:
8ne loi . valeurs dans qui vrifie cette proprit est alors exponentielle et toute loi exponentielle vrifie cette probabilit. 5ette proprit traduit l'absence de mmoire de la loi exponentielle. (ar exemple, la probabilit qu'un phnom ne se produise entre les temps t et tUs s'il ne s'est pas produit avant est la mEme que la probabilit qu'il se produise entre les temps # et s. 7n peut oublier l'instant de dpart pour modliser la probabilit. 5ette caractrisation est importante car elle permet de montrer que certains phnom nes peuvent Etre modliss par une distribution exponentielle. 5ette loi permet entre autres de modliser la dure de vie de la radioactivit ou d'un composant lectronique.
L78I9: M:R78:;0
1 1 "=L
:IM:5
Rappel mathmatique
-ensit d'une dure de vie d'esprance "# de loi exponentielle ainsi que sa mdiane. !i S est une variable alatoire qui suit une loi exponentielle de param tre h
. 'hamp d$application
8n domaine privilgi de la loi exponentielle est le domaine de la radioactivit 2Rutherford et !odd/3. 5haque atome radioactif poss de une dure de vie qui suit une loi exponentielle. Le param tre h s'appelle alors la constante de dsint8ration.
La loi des grands nombres permet de dire que la concentration d'atomes radioactifs va suivre la mEme loi. La mdiane correspond au temps J ncessaire pour que la population passe . G#t de sa population initiale et s'appelle la demi1vie ou priode. 7n modlise aussi frquemment la dure de vie d'un composant lectronique par une loi exponentielle.
L78I9: M:R78:;0
1 1 "=<
:IM:5
Rappel mathmatique
L78I9: M:R78:;0
1 1 "=T
:IM:5
Exponentielle
Rappel mathmatique
-ensit de probabilit & *onction de masse
*onction de rpartition
Paramtres >upport (ensit de probabilit 2&onction de masse3 .onction de rpartition Esprance Mdiane 2centre3
he Y hx " Y e Y hx
Mode *ariance 0s-mtrie 2statistique3 9urtosis 2non1normalis3 .onction 8nratrice des moments
L78I9: M:R78:;0 1D# 1 " .onction caractristique :IM:5
Rappel mathmatique
L78I9: M:R78:;0
1 1 "D"
:IM:5