Loi Uniforme Loi de Bernouli Loi Binomiale Loi de Poisson

X  U1,2,....,N  X  B p X  B  n, p  X  P  
X     1,2,....., N   
  S , E  A, A X     1,2,...., n X   
X     0,1 PX  k   Cnk p k 1  p  k
nk
1
PX  k   PX  k   e 

N PX 1  p C p q
k
n
k nk k!

EX  
N 1 EX  V X   
PX  0   1  p E  X   np
2
N 2 1 EX   n V  X   npq  np 1  p 
Nombre d’évènements
V X  
12 V  X   pq  p 1  p  indépendants
n épreuves de apparaissant dans un
Bernouli intervalle de temps ou
Evènements une épreuve de
indépendantes, X le d’espace (nbr d’appels
équiprobables Bernouli, p téléphoniques arrivant
nombre de succès.
probabilité de à un standard sur une
B 1, p   B  p  période donnée, nbr
réussite (succès) et
1  p d’échec ( n tirages avec d’accidents sur un
remise) mois)
Approximation :
B  n, p  P   
 n  50
    np  15
 p  0,1
 Loi de Pascal Loi géométrique Loi Binomiale Loi Hyper-
négative géométrique
X  Pascal  r , p  On désigne par X la
X     r , r  1,..., k ,... v.a.r qui compte le X  BN  r , p  X  H  N , n, p 
PX  k   Ckr11 p r 1  p 
k r nbr d’expériences X    X      a, b  0, n
indépendantes
PX  k   Ckr1r 1 p r 1  p  CNk p CNn1kp
k

EX  
r nécessaires à PX  k  
p l’obtention du 1er r 1  p  r CNn  N p  N1 p
EX    r
rq r 1  p  succès p p E  X   np
V X   2  X  G  p X   *
p2 r 1 p
p EX   . V  X   np 1  p 
N n
PX  k   p 1  p 
k 1 p p N 1
Dans une suite Nombre d’échecs
1
d’épreuves de EX   avant le r-ème * Ensemble de
p
Bernouli, X est le succès * Nombre tiré : n
q 1 p
nombre de V X    2 * p : probabilité de
tentatives jusqu’à le p2 p BN  r , p   Pascal  r , p   r tirer l’objet voulu.
r-ème succès.
(tirage avec remise) Le nombre de H  N , n, p  B  n, p 
tentatives pour n
Pour  0,1
Pascal 1, p   G  p  obtenir le 1er succès N
dans une suite
d’épreuves de
Bernouli.
 Loi Uniforme Loi exponentielle Loi Gamma Loi Normale

X  U a ,b / a  b X  Exp    /   0 X    p,  / p  0,  0 Adaptée pour

1 f  x    e  x I0,  x   p e x x p1 modéliser des
f  x  I  x fX  x  I phénomènes
b  a a ,b  

e
x
1 x p1dx naturels issus de
ba EX  
E X    0
plusieurs
2 p
V X  
1 EX   évènements
b  a  
2

V X   2 aléatoires
12
V X  
p X  N   ,  /   ,  *

Généralement utilisée 2 1  x 
 
2

1 
Une grandeur dans les phénomènes  fX  x  e 2  
.I
aléatoire prenant d’attentes entre deux  p  e
x
x p 1
dx  2
évènements aussi elle 0 EX   
au hasard ses
modélise la durée de   p    p  1   p  1
valeurs sur un vie d’un phénomène V X  2
intervalle  a, b   n    n  1!
sans mémoire, ou sans
vieillissements : 1
   
- Durée de vie d’un 2
système Temps séparant une
- Temps écoulé occurrence de la r-ème
entre deux suivante dans un
occurrences processus de poisson
successives lors   p,1    p 
d’un processus de
poisson.  1,   Exp  
Loi Normale centrée Loi log-normale Loi de Student
réduite
X
X  lN   ,  T  St  n 
N   ,    Y
T  N  0,1 n

Tq : X  N  0,1 et
1 
x2 log X  N   , 
fT  x   e 2
Y   2 n
2 1  log x   
2

1   
fX  x  e 2  
.I
FT  x     x 

x 2
pour n  30 :
X N  0,1

Loi Khi-deux

X  X 12  ...  X n2   2  n  Loi de Fisher-

tq : Snédécor
i  1, n  : X i  N  0,1
X
F n  F  m, n 
EX   n
Y
n
V  X   2n Tq : X   2  n  et
Y   2 n
pour n  30 :
2 X  2n  1 N  0,1