Variables aléatoires continues
Module : Techniques d’estimation pour l’ingénieur
Plan
1. Variable aléatoire continue.
• Définition
• Fonction de répartition
• Densité et loi de probabilité
• Espérance et variance
2. Lois usuelles continues.
• Loi uniforme
• Loi exponentielle
• Loi normale
• Loi de Student
• Loi Khi deux
1
Variable aléatoire continue
Notion d’une variable aléatoire continue
Une variable aléatoire continue est une variable qui prend ses valeurs dans
un intervalle de R :
X : Ω −→ R
ω −→ X (ω)
Exemples:
• Taille d’un étudiant, X (Ω) = [0, M].
• Taux de cholestérol, X (Ω) = R+ .
• Temps d’attente à une caisse, X (Ω) = R+ .
2
Variable aléatoire continue
Plus généralement, X est une v.a continue, lorsqu’elle prend ses valeurs
dans un intervalle ou une réunion d’intervalles de R.
On ne peut pas donc définir la loi de X par la donnée des probabilités des
évènements élémentaires P(X = a) pour tout a.
Exemple:
• Si X désigne le taux de cholestèrol d’un individu, alors
P(X = 0, 128792454mg |l) = 0.
On s’intéresse plutôt à la probabilité que X soit dans un intervalle
donné [a, b], ou qu’elle soit inférieure à une valeur donnée a, à partir de
la fonction de répartition :
3
Variable aléatoire continue
Fonction de répartition
Soit X une variable aléatoire, on appelle fonction de répartition de X la
fonction définie sur R par:
F (x) = P(X ≤ x)
Propriètés
F (x) = P(X ∈] − ∞, x]),
P(a ≤ X ≤ b) = P(X ≤ b) − P(X ≤ a) = F (b) − F (a),
P(X > b) = 1 − P(X ≤ b) = 1 − F (b)
4
Variable aléatoire continue
Remarques
On admet que pour une variable aléatoire continue on a:
• Pour tout a ∈ R : P(X = a) = 0.
• P(a < X < b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a ≤ X ≤ b).
• P(a < X ) = P(a ≤ X ).
• P(X > b) = P(X ≥ b).
5
Variable aléatoire continue
Propriètés
La fonction de répartition F d’une variable aléatoire continue X a les
propriétés suivantes :
1. F est une fonction croissante, définie et continue sur R
2. Pour tout x ∈ R, 0 ≤ F (x) ≤ 1
3. lim F (x) = 0 et lim F (x) = 1
x→−∞ x→+∞
6
Variable aléatoire continue
Densité d’une v.a continue
Dans le cas où F est dérivable, la fonction f dérivée de F est appelée densité
de probabilité de X et pour tout x ∈ R, F 0 (x) = f (x), ou encore :
Z x
F (x) = f (t).dt
−∞
Toute fonction f qui satisfait :
• f (t) ≥ 0, ∀t ∈ R,
• R f (t).dt = 1.
R
est dite densité de probabilité.
7
Variable aléatoire continue
Densité d’une v.a continue
Dans le cas où F est dérivable, la fonction f dérivée de F est appelée densité
de probabilité de X et pour tout x ∈ R, F 0 (x) = f (x), ou encore :
Z x
F (x) = f (t).dt
−∞
Toute fonction f qui satisfait :
• f (t) ≥ 0, ∀t ∈ R,
• R f (t).dt = 1.
R
est dite densité de probabilité.
Loi de probabilité d’une v.a discrète Densité d’une v.a continue
7
Variable aléatoire continue
Conséquences :
• F étant une fonction croissante, f est positive.
Rb
• P(a ≤ X ≤ b) = F (b) − F (a) = a f (x)dx.
8
Variable aléatoire continue
Ra
• P(X ≤ a) = lim [F (a) − F (x)] = lim f (x)dx.
x→−∞ x→−∞ x
R +∞
• −∞
f (x)dx = 1.
9
Variable aléatoire continue
Voici quelques exemples de densités de probabilités.
Vérifier que f1 (x) et f2 (x) sont des densités de probabilités et tracer leurs
courbes représentatives dans un repère orthonormé :
0 si x < −1
0 si x < 0
x+1 si −1 ≤ x ≤ 0
f1 (x) = 1 si 0 ≤ x ≤ 1 f2 (x) =
-x+1 si 0 ≤ x ≤ 1
0 si x > 1
0 si x > 1
10
Vrariable aléatoire continue
Solution
0 si x < 0
1. f1 (x) = 1 si 0 ≤ x ≤ 1
0 si x > 1
• f1 est positive, ∀x ∈ R.
• La fonction f1 est continue par morçeaux sur R:
Z +∞ Z 0 Z 1 Z +∞
f1 (x).dx = f1 (x).dx + f1 (x).dx + f1 (x).dx
−∞ −∞ 0 1
= 0 + 1 + 0 = 1 =⇒ Donc f1 est bien une d.d.p.
11
Variable aléatoire continue
0 si x < −1
x+1 si −1 ≤ x ≤ 0
2. f2 (x) =
-x+1 si 0 ≤ x ≤ 1
0 si x > 1
• f2 est positive, ∀x ∈ R.
• La fonction f2 est continue par morçeaux sur R.
Z +∞ Z −1 Z 0 Z 1
f2 (x).dx = f2 (x).dx + f2 (x).dx + f2 (x).dx
−∞ −∞ −1 0
Z +∞
+ f2 (x).dx
1
Z 0 Z 1
=0+ (x + 1).dx + (−x + 1).dx + 0
−1 0
x2 x2
=[ + x]0−1 + [− + x]10
2 2
= 1 =⇒ Donc f2 est bien une d.d.p.
12
Variable aléatoire continue
La représentation de f2 sur un repère orthonormé est donnée par :
13
Variable aléatoire continue
Espérance et variance d’une v.a continue
Soit X une variable aléatoire continue et f sa densité.
• On appelle espérance de X le réel, noté E(X ), défini par la relation
Z +∞
E(X ) = xf (x)dx.
−∞
• On appelle variance de X le réel, noté Var(X ), qui, s’il existe, est
défini par la relation
Z +∞
Var(x) = (x − E(X ))2 f (x)dx.
−∞
• On appelle écart-type de X le réel, noté σ(X ), défini par la relation
p
σ(X ) = Var(X ).
14
Variable aléatoire continue
Exemple:
Calculons l’espérance, la variance et l’écart-type pour la densité f2 :
Z +∞
E (X ) = x.f2 (x)dx
−∞
Z−1 Z 0
= x.f2 (x)dx + x.f2 (x)dx
−∞ −1
Z 1 Z +∞
+ x.f2 (x)dx + x.f2 (x)dx.
0 1
Z −1 Z 0
= x.0dx + x.(x + 1)dx
−∞ −1
Z 1 Z +∞
+ x.(−x + 1)dx + x.0dx.
0 1
Z 0 Z 1
= (x 2 + x)dx + (−x 2 + x)dx
−1 0
x3 x 2 0 x3 x 2 1
= + + − + =0 15
3 2 −1 3 2 0
Variable aléatoire continue
• La variance:
Z +∞
Var (X ) = (x − E(X ))2 .f2 (x)dx.
−∞
Z +∞
= (x −
E(X))2 .f (x)dx.
2
−∞
Z 0 Z 1
= x .(x + 1)(x)dx +
2
x 2 (−x + 1)dx.
−1 0
x4 x 3 0 x4 x 3 1
= + + − +
4 3 −1 4 3 0
1
=
6
• L’écart-type:
p 1
σ(X ) = Var (X ) = √
6
16
Variable aléatoire continue
Propriétés
Soit X une variable aléatoire continue admettant une espérance et une
variance, alors pour tous a et b ∈ R:
• E (aX + b) = aE (X ) + b.
• V (aX + b) = a2 V (X ).
• σ(aX + b) = |a|σ(X ).
• E (aX + Y ) = aE (X ) + E (Y ).
Si de plus X et Y sont indépendantes,
• Var (X + Y ) = Var (X ) + Var (Y ).
• Var (X − Y ) = Var (X ) + Var (Y ).
17
Lois usuelles continues
Loi uniforme U([a, b])
La loi uniforme est la loi exacte des phénomènes continus uniformément
répartis sur un intervalle [a, b].
La variable aléatoire X suit une loi uniforme sur le segment [a; b] avec
a < b si sa densité de probabilité est donnée par :
(
1
b−a si x ∈ [a, b];
f (x) =
0 sinon.
On note X ∼ U([a, b]).
Exemple
• L’instruction « nombre aléatoire » d’un logiciel ou d’une calculatrice
permet de modéliser une loi uniforme sur [a,b].
18
Lois usuelles continues
Fonction de répartition de la loi uniforme:
La variable aléatoire X suit une loi uniforme sur le segment [a, b]. La
densité de probabilité est alors:
(
1
b−a si x ∈ [a, b];
f (x) =
0 sinon.
Ci-dessous, la courbe représentative de f,
19
Lois usuelles continues
Par définition de la fonction de répartition on a:
F (x) = P(X ≤ x)
Z x
= f (t)dt ; ∀x ∈ R.
−∞
Distinguant 3 cas suivant les valeurs de x :
• Si x < a :
Z x
F (x) = f (t)dt
−∞
Z x
= 0dt
−∞
= 0
20
Lois usuelles continues
• Si a ≤ x ≤ b :
Z x
F (x) = f (t)dt
−∞
1
Z a Z x
= 0dt + dt
−∞ a b−a
1 x
= 0+ [t]
b−a a
x −a
=
b−a
• Si x > b
Z x
F (x) = f (t)dt
−∞
1
Z a Z b Z x
= 0dt + dt + 0dt
−∞ a b−a b
= 0+1+0
= 1
21
Lois usuelles continues
Conclusion
0 si x < a,
F (x) = x−a
b−a si a ≤ x ≤ b,
1 si x > b
Ci-dessous, la courbe représentative de F,
22
Lois usuelles continues
Espérance et variance de la loi uniforme
L’espérance de la loi uniforme continue vaut :
b+a
E (X ) =
2
La variance de la loi uniforme continue vaut :
(b − a)2
V (X ) =
12
23
Lois usuelles continues
Application
Pour générer un nombre aléatoire de l’intervalle [0, 1], Python utilise la
commande random().
X est la variable aléatoire égale au nombre affiché avec cette commande.
1. Calculer P(0, 33 ≤ X ≤ 0, 59).
2. Quel est le nombre moyen qu’on s’attend à trouver si on repète
plusieurs fois cette expérience ?
24
Lois usuelles continues
Solution
•X ∼ U([0, 1]), Par définition :
(
1
1−0 =1 si x ∈ [0, 1],
f (x) =
0 si non.
0 si x < 0,
F (x) = x−0
1−0 si 0 ≤ x ≤ 1,
1 si x > 1
Alors
P(0.33 ≤ X ≤ 0.59) = F (0.59) − F (0.33)
= 0.59 − 0.33 = 0.26
• Le nombre moyen qu’on s’attend à trouver, est égale à E (X ) :
1+0
E (X ) = = 0.5
2
25
Lois usuelles continues
Loi exponentielle E(λ)
Soit λ un réel strictement positif. Une variable aléatoire X suit une
loi exponentielle de paramètre λ lorsque sa densité de probabilité est la
fonction f définie sur [0, +∞[ par:
(
λe −λx si x ≥ 0,
f (x) =
0 si x <0.
Exemples La loi exponentielle permet de modéliser
• La durée de vie de la radioactivité ou d’un composant électronique.
• Le temps écoulé entre deux coups de téléphone reçus au bureau.
En général, la loi exponentielle modélise la durée de vie d’un
phénomène sans mémoire, ou sans vieillissement.
26
Lois usuelles continues
Propriétés
Si X suit la loi exponentielle E(λ), de parmètre λ > 0 on a:
(
λe −λx si x ≥ 0,
f (x) =
0 si x <0.
La courbe représentative de f est donnée par :
Calculons alors la fonction de répartition de X:
27
Variable aléatoire continue
Fonction de répartition
Par définition la fonction de répartition est donnée par :
Z x
F (x) = f (t).dt
−∞
On distingue deux cas suivant les valeurs de x:
• Si x < 0, F (x) = 0.
• Si x ≥ 0;
Z x
F (x) = f (t).dt
−∞
Z 0 Z x
= f (t).dt + f (t).dt
−∞ 0
Z x
= λ.e −λ.t .dt
0
1 x
= λ − e −λ.t 0 = 1 − e −λ.x ; x ≥ 0.
λ
28
Lois usuelles continues
Conclusion
(
1 − e −λx ; si x ≥ 0
F (x) =
0 ; si x <0.
La courbe représentative de la fonction de répartition avec des différentes
valeurs de λ est donc:
29
Lois usuelles continues
Espérance
Par définition :
Z
E (X ) = x.f (x)dx
R
Z+∞
= x.(λe −λ.x )dx
0
On effectue une intégration par partie :
0
u(x) = x ; u (x) = 1
0
v (x) = λ.e −λ.x ; v (x) = −e −λ.x
Alors:
+∞
Z +∞
x.e −λ.x 0 e −λ.x dx
E (X ) = − +
0
Z +∞
−λ.x +∞
e −λ.x dx
= − x.e
0
+
0
30
Lois usuelles continues
Z +∞
E (X ) = e −λ.x dx
0
1 +∞
= − e −λx 0
λ
1
E (X ) =
λ
Variance
Par définition :
Var (X ) = E (X 2 ) − (E (X ))2
1
Z +∞
= x 2 .f (x)dx − ( )2
0 λ
1
Z +∞
= x 2 .λ.e −λx dx − ( )2
0 λ
31
Lois usuelles continues
I.I.P:
0
u(x) = x 2 ; u (x) = 2x
0
v (x) = λ.e −λ.x ; v (x) = −e −λ.x
+∞
1
Z
+∞
−λx
x 2 e +2 x.e −λx dx − ( )2
Var (X ) = −
0
0 λ
2ime I.I.P
0
u(x) = x ; u (x) = 1
0 1
v (x) = e −λ.x ; v (x) = − e −λ.x
λ
+∞
1 −λ.x 1
Z
x −λ.x +∞
Var (X ) = 2 − e 0 + 2 dx − ( )2
e
λ
0 λ λ
32
Lois continues usuelles
1 2 −λx +∞ 1
Var (X ) = − e 0
− ( )2
λ λ λ
1
= 2
λ
Conclusion
X ∼ E(λ), alors :
• E (X ) = λ1 ,
λ2 .
1
• Var (X ) =
33
Lois usuelles continues
Application La durée de vie d’un atome radioactif de carbone14,
exprimée en année, suit la loi exponentielle de paramètre λ = 0, 0005. Ce
paramètre porte le nom de constante de désintégration.
• Calculer la probabilité que la durée de vie d’un tel atome soit
supérieure à 3000 ?
• Calculer la probabilité que cet atome ne se soit pas désintégré au
bout de 7000 ans sachant qu’il n’a pas été désintégré au bout de
4000 ans ?
34
Lois usuelles continues
Solution
Soit T: la variable aléatoire qui représente la durée de vie d’un atome
radioactif.
1.
P(T > 3000) = 1 − P(T ≤ 3000)
= 1 − F (3000)
= 1 − (1 − e −0.0005×3000 )
= e −1.5 ' 0.22
2.
P((T > 7000) ∩ (T > 4000))
P(T > 7000/T > 4000) =
P(T > 4000)
P(T > 7000)
=
P(T > 4000)
35
Lois usuelles continues
e −0.0005×7000
P(T > 7000/T > 4000) = = e −0.0005×3000 ' 0.22
e −0.0005×4000
= P(T > 3000)
On a donc :
P(T > 3000 + 4000|T > 4000) = P(T > 3000)
la probabilité que le phénomène dure au moins s + t années sachant qu’il
a déjà duré t années sera la même que la probabilité de durer s années à
partir de sa mise en fonction initiale. En d’autres termes, le fait que le
phénomène ait duré pendant t années ne change rien à son espérance de
vie à partir du temps t. On dit que la loi exponentielle est sans mémoire.
Plus formellement, soit T une variable aléatoire définissant la durée de vie
d’un phénomène, T ∼ E(λ), alors:
2
P(T > s + t/T > t) = P(T > s), ∀(s, t) ∈ R+
36
Lois usuelles continues
Loi normale
On appelle loi normale de paramètres m ∈ R (la moyenne) et σ > 0
(l’écart-type) la loi d’une variable aléatoire continue X prenant toutes les
valeurs réelles, de densité de probabilité la fonction définie pour tout x ∈ R
par
1 −1 x−m 2
f (x) = √ e 2 ( σ )
σ 2π
On note X ∼ N (m; σ).
La loi normale modélise les phénomènes continus qui fluctuent
autour d’une valeur moyenne m, de manière aléatoire, résultante d’un
grand nombre de causes indépendantes .
Exemple: la taille d’un individu en cm, influencée par le sexe, la
nourriture, l’environnement, l’hérédité, le lieu géographique . . .
37
Lois usuelles continues
Voici des exemples de courbes de la densité pour quelques valeurs de m
et σ :
On peut observer que:
• La courbe de la loi normale a la forme d’une cloche,
• La courbe admet comme axe de symétrie la droite d’équation x = m,
• Le maximum de la courbe est atteint en m, espérance de la variable
X (ce maximum valant σ√12π ),
• Plus σ est grand, plus la courbe « s’étale » autour de
la moyenne, en accord avec la signification de l’écart-type. 38
Lois usuelles continues
Loi normale centrée réduite (Standard)
La variable aléatoire Z qui suit la loi normale de paramètres m = 0 et σ = 1
est dite variable aléatoire centrée réduite. Sa densité de probabilité est
définie sur R par
1 −1 2
f (z) = √ e 2 z
2π
La densité de la loi normale centrée réduite:
Z ∼ N (m = 0, σ = 1), la courbe de la densité f , pour tout z ∈ R est
donnée par:
39
Lois usuelles continues
Propriétés et interprétations graphiques
Rz
• F (z) = P(Z < z) = −∞ f (t)dt
• P(Z ≥ z) = 1 − P(Z < z) = 1 − F (z)
40
Lois usuelles continues
• P(a ≤ Z ≤ b) = F (b) − F (a).
41
Lois usuelles continues
• F (−z) = P(Z < −z) = P(Z > z) = 1 − P(Z < z) = 1 − F (z).
• P(−z ≤ Z ≤ z) = F (z) − F (−z) = F (z) − (1 − F (z)) = 2F (z) − 1
42
Lois usuelles continues
Utilisation de la table de la loi normale
Les probabilités d’évènements de v.a. suivant une loi normale centrée
réduite sont répertoriées dans des tables facilement manipulables.
La table de la loi normale ne donne que les valeurs de la loi normale
centrée réduite et pour des valeurs positives.
En voici quelques exemples pour comprendre la méthode de lecture :
43
Lois usuelles continues
• Calcul de P(Z ≥ 1.25): Le nombre situé à l’intersection de la
colonne 0, 05 et de la ligne 1.2 est la valeur de 1 − F (z) pour
z = 1.2 + 0.05 = 1.25. Ainsi P(Z ≥ 1.25) = 0.105.
44
Lois usuelles continues
• Calcul de P(Z ≤ 1.36):
P(Z ≤ 1.36) = 1 − P(Z ≥ 1.36)
= 1 − 0.08691
= 0.9131.
• Calcul de P(Z ≥ −1.17):
P(Z ≥ −1.17) = 1 − P(Z ≥ 1.17)
= 1 − 0.121 = 0.879
• Calcul de P(1.15 ≤ Z ≤ 1.37):
P(1.15 ≤ Z ≤ 1.37) = F (1.37) − F (1.15)
= P(Z ≤ 1.37) − P(Z ≤ 1.15)
= 1 − P(Z ≥ 1.37) − (1 − P(Z ≥ 1.15))
= 0.0398
45
Lois usuelles continues
Lorsque la variable aléatoire X suit une loi normale, on peut se ramener
au calcul d’une loi normale centrée réduite. Ceci nous permettra de
consulter les tables existant pour la loi standard précédente :
Théorème
Si une variable aléatoire X suit la loi normale N (m; σ), alors la variable
aléatoire Z = X −m
σ suit la loi normale centrée réduite N (0; 1), avec
E (Z ) = 0 et σ(Z ) = 1.
Ce résultat est très important, puisqu’alors il nous suffit d’étudier la
loi normale centrée réduite puis de procéder à un changement de variable
pour obtenir n’importe quelle loi normale !
46
Lois usuelles continues
Exemple :
On admet que le poids d’une population de garçons de 2 ans est une
variable X normalement répartie, de paramètres m = 12 et σ = 3.
Calculons P(X ≤ 16Kg ).
X −m 16 − m
P(X ≤ 16) = P( ≤ )
σ σ
16 − 12 X −m
= P(Z ≤ ) où Z = ∼ N (0, 1)
3 σ
4
= P(Z ≤ )
3
4
= 1 − P(Z > ) , (On utilise la table)
3
= 1 − 0.091
= 0.909
47
Lois usuelles continues
Stabilité de la loi normale
Soit X une variable aléatoire suivant la loi normale N (m; σ). Alors, pour
tous a; b ∈ R:
• La variable aléatoire aX + b suit la loi normale N (am + b; |a|σ),
Si de plus Y suit une loi normale N (m0 ; σ 0 ) (X et Y sont indépendantes),
alors
• La variable aléatoire X + Y suit une loi normale,
√
N (m + m0 ; σ 2 + σ 02 ).
• La variable aléatoire X − Y suit une loi normale
√
N (m − m0 ; σ 2 + σ 02 ).
48
Lois usuelles continues
Exercice
Si X suit la loi N (1; 3) et Y suit la loi N (−1; 1), determiner la loi de:
1. −2X + 1.
2. X + Y .
3. X − Y .
49
Lois usuelles continues
Solution
On a X ∼ N (1, 3) et Y ∼ N (−1; 1) :
• −2X + 1 ∼ N (−2 + 1, | − 2|.3) = N (−1, 6)
√ √
• X + Y ∼ N (1 + (−1), 32 + 12 ) = N (0, 10)
√ √
• X − Y ∼ N (1 − (−1), 32 + 12 ) = N (2, 10)
50
Lois usuelles continues
Les lois dérivées de la loi normale
La loi χ2 :
Soit X1 , X2 , . . . , Xi , . . . , Xn , n variables aléatoires indépendantes normales
centrées réduites, soit Y la variable aléatoire définie par
n
X
Y = X12 + X22 + . . . + Xn2 = Xi2
i=1
On dit que Y suit une loi de χ2n à n degrés de liberté (d.d.l.) et on note
Y ∼ χ2n .
51
Lois usuelles continues
Propriétés
• Y ≥ 0, cette loi n’est donc pas symétrique,
• Y admet une densité,
• E (Y ) = n et Var (Y ) = 2n
L’allure de la densité d’une loi χ2n avec des différents degrés
de liberté n:
52
Lois usuelles continues
Propriétés
Si U suit une loi Khi deux à n d.d.l., V suit une loi Khi deux à m d.d.l., et
si U et V sont indépendantes alors U + V suit une loi Khi deux à (n + m)
ddl.
Calcul des probabilités dans la distribution khi-deux
Définition
Soit 0 ≤ α ≤ 1, le quantile d’ordre 1 − α, noté par yn,α , est défini par:
P(Y > yn,α ) = α.
53
Lois usuelles continues
Lecture de la table Khi deux
Si Y ∼ χ2n , alors quelle est la valeur de y tel que :
P(Y > y ) = α
Exemple:
Si Y ∼ χ26 , alors chercher la valeur y telle que P(Y > y ) = 0.005
À l’aide de la table de la loi du Khi-deux, le nombre situé à l’intersection
de la colonne α = 0, 005 et la ligne des d.d.l (n = 6) est la valeur de y .
54
Lois usuelles continues
Appliquer
En utulisant la table de la loi Khi deux (Voir annexe), chercher la valeur
de y puis celle de α telle que :
1. Si Y ∼ χ220 et P(Y > y ) = 0.9.
2. Si Y ∼ χ211 et P(Y > 17.275) = α.
55
Lois usuelles continues
Loi de Student
Soit U une variable aléatoire suivant une loi normale réduite N (0, 1) et V
une variable aléatoire suivant une loi du Khi-deux à n degrés de liberté χ2n ,
U et V étant indépendantes, on dit alors que
U
T =q
V
n
suit une loi de Student à n degrés de liberté.On note T ∼ Tn .
Propriétés
• L’espérance de la variable de Student est : E (T ) = 0 si n > 1
• La variance de la variable de Student est : Var (T ) = n−2 .
n
56
Lois usuelles continues
Définition
Soit 0 ≤ α ≤ 1, le quantile d’ordre 1 − α, noté par tn,α , est défini par:
P(T > tn,α ) = α.
Lecture de la table de Student
Si T ∼ Tn alors quelle est la valeur de la probabilité suivante :
P(T > tn,α ) = α
Exemple:
Si T ∼ T10 , alors chercher la valeur α telle que P(T > 1.372) = α
À l’aide de la table de la loi de student , chercher la valeur située à la
première ligne dans la colonne qui s’ intersecte avec la 10iéme (10=d.l.l)
ligne en tn,α = 1.372: 57
Lois usuelles continues
La table de La loi de Student:
58
Lois usuelles continues
Application
Déterminer la probabilité suivante :
1. Si T ∼ T10 , chercher P(T > 1.372).
Chercher la valeur de t dans chacun des cas suivant:
1. Si T ∼ T20 et P(T > t) = 0.005.
2. Si T ∼ T11 et P(T > t) = 0.1.
59
