FASEG (Licence 2) / Plateforme de l’enseignement à distance

Université Cheikh Anta DIOP

Faculté des Sciences Économiques et de Gestion

Licence 2 en Sciences Économiques et de Gestion

COURS : STATISTIQUE 3
P r o f e s s e u r : F . B . D o u c o ur é

Chapitre 1 : Loi normale et lois de

probabilités dérivées

Objectifs pédagogiques :

A la fin de l’étude du chapitre 1, l’apprenant sera en mesure de :

1. maîtriser les définitions et les expressions de la loi normale

et des lois dérivées ;

2. utiliser correctement les tables des lois de probabilités

suivantes : loi normale, loi du Khi-Deux, loi de Student et loi
de Fisher ;

3. appliquer les différentes lois de probabilité à différentes

situations concrètes.

MBAYE compta
Chapitre 1 : Loi normale et lois de probabilité dérivées
Responsable matière : Fodiyé Bakary Doucouré
1
FASEG (Licence 2) / Plateforme de l’enseignement à distance

1. Loi normale ou loi de Gauss-Laplace

1.1 Définition de la loi normale

La loi normale (ou loi de Gauss-Laplace) est une loi de probabilité

continue dont la densité de probabilité est donnée par l’expression :

m et  sont des paramètres de la loi, respectivement sa moyenne et son

écart-type.

On résume cette loi par la notation N(m, ) avec

1.2 Conditions d’application de la loi normale

D’un point de vue théorique, la loi normale tire son importance du fait
que, sous certaines conditions, plusieurs autres lois de probabilités
convergent vers elle. On démontre notamment que la somme de
variables aléatoires indépendantes obéissant à des lois de probabilité
quelconque tend vers une loi normale lorsque le nombre de ces
variables augmente indéfiniment (théorème central limite).

D’un point de vue concret, de nombreux phénomènes peuvent être

représentés de façon satisfaisante par cette loi. D’où son application.

La loi normale a été utilisée dans de nombreuses applications pratiques,

dans lesquelles les variables aléatoires étaient la taille et le poids
d’individus, les résultats des tests d’intelligence, des mesures
scientifiques, la hauteur des précipitations, etc.
Chapitre 1 : Loi normale et lois de probabilité dérivées
Responsable matière : Fodiyé Bakary Doucouré
2
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Cette loi ne peut être utilisée que pour des variables aléatoires
continues. Cependant, une variable aléatoire continue normale peut être
utilisée, pour estimer, dans certains cas des variables aléatoires
discrètes.

1.3 Loi normale centrée réduite

L’expression mathématique de la loi normale précédemment énoncée
est d’un emploi malaisé pour effectuer des calculs de probabilité.

Si nous effectuons le changement de variable suivant :

autrement dit, si nous substituons à la variable X la variable T (écart

centré réduit), il est aisé de démontrer que cette nouvelle variable T obéit
à une loi normale de moyenne nulle et d’écart type 1 notée N(0,1) dont

les caractéristiques sont : E (T )  0 et V(T)  1

Une variable aléatoire qui a une distribution de probabilité normale de

moyenne nulle et d’écart type 1 suit ce qu’on appelle une loi normale
centrée réduite. La lettre T est habituellement utilisée pour désigner cette
variable aléatoire normale particulière.

La densité de probabilité de la loi normale centrée et réduite est donnée

par l’expression :

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
3
FASEG (Licence 2) / Plateforme de l’enseignement à distance

1  1 2
g ( x)  exp   x , x  IR
2  2 

L’intérêt de ce changement de variable est qu’il permet de ramener

n’importe quelle distribution normale à une même loi de probabilité
normale centrée et réduite de paramètres 0 et 1, pour laquelle on
dispose de tables numériques.

1.4 Tables de la loi normale centrée et réduite

Deux tables relatives à la loi normale centrée et réduite sont utilisées. La
table de la fonction intégrale (ou fonction de répartition) et celle de l’écart
réduit.

1.4.1 Table de la fonction intégrale de la loi normale centrée réduite

La fonction de répartition de la loi normale centrée et réduite est :

 (t )  P (T  t ) ; T  N (0 ,1)

 1 2
t
1
π (t)   exp  x  dx
-  2π  2 
On a :

 ()  0 ;  (  )  1
 (0)  0, 5 ;  (  t )  1   (t )

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
4
FASEG (Licence 2) / Plateforme de l’enseignement à distance

On a aussi :

P(a  T  b)   (b)  π(a)

Exemple 1 : Lectures de tables

Nous donnons quelques exemples de lecture dans la table de la
fonction intégrale de la loi normale centrée réduite.

Cas 1 : Probabilité T  1,85

t  1,85 est positif. Il suffit de lire la table ( t ) pour t  1,85

A l’intersection de la ligne 1,80 et de la colonne 0,05 lu, on lit :

P(T  1,85)   (1,85)  0,9678

Cas 2 : Probabilité  T   0, 65 
La table ne donne les valeurs de ( t ) que pour t positif. Dans le cas où t
est négatif on utilise la relation (  0, 65 )  1  (0, 65 ) .

(  0,65)  1  (0,65)  1  0,7422  0,2578 .

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
5
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Cas 3 : Probabilité  T  2,15 

P ( T  2 ,15 )  1  P ( T  2 ,15 )
 1   ( 2 ,15 )
 1  0 ,9842  0 , 0158

Cas 4 : Probabilité  T   0,25 

P ( T   0 , 25 )  1  P (T   0 , 25 )
 1  1   ( 0 , 25 ) 
  ( 0 , 25 )  0 ,5987

Cas 5 : Probabilité  0,75  T  1,25 

P ( 0,75  T  1, 25 )   (1, 25 )   ( 0,75 )

 0,8944  0,7734  0,121
1.4.2 Table de l’écart réduit

Pour    0,1  , on peut trouver t   0 tel que :

P  t  N ( 0,1)  t   1  

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
6
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Exemple 2 : Lectures de tables

Nous donnons quelques exemples de lecture dans la table de l’écart
réduit.

-- Si   0,01 alors on lit sur la table de l’écart réduit t  2,576

-- Si   0, 05 alors on lit sur la table de l’écart réduit. t   1, 96

-- Si   0,10 alors on lit sur la table de l’écart réduit t   1, 645

1.5 Propriété

La distribution normale est conservée par une transformation linéaire.

Soit X une variable aléatoire normale de moyenne m et d’écart type 
et Y la variable aléatoire définie par Y  a  bX où a et b sont des
nombres réels quelconques, alors la variable aléatoire Y suit une loi
normale de moyenne a  bm et de variance  2 b 2 .

Si X  N (m ,  ) alors Y  a  bX  N (a  bm ,  b )

En effet :

 E (Y )  E (a  bX )  a  bE ( X )  a  bm

 Var(Y )  Var(a  bX )  b 2Var( X )  b 2 2

  (Y )  b2 2    b

1.6 Somme de deux lois normales indépendantes

La somme de deux lois normales indépendantes est encore une loi

normale : si X 1  N (m1 , 1 ) et X 2  N ( m 2 ,  2 ) sont des

variables aléatoires normales indépendantes, alors on obtient la
propriété d’additivité :
Chapitre 1 : Loi normale et lois de probabilité dérivées
Responsable matière : Fodiyé Bakary Doucouré
7
FASEG (Licence 2) / Plateforme de l’enseignement à distance

( X1  X 2 )  N( m1  m2 , 12   22 )

Ce résultat se généralise immédiatement à la somme de n variables

aléatoires normales indépendantes.

Si X i  N (mi ,  i ) et les X i indépendantes alors on a :

( X1  X 2  X n )  N(m1  m2  mn , 12  22  n )

2

Exemple 3 : Somme de deux variables aléatoires normales

indépendantes

Une société minière exploite deux gisements. Le premier a une

production journalière moyenne de 2000 tonnes avec un écart-type de
150 tonnes. Le second a une production journalière moyenne de 3000
tonnes avec un écart-type de 200 tonnes. Quelle est la probabilité que la
production journalière de la société excède 5200 tonnes ? (On admettra
que les productions des deux gisements sont normales et
indépendantes).

Corrigé

Soit X1 la production du premier gisement.

X1 → N (m1 ;  1 ) avec m1  2000 ,  1  150

Soit X 2 la production du second gisement.

X2 → N (m2 ;  2 ) avec m2  3000 ,  2  200

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
8
FASEG (Licence 2) / Plateforme de l’enseignement à distance

X  X 1  X 2  N  m1  m2 ;  12   22 
 
à cause de l’indépendance des lois normales X1 et X 2 ,
X → N(m ,  ) ;

m  m1  m2  2000  3000  5000

  12   22  150 2  2002  62500  250

X  5000
Posons T  , T est une variable qui suit une loi normale
250
centrée et réduite.

La probabilité cherchée est :

 X  5000 5200  5000   5200  5000 

P ( X  5200)  P    P T  
 250 250   250 
 P (T  0 ,8 )  1  P (T  0 ,8 )  1   ( 0 ,8 )
 1  0 , 7881  0 , 2119

La probabilité que la production journalière de la société excède 5 200

tonnes est 0,2119.

1.7 Théorème central limite

Nous avons vu que la loi normale est d’application très générale. Elle est
en effet, engendrée, sous des conditions très peu restrictives par
l’addition de causes de fluctuations nombreuses et indépendantes. Il
s’agit là d’un théorème très important du calcul des probabilités, le
théorème central limite.

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
9
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Soit  X 1 , X 2 , , X n  une suite de variables aléatoires indépendantes et

de même loi, d’espérance finie m et de variance finie  2 .

On suppose que E  X i   m et Var  X i    2 .

Alors, si n augmente indéfiniment, la variable aléatoire somme

n
Sn   Xi suit sensiblement une loi normale de moyenne nm et de
i 1

variance n  2 et ceci quelles que soient les lois de probabilités

des variables aléatoires X i .
S n  nm
Soit le théorème central limite  N (0,1)
n
En pratique, cette approximation est valable pour n  30 .

Exemple 4 : Théorème central limite

Chaque année, Monsieur Diop effectue 2 fois par jour, 5 jours par
semaine et pendant 46 semaines, un trajet en voiture dont la durée est
une variable aléatoire réelle X qui suit une loi d’espérance 45 minutes et
d’écart- type 10 minutes.

On suppose que les durées des trajets sont mutuellement

indépendantes.

Quelle est la probabilité pour que Monsieur Diop passe au moins 350
heures dans sa voiture au cours de l’année ?

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
10
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Corrigé

Soit X i la durée en minutes du ième trajet (1  i  460) . Le temps passé

par Mr Diop dans sa voiture au cours de l’année est :
460
T  Xi , (T est exprimé en minutes)
i 1
Les variables aléatoires X i sont mutuellement indépendantes et suivent
une même loi d’espérance 45 et d’écart- type 10. On a donc :

m  45 ,   10 et n  460

T  nm T  460  45
Soit Z 
 n 10  460

Comme n  460  30 , le théorème central limite permet d’affirmer que la

loi de Z peut être approchée par la loi N(0,1) .

La probabilité cherchée est :

 350  60  460  45 
P (T  350  60 )  P  Z  
 10  460 
 21000  20700 
 P Z  
 214 , 476 
 P ( Z  1, 40 )  1   (1, 4 )
 1  0 , 9192  0 , 08

La probabilité pour que Monsieur Diop passe au moins 350 heures dans
sa voiture au cours de l’année est égale à 0,08.

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
11
FASEG (Licence 2) / Plateforme de l’enseignement à distance

2. Lois de probabilités dérivées

2.1. Loi gamma
2.1.1 Définition
Une variable aléatoire X suit une loi gamma de paramètre a, (a > 0) si sa
densité de probabilité est donnée par :

On résume cette loi par la notation (a ) avec

La distribution gamma est utilisée dans différentes configurations :

distribution de revenu, fonctions de production, …

2.1.2 Propriétés de Γ (a )

(i) Γ(a  1 )  aΓ ( a )
(ii) Γ(n)  (n 1)! , nIN*
1 
(iii) Γ   
2

Démonstration

a 1  x
(i) Intégrons par parties la fonction x e

La formule de l’intégration par parties est :

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
12
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Posons :

On obtient la relation de récurrence : (a  1)  a(a )

(ii) On a  ( a )  a  1  1  ( a  1)   ( a  1)
 (a  1)  (a  2)  (a  2)  (a  1)  (a  2)  (a  3)  (a  3)
D’où
(a )  (a  1)  (a  2)  (a  3)    (1)

Calculons la valeur de Γ(1) .

 

(1)   e  x dx   e  x   1
0 0

Par conséquent, lorsque n est entier :

(n)  (n  1)  (n  2)  (n  3)    1  (n  1)!

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
13
FASEG (Licence 2) / Plateforme de l’enseignement à distance

  e x
1 
(iii) Γ  
2
 dx
0 x
Effectuons le changement de variable suivant :

u x ; x  u2 ; dx  2udu


1 2
On a alors      2 e  u du .
2 0

Pour calculer cette intégrale, on utilise le résultat de l’intégrale de

Gauss :
2 2
  x   x

e 2 dx  2 e 2 dx   2
 0
D’où
2
  x

 e 2 dx 
2
0
x2 2
Effectuons le changement de variable u  ; x  2u ; x  2 du
2
 
 u2  2
e 2 du    2 e  u du  
0
2 0


1 u2
Donc     2 e du  
 
2
0

2.1.3 Valeurs caractéristiques

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
14
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Démonstration
i) On a :
 

 
1 a x
E (X)  x f (x) dx  x e dx
Γ (a)
0 0



1 a x 1 a Γ (a)
E (X)  x e dx  Γ (a 1)   a
Γ (a) Γ (a) Γ (a)
0

2 2
ii) V(X)  E(X )  E (X)
 

 
2 2 1 a 1  x
E (X )  x f (x) dx  x e dx
Γ (a)
0 0




1 a 1  x 1 (a  1) a Γ (a)
E (X 2 )  x e dx  Γ (a  2)   a2  a
Γ (a) Γ (a) Γ (a)
0

2 2
Par suite : V (X)  E (X )  E (X )  a2  a  a2  a

2.2 Loi bêta

2.2.1 Définition
Une variable aléatoire X admet une loi bêta de paramètre  et 
(  0 ,   0 ) si sa densité de probabilité est donnée par :


x  0 , 1 
1  1
 B (  ,  ) x (1  x )  1 si
f (x)  

 0 si x  0 , 1 

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
15
FASEG (Licence 2) / Plateforme de l’enseignement à distance


 ( ) (  ) 1  1
où B ( ,  )   x (1 x) dx
 (   )
0

Cette loi est notée B ( ,  ) . La distribution bêta est souvent utilisée

dans les études portant sur le taux de participation à l’emploi.

2.2.2 Propriétés de B ( α , β)

(i) B ( ,  )  B ( , )

1 1 
(ii) B  ,  
2 2

Démonstration
(i) Le résultat est trivial

 1  1  1  1
       
 1 1  
(ii) B  ,        2 2 
2 2
 
2 2 1 1   1 0!
  
2 2

2.2.3 Valeurs caractéristiques

 
E (X)  et V (X) 
     2    1

Démonstration
1 1

 
1 α β 1
(i) E (X)  x f (x) dx  x (1 x ) dx
B (, β)
0 0
Chapitre 1 : Loi normale et lois de probabilité dérivées
Responsable matière : Fodiyé Bakary Doucouré
16
FASEG (Licence 2) / Plateforme de l’enseignement à distance

   1,      1         
E (X)   
  ,      1          

()() (  ) 
E(X)  
(  )(  )()()   


2 2
ii) V (X)  x f (x) dx  E (X)
0
1 1

 
2 2 1 α 1 β 1
E (X )  x f (x) dx  x (1 x ) dx
B (α , β)
0 0

   2,      2          
E (X 2)   
  ,      2          

   1                 1 
E (X 2)  
    1                        1 

Par suite :

   1  2
V (X )  E (X 2 )  E 2 (X )  
      1     2

V(X) 
  1     2     1

 
  2         3   2   2
  2 (    1)   2     1


V (X ) 
   2     1 

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
17
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Les lois du Khi-Deux, de Student et de Fisher sont déduites de la loi

normale. A ces distributions, on associe des « degrés de liberté ».

2.3 Loi du Khi-Deux

2.3.1 Définition
On considère n variables aléatoires X1 ,  , X n  indépendantes suivant
toutes la loi normale centrée et réduite N(0,1)
n
La variable Y  
i 1
Xi2 suit une loi du Khi-Deux à n degrés de liberté,

notée  2 (n).

Sa densité est donnée par :

 1 n  1  1 y
 y 2 e 2 si y  0
2
n
 n 
2  
f (y)    2 


 0 si y  0

2.3.2 Valeurs caractéristiques

E (Y )  n ; V (Y )  2n

Démonstration

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
18
FASEG (Licence 2) / Plateforme de l’enseignement à distance

(i) Par définition

 

 
n 1 y
1
E (Y)  y f (y) dy  y 2 e 2 dy
2 
n
0 22 Γ n 0

1
Faisons le changement de variable u y , y  2u , dy  2du
2
On obtient alors

n

 (2 u ) 2 e  u 2 du
1
E (Y) 
2 
n
22 n 0

n

 u 2 e  u du
2
E (Y) 
Γ n
2 0

n  n n
2  1 2    
E (Y)  
2  2 2  n

n n
   
2 2

(ii) Par définition



V (Y ) 

0
y2 f (y) dy  E 2 (Y)

1 
n 1
1  y
 
2 2 1
Calculons E (Y )  y f (y) dy  y 2 e 2 dy
n
n
0 22  ( ) 0
2

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
19
FASEG (Licence 2) / Plateforme de l’enseignement à distance

En effectuant le changement de variable précédent :

1
u y , y  2u , dy  2du
2
On a :

n


2 1 1  u
E (Y )  (2 u ) 2 e 2 du
n
n
2 2 ( ) 0
2

n


2 4  1 u
E (Y )  u2 e du
n
( )
2 0
n   n    n n n
4   2  4   1  1 4  1      
 2    2     2 2 2
n n n
     
2 2 2

Après simplifications, on obtient le résultat suivant :

Par suite :

2.3.3 Somme de deux variables de lois de Khi-Deux indépendantes

La somme de deux variables de lois de Khi-Deux indépendantes ayant

respectivement n1 et n 2 degrés de liberté suit une loi du Khi-Deux à

degrés de liberté.

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
20
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Si X1   2 ( n 1 ) et X 2   2 (n 2 ) sont deux variables aléatoires

indépendantes alors X1  X 2   2 ( n 1  n 2 )
Le résultat se généralise au cas de m variables aléatoires
indépendantes.

2.3.4 Table de la loi de Khi-Deux

La distribution du Khi-Deux ne dépendant que d’un seul paramètre n,

le nombre de degré de liberté, la table est à double entrée n et   .

Elle donne pour n inférieur ou égal à 30, la valeur du  2 ayant la

probabilité  d’être dépassée.

table de la page 28

P( χ 2n  A)  α

Si les valeurs de n et  sont données alors on lit A sur la

table du Khi-Deux.

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
21
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Exemple 5 : Loi du Khi-Deux à 5 degrés de liberté

Nous donnons quelques exemples de lecture dans la table de la loi
du Khi-Deux à n  5 degrés de liberté.

1) A l’intersection de la ligne n  5 et de la colonne α  0,0 5 ,

on lit dans la table A  11,07 .

2) A l’intersection de la ligne n  5 et de la colonne α  0,01 ,

on lit dans la table A  15,086 .

2.4 Loi de Student

2.4.1 Définition
Soient X et Y deux variables aléatoires indépendantes de lois
respectives N(0,1) et  2 ( n ) .
X  N ( 0 ,1 )
Y   2 (n )
On appelle loi de Student à n degrés de liberté la loi suivie par le
rapport :

Cette loi est notée Tn .

La densité de Tn est donnée par :

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
22
FASEG (Licence 2) / Plateforme de l’enseignement à distance

La loi de Student a la même allure que la loi normale mais avec

des queues plus fines. Cette loi est symétrique par rapport à l’axe
des ordonnées, son espérance mathématique est nulle.

Les statisticiens ont inventé cette loi pour construire des intervalles
de confiance sur la moyenne lorsque l’écart type  est inconnu .

2.4.2 Valeurs caractéristiques

E (Tn )  0 (symétrie)

 n
 n 2 , si n  2
V (Tn )  
  , si n  2


2.4.3 Comportement asymptotique

La loi de Student tend asymptotiquement vers la loi normale centrée

réduite N (0,1) pour de grandes valeurs de n c’est à dire si n  30 .

Tn  N (0, 1) quand n  30 .

2.4.4 Table de la loi de Student

Cette table donne la probabilité  pour que Tn égale ou dépasse, en

valeur absolue, une valeur donnée t  .


P  t   Tn  t    1 
Chapitre 1 : Loi normale et lois de probabilité dérivées
Responsable matière : Fodiyé Bakary Doucouré
23
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Si les valeurs de n et  sont données alors on lit t  sur la table

de Student.

Exemple 7: Loi de Student à un degré de liberté T1 , n  1

Nous donnons quelques exemples de lecture dans la table de la loi de

Student à un degré de liberté.

1) Pour   0 , 01 on lit sur la table la valeur t   63,657

A l’intersection de la ligne n  1 et de la colonne   0, 01 , on

lit dans la table t   63,657

2) Pour   0 , 05 on lit sur la table la valeur t   12, 706

A l’intersection de la ligne n  1 et de la colonne   0,05 , on lit

dans la table t   12, 706

2.5 Loi de Fisher

2.5.1 Définition
Soient X et Y deux variables indépendantes suivant respectivement les

lois  2 ( n ) et  2 ( m ) .

X   2 (n )

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
24
FASEG (Licence 2) / Plateforme de l’enseignement à distance

Y   2 ( m)

X /n m X
La variable Fn, m    suit une loi de Fisher à n et m
Y /m n Y
degrés de liberté.

- Le nombre n est appelé nombre de degrés de liberté du

numérateur

- Le nombre m est appelé nombre de degrés de liberté du

dénominateur.

La densité de la loi de Fisher est donnée par :

 n m
   n  m  n
1
n2 m 2
  2  x 2
 , x0
n  m  n m
f ( x)     
2  2   m  nx  2



 0 , x 0

2.5.2 Valeurs caractéristiques

Une loi de Fisher est telle que

m
E (Fn, m )  ( m  2)
m 2
2
2 m (n  m  2)
V (Fn, m )  , (m  4)
2
n ( m  2) (m  4)

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
25
FASEG (Licence 2) / Plateforme de l’enseignement à distance

2.5.3 Table de la loi de Fisher

Cette table est à triple entrée ( , n 1 , n 2 ) Elle donne la probabilité

 pour que Fn 1 , n 2 égale ou dépasse une valeur donnée A.

P(Fn 1 , n 2  A)  α

Si les valeurs de  , n 1 , n 2 sont données alors on lit A sur la

table de Fisher.

Exemple 8 : Loi de Fisher à 8 et 14 degrés de liberté

Nous donnons quelques exemples de lecture dans la table de la loi de

Fisher à 8 et 14 degrés de liberté. On a n1  8 et n2  14

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
26
FASEG (Licence 2) / Plateforme de l’enseignement à distance

1) Pour α  0,01 on lit sur la table la valeur A  4,14

A l’intersection de la colonne n1  8 et de la ligne n2  14 , on lit

dans la table A  4,14 .

2) Pour   0,05 on lit sur la table la valeur A  2,699

A l’intersection de la colonne n1  8 et de la ligne n2  14 , on lit

dans la table A  2,699 .

Sur la table n  8 (n est la colonne) et m  14 (m est la ligne).

- Pour   0, 05 on lit sur la table F  2, 70

- Pour   0, 01 on lit sur la table F  4, 14

MBAYE compta

Chapitre 1 : Loi normale et lois de probabilité dérivées

Responsable matière : Fodiyé Bakary Doucouré
27