Vous êtes sur la page 1sur 12

LOIS CLASSIQUES

1 LOI BINOlVIIALE

- Modele: Soit une urne contenant des boules blanches en proportion p et des boules noires en proportion q = 1 - p. Soit l'experience aleatoire qui consiste a tirer ti boules avec remise; on appelle X le nombre aleatoire de boules blanches obtenues au cours de ce tirage de n boules.

- Ce modele sert generalement, lorsque I'on s'interesse au nombre de succes obtenus lors d'une succession de n essais iudependants d'une epreuve aleatoire n'ayant que deux issues possibles: Ie succes avec une probabilite p et I'echec avec la probabilite q = 1 - p

- La probabilite d'un evenement favorable fournissant k boules blanches en n tirages est pk .qn-k or il y a C~ evenernents favorables ( nombre

de facon de choisir k places pris parmi n) et puisque les essais sont iudependants les uns des autres (Ies tirages se font avec remise)

on a par additivite :

Definition 1 On dit qu 'une v.a.d. suit une loi binomiale de parametres n et p, si l'on. a :

X(D) = {O, 1, 2, ... , n} ei V k E {O, 1,2, ... , n}, P(X = k) = C~pk.(l- p)n-k

Nous ecrirons alors :

x ~ 13(n,p)

- Verifions immediatement qu'il s'agit bien la d'une loi de probabilite :

n n

L P(X = k) = L (k) pk . qn-k = (p + q)n = 1

Car cela resulte tout simplement de la formule du binome de Newton a l'ordre n.

Proposition 2 Soit X ~ 13(n,p), alors :

i) E(X) = 17,p

ii) V(X) = npq

1

Preuve.

Lemme 3 Soit k E r.J * et soit n E r.J tel que k ::::; n, On a :

1 c: . C,k-l If:. '71. = tt > 71-1

Preuve. C'est une simple venjieation :

k .. n~ =n. (n-1)!

k!(n - A:)! (k - l)!(n - k)!

o

i) On a :

= "\,71. _ kC~pkq71.-k

~k-I 7"

Or d'apres le Lemme .'3 on peut ecrire :

E( V) _"\,71. Ck-1 k 71.-k

, j\ . - ~k=1 71. In-IP q

= "\'11.-] nCA: pk+1qn-(k+1)

~k=O 71.-1

ii) On a :

E(X(X - 1)) = E(X2 - X) = E(X2) - E(X)

De plus:

E(X(X - 1)) = Lk=O k(k - l)P(X = k)

="\'n k(k _ 1)C'k1lqn-k ="\'n , n(k _ 1)Ck-1pkqn-k

~k=2 'n ~k=2" n-1

="\'n n(n _ 1 )Ck-2pkqn-k = "\'n-2 n(n _ l)Ck pk+2qn-(k+2)

~k=2, / /n-2 ~k=O /n-2

D'o'u

E(X2) - E(X) = n(n - 1 )p2 {:} E(X2) - np = n(n - 1)p2 ¢:} E(X2) = n(n - 1)p2 + np

Comme

V(X) = E(X2) - E(X)2

= n(n - 1)p2 + np - n2p2 = npq

2

D

2 LOI DE POISSON

2.1

Theorerne 4 Soit 1 'application

f; W ---+ [0, 1 J

k I---r C~pkqn-k

AloTS quand n tend vers l'infini et p tend uers zero avec tip = ,\ constanie, f(k) tend veT8;

,\k -,\

e .-

k!

Preuve. P08on8

,\

v= - 11.

AI01's :

, (A ')"

_ (n-k+l)(n-k+2) ... (n-l)n Ak 1-;;:

- k! nk ( A)' k

1--

\ n

Comme

k t.errues

(n-k+1)(n-k+2)···(n-1)n =1 lim

n->+= nk

et

lim (1 - ~) k = 1 (k est fixe),

n-++= n

(1 /\) n _ nln(l-~) n(-~) __ /\

-- -e ' n "-'e' n -e

n oc

On a

,\k lim f(k) = e-'\· -

71-++= ' k!

o

2.2

Definition 5 On dit qu'une v. a. d. X suit une loi de Poisson de parametre ,\ > a si les deux conditions suivantes sont realisees :

-i) X(U) = ~

ii) V k E W, P(X = k) = e-).· 'k~

On ecrii alors :

X <-+P(,\)

3

En se liiuitant a, n "grand" avec P "petit", OIl pourra rernplacer 10.101 binorniale B(n,p) par lao loi de Poisson P(A) avec" = np.

On adrnet le plus sou vent cornme condi Lions de legi Lirni Le de r approximation :

n 2: ~)O et np < 10

- Dans la pratique une telle loi est utilisee pour approcher et decrire toute une categorie oe phenomenes:

(a) Nombre de vehicules franchissant un poste de peage pendant une peri ode de duree T.

(b) Nombre dappels recus par un standard telephonique pendant une periode de duree T.

(c) Nombre de defauts dont est affecte un objet fabrique en serie. (d) Nombre d'reufs pondus au cours d'une ponte par certaines especes animales ...

Proposition 6 Soit X --» P(,\), on a :

i) E(X) = "

ii) V(X) = "

Preuve. i)

E(X) = Z~O kP(X = k)

ii)

E(X(X - 1)) = Lk~2 k(k - l)P(X = k)

- '\' k('k' l)e-'\ ),k - e,-A '\' ,\k

- ~k?2 '. ' - . k! - ~k~2 (k-2)!

Comme

On a

V(X) = ,,2 + E(X) - E(X)2 = ,\

4

o

3 LOI NORMALE OU DE LAPLACE-GAUSS

3.1 Definition

- La loi de Laplace (1749-1827)-Gauss (1777-185,5) s'applique a une variable aleatoire continue dependant de nombreux parametres independants, dont les effets s'additionnent et dont aucun n'est preponderant (conditions de Rorel (1871-]9,56)).

- Elle est constatee experimentalement dans tous les cas de dispersion de valeurs au hasard autour d'une valeur centrale. Elle est done naturellement le modele mathematique des phenomenes dont les causes sont a la fois nombreuses et mal connues, sans qu'on puisse detecter entre elles de preponderance.

- Ce sera en particulier le cas des phenomenes soumis a, des perturbations: temperatures, vibrations, defaut cl'homogeneite de la matiere, imprecision des appareils de mesure, usure de l'outillage, imperfection des operateurs, etc ...

Definition 7 Soii X une variable aleatoire. On dit que X suit nne loi normale de paramet.res m et (J" (avecm E IR ei (J" E IR~) si X est une o. a. c. dont une densiie 'Pm,a est definie par:

1 (t_~)2

V t E IR, 'Pm,a(t) = --e- 20"~ !Ty'2?f

Nous uoierons alors :

x ~N(m,(J")

On dit aussi que X suit une loi norm ale de parametres HI ei (J" ou encore que X est une u.a.c. normale ou gaussienne.

- Verifions qu'il s'agit bien la d'une loi de probabilite d'une v.a.c.

- En effet, 'Prn,a est positive et continue sur IR. II reste a verifier que 'Pm,a est integrable sur IR d'integrale 1.

]+0;) . _ 1 ]+0;) _ (t-112)2

'Pm,a(t) dt - ~ e 20- dt

- 0;) (J" v 21r - 0.-'

Effectuons Ie changement de variable u = ~~, on a :

1 ]+0;) (t_m)2 1 ]+0;) ? 1 j+::O ?

--- . e-~ dt = --- e-u- (J"v2du = -. e-U- du = 1

0" yI2; - (X) (J" yI2; -(X) Vi -00

3.2 Etude de 'Pm,a

Remarquons tout d'abord que I'on a, pour tout nombre reel t :

'Pm,a(m + t) = 'Pm,a(rn - t)

5

D'ou la representation graphique de rpm,a est, syrnetrique par rapport it la verticale d'abscisse m.

On a de plus :

lim 'Pm,a(t) = lim 'Pm,a(t) = 0

t-+-co t--++oo

La fonction 'Pm,a est indefiniment derivable sur IR et, en particulier on a :

V t E IR,

~2

, t-m 1 -

rp (t) = - - . -;:o:-e 2,,-

m,(T (J2 (TV 211"

If (t) (t_m)2_(J2 1 _(t-'2)2

'P = . --e 20-

m,(T (T4 (T.,j2;

D'ou le tableau de variation:

t -00 m-(j m m+(j +00
If + 0 0 +
'Pm,(J - -
I + ~
'Pm (T -
'Pm,a- .i-> ~ ----------..
a a
resentation ra hi ue de . et la rep

g p q

Densite de Xc- JV (rn, (J)

Proposition 8 Soit X '-rJV(m, (7), on a :

i) E(X) = m

ii) V(X) = 172

Preuve. i)

J+OO . 1+00 t (t-l1t

E(X) = t . 'Pmp(t) dt = J"('Le- 2,,- dt

-00 -<Xl O"y 211"

Faisons le changement de variable :

t-m

'U= -- 0"

6

Alors :

E(X)

2

J+OO 'uu+'1n -:'!_ d = --e 2 (T II - IXI fJ,,12if

=0 (impaire!)

E(X) = m

ii) on ut.ilise la forrnule

V(X) = E(X2) - E(X)2

Or

? ;+00 i2 (t_m)2

E(X-) = ro=e-~ eli

-(X) (TV 27r

Par le merne changement de variable qu'en i) on a :

Posons

Par parite :

Integrons par parties:

u = u dU = du

dV V

D'ou

On a done:

et enfin

V(X) = 0'2

o

7

3.3 Loi Normale cent ree reduite

'I'heorerne 9 Soit X L-+N(m, 0-), noions X* la variable aleaioire ceniree retluiie associee. On a I 'equioaletice suinante :

x C_rJV(m, 0-) {:=:} X* = X - m L-+ N(O, 1) 0-

Tout calcul de probabilites it partir d'ulle loi normale N(111, o ) se rarnene done par reduction a un calcul de probabilites a partir de Ia loi norrnale centree reduite .Af(O, 1). On pose:

v x E IR, P(X* < x) = <I> (x ) = JX ~e-~ dt -00 V 21f

Le calcul de c.p(t) se fait facilement it l'aide d'une simple machine. Le calcul de <I>(:e) necessite par contre une machine relativement sophistiquee. Pour cet te raison OIl utilise une table qui donne une valeur approchee de <I>(:r) pour certaines valeurs positives de x.

Proposition 10 Soit X L-+ N(O, 1), on a :

i) V;c E IR, <I>(-x) = 1- <l>(x)

ii) V x E IR+, P(IXI:::; ;T) = 2<l>(x) - 1

, P(IXI~x)=2(1-<l>(x))

Preuve. i) on a :

Or c.p( -u) = c.p(u), d'011 :

<I> ( -x) = l~~ c.p( u) du

Soit le changement de variable: u = -v, alors :

lx 1+00

<I>(-x)=- c.p(v)dv= c.p(v)dv

+00 x

tr»«

Jx 1+0:> r:

<1>( x) + <1>( -x) = _0:> c.p( u) du + x c.p(v) ds: = -00 c.p(v) dv = 1

8

ii) On a, :

P(IXI ~ x) = P(-:r < X < x)

= -<1>( -x) + <1>(:r) = 2<1>(x) - 1

On a de meme :

P(IXI 2: :c) = 1 - P(IXI ~ x)

= 1 - 2<1>(:r) + 1

= 2 (1 - <1> (x ))

o

Exercice : 1. Soit X ~ A((O, 1), calculer :

i) rix < 2) ii) P(X > 1)

iii) P(X < -2)

iv) P(X > -1)

v)P(-1<X<2)

2. Soit X ~ N(6, 2), calculer :

i) P(X < 7)

i'i)P(4<X<8)

3. Soit X ~ .Ar(m, 0'), calculer :

i) P( m - 0' < X < m + 0')

ii) P(rn - 20' < X < m + 20')

3.4 Operations sur les variables gaussiennes

T'heorerne 11 Soient Xl, X2, .•. , Xn n u.a.c, indeperidantes euiouni chacune une loi normale :

9

Alors leur SOln711t: :

n

X = LXi sud aussi utie loi normale JV(rn,O") ·i=1

Ou:

n

m = L m, (Par linearii« de I'applicaiion E)

i=1

et

n

0"2 = L 0"; (Lee v.a.c. Xi sotit independanies] i=]

Exemple 12 soieni lee u.a.c, suiuanies :

X2 '--+ jV(35, 4) Alors X = Xl + X2 '--+ N(60, .5)

Corollaire 13 Sad X '--+ N(m, 0"), on a :

Va E IR, Y = aX '--+ N(am, 10.10")

Corollaire 14 Soieni n v.a.c. independant es XI, X2, ••• , Xn suivant iouies la tneme loi /v(m, 0"), alors leur moyenne venjie :

- _ X, + X2 + ... + Xn ,V ( 0") ( '0 1 ,. III)

""Y - '--+ .I m, .;;::: Hesu tat ires important ...

n vn

Preuve. C'esi une application directe des [ormules :

- (Xl + X2 + ... + Xn) 1 . 1

E(X) = E = - (E(Xl) + ... + E(Xn)) = -·mn = m

n n n

d'01L

~ 0"

O"X=VV~A)= ;;::: yn

o

3.5 Approche de Ia Ioi binomiale par la loi normale

On dernontre et on adrnettra La

Proposition 15 Pour x E W,

On considere que La convergence est satisfaisante pour n 2: 20 ei p '::'_ 0,.5 ou pour npq > 10

10

Exemple 16 Soil X c_., B(100; 0,2) alors E(X) = 20 el V(X) = 16, cotnparons les valeurs de P(X = x) avec celle de fa densiie de probabilite de la loi N(20; 4) c'esi-a-dire avec:

x 10 14 16 18 20 6)6) 24 26
. .<;..o_'::"-
P(X = x) 0,0038 0,0885 0,0688 0,0909 0,0998 0,0849 0,0577 0,0816
'P20,4(X) 0,0044 0,0824 0,0605 0,0880 0,0997 0,0880 OJ 0605 0,0824 On consiate que fa convergence est ires satisfaisante (npq = 16)

- La 10i binomiale s' appliquant a une variable aleatoire discrete de pas 1, et la 10i norrnale a une variable aleatoire continue, on approchera la loi Ben,p) par la 101 N(np,.;npq) en procedant a. l'ajllstement suivant :

- On approche P(X = k) clans la loi binomiale par P(k - 0,5 < X < k + 0,5) dans la 10i norrnale

- On approche P(X < k) clans la loi binorniale par P(X < k-O,5) dans la 10i norrnale

- On approche P(X ::; k) dans la 10i binomiale par P(X < k + 0,5) dans la 10i norrnale

Exemple 17 Soit X c_., B(50; 0,3) cherchons P(X < IS), on a :

P(X = k) = C;o' 0,3k. 0, 750-k

et

18

P(X ::; IS) = L P(X = k) ce qui esl quere commode

k=O

P080ns

m = n ' p = .50 x 0,:3 = 15

o = ,;npq = JID,O

Approximons done (npq > 10) fa loi binomiale B(50; 0,3) par fa loi norm.ale JV(15, JID,O).

Soit Y c_., )V(15, JlO,5)

On a

P(Y < lS,5) = <I> (lS~5) '::::' 0,8599 P(X::; 18) auraii donne 0,8225

11

4 RECAPITULATION

4.1 Lois Classiques :

Nom valeurs Loi Esperance Variance
Loi binomiale {O,l, ... ,n} P(X = k) = C:,pkqn-k
X L...+ B(n,p) np npq
Loi de Poisson P( X" - k) __ A.\k
X L...+ P(A) j - ,- e k'
Loi Normale IR P(X < x) = <I> (x~m.) cr2
X L...+ N(m, cr) rn 4.2 Recapitulations des approximations usuelles

B ('1' , p) npq> 1 0 ~ r( ;:n;:n;:J)'

< -----+ JV, np, V npq

n 2: 30 et np < 1 ° 1

, np>lO V( ,

P(np) -----+ J np,yfilP)

12