Vous êtes sur la page 1sur 15

USUELLES

LOIS DE PROBABILITE
Dans cette note est faite une liste des lois de probabilite usuelles sur R voire Rn ou
sur une de ses sous-parties ainsi que quelques unes de leurs proprietes (moyenne, variance,
fonction caracteristique). Qualifier ces lois de probabilite dusuelles signifie quelles doivent
etre connues de tous et non quelles seraient les seules quon puisse rencontrer dans un
probl`eme, un exercice et surtout dans une situation concr`ete. De nombreuses proprietes sont
donnees sans demonstration. Elles peuvent etre traitees en exercice.
1. Lois discr`
etes usuelles
1.1. Mesures de Dirac
D
efinition 1. Soient pE, E q un ensemble mesurable et x0

t0, 1u
"
1
B pB q 
0

:E

P E un point. Lapplication

si x0 P B,
sinon,

est une mesure de probabilite sur pE, E q. Si le singleton tx0 u est mesurable, lapplication
est alors dite mesure de Dirac en x0 , ou encore masse de Dirac en x0 , et est notee tx0 u (la
notation tx0 u est aussi souvent employee).
Une variable aleatoire X de loi la mesure de Dirac en x0 P E est presque s
urement
constante egale `a x0 et recipoquement : PX tx0 u  PtX  x0 u  1. Lorsque E  R, on a

ErX s  x0 ,

VarpX q  0,

X p q  E eiX

 eix .
0

Fonction de r
epartition

Mesure de Dirac en x0
1

0
x0

x0

On pourra prendre pour definition :


D
efinition. Soit pE, E q un espace mesurable separe (tous les singletons sont mesurables).
Toute loi discr`ete sur pE, E q est combinaison barycentrique finie ou denombrable de mesures
de Dirac.
1.2. Lois de Bernoulli
D
efinition 2. Soit p P r0, 1s. On appelle loi de Bernoulli de param`etre p la loi de
probabilite discr`ete de support t0, 1u verifiant
t0 u  1  p

et

t1u  p.

Lois de probabilit
e usuelles

Soit  p1  pqt0u

pt1u . Cette mesure est identifiee par la notation Bp1, pq.


Fonction de r
epartition

Loi de Bernoulli
1

1
p

1p

1p
0

Une variable aleatoire X de loi la loi de Bernoulli de param`etre p P r0, 1s est presque
s
urement lindicatrice de levenement tX  1u. Reciproquement, lindicatrice dun evenement
A P A a pour loi la loi de Bernoulli de param`etre PpAq.
Si X est une variable aleatoire de loi la loi de Bernoulli de param`etre p P r0, 1s, alors elle
admet des moments `a tout ordre et on a :

ErX n s  p

pour tout n 0,

et

La fonction caracteristique de X est X p q  1  p

VarpX q  p  p2

 pp1  pq.
p exppi q pour tout P R.

1.3. Lois binomiales


D
efinition 3. Soient n P N et p P r0, 1s. On appelle loi binomiale de param`etres n et p
la loi de probabilite discr`ete de support t0, 1, . . . , nu verifiant
tk u 
Soit 

"

Cnk pk p1  pqnk

pour k

sinon.

P t0, 1, . . . , nu,

Cnk pk p1  pqnk tku . Cette mesure est identifiee par la notation Bpn, pq.

k 0

n = 10 et p = 0,2

0,3

n = 10 et p = 0,5

0,3

0,2

0,2

0,2

0,1

0,1

0,1

8 10

n = 10 et p = 0,8

0,3

8 10

8 10

Soient X1 , . . . , Xn des variables aleatoires independantes toutes de loi Bp1, pq. Leur somme
X  X1    Xn a pour loi la loi binomiale Bpn, pq. Il est facile de calculer lesperance,
la variance et la fonction caracteristique dune telle somme. Comme celles-ci ne dependent
que de la loi de X, on en deduit que si la loi dune variable aleatoire X est la loi binomiale
Bpn, pq alors

ErX s  np,

VarpX q  npp1  pq,

X p q  E eiX

 1p

p ei

n

On pourrait aussi obtenir ces formules en se servant directement de lexpression de la loi


binomiale Bpn, pq.
Le contexte usuel dapparition de cette loi est le suivant : considerons une suite de n
epreuves independantes (de n variables aleatoires X1 , . . . , Xn chacune ayant 2 issues (valeurs)
possibles t0, 1u (ou techec, succ`esu) de probabilites respectives 1  p et p. Soit X la variable
aleatoire comptant le nombre total de succ`es (ou doccurrences du nombre 1). La loi de X
est alors la loi binomiale Bpn, pq.

20 d
ecembre 2013

Proposition. Soient m, n P N , p P r0, 1s, et X, Y deux variables aleatoires independantes de lois respectives Bpm, pq et Bpn, pq. Alors leur somme X Y est une variable aleatoire
de loi Bpm n, pq.
Demonstration. Pour demontrer cette proposition le plus rapide est de calculer la fonction
caracteristique de X Y :
X

pq  E eipX

q   EeiX  eiY   EeiX   EeiY   X pqY pq

par independance de X et de Y . Ainsi


X

p q  1  p

p ei

m

1p

qui est la fonction caracteristique de la loi Bpn


Bpn m, pq.

p ei

n

 1p

p ei

m

m, pq. On en deduit que X

Y a pour loi

Remarque. Cette proposition setend immediatement `a la somme dun nombre fini de


variables aleatoires independantes de lois respectives Bpni , pq (avec le meme p pour toutes
ces lois !). Linterpretation dune loi binomiale en terme de distribution du nombre des succ`es
au cours dune sequence depreuves eclaire ce resultat.
1.4. Lois multinomiales
D
efinition 4. Soient d, n P N et p1 , . . . , pd P r0, 1s. On appelle loi multinomiale de
param`etres n et p1 , . . . , pd la loi de probabilite discr`ete de support tpn1 , . . . , nd q P Nd :
n1    nd  nu qui est un sous-ensemble de Nd et donc de Rd verifiant
tpn1 , . . . , nd qu 

$
'
&
'
%

n!
p1n1
n1 ! . . . nd !

     pnd

pour pn1 , . . . , nd q P Nd
tel que n1
sinon.



nd

 n,

Cette mesure est identifiee par la notation Mpn, p1 , . . . , pd q.

Le contexte usuel dapparition de cette loi est le suivant : considerons une suite de n
epreuves independantes (de n variables aleatoires X1 , . . . , Xn chacune ayant d issues (valeurs)
possibles te1 , . . . , ed u de probabilites respectives p1 , . . . , pd . Soit X le vecteur d-dimensionnel
dont les coordonnees comptent le nombre doccurrences des issues correspondantes. La loi de
X est alors la loi multinomiale Mpn, p1 , . . . , pd q.
On constate ainsi dune part que les lois multinomiales sont les generalisations `a plus
de 2 issues possibles des lois binomiales, dautre part que les lois multinomiales apparaissent
naturement en Statistique : les n variables aleatoires X1 , . . . , Xn sont un echantillon dune
loi discr`ete `a support fini, le vecteur X est alors celui des effectifs empiriques.
On remarque que dans ce cas, la k-i`eme coordonnee de X secrit
X pkq

1tXi ek u

i 1

qui est une somme de variables aleatoires independantes de loi la loi de Bernoulli de param`etre pk , et dont la loi est donc la loi Bpn, pk q. Nous ne nous etenderons pas plus sur ces
lois qui sont des lois de vecteurs aleatoires (lesperance est un vecteur, la variance est une
matrice [de covariance]) et pour lesquelles le theor`eme central limite (de MoivreLaplace)
multidimensionnel peut sappliquer.

Lois de probabilit
e usuelles

1.5. Lois de Poisson


D
efinition 5. Soit P R . On appelle loi de Poisson de param`etre la loi de probabilite
discr`ete de support N verifiant
tnu 

e

n
n!

0
Soit 

e

n 0

tnu . Cette mesure est identifiee par la notation P pq.


n!
=1

0,5

0,25

sinon.

= 0,75

0,5

pour n P N,

0,25

8 ...

=4

0,5

0,25

8 ...

8 ...

Le calcul des moments dune loi de Poisson de param`etre se fait assez aisement en
regardant les expressions `a calculer comme des series enti`eres en mais encore plus facilement
en reduisant des fractions. . . Si X est une variable aleatoire de loi P pq, on montre que

ErX s  ,

VarpX q  ,

X p q  E eiX

 epexppiq1q .

Les lois de Poisson apparaissent dans des questions dapproximation de lois binomiales
pour n grand (tendant vers linfini) et np (ou encore np1  pq) voisin dune valeur fixe finie
(voir une section de cours sur la convergence en loi). Elles apparaissent aussi dans la theorie
des files dattente : considerons pTn qn1 une suite de variables aleatoires independantes et
identiquement distribuees de loi E pq (voir section suivante) ; soient t 0 et
Xt

 maxtn P N : T1   

Tn

tu ;

alors on peut montrer que la loi de Xt est la loi de Poisson de param`etre t. Typiquement,
a un
Tn represente le temps dattente entre le passage de la pn  1q-i`eme et la n-i`eme voiture `
peage et Xt le nombre de voitures qui sont dej`a passees `a la date t.
Proposition. Soient X et Y deux variables aleatoires independantes de lois respectives
P pq et P pq pour , P R . Alors leur somme X Y est une variable aleatoire de loi
P p q.
Demonstration. Pour demontrer cette proposition le plus rapide est de calculer la fonction
caracteristique de X Y :
X

pq  E eipX

q   EeiX  eiY   EeiX   EeiY   X pqY pq

par independance de X et de Y . Ainsi

pq  epexppiq1q epexppiq1q  ep qpexppiq1q


qui est la fonction caracteristique de la loi P p q. On en deduit que X
P p q.
X

Y a pour loi

Remarque. Cette proposition setend immediatement `a la somme dun nombre fini de


variables aleatoires independantes de lois respectives P pi q.

20 d
ecembre 2013

1.6. Lois g
eom
etriques
D
efinition 6. Soit p P s0, 1s. On appelle loi geometrique de param`etre p la loi de probabilite discr`ete de support N verifiant
tn u 
Soit 

"

pp1  pqn1
0

pour n P N ,
sinon.

pp1  pqn1 tnu . Cette mesure est identifiee par la notation G ppq.

n 1

Fonction de r
epartition

p = 0,25

0,3
p
0,2

0,1
0

p
0

1 2 3 4 5 6 7 8 9 10 11 . . .

1 2 3 4 5 6 7 8 9 10 11 . . .

Le calcul des moments dune loi geometrique de param`etre p se fait assez aisement en
regardant les expressions `a calculer comme des series enti`eres en p1pq et en utilisant lidentite
geometrique. Si X est une variable aleatoire de loi G ppq, on montre que si p P s0, 1s, alors

E rX s  ,
1
p

VarpX q 

1p
,
p2

X p q  E eiX

 1  pp1 e pq ei .

Ces lois apparaissent dans la situation suivante (schema de Bernoulli infini) : considerons
une suite infinie pXn qn1 de variables aleatoires identiquement distribuees de loi Bp1, pq et
soit
X  inf tn P N : Xn  1u ;
alors la loi de X est la loi geometrique de param`etre p on linterpr`ete comme etant le
premier rang dapparition dun succ`es dans une suite depreuves de Bernoulli.
Remarques. a) Les lois geometriques sont parfois appelees lois de Pascal (Blaise). Hel`
as !,
certains auteurs definissent ces lois leg`erement differemment :
tk u  pp1  pqk

pour tout k

P N.

Nous recommandons `a ce propos une certaine prudence bien que nous restons fermement
convaincu que notre definition est la seule `a retenir.

b) Le cas p  0 est particulier puisque le seul sens quon puisse donner `a G p0q est detre la
mesure de Dirac en 8. En effet, ceci revient dans un schema de Bernoulli infini `a presque
toujours perdre, si bien que le premier instant de succ`es est presque s
urement infini. De plus,
il est possible de justifier de plusieurs mani`eres analytiques que les lois G ppq pour p 0
convergent vers t8u quand p tend vers 0.
1.7. Lois binomiales n
egatives
D
efinition 7. Soient p P s0, 1s et k P N . On appelle loi binomiale negative de param`etres
k et p la loi de probabilite discr`ete de support tk, k 1, k 2, . . .u verifiant
tnu 

"

1 pk p1  pqnk
Cnk
1
0

pour n P N, n k,
sinon.

Lois de probabilit
e usuelles

Soit 

n k

1 pk p1  pqnk tnu . Cette mesure est identifiee par la notation Binneg pk, pq.
Cnk
1
Fonction de r
epartition

k = 2 et p = 0,25

0,12

0,08
0,04
0

12

8 10 12 14 16 18 . . .

12

8 10 12 14 16 18 . . .

Pour k  1, on retrouve la loi geometrique de param`etre p. La loi du k-i`eme succ`es dans


un schema de Bernoulli infini de param`etre p est la loi binomiale negative de param`etres k
et p. On peut montrer que les ecarts entre les rangs de succ`es sont independants et tous de
loi geometrique de param`etre p, et que reciproquement la somme de k variables aleatoires
independantes de loi G ppq a pour loi Binneg pk, pq.
1.8. Lois hyperg
eom
etriques
D
efinition 8. Soient n, N P N et p P r0, 1s tels que N p P N et n N . On appelle loi
hypergeometrique de param`etres pN, n, pq la loi de probabilite discr`ete de support inclus
dans N verifiant
tk u 

$
nk
k
CN
& CNp
p1pq
%

n
CN

pour max 0, n  N p1  pq

k minpn, N pq,

sinon.

Cette mesure est identifiee par la notation HpN, n, pq.


Considerons une urne contenant N p boules blanches et N p1  pq boules noires, soit au
total N boules. On tire au hasard n boules dans lurne sans remise (cest-`a-dire quune
realisation est une partie `a n elements de cette urne et quon suppose toutes les realisations
equiprobables) et on note X le nombre de boules blanches correspondant. La variable aleatoire
X a pour loi HpN, n, pq.
2. Lois absolument continues usuelles
En parlant de lois absolument continues sans plus de precision nous comettons un abus : il
est necessaire de mentionner la ou les mesure par rapport `a laquelle labsolue continuite
est affirmee. Dans toute la suite, cette mesure est la mesure de Lebesgue, celle qui aux
intervalles assigne pour mesure leur longueur.
2.1. Lois uniformes
D
efinition 9. Soient a, b P R tels que a b. On appelle loi uniforme sur lintervalle ra, bs
la loi de probabilite absolument continue dont une densite est donnee par
ppxq 

ba

1ra,bs pxq,

x P R.

20 d
ecembre 2013

Cette mesure est identifiee par la notation U pra, bsq.


Densit
e dune loi uniforme

Fonction de r
epartition

1
ba

p
xa
ba
0

a + (b a)p b

Soit X une variable aleatoire de loi U pra, bsq. Tous ses moments existent et on calcule
aisement
a b
pb  aq2 , pq  eib  eia .
,
VarpX q 
ErX s 
X
2
12
i pb  aq
2.2. Lois exponentielles
D
efinition 10. Soit P R . On appelle loi exponentielle de param`etre la loi de
probabilite absolument continue dont une densite est donnee par
ppxq  1r0,

8r pxq ex ,

x P R.

Cette mesure est identifiee par la notation E pq.


Densit
e dune loi exponentielle

Fonction de r
epartition

1
p

1 ex
0

1/

1/

ln(1 p)/

Soit X une variable aleatoire de loi E pq. Tous ses moments existent et on calcule aisement
(integration par parties)

E rX s 

1
,

VarpX q 

1
,
2

X p q 

 i

De telles lois apparaissent pour modeliser des temps dattente de phenom`enes pour lesquels
il y a absence de memoire, etant alors lintensite darrivees. Si X est une variable de loi
exponentielle de param`etre 1, pour tout 0, la loi de X { est la loi exponentielle de
param`etre .
Remarque. On appelle loi de Laplace de param`etre 0 la loi de probabilite absolument
continue dont une densite est donnee par x {2  expp|x|q.
2.3. Lois de Cauchy
D
efinition 11. Soit a P R . On appelle loi de Cauchy de param`etre a la loi de probabilite
absolument continue dont une densite est donnee par
ppxq 

a{
,
x2

a2

x P R.

Lois de probabilit
e usuelles

Cette mesure est identifiee par la notation C paq.


Fonction de r
epartition

Densit
e dune loi de Cauchy

1
p
3/4

1
x 1
+
arctan

a
2

1/2

a tan p

1/4
a


2

Les lois de Cauchy apparaissent naturellement en Analyse (equation de Laplace dans le


demi-plan superieur) et en Probabilites. Ce sont des lois dont tous les moments divergent.
Leurs fonctions caracteristiques sont evidemment bien definies ; un calcul non immediat
montre que
8
a{
eix  2
p q 
dx  e|a| ,
2
a
x
8

qui est, `a un facteur multiplicatif pr`es, la densite de la loi de Laplace de param`etre a 0. On


remarquera que cette transformee de Fourier nest pas derivable en 0 ce qui implique, mais
on le sait dej`
a, que la loi de Cauchy de param`etre a 0 nadmet pas de moyenne. Notons
que si la loi de X est la loi de Cauchy de param`etre 1, pour a 0, la loi de aX est la loi de
Cauchy de param`etre a.
Le cas le plus simple o`
u on voit apparatre une loi de Cauchy est celui o`
u est une variable
aleatoire uniformement repartie sur le cercle unite et X  a tan . La variable aleatoire X a
alors pour loi la loi de Cauchy de param`etre a.
Un autre cas classique est celui o`
u on consid`ere le quotient Y {X de deux variables aleatoires
2
X et Y de lois normales, de moyenne 0 et de variances respectives X
0 et Y2 0.
Ce quotient est presque s
urement bien defini, et sa loi est la loi de Cauchy de param`etre
a  Y {X . Pour le voir, supposer dans un premier temps X  Y , puis considerer le
couple pX, Y q comme une variable aleatoire dans le plan, passer en coordonnees polaires pour
obtenir les coordonnees aleatoires pR, q, constater que est de loi uniforme sur le cercle
unite et que Y {X  tan a ainsi pour loi la loi de Cauchy de param`etre 1. Lorsque X  Y ,
avec a  Y {X , le quotient pY {aq{X est de loi de Cauchy de param`etre 1 dapr`es ce qui
prec`ede. Il est alors clair que Y {X a pour loi la loi de Cauchy de param`etre a (voir la section
sur les lois normales).
Citons une autre propriete des lois de Cauchy : si X a pour loi la loi de Cauchy de
param`etre a, alors 1{X a pour loi la loi de Cauchy de param`etre 1{a. Ceci peut se voir
geometriquement lorsque a  1 : En posant  arctan X, on a 1{X  cotan  tan 1 avec
1 de loi uniforme sur le disque unite, et ainsi 1{X a pour loi la loi de Cauchy de param`etre 1.
Le cas o`
u a  1 sen deduit aisement.
Remarque. Il arrive parfois quon consid`ere des lois de Cauchy centrees en x0
ce cas, la densite est donnee par
ppxq 

a2

a{
px  x0q2 ,

 0. Dans

x P R.

2.4. Lois Gamma


D
efinition 12. Soient P R et a P R . On appelle loi Gamma de param`etres a et la

20 d
ecembre 2013

loi de probabilite absolument continue dont une densite est donnee par
ppxq  1r0,

8r pxq paq xa1 ex ,


a

x P R.

Cette mesure est identifiee par la notation pa, q.


Densit
es de lois Gamma

a = 0.5
a=1
a=2
a=4
a=8
0

1/

2/

3/

4/

5/

6/

7/

8/

Le facteur de normalisation paq apparaissant dans la formule precedente est la valeur en


a 0 de la fonction (Gamma) dEuler :
paq 

ta1 et dt.

Rappelons que si n P N , pnq  pn  1q ! et pn 1{2q   1  3  5     p2n  1q{2n .


On constate que la loi Gamma de param`etres 1 et est la loi exponentielle de param`etre
. Si X est une variable de loi Gamma de param`etre a et 1, pour tout 0, la loi de
X { est la loi Gamma de param`etres a et . On peut montrer, par convolution de densites
exponentielles, que la loi dune somme de k P N variables aleatoires independantes de loi
exponentielle de param`etre est la loi Gamma de param`etres k et . Plus generalement,
la somme de deux variables aleatoires independantes de lois respectives pa, q et pa1 , q a
pour loi pa a1 , q. Ainsi, si X est une variable aleatoire de loi pk, q, alors

ErX s 

k
,

VarpX q 

k
,
2

X p q 

 i

ces formules etant aussi vraies lorsque k 0 est reel. De telles lois apparaissent en theorie
des files dattentes : on attend que k phenom`enes successifs surviennent, les durees separant
leur apparition etant supposees independantes et de loi E pq ; le temps dattente total a alors
pour loi pk, q.
Les lois Gamma sont parfois nommees lois de Erlang. Les valeurs de leurs fonctions de
repartition sobtiennent `a partir de celles des fonctions Gamma incompl`etes
x

ta1 et dt

dont le calcul necessite le plus souvent le recours `a la machine.


Remarque. Les lois Gamma peuvent paratre compliquees et sont souvent meconnues des
debutants. Elles sont pourtant liees aux lois normales, aux lois de Poisson, aux lois du 2 , . . .

10

Lois de probabilit
e usuelles

2.5. Lois Beta


D
efinition 13. Soient a et b P R . On appelle loi Beta de param`etres a et b la loi de
probabilite absolument continue dont une densite est donnee par
ppxq  1s0,1r pxq

xa1 p1  xqb1
,
Bpa, bq

x P R.

Cette mesure est identifiee par la notation Betapa, bq.

Fonctions de r
epartition

Densit
es de lois Beta
4

0,75

0,5

0,25

1/2

1/2

Le facteur de normalisation Bpa, bq apparaissant dans la formule precedente est la valeur


en a et b de la fonction B (Beta) dEuler :
Bpa, bq 

1
0

xa1 p1  xqb1 dx.

Rappelons quelle est liee `a la fonction Gamma par Bpa, bq  paqpbq{pa

bq.

Remarque. Les lois Beta peuvent paratre compliquees et sont souvent meconnues des
debutants. Elles sont pourtant liees aux lois de Student, de Fisher, aux lois binomiales, . . .
3. Lois normales et lois associ
ees
Les lois de probabilite que nous abordons `a present sont les lois normales unidimensionnelles et les lois dites associees, voire derivees, de lois normales. Elles sont absolument continues et apparaissent principalement en Statistique comme lois de variables f pX1 , . . . , Xn q o`
u
pX1, . . . , Xnq est une suite de variables aleatoires independantes de meme loi, une loi normale.
3.1. Lois normales
D
efinition 14. Soient P R et P R . On appelle loi normale de moyenne m et de
variance 2 la loi de probabilite absolument continue dont une densite est donnee par
ppxq 

?1

epxmq

2 2

{22 ,

x P R.

Cette mesure est identifiee par la notation N pm, 2 q. La loi de probabilite N p0, 1q est appelee
loi normale standard ou loi Normale. On a coutume de noter sa fonction de repartition.
Fonction de r
epartition

Densit
e de la loi Normale

1
0,841
p
1/2
(x)

0,159
0
x

1 (p)
1x 0

11

20 d
ecembre 2013

Remarques. a) On convient quune variable aleatoire constante egale a` m a pour loi la loi
normale N pm, 0q.
b) Les lois normales sont aussi appelees lois de Gauss ou lois gaussiennes, ou encore lois de
LaplaceGauss bien quon devrait plutot employer lexpression lois de de MoivreLaplace
Gauss .
Fonction de r
epartition F (x) = ((x m)/)
1
0,841
p
1/2

m + 1 (p)
xm

0,159
0
m x m
m+

Densit
e de loi normale N (m, 2 )

m+

Proposition. Soient P R, P R et X une variable aleatoire de loi N pm, 2 q.


(i) La variable aleatoire pX  mq{ suit la loi Normale N p0, 1q.
(ii) La variable aleatoire X admet des moments de tous ordres, en particulier ErX s  m,
VarpX q  2 . De plus, sa fonction caracteristique est donnee par
X p q  exp im

2 2 {2

pour tout

P R.

Demonstration. Le point (i) se demontre par changement de variable :

PtpX  mq{ xu  PtX

8

xu

2
2
epymq {2

? dy 2
2

  

8

eu

{2 ?du

 pxq,

pour tout x P R. Ainsi pX  mq{ a pour fonction de repartition la fonction de repartition


de la loi N p0, 1q donc sa loi est N p0, 1q.
Pour le point (ii) on peut se limiter au cas de la loi N p0, 1q, les autres sobtenant aisement
par transformation affine. Pour les calculs de moments, il sagit encore dintegrations par
parties, pour celui de la fonction caracteristique, on derive pour obtenir une equation
differentielle dont on sait determiner lunique solution (donnee par lenonce plus haut). l
Il nest certainement pas necessaire depiloguer sur les lois normales tant elles se rencontrent dans de nombreux mod`eles physiques ou sociaux. Une des justification de cette
omnipresence tient dans lenonce du theor`eme central limite. En particulier, ces lois permettent dapprocher des lois binomiales Bpn, pq pour n grand (n 50) et p ni trop petit, ni
trop grand (np 10 et np1  pq 10).
Proposition. Soient X1 et X2 deux variables aleatoires independantes de lois respectives
N pm1 , 12 q et N pm1 , 12 q pour m1 , m2 P R et 1 , 2 P R . Soient 1 et 2 deux nombres
reels. Alors la combinaison lineaire 1 X1 2 X2 est une variable aleatoire de loi N p1 m1
2 m2 , 21 12 22 22 q
Demonstration. Pour demontrer cette proposition le plus rapide est de calculer la fonction
caracteristique de 1 X1 2 X2 :
1 X1

2 X2

pq  X pq X pq
1

par independance de 1 X1 et de 2 X2 . Ainsi


1 X1

2 X2

pq  ei m
1

{ e

21 12 2 2 i2 m2 22 22 2 2

 eip m
1

q p21 12

2 m2

q {

22 22 2 2

12

Lois de probabilit
e usuelles

qui est la fonction caracteristique de la loi N p1 m1 2 m2 , 21 12


1 X1 2 X2 a pour loi N p1 m1 2 m2 , 21 12 22 22 q.

22 22 q. On en deduit que

Remarque. Cette proposition setend immediatement `a toute combinaison lineaire (ou


affine) dun nombre fini de variables aleatoires independantes de lois respectives N pmi , i2 q.
Par ailleurs on constate que le resultat est coherent avec les valeurs de la moyenne et de la
variance de 1 X1 2 X2 .
3.2. Lois de Pearson
D
efinition 15. Soit P N . On appelle loi de Pearson, ou loi du 2 , `a degres de liberte
la loi de probabilite absolument continue dont une densite est donnee par
ppxq  1R

pxq 2 {2 1p {2q x {21 ex{2 ,

x P R.

Cette mesure est identifiee par la notation 2 p q.


Densit
es de lois du 2
1/2

=1
=2
=4
=8

Remarque. On constate que la loi de Pearson `a degres de liberte est la loi Gamma de
param`etres {2 et 1{2. En particulier, la loi de Pearson `a 2 degres de liberte est la loi exponentielle de param`etre 1{2. Lusage de cette denomination, meme si il est presque redondant
avec celui de loi Gamma, est traditionnel en particulier en Statistique.
Proposition. Soient X1 , . . . , Xn des variables aleatoires independantes identiquement
distribuees de loi N p0, 1q. La variable aleatoire
X

Xk2

k 1

a pour loi la loi du 2 `


a n degres de liberte.
Le point important est que cest par ce type dexpression que sont introduites generalement
les variables aleatoires de loi 2 pnq. Il est extremement rare davoir recours `a la formule de
la densite. Lauteur de cette note sen sera servi uniquement pour faire des graphiques. Dans
la pratique, on se sert de tables ou de logiciels de calcul pour evaluer des probabilites liees `
a
ces lois.
3.3. Lois de Student

13

20 d
ecembre 2013

D
efinition 16. Soit P N . On appelle loi de Student `a degres de liberte la loi de
probabilite absolument continue dont une densite est donnee par
ppxq 

?1 pp {12q{q 2



x2

p

q{

1 2

x P R.

On note generalement cette mesure de probabilite T p q.


Fonctions de r
epartition

Densit
es pour m = 1, 2, 5, 10,

1
0,841
3/4
1/2
1/4
0,159

Remarque. La loi de Student `a 1 degre de liberte est la loi de Cauchy de param`etre 1.


Quand tend vers linfini, T p q tend vers la loi Normale N p0, 1q.
Proposition. Soient X et Z deux variables aleatoires independantes de lois respectives
N p0, 1q et 2 p q. La variable aleatoire
T

 aXZ {

a pour loi la loi de Student `


a degres de liberte.
De meme que precedemment, nous nessaierons pas detablir la preuve de cette proposition.
La formule de la densite ne sert pas pour la pratique courante et cest souvent par cette
propriete que ces lois apparaissent. On a recours generalement `a des tables ou `a des logiciels
specifiques pour evaluer des probabilites associees.
3.4. Lois de FisherSnedecor

D
efinition 17. Soit P N . On appelle loi de FisherSnedecor, `a p1 , 2 q degres de liberte
la loi de probabilite absolument continue dont une densite est donnee par


p1 2 q{2  1 1 {2
ppxq  1R pxq
p1 {2qp2 {2q 2
p1

x1 {21

x1 {2 qp1

On note generalement cette mesure de probabilite F p1 , 2 q.

q{ ,

2 2

x P R.

Densit
es de lois de FisherSnedecor (1 = 1, 2, 4, 8, 16, 2 = 4)
1,5

0,5

14

Lois de probabilit
e usuelles

Proposition. Soient X1 et X2 deux variables aleatoires independantes de lois respectives


2 p1 q et 2 p2 q. La variable aleatoire
F

1 {1
X
X {
2

a pour loi la loi de FisherSnedecor `


a p1 , 2 q degres de liberte.
L`a encore, nous nessaierons pas detablir la preuve de cette proposition. Les autres remarques faites pour le cas des lois de Pearson et de Student sappliquent aussi dans ce cas.

20 d
ecembre 2013

15

Table des mati`


eres
`tes usuelles
1. Lois discre
1.1. Mesures de Dirac
1.2. Lois de Bernoulli

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.3. Lois binomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2


1.4. Lois multinomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5. Lois de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6. Lois g
eom
etriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.7. Lois binomiales n
egatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.8. Lois hyperg
eom
etriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Lois absolument continues usuelles . . . . . . . . . . . . . . . . . . . . . . . 6
2.1. Lois uniformes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Lois exponentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3. Lois de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4. Lois Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5. Lois Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
es . . . . . . . . . . . . . . . . . . . . . . . . 10
3. Lois normales et lois associe
3.1. Lois normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2. Lois de Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3. Lois de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4. Lois de FisherSnedecor

. . . . . . . . . . . . . . . . . . . . . . . . . . . 13