Vous êtes sur la page 1sur 72

MINISTRE DE L'ENSEIGNEMENT SUPRIEUR ET DE LA

RECHERCHE SCIENTIFIQUE
CENTRE UNIVERSITAIRE - SALHI AHMED - NAAMA
INSTITUT DES SCIENCES ET TECHNOLOGIES
DEPARTEMENT DE MATHEMATIQUES ET INFORMATIQUE

MMOIRE DE FIN D'ETUDES

pour l'obtention du diplme


LICENCE EN MATHMATIQUE
Spcialit :

Recherche oprationnelle
Thme

Les lois de probabilts


Prsents par :

Touati Boudjema

Latreche Hamza

Encadr par :

Mr.A.Belguerna

26 mai 2015

Remerciement
Tout d'abord, nous remercions dieu tout puissant pour sa bndiction, de nous avoir donn le
privilge d'tudier et de suivre le chemin de la science.
Mes grands remerciements membres de jury pour l'amabilit de juger notre travail.
Nous tenons exprimer mes profondes gratitude Mr Belguerna Abderrahman, notre encadreur.
Eectuer ce travail sous sa direction fut pour nous un grand honneur et un rel plaisir. Ses conseils
et ses encouragements ont guid et stimul notre travail.
Nous remercions tous mes enseignants de dpartement de mathmatiques et informatique.
Merci tous ceux qui ont contribu, de pr ou de loin, l'aboutissement de ce travail.

Ddicace
Je ddie ce modeste travail :
Aux tres les plus proches mon cur et plus chrs. Mon pre et ma mre qui m'ont en courage
durant tous mes tudes.
A mes frres,a tous ma grande famille
A tous mes enseignants et chef dpartement Mr.D.Bouchiha
A mes amis,Abdelazize,Abbas,Abdelmalek,tous mes collgues de la promo 3me anne LMD spcialement promo de 3me RO.Mathmatique
A tous ceux qui m'ont aid de prt ou de loin raliser ce travail.

Touati Boudjema

Ddicace
Je ddie ce modeste travail :
Aux tres les plus proches mon cur et plus chrs. Mon pre et ma mre qui m'ont en courage
durant tous mes tudes.
A mes frres(Nourddine,Hicham,Abdellah) et a tous ma grande famille
A tous mes enseignants et chef dpartement Mr.D.Bouchiha
A mes amis,Mahmoud,Abdellatif,Abdenour,tous mes collgues de la promo 3me anne LMD
spcialement promo de 3me RO.Mathmatique
A tous ceux qui m'ont aid de prt ou de loin raliser ce travail.

Latreche Hamza

Table des matires


Introduction

1 Variables alatoires
1.1

1.2

1.3

1.4

11

Variables alatoires discrtes. Fonction de rpartition

. . . . . . . . . . . . . . . . .

12

1.1.1

Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

1.1.2

Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

Variables alatoires continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

1.2.1

Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

1.2.2

Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

1.2.3

Densit de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

Esprance mathmatique-Variance-cart-type . . . . . . . . . . . . . . . . . . . . .

13

1.3.1

Esprance mathmatique . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

1.3.2

Variance et cart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

Couple et vecteur alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

1.4.1

Couple de v.a. discrtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

1.4.2

Couple de v.a. continues

16

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 les lois de probabilits


2.1

2.2

18

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

2.1.1

Loi de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

Les lois discrtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

2.2.1

19

Lois de Dirac

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5

TABLE DES MATIRES

2.3

2.4
2.5

2.2.2

Lois de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

2.2.3

Lois binomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

2.2.4

Loi multinomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

2.2.5

Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

2.2.6

La loi hypergomtrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

2.2.7

La loi gomtrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

2.2.8

La loi de Poisson

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

2.2.9

La loi binomiale ngative . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

Les Lois continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

2.3.1

La loi uniforme

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

2.3.2

La loi normale(ou Laplace-Gauss) . . . . . . . . . . . . . . . . . . . . . . . .

29

2.3.3

La loi normale centre rduite . . . . . . . . . . . . . . . . . . . . . . . . . .

31

2.3.4

La loi de Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

2.3.5

La loi bta de types I et II . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

2.3.6

La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

2.3.7

La loi log-normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

2.3.8

loi de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

2.3.9

La loi de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

2.3.10 La loi de Gumbel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

36

2.3.11 lois du X 2 (khi-deux) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

36

2.3.12 La loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37

2.3.13 Loi de Fisher-Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

Fonctions caractristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

2.4.1

Fonctions caractristiques des lois de probabilit usuelles . . . . . . . . . . .

39

Fonction gnratrice des moments . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

2.5.1

Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

2.5.2

Expression de gx (t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

2.5.3

Fonction gnratrice des lois de probabilit usuelles . . . . . . . . . . . . . .

41

3 Convergence
Touati Boudjema
Latreche Hamza

42
Licence Mathmatiques 2015

TABLE DES MATIRES


3.1

3.2

3.3

3.4

3.5

L'ingalit de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

3.1.1

L'ingalit de Markov dans le cas discret . . . . . . . . . . . . . . . . . . . .

42

3.1.2

L'ingalit de Markov dans le cas continu . . . . . . . . . . . . . . . . . . .

44

L'ingalit de Bienaym - Tchebychev . . . . . . . . . . . . . . . . . . . . . . . . . .

46

3.2.1

L'ingalit de Bienaym - Tchebychev dans le cas discret . . . . . . . . . . .

46

Convergence des suites de variables alatoires . . . . . . . . . . . . . . . . . . . . .

47

3.3.1

Convergence en probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

3.3.2

Convergence presque sre . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

3.3.3

Convergence en loi

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

3.3.4

Convergence en moyenne quadratique . . . . . . . . . . . . . . . . . . . . .

49

3.3.5

Convergence en loi de la binomiale vers la loi de Laplace-Gauss (thorme de


De Moivre-Laplace) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

49

Lois des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

50

3.4.1

Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . .

50

3.4.2

Loi forte des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . .

50

le thorme central-limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

3.5.1

Thorme central limite (premire forme) . . . . . . . . . . . . . . . . . . .

51

3.5.2

Thorme central limite ou thorme de Lindeberg

51

. . . . . . . . . . . . . .

Conclusion

53

Annexes

54

3.6

3.5.3

Analyse combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

3.5.4

Probabilits lmentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . .

56

Les table des lois de probabilits . . . . . . . . . . . . . . . . . . . . . . . . . . . .

59

3.6.1

Tables de lois de probabilits usuelles . . . . . . . . . . . . . . . . . . . . . .

59

3.6.2

Table de loi normale centre et reduit . . . . . . . . . . . . . . . . . . . . . .

61

3.6.3

Table de loi Khi 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

64

3.6.4

Table de la loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . .

65

3.6.5

Table de la loi de Fisher-Snedecor

68

Touati Boudjema
Latreche Hamza

. . . . . . . . . . . . . . . . . . . . . . .

Licence Mathmatiques 2015

8
Bibliographie

Touati Boudjema
Latreche Hamza

TABLE DES MATIRES


68

Licence Mathmatiques 2015

Introduction
L'histoire des probabilits a commenc avec celle du hasard et notamment des jeux de hasard.
Bien que quelques calculs de probabilit soient apparus dans des applications prcises au Moyen ge,
ce n'est qu'au XVIIe sicle que la thorie des probabilits prend vraiment ses dbuts. Elles volue sans
vrai formalisme pendant deux sicles autour du clbre problme des partis, de problmes d'urnes ou
d'autres problmes issus de jeux. Apparat alors la thorie classique des probabilits base sur la thorie
de la mesure et la thorie de l'intgration. Cette thorie s'est depuis lors diversie dans de nombreuses
applications. Les discussions entre scientiques, la publication des ouvrages et leur transmission tant
diciles certaines poques, certaines questions historiques restent diciles rsoudre ; c'est le cas
de la paternit [C'est--dire ?] de la thorie des probabilits.

10

TABLE DES MATIRES

Les premires personnes s'tre intresses aux problmes des probabilits furent des mathmaticiens
franais, Blaise Pascal et Pierre de Fermat qui rpondaient aux questions souleves par un adepte
des jeux de hasard, le chevalier de Mr. A cette poque, la thorie des probabilits se dveloppa
uniquement en relation avec les jeux de hasard. Mais avec Pierre Simon Laplace et Karl Friedrich
Gauss , les bases de la thorie furent tendues d'autres applications et phnomnes. Le calcul
des probabilits fournit une modlisation ecace des situations non dterministes c'est--dire des
phnomnes alatoires ou stochastiques. En ce qui concerne les premiers, le rsultat d'une exprience
suit une loi rigoureuse connue (taux de croissance d'une population bactrienne). On peut donc ainsi
prvoir le rsultat pour un vnement donn. En revanche dans le cas des phnomnes alatoires, le
rsultat de l'exprience n'est pas connu avec certitude mais uctue autour d'un rsultat moyen qui
est rgit par une loi (transmission des caractres selon la loi de Mendel).
Il est toujours possible d'associer une variable alatoire une probabilit et dnir ainsi une loi de
probabilit. Lorsque le nombre d'preuves augmente indniment, les frquences observes pour le
phnomne tudi tendent vers les probabilits et les distributions observes vers les distributions de
probabilit ou loi de probabilit. Identier la loi de probabilit suivie par une variable alatoire donne
est essentiel car cela conditionne le choix des mthodes employes pour rpondre une question
biologique
Pour trouver un modle dcrivant un ensemble de donnes, il est ncessaire de connatre parfaitement
les lois statistiques les plus utilises. Le choix d'une loi est li :
 la nature du phnomne tudi an de choisir entre loi discrte et loi continue,
 la forme de la distribution (histogramme),
 la connaissance et l'interprtation des principales caractristiques de l'ensemble de donnes :
esprance, mdiane, variance, cart-type, coecients d'asymtrie et de dissymtrie, etc.,
 au nombre de paramtres des lois, une loi dpendant de plusieurs paramtres
peut s'adapter plus facilement une distribution.
Nous allons essayer d'expliquer dans les chapitres suivants les bases de lois de probabilit travers les
dnitions et les exemples et les caractristiques, en plus de clarier les relations entre certaines des
lois et les approcher

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

Chapitre 1

Variables alatoires
Dnition 1.0.1 Soit l'ensemble fondamental et l'application X dnie par :

7 X() = 0

Soit E un sous-ensemble de 0 ,on a :


Pr (X() E) = Pr ( X 1 (E))

X est une variable alatoire relle si 0 R, c'est--dire si X() R si X est valeurs dans
X() est un vecteur alatoire.(Nous utiliserons l'abrviation v.a. pour variable alatoire)
Exemples 1.0.1 Lancement de deux ds direncis
= { R2 | = (i, j)

avec i et j entiers de [1,6]}

Si X() = i + j ,on a 0 = {x N|2 x 12}


Pr (X 1 (k)) sera aussi note pr (X = k).
Pr (X = 4) = Pr (X 1 (4)) = Pr ((1, 3)) + Pr ((2, 2)) + Pr ((3, 1))

d'o Pr (X = 4) = 363 = 121


11

Rn

12

Variables alatoires

1.1

Variables alatoires discrtes. Fonction de rpartition

1.1.1 Dnitions
Dnition 1.1.1 Soit E une partie de R,on dit que a E est un point isol de E s'il existe au moins

un intervalle ouvert I de R contenant a et seulement lui comme lment de E,c'est--dire I E = a


Dnition 1.1.2 Une variable alatoire relle X sera dite discrte si elle ne peut prendre que des

valeurs isoles
Exemples 1.1.1 Z,N,{ k1 |k N } sont des parties discrtes de R

1.1.2 Fonction de rpartition


Elle est dnie par :

F (x) = Pr (X x)
F (xn ) = p1 + p2 + . . . + pn
En notant pn = Pr (X = xn ),car les vnements X = xi sont incompatibles deux deux.
F(x) est une fonction croissante, avec F(x)=0 pour x < x1 et F(x)=1 pour x xn si card() = n,ou

lim F (x) = 1

x+

pour inni dnombrable

1.2

Variables alatoires continues

1.2.1 Dnition
Une variable alatoire relle est dite continue si X() est une runion d'intervalles de R. Pour
tout x,on a alors Pr (X = x) = 0,la notion de loi de probabilit dnie prcdemment n'est donc plus
valable

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

1.3 Esprance mathmatique-Variance-cart-type

13

1.2.2 Fonction de rpartition


Elle est dnie par :

F (x) = Pr (X x)
F est une fonction continue croissante, en eet si a b, on a (X a) (X b) ce qui entrane
F(a) F(b)

1.2.3 Densit de probabilit


Si F est drivable en tout point x sauf ventuellement en un nombre ni de point,on dit que X est
une variable alatoire absolument continue.Sa drive note f(x) est appele densit de probabilit de
la variable alatoire X. On a alors

F (x) = Pr (X x) =

f (t)dt

La densit de probabilit a la proprits suivantes :


 f est positive(car F est croissante)
R +
 f (t)dt = 1
Ces deux caractristiques constituent les conditions ncssaires et susantes pour que f soit une
densit de probabilit.
On a de plus : pour tout a et b rels,avec a<b

Z
Pr (a < X < b) = F (b) F (a) =

f (t)dt
a

1.3

Esprance mathmatique-Variance-cart-type

1.3.1 Esprance mathmatique


Dnition 1.3.1 L'esprance mathmatique d'une variable alatoire est la moyenne pondre des

valeurs prises par cette variable, les poids tant les probabilits avec les quelles ces valeurs peuvent
tre prises.L'esprance mathmatique est note E(X),mais galement X
Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

14

Variables alatoires

Variable alatoire discrte


X est une variable alatoire relle prenant un ensemble ni ou dnombrable de valeurs sur un
espace probabilis (, C, Pr ) {i }(i I) est l'ensemble des valeurs prises par X avec les probabilits

pi = Pr (X = i )
L'esprance mathmatique de X, note E(X) est dnie par (si la srie converge) :

E(X) =

pi xi

iI

Variable alatoire continue


L'esprance mathmatique de la variable alatoire X, dnie sur l'espace probabilis (, C, Pr ),
est donne par l'intgrale, si elle converge :

Z
E(X) =

Z
XdPr =

xPrx dx

que l'on peut crire, si f est la densit de probabilit de X :

Z
E(X) =

xf (x)dx

 X et Y sont deux variables alatoires admettant chacune une esprance mathmatique, a et b sont deux constantes :

Proprit 1.3.1

E(a) = aE(aX + b) = aE(X) + bE(X + Y ) = E(X) + E(Y )

 une variable alatoire est dite centre si son esprance mathmatique est nulle :
E(X) = 0

 L'esprance mathmatique peut tre considre comme le centre de gravit


de la distribution de masses Prx .
 Il existe des variables alatoires qui n'ont pas d'esprance mathmatique.

Remarque 1.3.1

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

1.4 Couple et vecteur alatoires

15

1.3.2 Variance et cart-type


Variable alatoire discrte
Le nom et la signication sont les mmes qu'en statistique ; l'objectif est analogue : estimer la
dispersion de la probabilit autour de l'esprance mathmatique.
En statistique,nous avons vu que

P
V (X) =


P
ni (xi x)2
ni x2i
=
x2
N
N

"Moyenne des carrs moins le carr de la moyenne"


Pour exprimer les deux formes ci-dessus en termes de probabilit nous aurons donc


V (X) = E [X E(X)]2 = E(X 2 ) [E(X)]2
Comme en statistique, l'cart-type, not X , est la racine carre de la variance :

X =

p
V (X)

Variable alatoire continue


La dnition ci-dessus ne dpendant pas de la nature de la variable (discrte ou continue), nous
R +
pouvons adopter la mme, avec l'expression E(X 2 ) = x2 f (x)dx

V (X) =

x2 f (x)dx [E(X)]2

1.4

Couple et vecteur alatoires

1.4.1 Couple de v.a. discrtes


Loi d'un couple
Un couple de v.a. discrtes est constitue de deux v.a. discrtes X et Y dont les ensembles de
valeurs possibles sont {xi }iI et {yj }jJ avec I, J N, de loi dnie par :

pij = P (X = xi , Y = yj )

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

16

Variables alatoires

Lois marginales
la loi d'un couple sont associes deux lois marginales :

P (X = xi ) =

P (X = xi , Y = yj ) =

jJ

P (Y = yj ) =

pij = pi.

jJ

P (X = xi , Y = yj ) =

iI

pij = p.j

iI

Lois conditionnelles
Pour Y = yj x, la loi conditionnelle de X est dnie par :

P (X = xi |Y = yj ) =

P (X = xi , Y = yj )
pij
= pji
=
P (Y = yj )
p.j

Indpendance
Les v.a. X et Y sont indpendantes si pour tout i I et tout j J :

P (X = xi , Y = yj ) = P (X = xi )P (Y = yj )

1.4.2 Couple de v.a. continues


Loi du couple
Si X et Y sont deux v.a. continues, la loi de (X,Y) est dtermine par sa f.r. :

F (x, y) = P (X < x, Y < y)


Si F est drivable par rapport x et y, la loi de (X,Y) admet une densit f :

f (x, y) =

2 F (x, y)
xy

Lois marginales
Les fonctions de rpartition marginales de X et Y sont dnies par :

FX (x) = P (X < x) = F (x, +)

Touati Boudjema
Latreche Hamza

et

FY (y) = P (Y < y) = F (+, y)

Licence Mathmatiques 2015

1.4 Couple et vecteur alatoires

17

Si la loi du couple est dnie par sa densit, les densits marginales sont :

Z
f (x, y)dy

fX (x) =

et

f (x, y)dx

fY (y) =

Lois conditionnelles
Pour une loi de densit f , les lois conditionnelles sont dnies par les densits :

fX (x|Y = y) =

f (x, y)
fY (y)

et

fY (y|X = x) =

f (x, y)
fX (x)

Indpendance
Les v.a. X et Y sont dites indpendantes, si pour tous les rels x et y :

f (x, y) = fX (x)fY (y)

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

Chapitre 2

les lois de probabilits


2.1

Introduction

2.1.1 Loi de probabilit


Connaissant X() = 0 on appelle loi de probabilit de la v.a X la donne de Pr (X = xi ) pour
tout xi de 0
Pour ensemble fondamental ni, et si card() n'est pas trop grand, on peut prsenter le tableau
des xi et Pr (X = xi ) = pi

Exemples 2.1.1 Pour l'exemple 1.0.1


xi

10 11 12

pi

1
36

2
36

3
36

4
36

5
36

6
36

5
36

4
36

3
36

2
36

1
36

Exemples 2.1.2 Pour un ensemble fondamental inni dnombrable, on tablira la loi de probabilit

sous la forme d'une quation donnant


Pr (X = xn ).


Par exemple, = |{z}
1 ; 2; . . . ; n; . . . ; X(n ) = n1 = xn
1



1
0 = xn = |n N
n
18

2.2 Les lois discrtes


avec par exemple Pr

2.2

19

X = xn = k.an

et 0<a<1

Les lois discrtes

2.2.1 Lois de Dirac


Dnition 2.2.1 Soit a R, un point x.On appelle loi de Dirac au point a la probabilit a dnie

sur R par :

a (x) = 1 si x = a
(x) = 0 si x 6= a
a

La loi de Dirac est la plus simple probabilit existante , associ un phnomne dterministe X dont le
rsultat de toute exprience est a.C'est,par exemple, la ptanque,la loi de probabilit de la variable
X mesurant la distance entre une boule vise et le point d'impact de la boule tire, lorsque le tireur
ne fait que des carreaux :X suit une loi a
Esprance et variance 2.2.1

E(X) = a

V (X) = 0

2.2.2 Lois de Bernoulli


Dnition 2.2.2 La variable alatoire X suit la loi de Bernoulli de paramtre p (p [0, 1]) si elle ne

prend que deux valeurs 0 et 1 avec :


P (X = 1) = p
P (X = 0) = 1 p = q.

On notera X > B(p). Si A est un vnement de probabilit p, son indicatrice dnie par

1 si
1A () =
0 si

Touati Boudjema
Latreche Hamza

1 si
=
0 si

/A
A

A est ralis
A n'est pas ralis
Licence Mathmatiques 2015

20

les lois de probabilits

est une variable alatoire suivant la loi de Bernoulli de paramtre p. Rciproquement, si X est une
v.a. de Bernoulli, on peut toujours crire X = 1A en dnissant A = , X() = 1.
Esprance et variance 2.2.2 L'esprance de la variable de Bernoulli est E(X)=p

car par dnition


E(X) =

2
X

xi pi = (0 q) + (1 p) = p

i=1

La variance de la variable de Bernoulli est V(X)=pq


Car par dnition
E(X) =

2
X

x2i pi (E(X))2 = [(0 q) + (1 p)] p2 = p

i=1

D'o V(X)=p(1-p)=pq
2.2.3 Lois binomiales
Dnition 2.2.3 La variable alatoire X binomiale peut prendre n+1 valeur ,0, 1, . . . , n, et P (qui

dpend des paramtres n-nombre d'essais- et p-probabilit de succs(q=1-p)-) est donne par :
P (X = k) = Cnk pk q nk

on a bien
n
X

P (X = k) =

k=0

n
X

Cnk pk q nk = (p + q)n = 1

k=0

X suit une loi binomiale de paramtres n et p est not X , B(n, p). Ainsi, X suit une loi de Bernoulli
de paramtre p est not X , B(1, p).
Esprance et variance 2.2.3
E(X) = np et V (X) = np(1 p) = npq
Dmonstration :

X = X1 + X2 + . . . + Xn

Touati Boudjema
Latreche Hamza

o Xi est une variable de Bernoulli dont la probabilit s'crit dans le tableau


Licence Mathmatiques 2015

2.2 Les lois discrtes

21

suivant :
X

0
1
q=1-p p

P (Xi = x)
E(X) =

n
X

E(Xi ) = np

i=1

Car E(Xi ) = p
V (X) =

n
X

V (Xi )

i=1

Car les variables sont indpendantes donc : V(X)=npq car V (Xi ) = pq


2.2.4 Loi multinomiale
Dnition 2.2.4 La loi multinomiale est une gnralisation de la loi binomiale. Une population P est

compose d'individus appartenant k types dirents, dans des proportions p1 , p2 . . . pk telles que
k
X

pi = 1

i=1

On tire un chantillon de n individus, de faon quiprobable et indpendante et on s'intresse la


composition de l'chantillon. Soit Xi la variable alatoire reprsentant le nombre d'individus de type
i dans l'chantillon. Par dnition, le vecteur X = (X1 , . . . , Xk ) est un vecteur alatoire suivant une
loi multinomiale de paramtres (n; p1 , . . . , pk ), note M (n; p1 , . . . , pk ).
xk
x2
Pr [X = (x1 , . . . , xk )] = Cnx1 Cnx
. . . Cn(x
1

=
k
X

n!
px1 1 . . . pxk k
x1 ! . . . xk !

pi = 1

i=1

xk
x1
1 +...+xk1 )p1 ...pk

k
X

xi = n

i=1

Esprance et variance 2.2.4


E(Xi ) = npi

Touati Boudjema
Latreche Hamza

V (Xi ) = npi (1 pi )

Licence Mathmatiques 2015

22

les lois de probabilits

2.2.5 Loi uniforme


Dnition 2.2.5 Une distribution de probabilit suit une loi uniforme lorsque toutes les valeurs prises

par la variable alatoire sont quiprobables. Si n est le nombre de valeurs direntes prises par la
variable alatoire,
i, P (X = xi ) =

1
n

Exemples 2.2.1 La distribution des chires obtenus au lancer de d (si ce dernier est non pip) suit

une loi uniforme dont la loi de probabilit est la suivante :


X

P (X = xi )

1
6

1
6

1
6

1
6

1
6

1
6

avec pour esprance :


6

1X
E(X) =
i = 3, 5
6
i=1

Et pour variance
6

1X 2
i (E(X))2 = 2, 92
V (X) =
6
i=1

ou les valeurs xi correspondent au rang i de la variable X dans la serie.


Esprance et variance

Dans le cas particulier d'une loi discrte uniforme o les valeurs de la variable alatoire X correspondent au rang xi = i (i [1, n])
E(X) =

n+1
2

et V (X) =

n2 1
12

2.2.6 La loi hypergomtrique


Dnition 2.2.6 La variable alatoire X hypergomtrique peut prendre n+1 valeurs, 0, 1, . . . , n,

et P (qui dpend des paramtres N -population totale-, n -nombre d'chantillons dans la population
Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

2.2 Les lois discrtes

23

totale- et p -probabilit de succs (q = 1 - p)- tel que Np N ) est donne par :


P (X = k) =

k C nk
CN
p Nq
n
CN

Montrons que,
n
X

P (X = k) =

k=0

n
k C nk
X
CN
p Nq
k=0

n
CN

=1

Ceci revient montrer que


m
X

mp
m
Cnp CN
n = Cn

p=0

Par rcurrence sur N,


Pour N=n
m
X

m
Cnp C0mp = Cnm = CN

p=0

m
X

mp
Cnp CN
+1n

p=0

m
X

mp1
mp
Cnp (CN
+ CN
n
n )

p=0

m
X

mp1
Cnp CN
n

m
X
p=0

p=0

m1
X

mp
Cnp CN
n

mp1
+
Cnp CN
n

m
X

mp
Cnp CN
n

p=0

p=0
m1
m
+ CN
= CN
m
= CN
+1

X suit une loi hypergomtrique de paramtres N, n etp est not X , H(N, n, p).
Esprance et variance 2.2.5
E(X) = np

Touati Boudjema
Latreche Hamza

et

V (X) = npq

N n
N 1

Licence Mathmatiques 2015

24
N n
N 1

les lois de probabilits


est appel coecient d'exhaustivit.

Dmonstration :
Esprence :

E(X) =

n
X

kP (X = k)

k=0

n
k C nk
X
CN
p Nq
k
n
CN
k=0

(N p)!
Np X k
= n
C nk
CN
N p k!(N p k)! N q
k=1
n

Np X
(N p 1)!
= n
C nk
CN
(k 1)!(N p k)! N q
k=1

n1
Np X m
nm1
CN p1 CN
= n
q
CN

(avec

m = k 1)

m=0

N p n1
= n CN
1
CN
= Np

(car

n1
X

nm1
m
CN
p1 CN q

m=0

n1
CN
1

= 1)

n
N

= np

Variance :

n1
E(X(X 1)) = np(N p 1) N
1

V (X) = E(X 2 ) (E(X))2


= E(X(X 1)) + E(X) (E(X))2
= np(N p 1)
= np(1 p)

n1
+ np + n2 p2
N 1

N n
n1

n
Donc V (X) = npq Nn1

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

2.2 Les lois discrtes

25

2.2.7 La loi gomtrique


Dnition 2.2.7 La variable alatoire X gomtrique peut prendre une innit de valeurs, 1, 2, . . .,

et P (qui dpend du paramtre p -probabilit de succs (q = 1 - p)-) est donne par :


P (X = k) = q k1 p

On a bien
X

P (X = k) =

k1

q k1 p =

k1

p
=1
1q

X suit une loi gomtrique de paramtre p est not X , G(p).


Esprance et variance 2.2.6
E(X) =

1
p

et

V (X) =

q
p2

Dmonstration :
Esprence :

E(X) =

kq k1 p = p

k1

kq k1 =

k1

p
1
=
2
(1 q)
p

Variance :

Pour calculer V(X),on calcule tout d'abord E(X(X-1))


E(X(X 1)) =

k(k 1)P (X = k)

k1

k(k 1)q k1 p

k1

=2

pq
(1 q)3

=2

q
p2

Donc
V (X) = E(X 2 ) (E(X))2
= E(X(X 1)) + E(X) (E(X))2
=2

Touati Boudjema
Latreche Hamza

q
1
1
+ 2
2
p
p p

Licence Mathmatiques 2015

26

les lois de probabilits

Donc V (X) = pq2


2.2.8 La loi de Poisson
Dnition 2.2.8 La variable alatoire X de Poisson peut prendre une innit de valeurs, 0, 1, . . .,

et P (qui dpend du paramtre ) est donne par :


P (X = k) =

k e
k!

On a bien
X

p(X = k) =

k0

X k e
k0

k!

=1

X suit une loi de Poisson de paramtre est not X , P ().


Esprance et variance 2.2.7
E(X) =

et

V (X) =

Dmonstration :
Esprence :

E(X) =

X k e
k
k!
k0

= e

X
k0

k
(k 1)!

= e e
=

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

2.2 Les lois discrtes

27

Pour calculer V (X), on calcule tout d'abord E(X(X - 1)).


E(X(X 1)) =

k(k 1)P (X = k)

k0

E(X(X 1)) =

k(k 1)

k0

= e

k e
k!

k(k 1)

k0

k
(k)!

= e 2 e
= 2

Donc
V (X) = E(X 2 ) (E(X))2
= E(X(X 1)) + E(X) (E(X))2
= 2 + 2

Donc V (X) =
2.2.9 La loi binomiale ngative
Dnition 2.2.9 La variable alatoire X binomiale ngative peut prendre une innit de valeurs, r, r

+ 1, . . ., et P (qui dpend des paramtres p -probabilit de succs (p = 1 - q)- et r) est donne par :
r1 kr r
P (X = k) = Ck1
q p

On a bien
X

P (X = k) =

kr

r1 kr r
Ck1
q p =1

kr

En eet, si on pose
g(q) =

X
1
=
q l1
1q
l1

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

28

les lois de probabilits

, on obtient par drivations successives que


g (r1) (q) =

X
(r 1)!
=
(l 1)(l 2) . . . (l r + 1)q lr
(1 q)r
l1

X
(l 1)(l 2) . . . (l r + 1)q lr
lr

X (l 1)!
lr

(l r)!

q lr

Et donc
X
1
1
r1 lr
=
=
Cl1
q
r
r
p
(1 q)
lr

X suit une loi binomiale ngative de paramtres p, r est not X , BN (p, r).
En particulier,X , BN (p, 1) X , G(p).

Esprance et variance 2.2.8

E(X) =

r
p

et

V (X) =

rq
p2

Dmonstration :

X = X1 + X2 + . . . + Xr

o Xi , G(p) et o les Xi sont indpendantes (on rappelle E(Xi ) =

1
p

et V (Xi ) = pq2 ).
Donc,E(X) = E(X1 ) + E(X2 ) + . . . + E(Xr ) = pr
et V (X) = V (X1 ) + V (X2 ) + . . . + V (Xr ) = prq2

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

2.3 Les Lois continues


2.3

29

Les Lois continues

2.3.1 La loi uniforme


Dnition 2.3.1 La densit f de la variable alatoire X uniforme peut prendre deux valeurs, 0 et 1

b-a o a et b sont deux constantes donnes (0 a b). Elle est dnie par :

F (x) =

1
ba

si

x [a, b]

sinon

1
dt = 1
On a bien ab ba
La fonction de rpartition F de la prcdente variable alatoire X est donne par

F (x) =

xa
ba

si

x<a

si

x>b

si

x [a, b]

Esprance et variance 2.3.1


Z

a+b
1
tdt =
ba
2

1
(t E(X))2 dt
ba

E(X) =
a

Z
V (X) =
a

a2 + ab + b2 (a + b)2

3
4

(b a)2
12

2.3.2 La loi normale(ou Laplace-Gauss)


Dnition 2.3.2 La variable alatoire X normale est donne par sa densit f telle que :
(xm)2
1
f (x) = e 22
2

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

30

les lois de probabilits

O m R et R+
On a bien
Z

(xm)2
1
e 22 dx =
2

(en

1
2
et 2dt
2

posant
Z

1
=

t=

xm
)
2

et dt

=1

De plus, on remarquera que f est symtrique par rapport m puisque x R, f(m + x) = f(m - x).
X suit une loi normale de paramtres m, est not X , N (m, ).
Esprance et variance 2.3.2
E(X) = m

V (X) = 2

et

On a :
Z

E(X) =

(en

(xm)2
x
e 22 dx
2

t 2 + m t2

e 2dt
2

posant

1
= m

xm
)
2

t=

t2

Z
2 + t2
dt +
te dt

2 1 t2 +
= m + [ e ]
| 2 {z
}
=0

=m

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

2.3 Les Lois continues

31

Et,
Z

2
(x m)2 (xm)

e 22 dx
2

V (X) =

2 2 t2 t2
e 2dt
2

(en

posant

2 2
=

t=

xm
)
2
2

t2 et dt

2 2  1 t2 +

=
[ te ]
| 2 {z }

1 2 
et dt
2

=0

= 2

2.3.3 La loi normale centre rduite


Dnition 2.3.3 On appelle loi normale centre rduite la loi normale de paramtres m = 0 et = 1.

Ainsi, la densit de probabilit devient


1 x2
f (x) = e 2
2

La fonction de rpartition F s'crit


1
F (x) =
2

t2
2

dt

La courbe reprsentative de F passe par le point de coordonnes (0, 12 ) , possde une asymptote au
voisinage de d'quation y = 0 (et une asymptote au voisinage de d'quation y = 1) et est
symtrique par rapport au point de coordonnes (0, 21 ). On remarque que si X , N (m, ) (loi
normale), alors, Xm
, N (0, 1)(loi normale centre rduite).

Proprit 2.3.1 Ces proprits servent utiliser la table de la loi normale centre rduite ne donnant

qu'une partie des valeurs.


On note f (x) = 12 e
Touati Boudjema
Latreche Hamza

x2
2

Licence Mathmatiques 2015

32

les lois de probabilits


1.

R x

f (t)dt

R +
x

f (t)dt

En eet,f(t)=f(-t),t R
2.

Rx

Rx
x f (t)dt = 2 f (t)dt
Rx
x f (t)dt

En eet,

f (t)dt

=
Z

f (t)dt

f (t)dt (1

=
Z

f (t)dt)
x

f (t)dt (1

=
Z

f (t)dt)

f (t)dt 1

=2

2.3.4 La loi de Gamma


Dnition 2.3.4 La loi exponentielle est un cas particulier d'une famille de lois appels lois . Pr-

cisment, si X est une loi exponentielle de paramtre ., X est une variable suivant une loi 1 On
dit qu'une variable alatoire positive X suit une loi gamma de paramtre r, note r si sa densit est
donne par :
f (x) =

1 x r1
e x
(r)

Il s'agit bien d'une densit car f(x) est> 0 et 0 f (x)dx = 1 par dnition de (r) Les lois r avec
r entier> 1 sont aussi connues sous le nom de lois d'Erlang.
R

Esprance et variance 2.3.3


E(X) = r

En eet :
E(X) =

1
(r)

xr ex dx =

(r + 1)
=r
(r)

et,
V (X) = r

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

2.3 Les Lois continues

33

En eet :
1
V (X) = E(X ) (E(X)) =
(r)
2

xr+1 ex dx r2

soit :
V (X) =

(r + 2)
(r + 1)
r2 = (r + 1)
r2 = r(r + 1) r2 = r
(r)
(r)

2.3.5 La loi bta de types I et II


La loi bta de type I
Dnition 2.3.5 Une variable alatoire relle X, prenant ses valeurs dans l'intervalle [0, 1], suit une

loi bta de type I, note (n; p), de paramtres positifs n et p, si sa densit de probabilit est donne
par :
f (x) =

1
n1 (1
B(n,p) x

x)p1 si

0x1
sinon

o B(n ; p) est la fonction eulrienne dnie par :


1

xn1 (1 x)p1 dx = B(p, n)

B(n, p) =
0

B(n, p) =

(n)(p)
(n + p)

La forme de la densit de X varie selon la valeur des paramtres n et p.


La loi bta de type II
Dnition 2.3.6 Soit X une variable alatoire suivant une loi bta de type I, (n, p). La variable
X
alatoire Y , positive ou nulle, dnie par Y = 1X
, suit une loi bta de type II dont la densit
s'obtient facilement par changement de variables :

f (y) =

Touati Boudjema
Latreche Hamza

y n1
1
B(n,p) (1+y)n+p

si

y0
sinon

Licence Mathmatiques 2015

34

les lois de probabilits

Esprance et variance 2.3.4

La loi bta de type I :

E(X) =

n
n+p

V (X) =

np
(n + p + 1)(n + p)2

La loi bta de type II :

E(X) =

n
p1

V (X) =

n(n + p 1)
(p 1)2 (p 2)2

2.3.6 La loi exponentielle


Dnition 2.3.7 Une variable alatoire relle positive X suit une loi exponentielle, de paramtre

positif, si sa densit de probabilit est donne par :

ex si
x0
f (x) =

0
sinon

X est appele variable exponentielle.


Fonction de rpartition :
a

Z
f (a) = Pr (X < a) =

ex dx = 1 ea

Esprance et variance 2.3.5


1

E(X) =

V ar(X) =

1
2

Dmonstration :
Esprance :

E(X) =

xf (x)dx
0

Z
=

xex dx

=
=

Touati Boudjema
Latreche Hamza

[xex ]+
0

Z
+

ex

Licence Mathmatiques 2015

2.3 Les Lois continues

35

2.3.7 La loi log-normale


Dnition 2.3.8 Soit Y une variable alatoire suivant la loi N(m ; s). La variable alatoire X dnie

par X = eY suit, par dnition, une loi log-normale. Cette loi est aussi appele loi de Galton ou loi
de Gibrat.
La densit de la loi de la variable X se dduit de celle de la variable Y par le changement de variable
x ey :
f (x) =

e
2

(ln(x)m )2
2 2

x0

si

sinon

Le facteur 1/x dans l'expression de la densit est un facteur de pondration.


Esprance et variance 2.3.6
E(X) = e(m+

2
)
2

V (X) = [e( ) 1]e(2m+

et

2)

2.3.8 loi de Cauchy


C'est la loi d'une variable X relle de densit :

f (x) =

1
(1 + x2 )

Sa fonction de rpartition est :

1
1
arctan x +

2
R
x
X ne possde aucun moment ni car l'intgrale R (1+x
2 ) dx diverge.
F (x) =

2.3.9 La loi de Weibull


Dnition 2.3.9 X suit une loi de Weibull de paramtres et , > 0, > 0, si sa la densit est

f (x) = x1 ex 1R (x)
Fonction de rpartition :

Fx (x) = 1 ex

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

36

les lois de probabilits

La forme de la f.r donne une ide intuitive de l'origine de la loi de Weibull.En eet,si = 1,on retrouve
la loi exponentielle (1, ) dont la f.r est 1 1 ex , soit P (X x) = ex .Pour des phnomnes
dont l'ordre de grandeur d'apparition d'vnements extrmes du type {X x} est beaucoup plus
faible que ex ,on est conduit assez naturellement tudier les exponentielles ex
Remarque 2.3.1 La variable X suit la loi (1, ) ; la loi de Weibull se dduit donc de la loi expo-

nentielle par le changement de variable x x1/


Esprance et variance 2.3.7
E(X) =

V (X) =

(1 + 1 )
1/

(1 + 2 ) 2 (1 + 1 )
2/

2.3.10 La loi de Gumbel


Dnition 2.3.10 X suit une loi de Gumbel si sa densit est :
x

fx (x) = e(xe ) ,

xR

Sa fonction de rpartition est :


x)

Fx (x) = 1 e(e

Esprance et variance 2.3.8


E(X) = 0.57722

V (X) =

2
6

O 0.57722 est la constante d'Euler.


2.3.11 lois du X 2 (khi-deux)
Dnition 2.3.11 U1 , U2 , . . . , Up tant p variables LG(0 ; 1) indpendantes, on appelle loi du khi-

deux p degrs de libert (X 2 ) la loi de la variable pi=1 Ui2 C'est donc la loi de la somme des carrs
des composantes d'un vecteur gaussien centr et de matrice de variance l. On en dduit immdiatement
que la somme de deux variables X 2 indpendantes p et q degrs de libert est encore une variable
P

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

2.3 Les Lois continues

37

X 2,

P + q degrs de libert. La loi du X 2 se dduit de la loi par une simple transformation. la


densit de T = U 2 est :
1
1
t
g(t) = t 2 exp
2
2

Esprance et variance 2.3.9


E(X) = p

et

V (X) = 2p

2.3.12 La loi de Student


Dnition 2.3.12 Si la variable alatoire U suit la loi N(0 ;1) et si la variable alatoire X suit la loi
Xn2

U
n degrs de libert, U et X tant indpendantes,alors par dnition la variable Tn = X/n
suit

la loi de student n degrs de libert


Densit de probabilit
Tn = U

X/n

; posons Y = U n et Z = X ; on a Tn =
Z

Y
Z

et

|z|fZ (z)fY (tz)dz

fTn (t) =

(1)

fY (y) =


1 fU y
n
n

avec fU (u) =

u
1 e 2
2

fY (y) =

d'o

y2
t2 x2
1
1
e 2n ; fY (tx) =
e 2n
2n
2n

La densit de probabilit de X est

fX (x) =

x 2 1 e2
n
22 n
2

si

sinon

z0

La densit de probabilit pour Z est fZ (z) = 2xfX (z 2 ),on obtient

fZ (z) =

Touati Boudjema
Latreche Hamza

n
2 2 1

n
2

z n1 e

z2
2

si

z0

sinon

Licence Mathmatiques 2015

38

les lois de probabilits

La relation (1) s'crit alors

fTn (t) =

n
1
22
n

Z

n
2

z n e

t2 +n
z
2n

dz

La forme de l'intgrale incite la mettre sous la forme d'une fonction gamma ; posons v =


zn =

2n
2
t +n

+n
n t 2n
z

z e
0

n
2

t2 +n 2
2n z ;alors


1
2
n
1
2n
v etdz =
v 2 dv
2
2 t +n
n
2


 n+1 Z +
2
n+1
2n
1
v 2 1 ev dv
dz =
2
2 t +n
0
2

=
1+

n1
2



n+1
 n+1
2
2
2

t
n

et alors



n+1
2
1
1
  
fTn (t) =
 n+1
n
2
t2
n2
1+

pour

tR

Esprance et variance 2.3.10 E(Tn ) = 0 (symtrie) (n>1)


V (Tn ) =

n
n2

(n > 2)

2.3.13 Loi de Fisher-Snedecor


Dnition 2.3.13 Soient X et Y deux v.a. indpendantes suivant respectivement les lois X 2 (n) et
X 2 (m).

La variable F

X/n
Y /m

suit une loi de Fisher-Snedecor n et m degrs de libert note Fn,m


n
mF

Touati Boudjema
Latreche Hamza

X/2
Y /2

suit une loi ( n2 , m2 ) de seconde espce


Licence Mathmatiques 2015

2.4 Fonctions caractristiques

39

La densit de F s'en dduit :


fF (x) =

1
xn/21
n/2 m/2
n
m
n+m
( n2 , m
(m + nx) 2
2)

1R+ (x)

Esprance et variance 2.3.11


E(Fn,m ) =

V (Fn,m ) =

2.4

1
m2

(m > 2)

2m2 (n + m 2)
n(m 4)(m 2)2

(m > 4)

Fonctions caractristiques

Dnition 2.4.1 La fonction caractristique d'une variable alatoire relle X est la transforme de

Fourier de sa loi de probabilit. EIle est note x et on a :


x (t) = E[eitX ] =

eitx dPX (x)

Cette fonction existe toujours car Px est une mesure borne et [eitX ] = L. Il s'ensuit que la fonction
caractristique est continue.
2.4.1 Fonctions caractristiques des lois de probabilit usuelles
Lois discrtes
1. Loi de Bernoulli : X (t) = peit + q avec q=1-p
2. Loi binomiale : Comme X est une somme de Il variables de Bernoulli indpendantes.
on trouve :

X (t) = (peit + q)n


3. Loi de Poisson :

X (t) = exp((exp(it) 1))

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

40

les lois de probabilits


En eet :

E[exp(itX)] =

x
X
x=0

X
x
exp(itx) exp()
= exp()
x!

x=0

exp(it)x
x!

= exp() exp( exp(it))

Lois continues
1. Loi uniforme sur [0, 1] :

X (t) =

eit1
it

2. Loi gamma (p, O) :

X (t) = (1 Oit)p
3. Loi normale :
Si U , N (0, 1) :

U (t) = e

t2
2

Si X , N (m, ) : X = m + U :

X (t) = E(eiu(m+U ) ) = eium U (u) = eium e

2.5

u2
2

Fonction gnratrice des moments

2.5.1 Dnition
Soit X une variable alatoire relle ; on lui associe la fonction gX (t) = E[etX ] de la variable relle
t appele fonction gnratrice des moments de X, condition de cette fonction soit dnie dans un
voisinage ouvert de l'origine.

2.5.2 Expression de gx (t)


 Si X est une v.a.discrte

gX (t) =

etxi pi

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

2.5 Fonction gnratrice des moments

41

o pi = Pr (X = xi )
 Si X est une v.a. continue

gX (t) =

etx f (x)dx

f tant la densit de probabilit de X

2.5.3 Fonction gnratrice des lois de probabilit usuelles


Lois discrtes
Loi de Bernoulli

1-p-pt

Loi binomiale

(1 p pt)n
n
pt

Loi binomiale ngative

1(1p)t

Loi de Poisson

e(t1)

Loi gomtrique

pt
1(1p)t

Lois continues
eibt eiat
i(ba)t

Loi uniforme
Loi normale ou de Gauss
Loi gamma

eimt

1

2 t2
2

it

Loi exponentielle

1
1 it

Loi du chi-deux

(1 2it) 2

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

Chapitre 3

Convergence
3.1

L'ingalit de Markov

Dnition 3.1.1 Soit X une v.a.r qui possde un moment d'ordre 1 E(x), alors > 1 on a :
P(x E(x))

3.1.1 L'ingalit de Markov dans le cas discret


On considre une variable X discrte non ngative, d'esprance E(X) strictement positive. Soit
un rel strictement positif. Puisque X est non ngative, on a :

X() R+

Appelons A et B les sous-ensembles de X() dns par

A = {x X(), x < E(X)}


B = {x X(), x E(X)}

On a

E(X) =

X
xX()

xP (X = x) =

X
xA

42

xP (X = x) +

X
xB

xP (X = x)

3.1 L'ingalit de Markov

43

Comme x R+ , on a xP (X = x) 0
Et donc :

xP (X = x) 0

xA

D'autre part , x B , x E(X)


Donc

xP (X = x)

xB

E(X)P (X = x)

xB

E(X) E(X)

P (X = x)

xB

Soit en divisant par E(X) > 0

X
1

P (X = x)

xB

Or

P (X = x) = P (X E(X))

xB

En dduit l'ingalit de Markov :

P (X E(X))

Exemple : Si X , G( 13 ) on a E(X) = 3
L'ingalit de Markov donne par exemple :

P (X 60) = P (X 20 3)

1
20

Donc si dans une urne il y a trois boules, deux noires et une blanche, indiscernables au toucher, la
probabilit de devoir attendre plus de 60 tirages avec remise pour obtenir pour la premire fois la
boule blanche est infrieure ou gale 5%.
Ce rsultat est en fait assez imprcis, car
59  k1
X
1
2
( ) 0.99999
P (X < 60) =
3
3
k=1

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

44

Convergence

Et donc

P (X 60) 0.00001

3.1.2 L'ingalit de Markov dans le cas continu


Soit A une variable de densite f nulle sur R , admettant une esperance strictement positive.
Soit un nombre reel strictement positif.
On a

xf (x)dx

E(X) =

On peut crire alors :


+

E(X)

xf (x)dx
E(X)

xf (x)dx +

xf (x)dx =

E(X) =

La fonction x xf (x) est positive sur R+ .comme 0 E(X)


on a

E(X)

xf (x)dx 0
0

Donc :

E(X)

xf (x)dx
E(X)

Sur l'intervalle [E(X), +[ , on a x E(X) et donc

xf (x) E(X)f (x)

Les bornes tant dans le bon ordre , on a

xf (x)dx
E(X)

Touati Boudjema
Latreche Hamza

E(X)f (x)dx
E(X)

Licence Mathmatiques 2015

3.1 L'ingalit de Markov

45

Et donc

xf (x)dx E(X)

f (x)dx
E(X)

E(X)

Ce qui donne en dnitive :

E(X) E(X)

f (x)dx
E(X)

En dvisant par E(X) , on obtient :

f (x)dx
E(X)

Or :

f (x)dx = P (X E(X))
E(X)

On retrouve l'ingalit de Markov :

P (X E(X))

Exemple :
La dure d'une communication tlphonique en minutes est une variable alatoire continue A dont on
supposera qu'elle suit une loi exponentielle de paramtre 1.
On a donc

E(X) = 1

On a

P (X 10) = P (X 10 1)

Touati Boudjema
Latreche Hamza

1
10
Licence Mathmatiques 2015

46

Convergence

Dans ce modle, la probabilit qu'une communication dure plus de 10 minutes est infrieure 0,1. Ce
qui revient dire qu'il y a moins de 10% des communications dont la dure dure plus de 10 minutes.
L encore le rsultat est trs imprcis :

P (X 10) =

ex dx = e10 4.45.105

10

3.2

L'ingalit de Bienaym - Tchebychev

3.2.1 L'ingalit de Bienaym - Tchebychev dans le cas discret


Soit la variable alatoire relle discrte X, d'esprance mathmatique E(X) = m et de variance

V (X) = . Alors,
P (|X m| > )

1
2

Dmonstration
Cette ingalit de Bienaym-Tchebychev provient directement de celle de Markov. Par ailleurs, si
on suppose l'ingalit de Markov non connue, l'ingalit de Bienaym-Tchebychev peut se montrer
comme suit :

 X
V (X) = 2 = E (X m)2 =
(xk m)2 P (X = xk )
k

Donc

> 0, 2 =

(xk m)2 P (X = xk ) +

k,|xk m|>

(xk m)2 P (X = xk )

k,|xk m|

(xk m)2 P (X = xk )

k,|xk m|>

P (X = xk )

k,|xk m|>

2 P (|X m| > )

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

3.3 Convergence des suites de variables alatoires

47

On pose alors = , et il s'ensuit que

P (|X m| > )

3.3

1
2
= 2
2
2

Convergence des suites de variables alatoires

Les modes de convergence les plus utiliss en probabilit sont les suivants :
 la convergence en probabilit note p,
 la convergence presque sre note p.s.,
 la convergence en loi note L,
 la convergence en moyenne quadratique note m.q.
Ces dirents modes de convergence ne sont pas indpendants et satisfont aux implications suivantes :

Grce ces thormes de convergence, le calcul des probabilits trouve sa justication dans l'tude des
phnomnes mettant en jeu des populations ou des observations nombreuses (mthodes de sondage,
thorie de l'estimation, des tests...).

3.3.1 Convergence en probabilit


Une suite de n variables aleatoires (Xn), non necessairement independantes, converge en probabilite vers une constante a et on ecrit, Xn p a, quand n tend vers l'inni si : , > 0

N (,

telque n > N = Pr (|Xn a| > ) <


La convergence en probabilit de la suite (Xn ) vers la variable alatoire X est la convergence de la
suite de variables alatoires (Xn - X) vers 0.

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

48

Convergence

Exemples 3.3.1 Considrons la suite de variables alatoires (Xn ), chaque variable prenant deux

valeurs 0 et n avec les probabilits suivantes :


Pr (Xn = 0) = 1

1
n

Pr (Xn = n ) =

1
n

La suite (Xn ) converge en probabilit vers 0 quand n tend vers l'inni.


E(Xn ) =

n
n

Quand n , selon les valeurs de n , on obtient pour E(Xn ) dierentes limites, nies ou non, ou
pas de limite...
n =

n = (1)n n

E(Xn ) 0

n = n

E(Xn ) = (1)n

E(Xn ) = 1

n = nr

E(Xn )

tandis que l'esprance mathmatique de la limite de (Xn ) est nulle puisque cette limite est gale 0.
3.3.2 Convergence presque sre
Deux variables alatoires X et Y sont gales presque srement si :

Pr [/X() 6= Y ()] = 0
C'est la dnition de l'galit presque partout des fonctions mesurables. . La suite de variables
aleatoires (Xn ), non ncessairement indpendantes, converge presque srement vers X et on crit

Xn p.s. x, quand n tend vers l'inni, si :


Pr [/ lim Xn () 6= X()] = 0

3.3.3 Convergence en loi


La suite des variables alatoires (Xn ), non ncessairement indpendantes, de fonction de rpartition Fn , converge en loi vers la variable alatoire X, de fonction de rpartition F, quand n tend vers
l'inni, si en tout point de continuit x de F, la limite de la fonction Fn est gale la fonction F et
on crit :

Xn x

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

3.3 Convergence des suites de variables alatoires

49

La convergence est ralise aux points de continuit de la fonction F. C'est la convergence ponctuelle
de la suite des fonctions de rpartition. En un point de discontinuit x0 de F, direntes situations
sont possibles, soit Fn (x0 ) n'a pas de limite ou a une limite dirente de F (x0 )...

Exemples 3.3.2 Soit Xn la variable alatoire suivant la loi normale N (0; n1 ) La suite des variables

converge en loi vers 0 quand n Soit Fn la fonction de rpartition de Xn , c'est--dire la


fonction dnie par :

(Xn )

Fn (x) = Pr (Xn < x)

Quand n , Fn (x) a pour limite 0 si x 0 et pour limite 1 si x > 0. La suite Fn (x) converge
donc, pour toutes les valeurs de x direntes de 0, vers la fonction de rpartition F(x), dnie par :
F (x) = 0

Or n Fn (0) = 0, 5 donc
dirente de F(0).

si

x0

F (0) = 0 6= Fn (0)

et

F (x) = 1

si

x>0

Au point de discontinuit 0, la limite de

Fn (x)

est

3.3.4 Convergence en moyenne quadratique


Une suite de variables alatoires (Xn ), non ncessairement indpendantes, converge en moyenne
quadratique d'ordre q vers X si E[(Xn X)q ] 0 quand n . Cette condition implique que
le moment d'ordre q existe. Le cas q = 2 est le plus utilis. La convergence en moyenne quadratique
implique la convergence en probabilit.

3.3.5 Convergence en loi de la binomiale vers la loi de Laplace-Gauss (thorme


de De Moivre-Laplace)
Thorme 3.3.1 Xn tant une suite de variables binomiales B(n; p),alors

Xn np
npq

LG(0; 1)

en

notant q=1-p Dmonstration : La fonction caractristique de Xn vaut (p exp(it) + 1 p)n donc


np
celle de Xnnpq
vaut :



n


it
itnp
(t) = p exp
+ 1 p exp
npq
npq
 



itnp
it
ln = n ln p exp
1

npq
npq

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

50

Convergence

Dveloppons au deuxime ordre l'exponentielle ;il vient :





t2
itnp
it

ln ' n ln 1 + p
npq 2npq
npq

puis le logarithme :


pit
itnp
pt2
p2 t2
ln ' n

+
npq 2npq 2npq
npq
Soit :

ln '

pt2
t2
t2
t2
+
= (p 1) =
2q
2q
2q
2

Car p=1-q.
(t) exp(t2 /2)

3.4

qui est la fonction caratristique de la loi normale centre-rduite.

Lois des grands nombres

3.4.1 Loi faible des grands nombres


Soit (Xn ) une suite de variables alatoires, indpendantes, centres, telles que les variances ()2
existent et vrient :
n
1 X 2
i 0
n2

quand

i=1

Dans ces conditions, la suite des moyennes :


n

Xn =

1X
Xi
n
i=1

converge en probabilit vers 0 quand n tend vers l'inni. La suite (Xn ) satisfait la loi faible des
grands nombres. Ce rsultat se dmontre grce l'ingalit de Bienaym-Tchebyschev.

3.4.2 Loi forte des grands nombres


Soit (Xn ) une suite de variables alatoires, indpendantes, centres, telles que les variances ()2
existent et vrient :

X 2
k

k1

Touati Boudjema
Latreche Hamza

k2

<

Licence Mathmatiques 2015

3.5 le thorme central-limite

51

Dans ces conditions, la suite des moyennes :


n

1X
Xn =
Xi
n
i=1

converge presque srement vers 0 quand n tend vers l'inni. La dmonstration de ce thorme ncessite
l'utilisation de thormes ns d'analyse. Ces rsultats sont utiliss dans la thorie de l'estimation et
des tests.

3.5

le thorme central-limite

Le thorme central limite ou thorme de la limite centrale tablit la convergence en loi de la


somme de variables alatoires indpendantes vers la loi normale, sous des hypothses faibles.

3.5.1 Thorme central limite (premire forme)


Soit (Xn ) une suite de variables alatoires, indpendantes, de mme loi, d'esprance mathmatique
m et d'cart-type . Quand n , la loi de la variable aleatoire :
!
n
X
1 X1 + X2 + . . . + Xn mn
X m
Xi

n
n
/ n
i=1

tend vers la loi normale, centre, rduite N(0 ; 1). La dmonstration de ce thorme est une application
des proprits des fonctions caractristiques. Un thorme plus gnral est d Lindeberg.

3.5.2 Thorme central limite ou thorme de Lindeberg


C'est la deuxime forme de ce thorme. (Xi ) est une suite de variables alatoires indpendantes,
non ncessairement de mme loi, d'esprance mathmatique mi et d'cart-type i . Soit Fi (x) la
fonction de rpartition de Xi mi . Posons :

Sn2 =

n
X

i2

i=1

Si la limite de :
n Z
1 X
x2 dFi (x)
Sn2
|x|>Sn
i=1

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

52

Convergence

est gale 0, quand n , alors, la variable alatoire :


n
1 X
(Xi mi )
Sn
i=1

converge en loi vers une variable alatoire U suivant la loi normale N(0 ; 1). Les variables alatoires
qui gurent dans la somme sont uniformment petites. Le thorme central limite a des applications
nombreuses en thorie de l'estimation.

Touati Boudjema
Latreche Hamza

Licence Mathmatiques 2015

Conclusion
En n de nous utilisons pas les lois de probabilits seulement dans le calcul probabiliste, mais
nous l'utilisons dans plusieurs domaines par exemple la medcine ; La loi de Poisson P (), utilise pour
tudier les maladies rares, de paramtre . et statistique pour calculer les nombres des populations et
chaine de Markov.

domaines d'utilisation de quelques lois :


 Les lois bta, dpendant de deux paramtres, s'adaptent bien la description de nombreux
phnomnes alatoires positifs (temps d'attente, dures de vie. . . ) ; elles sont lies aux lois de
Fisher-Snedecor utilises en statistique.
 Les lois bta de type I sont utilises en abilit, en statistique baysienne pour reprsenter la
distribution a priori de la probabilit d'un vnement suivant une loi binomiale, la distribution
a posteriori suit aussi une loi binomiale.

53

Annexes
3.5.3 Analyse combinatoire
L'analyse combinatoire est une branche des mathmatiques qui tude comment compter les
objects.Elle fournit des mthodes de dnombrements particulierment utiles en thorie des probabilits.Les probabilits dits combinatoires utilisent constamment les formules de l'analyse combinatoire dvloppes dans ce chapitre,Un exemple des applications intressantes de cette dernire est la
dmonstration du dvloppement du binme de Newton utilis dans le calcul des probabilits d'une

loi binomiale.

Arrangement
1.1.Dnition :
tant donne un ensemble E de n objets . On appelle arrangement de p objet toutes suites ordonnes
des p objets prs parmis les n objets.Le nombre d'arrangement de p objets pris parmis n est not :Apn

Remarque :
On a ncessarment 1 p n et, n, p N si n<p, alors Apn = 0 deux arrangements de p objets sont
donc distincts s'il drent par la nature des objets qui les composents par leur ordre dans la suite.

1.2.Arrangement avec rpitition :


L'orsqu'un objet peut tre oberv plusieur fois dans dans un arrangement le nombre d'arrangement
54

avec rptition de p objets pri parmi n,est alors :

Apn = np , 1 p n

1.3.Arrangement sans rpitition :


Lorsque chaque objet ne peut tre observ qu'une seule fois dans un arrangement,le nombre d'arrangements sans rptition de p objets pris parmi n est alors :

APn =

n!
,1 p n
(n p)!

Permitation
2.1.Permitation sans rpitition :
Etant donn un ensemble E de n objets ,on appelle permutations de n objets distincts toutes suites
ordonnes de n objets on tout arrangement n n de ces objets.
Le nombre de permutations de n objets est not :Pn = n!

2.1.Permutation avec rpitition :


Dans le cas o il existerait plusieurs rptitions K d'un mme objets,le nombre de permutations des
K objets identiques
Le nombre de permutations de n objets est alors : pn =

n!
k!

En eet , les permutations de K objets identiqueq sont toutes identiques et ne comptent que pour
une seule permutation

Combinaisons
3.1.Combinaisons sans remise :
Etant donn un ensemble E de n objets,on appelle combinaisons de p objets tout ensemble de p objets
pris parmi les n objets sans remise.
55

Le nombre de combinisons de P objets pris parmi n est not :Cnn

Remarque :
On a ncessairement 1 p n et n, p N
si n<p , alors Cnp
Le nombre de combinaisons de p objets pris parmi n et sans remise est :

Cnp =

n!
p!(n p)!

note

n
p

avec 1 p n

3.2.Combinaisons avec remise :


p
Le nombre de combinaisons de p objet parmi n avec remise est :Cn+p1
=

(n+p1)!
p!(n1)!

Produit cartsien :
Soient E et F deux ensembles. On appelle produit cartsien de E et de F l'ensemble not E F
constitu des couples (x, y) avec x E et y F , c'est--dire :

E F = {(x, y)|x E, y F }
Deux couples (x, y) et (x', y') de E F sont egaux (ou identiques) si on a a la fois x = x' et y = y'.
On crit alors (x, y) = (x', y').

Triangle de pascal :
si p 1
p
= Cnp
Cnp + Cn1

Formule de Newton :
(a, b) R2 , n N
P
P
(a + b)n = np=0 Cnp q np bp = nq=0 Cnp an bnp avec q=n-p

3.5.4 Probabilits lmentaires

56

Exprience alatoire
Une exprience est qualie d'alatoire si l'on ne peut prvoir par avance son rsultat et si, rpte
dans des conditions identiques, elle peut (on aurait pu s'il s'agit d'une exprience par nature unique)
donner lieu des rsultats dirents. On reprsente le rsultat de cette exprience comme un lment

de l'ensemble n de tous les rsultats possibles : est appel l'ensemble fondamental ou encore
l'univers des possibles. Ainsi l'exprience alatoire qui consiste lancer deux ds, on peut associer
l'ensemble = (l.1), (1.2), (1.3)... 36 lments. II convient de noter ici que l'ensemble ne se
dduit pas de manire unique de l'exprience mais dpend de l'usage qui doit tre fait des rsultats :
ainsi, si l'on convient une fois pour toutes qu'on ne retiendra de l'exprience des deux ds que la
somme des points achs, on peut trs bien se contenter d'un ensemble 0 = {2, 3, 4 ... 12}.

Univers
Univers (not ) : ensemble de tous les rsultats possibles d'une exprience. Il peut tre : ni, par
ex {x1 , . . . , xk } inni dnombrable : on peut indicer, numroter ses lments jusqu' l'inni, par ex

{x1 , x2 , . . . , xn ; . . .} inni non-dnombrable : ceci signie qu'il n'est pas possible de dcrire l'ensemble
sous la forme d'une liste numrote {x1 , x2 , . . . , xk ; . . .} par ex l'intervalle [0,1] est un ensemble inni
non-dnombrable.

Tribu
Soit A un ensemble d'vnments. Nous dirons que A est une tribu si A verie les proprite
suivantes :
1. A
2. A est stable par passage au complementaire B A = B
3. pour toute famille (Ai )iI d'vnment de A

iI Ai A, v = A est stable par passage au reunion ni ou denombrable

57

Espace probabilis
On appelle espace probabilis le triplet (, , P ). Une loi de probabilit n'est donc rien d'autre
qu'une mesure positive de masse totale 1 et la thorie des probabilits s'inscrit dans le cadre de la
thorie de la mesure.

58

3.6

Les table des lois de probabilits

3.6.1 Tables de lois de probabilits usuelles


Tables de lois discrtes

59

Tables de lois continues

60

3.6.2 Table de loi normale centre et reduit

61

62

63

3.6.3 Table de loi Khi 2

64

3.6.4 Table de la loi de Student

65

66

67

3.6.5 Table de la loi de Fisher-Snedecor

68

69

70

Bibliographie
[1] FRADON MAUMY BERTRAND.

Mathmatique L1-L2 (statistique et probabilits en 30 ches

S19-1).
[2] Jean francais delmas.
[3] Richard isaac .

Introduction au calcul des probabilit et a la statistique 2e dition. 2008

une initiation aux probabilit.

[4] Maurice lethielleux .

statistique descriptive en 27 ches.

[5] Marie cottell .

exercices probabilit.

[6] Bernard prun .

la dmarche statistique.

[7] Daniel Fredon,Myriam Maumy Bertrand, Frdric BERTRAND .

Mathmatiques Statistique et

probabilits en 30ches.
[8] Jean Pierre Lecoutre .

TD statistique et probabilit.

[9] Ph. TASSI et S. LEGAIT .


[10] Rene Veysseyre .
[11] Gilbert Saporta .

Aide-mmoire statistique et probabilits pour l'ingnieur.

probabilites analyse de donnes et statistiques.

[12] Sheldon M. Ross .


[13] J.Neveu.

thorie des probabilits en vue des applications statistiques.

Initiation aux probabilits.

Introduction aux probabilits.cole polytechnique .1988

[14] A.Monfort.

cours statistique mathmatiques .Economica 1982

[15] A.Monfort.Introduction
[16] B.jourdain.probabilits
[17] H. EGON,

la statistique cole polytechnique 1988

et statistiques .Ellipsses 2009

Statistiques et Probabilits, BTS Secteur industriel, DUT, Hachette, 1992.


71

[18] E. FAVRO,Statistiques

et Probabilits, Dunod, 1991.

[19] J. FOURASTIE, JF. LASLIER,Probabilits


[20] P. JAFFARD,

et Statistiques, Dunod, 1987.

Initiation aux Mthodes de la Statistiques et du Calcul des Probabilits, Masson,

1986.
[21] C. LEBOEUF, JL. ROQUE, J. GUEGAND, Cours de Probabilits et Statistiques, Ellipses, Edition
Marketing, 1987.
[22] S. LIPSCHUTZ,

Probabilits, Cours et Problmes, Mc Graw-Hill, 1993.

72

Vous aimerez peut-être aussi