Académique Documents
Professionnel Documents
Culture Documents
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
x0
x0
et
t1u p.
Lois de probabilit
e usuelles
Soit p1 pqt0u
Loi de Bernoulli
1
p
1p
1p
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
VarpX q p p2
pp1 pq.
p exppi q pour tout P R.
"
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,
X p q E eiX
1p
p ei
n
20 septembre 2012
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
p q 1 p
p ei
m
1p
p ei
n
1p
p ei
m
Y a pour loi
$
'
&
'
%
n!
p1n1
n 1 ! . . . nd !
pnd
pour pn1 , . . . , nd q P Nd
tel que n1
sinon.
nd
n,
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
e
n
n!
0
Soit
e
n 0
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
Y a pour loi
20 septembre 2012
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
tnu
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 . . .
$
nk
k
CN
& CNp
p1pq
%
n
CN
pour max 0, n N p1 pq
k minpn, N pq,
sinon.
ba
1ra,bs pxq,
x P R.
20 septembre 2012
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.
Fonction de r
epartition
1
p
1 ex
1/
ln(1 p)/
1/
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
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
a2
a{
px x0q2 ,
0. Dans
x P R.
20 septembre 2012
loi de probabilite absolument continue dont une densite est donnee par
ppxq 1r0,
x P R.
a = 0.5
a=1
a=2
a=4
a=8
0
1/
2/
3/
4/
5/
6/
7/
8/
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
10
Lois de probabilit
e usuelles
xa1 p1 xqb1
,
Bpa, bq
x P R.
Fonctions de r
epartition
Densit
es de lois Beta
4
0,75
0,5
0,25
1/2
1/2
1
0
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
1 (p)
1x 0
11
20 septembre 2012
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+
2 2 {2
pour tout
P R.
8
xu
2
2
epymq {2
? dy 2
2
8
eu
{2 ?du
pxq,
2 X2
pq X pq X pq
1
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
22 22 q. On en deduit que
x P R.
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
13
20 septembre 2012
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.
Densit
es pour m = 1, 2, 5, 10,
1
0,841
3/4
1/2
1/4
0,159
aXZ {
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
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
1 {1
X
X {
2
20 septembre 2012
15
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
. . . . . . . . . . . . . . . . . . . . . . . . . . . 13