Lois de probabilité

A. Latouche
aurelien.latouche@cnam.fr

STA103

1 / 19
Propriétés de la distribution exponentielle

1. Comme la loi géométrique, la loi exponentielle est sans

mémoire. C’est la seule loi continue qui possède cette
propriété.
2. Une somme de n variables indépendantes de même loi
exponentielle de paramètre λ n’est pas une variable de loi
exponentielle mais une variable qui suit une loi gamma de
paramètres n et λ.
3. La loi exponentielle est aussi couramment utilisée
fiabilité/survie

2 / 19
Autour de la loi Exponentielle

Soit X une variable aléatoire suivant un loi exponentielle de

paramètre λ et soit Y une une variable aléatoire suivant un loi
exponentielle de paramètre γ. On suppose que X est indépendante
de Y
1. Montrer que P(X > s + t|X > s) = P(X > t)
2. Montrer que min(X , Y ) ∼ Exp(λ + γ)
3. Etablir que min(X , Y ) et I{X < Y } sont indépendantes
λ
4. P(X < Y ) =
λ+γ
On utilisera la propriété suivante : Z et f (Z ) sont indépendantes si
et seulement si f (Z ) est constante (presque surement)

3 / 19
Démonstration de la propriété
I ← évident
I → : f (Z ) et f (Z ) indépendants donc
I ⇒ cov (f (Z ), f (Z )) = 0 et
I E ([f (Z ) − E (f (Z ))]2 ) = 0
d’où f (Z ) = E (f (Z )) donc f(Z) constante

4 / 19
Astuce :
On peut décomposer
min(X , Y ) = X I{X < Y } + Y (1 − I{X < Y })
L’indépendance n’est pas évidente

5 / 19
P(min(X , Y ) > t, X ≤ Y ) = P(X > t, X ≤ Y )
I or P(X > t, X ≤ Y ) = E (I{X > t, X ≤ Y })
R∞R∞
I P(min(X , Y ) > t, X ≤ Y ) = 0 0
I{x > t, x ≤ y }
λ exp(−λx) γ exp(−γy )dxdy
R∞
I P(min(X , Y ) > t, X ≤ Y ) = 0 I{x > t}
R∞
λ exp(−λx) x γ exp(−γy )dydx
R∞
I P(min(X , Y ) > t, X ≤ Y ) = 0
I{x > t}λ exp(−λx) exp(−γx)dx
R∞
I P(min(X , Y ) > t, X ≤ Y ) == t
λ exp(−(λ + γ)x)dx

λ
I P(min(X , Y ) > t, X ≤ Y ) = exp −(λ + γ)t
λ+γ
γ
I Par symétrie P(min(X , Y ) > t, X ≥ Y ) = exp −(λ + γ)t
λ+γ
En faisant la somme, on obtient P(min(X , Y ) > t) = exp −(λ + γ)t

6 / 19
Loi Géométrique et Loi exponentielle
On veut déterminer la loi de la variable T = “temps d’attente entre la
réalisation de deux événements successifs”
où le nombre moyen de réalisations de l’événement par unité de temps
est λ.
Si t est la longueur de l’intervalle de temps sur lequel dure notre étude,
nous le divisons en n petits intervalles de longueur t/n.
I Appelons X la variable aléatoire représentant le nombre d’intervalles
de temps que l’on doit laisser s’écouler pour obtenir la réalisation de
l’événement suivant.
I Chaque intervalle possédant la même probabilité λt/n de voir
l’événement se produire,
I X suit, par définition, la loi géométrique de paramètre λt/n.

Le temps d’attente T est alors le produit de ce nombre d’intervalles par

le temps de chaque intervalle, T = nt × X .

7 / 19
Loi géometrique et Loi exponentielle

X ∼ G (λt/n)
On cherche P(T > t0 ) = P(X > nt0 /t)
I Si Y ∼ Geo(p) alors P(Y > k) = q k

I Il vient P(X > nt0 /t) = (1 − λt/n)nt0 /t

et lorsque n tend vers l’infini on obtient

Z +∞
p(T > t0 ) = e −λt0 = λe −λu du.
t0

T suit une loi exponentielle de paramètre λ

8 / 19
Loi normale

9 / 19
Définition
Une variable aléatoire continue suit une loi normale si l’expression
de sa fonction de densité de probabilités est de la forme :
1 1 x−m 2
f (x) = √ e − 2 ( σ ) , x ∈ R.
σ 2π

La fonction caractéristique d’une variable normale standard X vaut

2 σ2 u2
ξX (u) = e −2iπmu−2π .

On en déduit, à l’aide de la formule qui exprime espérance et

variance à partir des dérivées de la fonction caractéristique, que

E (X ) = m, Var (X ) = σ 2 , σ(X ) = σ.

10 / 19
La distribution du χ2 de Pearson

Définition
Si X1 , X2 , . . . , Xn sont n variables aléatoires indépendantes qui
suivent toute la loi normale centrée réduite, alors la quantité
X = X12 + X22 + · · · + Xn2 est une variable aléatoire distribuée selon
la loi du χ2 à n degrés de liberté.
On note X * χ2n .

E(X) = n , V(X) = 2n.

11 / 19
Somme de deux lois du χ2

Si X1 * χ2n1 et X2 * χ2n2 sont indépendantes, alors

X1 + X2 * χ2n1 +n2 .

12 / 19
Loi de Fisher–Snedecor

I Soit X ∼ χ2 (n) et Y ∼ χ2 (m) indépendantes

X /n
I Alors U = Y /m suit une loi de Fisher Snedecor F(n,m)

13 / 19
Propriétés de F
Y /m
Soit V = X /n
I V ∼ F (m, n)

I U × V = 1 donc U et 1/V ont la même loi

(n,m) (n,m)
I Soit fα tel que P(U < fα ) = α alors
(m,n)
f1−α = 1/fα(n,m)

(8,5) (5,8)
Exemple : f0.95 = 1/f0.05
(5,8)
I f0.05 = 0.207
(8,5)
I f0.95 = 4.82
I On vérifie que qf(0.05,5,8)= 1/qf(0.95,8,5)

14 / 19
Loi de Student

Définition
Soient X et Y deux variables aléatoires indépendantes, la première
étant distribuée selon une loi normale centrée réduite N (0, 1) et la
deuxième selon une√ loi de khi-deux à n degrés de liberté. La
X n
quantité T = √ est une variable aléatoire qui suit une loi de
Y
Student à n degrés de liberté.
On écrit T * Tn .
n
On a E (Tn ) = 0 si n > 1 et Var (Tn ) = n−2 si n > 2.

15 / 19