Agnès DURRA-GRAS 1

Lois continues usuelles

Loi uniforme

Soit X une variable aléatoire suivant une loi uniforme sur [a , b] X ~ U ([ a, b ])

 1
 f (t ) = si t ∈ [ a, b ]

Une densité de X est donnée par  b−a
 f (t ) = 0
 si t ∉ [ a, b ]

 F ( x) = 0 si x < a
 x−a


La fonction de répartition de X est donnée par  F ( x) = si x ∈ [ a, b ]
 b−a
 F ( x) = 1 si x > b
a +b (b − a) 2

E( X ) = V(X) =
2 12

X ~ U ([ a, b ]) ⇔ X = a + ( b − a ) Xɶ où Xɶ ~ U ([ 0,1])

La loi uniforme est stable par transformation affine.

Loi exponentielle

Soit X une variable aléatoire suivant une loi exponentielle de paramètre λ > 0 X ~ E ( λ )
 f (t ) = 0 si t < 0

Une densité de X est donnée par 
 f (t ) = λ e
− λt
si t ≥ 0

 F ( x) = 0 si x < 0

La fonction de répartition de X est donnée par  −λ x
 F ( x) = 1 − e si x ≥ 0
1

X ~ E ( λ ) ⇔ X = Xɶ où Xɶ ~ E (1)
λ

1 1

E( X ) = V(X) =
λ λ2

Caractérisation de la loi exponentielle par absence de mémoire :

 X (Ω) = R +

X suit une loi exponentielle ⇔ ∀ ( s, t ) ∈ ( R + ) P ( X > s + t X > s) = P ( X > t )
2


∀s ∈ R + P ( X > s ) ≠ 0
Agnès DURRA-GRAS 2

Loi petit gamma

Soit X une variable aléatoire suivant une loi petit gamma de paramètres ν > 0 X ~ γ (ν )
 1 ν −1 − t
 f (t ) = t e si t > 0

Une densité de X est donnée par  Γ(ν )
 f (t ) = 0 si t ≤ 0


E( X ) =ν V ( X ) =ν

Stabilité par passage à la somme

X ∼ γ (ν ) 

Y ∼ γ (µ )  ⇒ X + Y ∼ γ (ν + µ )
X , Y indépendantes 

∀i ∈ 1, n  X i ∼ γ (ν i )  n
 n 
 ⇒ ∑ X i ∼ γ  ∑ν i 
X 1 ,..., X n indépendantes  i =1  i =1 

Loi grand gamma

X une variable aléatoire suivant une loi grand gamma de paramètres ( b,ν ) X ~ Γ(b,ν )
Soit

X ~ Γ(b,ν ) ⇔ X = bXɶ où Xɶ ~ γ (ν )
 1 ν −1 b
−
t

 f (t ) = t e si t > 0

Une densité de X est donnée par  Γ(ν )bν
 f (t ) = 0 si t ≤ 0


E ( X ) = bν V ( X ) = b 2ν

Stabilité par passage à la somme

X ∼ Γ ( b,ν ) 

Y ∼ Γ ( b, µ )  ⇒ X + Y ∼ Γ ( b,ν + µ )
X , Y indépendantes 

∀i ∈ 1, n  X i ∼ Γ ( b,ν i )  n
 n 
 ∑ i
⇒ X ∼ Γ  b, ∑ν i 
X 1 ,..., X n indépendantes  i =1  i =1 

1 

Cas particulier E ( λ ) = Γ  ,1 et la somme de n variables indépendantes qui suivent une même loi
λ 
1 
exponentielle de paramètre λ suit une loi Γ  , n 
λ 
Agnès DURRA-GRAS 3

Loi normale ou de Laplace - Gauss

Loi normale centrée réduite

Soit X une variable aléatoire suivant une loi normale centrée réduite X ~ N (0,1)
1 − 12 t 2

Une densité de X est donnée par ∀t ∈ R ϕ (t ) = e
2π

E( X ) = 0 V ( X ) = 1 une telle variable est donc centrée réduite.
1

Si Φ désigne la fonction de répartition de X ∀x ∈ R Φ(− x) = 1 − Φ ( x) et Φ ( 0 ) =
2

Φ est une bijection strictement croissante de R sur ]0,1[ .

Loi normale (cas général)

X une variable aléatoire suivant une loi normale de paramètres ( m, σ 2 ) , σ > 0 X ~ N ( m, σ )

2
Soit
2
1  t −m 
1 − 
σ 

Une densité de X est définie par ∀t ∈ R f (t ) = e 2
σ 2π

X ~ N ( m, σ 2 ) ⇔ X = σ Xɶ + m où Xɶ ~ N ( 0,1)

X −m

X ~ N ( m, σ ) ⇔ X * =
2
~ N (0,1)
σ

La loi normale est stable par transformation affine.

E( X ) = m V(X) = σ 2

Stabilité par passage à la somme

X 1 ∼ N ( m1 , σ 12 ) 


X 2 ∼ N ( m2 , σ 22 )  ⇒ X 1 + X 2 ∼ N ( m1 + m2 , σ 2 + σ 1 )
2 2


X 1 , X 2 indépendantes 


∀i ∈ 1, n  X i ∼ N ( mi , σ i2 )  n
 n n
2
 ⇒ ∑ X i ∼ N  ∑ mi , ∑ σ i 
X 1 ,..., X n indépendantes  i =1  i =1 i =1 