C- Lois usuelles

C.1- Lois discrètes- Loi uniforme

• Loi d’une variable aléatoire X Ex : E=« lancer d’un dé régulier »

prenant ses valeurs dans {1,…,n} X=numéro apparaissant sur le dé
avec la même probabilité: X suit une loi uniforme de
probabilité 1/6
1
P( X = x) = ∀x ∈{1, 2,...n}
n Eléments de calcul pour l’espérance
et la variance :

• Moments :
n n(n + 1) n n(n + 1)(2n + 1)
∑i= ; ∑ i² =
n +1 n2 − 1 i =1 2 i =1 6
E( X ) = ; V (X ) =
2 12
 C.1- Lois discrètes- Loi de Bernoulli

• Loi : X ∼ B ( p) ⇔ E: Tirage dans une urne de

Bernoulli ayant une proportion
P( X = x) = p x q1− x , x ∈{0,1} p de boules rouges. q=1-p

p
• Moments

E ( X ) = p ; V ( X ) = pq
X=nombre de boules rouges

1 x ∈ A
Fonction indicatrice de A : 1A ( x) = 
Rq : 0 x ∉ A

X = 1A ∼ B ( P( A))
 C.1- Lois discrètes- Loi Binomiale

• Loi : X ∼ B (n, p ) ⇔ E: n tirages avec remise dans une

urne de Bernoulli ayant une
P( X = x) = C n p x q n − x ∀x ∈{0,..., n}
x
proportion p de boules rouges
Moments : n
E ( X ) = np ; V ( X ) = npq

• Propriétés X=nombre de boules rouges

Si n>50 et p<0.1 X ≈ P (np )
n!
( ) Outils :
Cn =
x
Si n>50 et p>0.1 X ≈ N np, npq
x !( n − x)!
n
X 1 ∼ B (n1 , p )  ∑C x n− x
q =1
x
p
 n
X 2 ∼ B (n2 , p )  ⇒ X 1 + X 2 ∼ B (n1 + n2 , p ) x=0

X 1 ⊥ X 2 
n x −1
Cn =
x

x C n −1
 C.1- Lois discrètes- Loi de Poisson

• Loi : X ∼ P (λ ), λ > 0 ⇔ • Ex : nombre de personnes se

présentant à l’arrêt de bus après
λx une durée λ.
−λ
P( X = x) = e , ∀x ∈ N
x!

• Moments

E( X ) = V ( X ) = λ

• Propriétés :
Si λ grand, X ≈ N (λ , λ )
• Outils :
X 1 ∼ P (λ1 )  +∞
λx

X 2 ∼ P (λ2 )  ⇒ X 1 + X 2 ∼ P (λ1 + λ2 ) ∑ x! = eλ
x=0
X 1 ⊥ X 2 
 C.1- Lois discrètes- Loi Binomiale
négative
• Loi : X ∼ BN ( r , p ) ⇔ E: tirages avec remise dans une
urne de Bernoulli ayant une
proportion p de boules rouges
P( X = x) = C x + r −1 p r q x ∀x ∈ N
x

• Moments :

rq rq X=nombre de boules blanches

E( X ) = ; V (X ) = précédent la r° boule rouge
p p²

Outils:
∞

∑C q =1
x r x
x + r −1
p
x=0
 C.1- Lois discrètes- Loi Géométrique

• Loi : X ∼ G ( p) ⇔ E: tirages avec remise dans une

urne de Bernoulli ayant une
proportion p de boules rouges
P( X = x) = pq x −1 ∀x ∈ N

• Moments :
1 q
E( X ) = ; V (X ) =
p p² X=rang de la 1° boule rouge

• Outils

∞
1 très utilisé en
∑
x=0
p =x

1− p
durée de vie et en biologie.
 C.1- Lois discrètes- Loi Hypergéométrique

• Loi : X ∼ H (n, N, p ) ⇔ E: n tirages sans remise dans une

urne de Bernoulli ayant une
x n− x

P( X = x) =
C CNp N − Np
∀x ∈{0,..., n}
proportion p de boules rouges
C
n
N N n

• Moments :
N −n
E ( X ) = np ; V ( X ) = npq X=nombre de boules rouges
N −1

• Propriétés

Si N>>n (N>10n) X ≈ B (n, p )

 C.2- Lois continues- Loi uniforme

• Loi : • Propriétés

X ∼ U [ a, b] ⇔ X −a
X ∼ U [ a, b] ⇔ ∼ U [0,1]
 1 b−a
1  a≤ x≤b
f ( x) = 1a ≤ x≤b = b − a f
b−a  0 sinon
1/(b-a)
• Moments

a+b (b − a )²
E( X ) = ; V (X ) =
2 12 a b
• Fonction de répartition F
 0 x<a
 x − a
F ( x) =  a≤ x≤b
b − a
 1 x>b a b
 C.2- Lois continues- Loi normale

• Loi X ∼ N ( µ ,σ ) ⇔
m=0 m=1,S=1
1  x−µ 
2 S=1
1 −  
2 σ 
f ( x) = e , ∀x ∈ R
σ 2π

• Moments
m
E( X ) = µ ; V ( X ) = σ ²
m
• Propriétés :

X 1 ∼ N ( µ1 ,σ 1 )  X −m
 X ∼ N ( m, σ ) ⇔ U = ∼ N (0,1)
X 2 ∼ N ( µ 2 ,σ 2 )  ⇒ X 1 + X 2 ∼ N ( µ1 + µ 2 , σ 1 + σ 2 )
2 2
σ
X1 ⊥ X 2 

 C.2- Lois continues- Loi normale

• Propriétés d’une v.a. U de loi

normale N(0,1)

Ф(-x) 1-Ф(x)
On note Φ la fdr de U
1 1
Φ (0) = ; Φ ( x) < ⇔ x < 0
2 2
Φ (− x) = 1 − Φ ( x)
P(| X |< x) = 2Φ ( x) − 1

-x x
 C.2- Lois continues- Loi log-normale

• Loi

X ∼ LN ( µ ,σ ) ⇔ Y = ln( X ) ∼ N ( µ ,σ ) F(-x) 1-F(x)

• Moments
2
µ + σ2
E( X ) = e

( σ2
V ( X ) = e −1 e ) 2 µ +σ 2
 C.2- Lois continues- Loi exponentielle

• Loi X ∼ ε (λ ), λ > 0 ⇔ Loi souvent utilisée en fiabilité :

durée de vie d’un composant
 0 x<0
f ( x) = λ e − λ x 1x≥0 =  − λ x
λ e x ≥ 0 λ=3 λ=4

• Moments
1 1 λ=1
E( X ) = ; V ( X ) =
λ λ²
• Fonction de répartition :

0 x<0
F ( x) =  −λ x
1 − e x ≥ 0
 C.2- Lois continues- Loi gamma
• Loi
X ∼ Γ(k ,θ ), k > 0,θ > 0 ⇔
−x
x k −1e θ
f ( x) = 1x≥0
Γ(k )θ k
• Moments
E ( X ) = kθ ; V ( X ) = kθ 2

• Propriétés
Si k=1, X ∼ ε (1/ θ )
Si θ=2, X ∼ χ ²(2k )
Si k entier, la loi de X s’appelle loi
d’Erlang ∞
n Γ(k ) = ∫ t k −1e − t dt ; Γ(k + 1) = k Γ(k )
∑
Si X i.i.d. ∼ ε (1/ θ ) ⇒ Y = X ∼ Γ( n,θ ) 0
i i
i =1
 C.2- Lois continues- Loi du chi2
• Loi : la loi du chi2 à k ddl est la loi de la
somme de n variables de loi N(0,1):
X ∼ χ ²(k ), k ∈ N * ⇔ X a même loi que
k
Z = ∑ U i2 , Ui i.i.d . ∼ N (0,1)
i=1

• Moments

E ( X ) = k ; V ( X ) = 2k
• Propriétés :
X à valeurs positives.
La loi de X/2 est une loi gamma(n)
Lorsque k=2 X suit E(1/2)
Si k>50,
X ≈ N ( k , 2k ) f ( x) =
1 k
−1
x e 1x≥0
2
− 2x

2 Γ( )
k
2 k
2
 C.2- Lois continues- Loi de Student

• Loi :

X ∼ T (k ), k ∈ N * ⇔ X a même loi que

U
T= , U ⊥ Z, U ∼ N (0,1), Z ∼ χ ²(k )
Z/k

• Moments
k
E ( X ) = 0, k > 1 V (X ) = ,k > 2
k −2
• Propriétés :
Si k>30 alors X ≈ N (0,1)
 C.2- Lois continues- Loi de Fisher

• Loi :
X ∼ F (n1 , n2 ), ni ∈ N * ⇔ X a même loi que
Z1 / n1
F= , Z1 ⊥ Z2 , Z1 ∼ χ ²(n1 ), Z 2 ∼ χ ²( n2 )
Z2 / n2

• Moments
n
E ( X ) = 2 , n2 > 2
n2 − 2
2n2 (n1 + n2 − 2)
V (X ) = , n2 > 4
n1 (n2 − 2) (n2 − 4)
2

X ∼ F (1, n2 ) ⇔ X a même loi que

• Propriété F =T2 , T ∼ T ( n2 )
 C-3 Simulations de lois

Théorème d’inversion

Soit F une fonction de répartition sur R. On note F −1 ( y ) = inf{x ∈ R / F ( x) ≥ y}

l’inverse généralisé de F (vaut l’inverse habituelle lorsque F est continue
est strictement croissante). Soit U deloi uniforme sur [0,1]. Alors,

1. X = F −1 (U ) a pour fonction de répartition F

2. Si F est continue sur R et X de fdr F, U=F(X) suit une loi uniforme

sur [0,1].
 C-3 Simulations de lois

Simulation d’une loi continue

Simulation de n réalisations X de loi F:

– on simule n réalisations d’une loi uniforme sur [0,1] (tirage au

hasard de n nombres sur cet intervalle) : u1,…,un

– On calcule ∀i = 1,...., n, xi = F −1 (ui ). Ce sont n réalisations de X

de loi F.
 C-3 Simulations de lois

Simulation d’une loi discrète

Soit ( pi = P ( X = xi ) ) la loi de probabilité discrète d’une variable

1≤i ≤ n k
aléatoire à valeurs dans {x1 ,..., xn }. On note sk = P ( X ≤ xk ) = ∑ pi
n
i =1
etF (u ) = ∑ sk −11xk −1 ≤u < xk la fonction de répartition de cette loi en tout point.
Soient uk =11,..., un n réalisations d’une variable de loi uniforme sur [0,1].
n
Alors ∀i = 1,..., n, x = F (ui ) = ∑ xk 1sk −1 ≤ui < sk
*
k
−1

k =1

Sont n réalisations d’une variable aléatoire

discrète de loi F.