1

Les lois de probabilités sont des objets

mathématiques qui permettent aux statisticiens de
fabriquer des modèles pour décrire des phénomènes
où le hasard intervient. Elles permettent de décrire
les variables aléatoires sous la forme d’une
«expérience type» puis d’analyser cette expérience
en détail pour pouvoir déduire les principales
caractéristiques de toutes les expériences aléatoires
qui sont du même type.
L’évaluation de la loi de probabilité et des
caractéristiques étant effectuée, l’utilisateur n’a
plus à "construire" les probabilités mais
simplement à identifier le modèle et à utiliser les
résultats connus sur le modèle.
Des fluctuations ou de la variabilité sont présentes
dans presque toute valeur qui peut être mesurée
lors de l’observation d’un phénomène, quelle que
soit sa nature ; de plus, presque toutes les mesures
ont une part d’erreur intrinsèque. Les lois de
probabilités permettent de modéliser ces
incertitudes et de décrire des phénomènes
physiques, biologiques, économiques, etc.
2
Lorsque le nombre d’épreuves augmente
indéfiniment, les fréquences observées pour le
phénomène étudié tendent vers les probabilités et
les distributions observées vers les distributions de
probabilité ou loi de probabilité.
Identifier la loi de probabilité suivie par une
variable aléatoire donnée est essentiel car cela
conditionne le choix des méthodes employées pour
répondre à une question.

Une variable aléatoire est une fonction qui, à

chaque résultat d'une expérience aléatoire (c’est-à-
dire à chaque élément de l’ensemble des
éventualités souvent noté ) associe un nombre
réel comme image.

3
 Soit la variable aléatoire continue X
dont la fonction de densité est donnée par :
−𝒙
𝒌𝒆 𝐬𝐢 𝒙 ≥ 𝟎
𝒇(𝒙) = {
𝟎 𝐚𝐢𝐥𝐥𝐞𝐮𝐫𝐬
1. Déterminer la valeur de k ;
2. Calculer la fonction de répartition F(x) ;
3. Calculer les probabilités des événements
suivants : «X prend une valeur supérieure à 2» et
«X est comprise entre 0.5 et 10.5».

5. Un appareil électronique est soumis à des

impulsions séparées par des intervalles de temps
variables indépendants les uns des autres. On
considère que la durée Y (exprimée en secondes)
séparant deux impulsions successives est une
variable aléatoire définie par : Y = 2 + 5X, où X
étant la variable aléatoire définie précédemment.
a. Calculer la probabilité pour que la durée
séparant deux impulsions soit comprise entre
deux et cinq secondes
b. Calculer la durée moyenne séparant deux
impulsions.
4
 Plus généralement, on
utilisera une variable de Bernoulli lorsqu’on
effectue une épreuve qui n’a que deux issues : le
succès ou l’échec. Une telle expérience est alors
appelée épreuve de Bernoulli. On affecte alors 1 à la
variable en cas de succès et 0 en cas d’échec.

Soit p] 0,1[ et une variable aléatoire X

prenant ses valeurs dans l'ensemble  = {0,1}. X est
dite variable de Bernoulli de paramètre p, ou
encore, a une distribution de Bernoulli de
paramètre p si et seulement si : 𝑷(𝑿 = 𝟏) = 𝒑
et 𝑷(𝑿 = 𝟎) = 𝟏 − 𝒑.

𝑬(𝑿) = 𝒑 et 𝑽(𝑿) = 𝒑(𝟏 − 𝒑)

5
 On obtient une loi binomiale
quand :
• On répète n fois la même expérience aléatoire, les
n répétitions étant indépendantes entre elles ;
• On s’intéresse seulement à la réalisation, ou non,
d’un événement fixé A de probabilité p, et on
pose q=1-p ;
• On considère la variable aléatoire X égale au
nombre de fois où l’événement A a été réalisé au
cours des n épreuves (répétition par exemple de
l’expérience de Bernoulli n fois, X est la somme
des résultats de ces expériences).

On dit que X suit une loi binomiale de

paramètres n et p, ce que l'on note 𝑿 ∼ 𝑩(𝒏, 𝒑) si :
• 𝑿(𝛀) = ∆ = {𝟎, 𝟏, ⋯ , 𝒏} ;
• Pour 𝒌 ∈ {𝟎, 𝟏, ⋯ , 𝒏},

𝑬(𝑿) = 𝒏𝒑 et 𝑽(𝑿) = 𝒏𝒑(𝟏 − 𝒑)

6
 Beaucoup de situations sont
liées à l’étude de la réalisation d’un événement dans
un intervalle de temps donné (arrivée de clients qui
se présentent à un guichet d’une banque en une
heure, apparitions de pannes d’un réseau
informatique en une année, arrivée de malades aux
urgences d’un hôpital en une nuit, etc.). Les
phénomènes ainsi étudiés sont des phénomènes
d’attente. Pour décrire les réalisations dans le temps
d’un événement donné, on peut :
• soit chercher le nombre de réalisations de
l’événement dans un intervalle de temps donné
qui est distribué suivant une loi de Poisson.
• soit chercher le temps entre deux réalisations
successives de l’événement qui est distribué
suivant une loi exponentielle.
7
On va voir que la loi de Poisson peut être interprétée
comme un cas limite d’une loi binomiale et la
seconde comme un cas limite d’une loi géométrique.
La loi de Poisson est une loi de probabilité qui
s’applique aussi aux évènements rares : contrôles de
qualité (y compris révision comptable, puisqu'on
suppose que les erreurs sont rares), probabilités de
défaut de crédit, accidents, etc.

On dit d’une variable aléatoire discrète

infinie suit une loi de poisson si :

E(X) =  et V(X) = 

8
 Lorsqu’on approche une loi par
une autre, on choisit le ou les paramètres de la loi
approchante de manière que l’espérance (et la
variance) de la loi approchante soit égale à
l’espérance (et la variance) de la loi approchée.

Une variable aléatoire est dite uniforme sur

l’intervalle [𝒂, 𝒃], ou encore, a une distribution
uniforme entre a et b si :

9
 𝟎 𝐬𝐢 𝒙 ≤ 𝒂
𝒙−𝒂
𝑭(𝒙) = { 𝐬𝐢 𝒂 ≤ 𝒙 ≤ 𝒃
𝒃−𝒂
𝟏 𝐬𝐢 𝒙 ≥ 𝒃
La fonction de densité f est donnée par :
𝟏
𝒇(𝒙) = {𝒃 − 𝒂 𝐬𝐢 𝒂 < 𝒙 < 𝒃
𝟎 𝐬𝐢 𝐧𝐨𝐧

𝒃+𝒂 (𝒃−𝒂)𝟐
𝑬(𝒙) = et 𝑽(𝒙) =
𝟐 𝟏𝟐

10
 Une loi exponentielle
modélise la durée de vie d'un phénomène sans
mémoire, ou sans vieillissement, ou sans usure : la
probabilité que le phénomène dure au moins s + t
heures sachant qu'il a déjà duré t heures sera la
même que la probabilité de durer s heures à partir
de sa mise en fonction initiale. En d'autres termes,
le fait que le phénomène ait duré pendant t heures
ne change rien à son espérance de vie à partir du
temps t.

Une variable aléatoire X est dite

variable aléatoire exponentielle de paramètre   ,
ou encore a une distribution exponentielle de
paramètre    si sa fonction de répartition F
satisfait :
𝟏 − 𝐞𝐱𝐩(−𝜶𝒙) 𝐬𝐢 𝒙 > 𝟎
( )
𝑭 𝒙 ={
𝟎 𝐬𝐢 𝒙 ≤ 𝟎
Sa fonction de densité (qui est la dérivée de F) est
donnée par :
𝜶 𝐞𝐱𝐩(−𝜶𝒙) 𝐬𝐢 𝒙 > 𝟎
( )
𝒇 𝒙 ={
𝟎 𝐬𝐢 𝒙 ≤ 𝟎
𝟏 𝟏
𝑬(𝑿) = et 𝑽(𝑿) =
𝜶 𝜶𝟐
11
 La loi normale est le modèle
probabiliste le plus utilisé pour décrire de très
nombreux phénomènes observés dans la pratique.
Signalons quelques phénomènes qui obéissent à la
loi Normale :
• quasiment tout ce qui est humain (taille, poids,
pousse des cheveux, des ongles, paramètres
biologiques, durée du sommeil, etc.) ;

12
• au-delà, quasiment tout le vivant (taille et poids
des graines, vitesse de pousse, rendement à
l'hectare, poids des animaux, etc.) ;
• et encore toute la production industrielle de
masse (la résistance à l'usure, la pression, etc.) ;
• La loi Normale est aussi utilisée comme
approximation de la loi Binomiale lorsque la loi
de Poisson ne convient plus, ou moins bien ;
• Etc.

Une variable aléatoire continue X suit

une loi normale et on note ( ), si
l’expression de sa fonction de densité de
probabilités est de la forme :

On note T la variable aléatoire centrée réduite

c’est-à-dire .

𝑬(𝑿) = 𝝁 et 𝑽(𝑿) = 𝝈𝟐

13
•
• Pour n suffisamment grand, on peut remplacer les
probabilités associées à la loi binomiale par
celles de la loi normale .
En pratique, on approche les probabilités de la loi
binomiale par celles de la loi normale lorsque :
𝒏 ≥ 𝟓𝟎, 𝒏𝒑 ≥ 𝟓 𝐞𝐭 𝒏𝒒 ≥ 𝟓
La loi est tabulée à l’aide la fonction de
répartition des valeurs positives (voir la table de la
loi normale centrée réduite, fin de ce chapitre). Elle
donne les valeurs de :

Cette table ne dépend d’aucun paramètre, mais

permet cependant de déterminer les probabilités de
n’importe quelle distribution normale.

14
Voici, lorsqu’elle s’applique, une méthode de travail
qui peut guider votre démarche.
1. Suite à l’énoncé du problème, identifier
correctement à l’aide de mots la variable
aléatoire que vous allez considérer ;
2. Préciser les valeurs possibles que peut prendre
cette variable ;
3. Identifier correctement la loi de probabilité
qu’elle suit en essayant de reconnaître dans le
problème une situation type ;
4. Déterminer les paramètres de la loi ;
5. Utiliser les formules théoriques ou les tables pour
déterminer les probabilités demandées. Face à de
longs calculs et en l’absence de tables
correspondant à vos paramètres ou votre
paramètre, penser à approcher votre loi par une
autre.

3.

15
4.
5.

16
𝚪 est la fonction définie pour 𝒙 > 𝟎 par :
+∞
𝚪 (𝒙 ) = ∫ 𝒕𝒙−𝟏 𝒆−𝒕 𝒅𝒕
𝟎
𝝂
𝑬(𝑻𝝂 ) = 0 et 𝝈(𝑻𝝂 ) = si 𝝂 > 𝟐
𝝂−𝟐

17
 𝑬(𝑿𝝂 ) = 𝝂 et 𝝈(𝑿𝝂 ) = √𝟐𝝂

18
19
 𝝂𝟐
𝑬(𝑭𝝂𝟏 ,𝝂𝟐 ) = si 𝝂𝟐 > 𝟐
𝝂𝟐 −𝟐
𝝂𝟐 𝟐(𝝂𝟏 +𝝂𝟐 )−𝟐
𝝈(𝑭𝝂𝟏 ,𝝂𝟐 ) = si 𝝂𝟐 > 𝟒
𝝂𝟐 −𝟐 𝝂𝟏 (𝝂𝟐 −𝟒)

20
21
22
23
 Table de la loi de Student
(Valeurs de ts telles que Pr(|s|> ts) = )

24
25
26