Chapitre 4 Introduction A L'etude Des Lois de Probabilite Des Variables Aleatoires Reelles Continues A Une Dimension

Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires
Chapitre 4 : Introduction à l’étude des lois de probabilité des variables aléatoires réelles continues à une dimension
Les lois de pobabilité continues, sont pour l’essentiel et conformément au programme du cours de théorie des
probabilités 2 de 2ème année des classes préparatoires :
 La loi UNIFORME appelée aussi loi du rectangle
 La loi NORMALE appelée aussi loi de LAPLACE-GAUSS

 La loi EXPONENTIELLE
 La loi GAMMA
 La loi du KHI-DEUX appelée aussi loi de KARL-PEARSON
Par définition, les lois continues sont des lois infinies. Leur support est un ensemble infini non dénombrable.
Remarque : les graphiques dans ce chapitre ont été tracés à l’aide du logiciel de graphisme et de calcul
mathématique : LE MATLAB.
1. ETUDE THEORIQUE DE LA LOI UNIFORME
1.1 LE CAS D’UN SUPPORT PARTICULIER
1.1.1 Définition de la loi de probabilité
a. Le support
Y ()   0,1 
Le support est en ensemble infini non dénombrable.
b. La fonction de densité
1 0  y 1
g ( y)  
0 sinon
Symbole de la loi
Y ~ U (0,1)
1.1.2 Les caractéristiques numériques
a. L’espérance mathématique
1
E (Y )   y g ( y ) dy
0
1
  y dy
0

1
2
y2   1
0
1

2
b. La variance
Var (Y )  E (Y 2 )  E (Y )
2
1
E (Y 2 )  y
2
g ( y ) dy
0
1
 y
2
dy
0

1
3
y3   1
0
1

3
2
1 1 1 1
Var (Y )      Y 
3 2 12 2 3
|P a g e 1
c. Le mode
La distribution uniforme ne possède pas de mode.
1.2 GENERALISATION A UN SUPPORT QUELCONQUE
1.2.1 Définition de la loi de probabilité
a. La fonction de densité
Soit la variable aléatoire réelle X fonction affine de la variable aléatoire réelle Y et de fonction de densité f
inconnue.
x   ( y)
 a  (b  a ) y
 y   1 ( x)
xa

ba
L’application  est donc une application bijective, on peut écrire :
g ( y)
f ( x) 
 ' ( y)
1

ba
 ' ( y)  b  a
 1
 a xb ( a  b) ( a, b)  IRxIR *
f ( x)   b  a

0 sinon
b. Le support
 xa
x  a 0  b  a  1
 0 
y  0  b  a 0  y  1  0  x  a  b  a

x  a a  x  b


x  a
b  a  1

y  1  x  a  b  a
x  b


D’où :
X ()   a , b 
Symbole de la loi
X ~ U ( a, b)
Notation
X : désigne le temps ou la durée d’attente entre un instant quelconque et l’instant de réalisation de l’évènement
considéré, celui-i se reproduisant de manière régulière à l’intérieur d’un intervalle de temps fixe.
|P a g e 2

b
E( X )   x f ( x) dx
a
b
1

ba  x dx
a

1
2 (b  a )
x2   b
a
b a 2 2

2 (b  a )
ab

2
ab
E( X ) 
2
b. La variance
Var ( X )  E ( X 2 )   E ( X ) 
2
b
E( X 2 )  x
2
f ( x) dx
a
b
1
 x
2
dx
ba a

1
3 (b  a )
x3   b
a
b3  a 3

3 (b  a )
(b  a ) ( a 2  ab  b 2 )

3 (b  a )
(a 2  ab  b 2 )

3
(a  b) 2  ab

3
(a  b) 2  ab
E( X 2 ) 
3
(a  b) 2  ab  a  b 
2
Var ( X )   
3  2 
4( a  b) 2  4ab 3 (a  b) 2
 
12 12
( a  b)  4ab
2

12
( a  b) 2

12
(b  a ) 2 ba ab
Var ( X )   X  
12 2 3 2 3
|P a g e 3
c. La médiane
x  Me vérifie l’équation suivante :
1
F ( Me) 
2
1
P ( X  Me) 
2
Me
1


f ( x) dx 
2
a  Me
1


f ( x) dx  a
fx ) dx 
2
Me
1 1
0
ba  dx  2
a
1
 x Me 
1
ba
a
2
Me  a 1 ab
  Me 
ba 2 2
ab
Me 
2
Remarque : dans la loi uniforme, nous avons :
ab
E ( X )  Me 
2
1.2.3 Définition du moment simple d’ordre r
m r  E( X r )
b
 x
r
f ( x) dx
a
b
1
 x
r
dx
ba a

1
( r  1) (b  a )
x r 1  
b
a
b r 1  a r 1

( r  1) (b  a )
b r 1  a r 1
mr 
(r  1) (b  a )

m 1  E ( X )

 b2  a2
Si r  1   
 2 (b  a )
 ab
 
 2
|P a g e 4

m 2  E ( X 2 )

 b3  a 3
Si r  2   
 3 (b  a )
 ( a  b) 2  ab
 
 3
1.2.4 Définition de la fonction de répartition
 x  a 

F1 ( x)  P X 1   , x   
 P ( X  x)
xa
  f (t ) dt

0
 x  b 
F2 ( x)  P ( X  x)  P X 1   , x    
xb
  f (t ) dt

x  a  xb
 

f (t ) dt   f (t ) dt
a
xb
 F1 a    
1
ba  dt
a
0
1
t  ax  x  a
ba ba
  x   

F3 ( x)  P X 1   , x   
 P ( X  x)
x  
  f (t ) dt

x b x  
 

f (t ) dt   f (t ) dt
b 
 F2 (b)  0
ba

ba
1
0 xa
x  a

F ( x)   a xb
b  a

1 xb
|P a g e 5
1.2.5 La fonction génératrice des probabilités

a. Définition
G ( )  E ( X )
b
   x f ( x) dx
a
b
1
b  a a
  x dx

1
Ln  (b  a )
x  b
a
 b  a

Ln  (b  a )
 1
b. La condition de normalisation
  1  G (1)  1
1.2.6 La fonction génératrice des moments
a. Définition
M ( )  E (e X )
b
  e x f ( x) dx
a
b
1
b  a a
 e x dx

1
 (b  a )
e x   b
a
e b  e a

 (b  a )
 1
  0  M (0)  1
Exemple 1
Dans une station de métro, un départ a lieu toutes les 15 mn et ceci à partir de 7 h du matin. Un passager arrive à la
station de métro entre 7 h et 7 h 30 mn. La variable aléatoire réelle X désigne le temps d’attente du passager avant
le prochain départ.
1. Déterminer la loi de probabilité de la variable aléatoire réelle X
2. Représenter graphiquement la loi de probabilité
3. En déduire la fonction de répartition
4. Représenter graphiquement la fonction de répartition
5. En déduire les caractéristiques numériques (la médiane, la moyenne et la variance)
|P a g e 6
6. Calculer les probabilités relatives aux évènements ci-après :

 Le temps d’attente est inférieur à 5 mn
 Le temps d’attente est supérieur à 12 mn

 Le temps d’attente est compris entre 5 et 12 mn
Solution
1. Détermination de la loi de probabilité
a. Le support
X ()   0,15 
On peut remarquer que la variable aléatoire désigne le temps d’attente entre 2 instants :
 L’instant d’arriver du passager à la station de métro
 Et l’instant du prochain départ, celui-ci se reproduisant de manière régulière toutes les 15 mn.
Cela suffit pour conclure que la variable aléatoire réelle X suit une loi uniforme de paramètres a  0 et b  15
X ~ U 0,15
1
 0  x  15
f ( x )  15

0 sinon
2. Représentation graphique de la loi de probabilité
0.07
0.06
15
0.05
0.04
 f ( x) dx
P()  0
15
1
0.03
0.02
 f ( x) dx
0
0.01
-5 0 5 10 15 20
0.07
0.06
P (0  X  10) 
0.05 10
0.04  f ( x) dx 10
0.03
0
15
  f ( x) dx
 f ( x) dx 0
0.02 0
0.01
-5 0 5 10 15 20
|P a g e 7
3. Déduction de la fonction de répartition
0 x  0
x

F ( x)   0  x  15
15

1 x  15
4. Représentation graphique de la fonction de répartition
1
0.9 x
F ( x) 
0.8 15
0.7
0.6
0.5
0.4
0.3
0.2
0.1
-5 0 5 10 15 20
5. Déduction des caractéristiques numériques

a. La médiane
ab
Me 
2
15

2
 7.5 (7 mn 30 s )
b. La moyenne
ab
E( X ) 
2
15

2
 7.5 (7 mn 30 s )
c. La variance
(b  a ) 2
Var ( X ) 
12
225

12
 18.75   X  18.75  4.33
6. Calcul des probabilités
a. Le temps d’attente est inférieur à 5 mn
P ( X  5)  F (5)
5 1
 
15 3
b. Le temps d’attente est supérieur à 12 mn
P( X  12)  1  P( X  12)
 1  P( X  12)
 1  F (12)
12 1
1 
15 5
|P a g e 8
c. Le temps d’attente est compris entre 5 et 12 mn

P(5  X  12)  P( X  12)  P( X  5)
 P( X  12)  P( X  5)
 F (12)  F (5)
12 5 7
  
15 15 15
|P a g e 9
2. ETUDE THEORIQUE DE LA LOI NORMALE

2.1 DEFINITION DE LA LOI DE PROBABILITE
a. Le support
X ()  IR
f : IR  IR 
x  IR  f ( x)  IR 
2
1  xm 
  
1 2   X 
f ( x)  e
X 2
Symbole de la loi
X ~ LG(m,  X2 )
Ou
X ~ N(m,  X2 )
Si un phénomène quelconque peut être considéré comme étant le résultat d’un grand nombre de facteurs
aléatoires tels que :
 Ces facteurs suivent des lois de probabilité quelconques
 Ces facteurs sont mutuellement indépendants en probabilité
 Aucun facteur pris individuellement, ne peut déterminer à lui seul de manière décisive le résultat final de
l’expérience aléatoire
Alors on peut considérer que le phénomène en question suit une loi normale.
2.1.1 Etude de la fonction de densité
a. La continuité
f est continue sur IR

b. Les limites
lim f ( x)  0 lim f ( x)  0
x   x  
c. La dérivée première
df ( x ) 1   x  m   1  x  m 2 
 
      
 
 exp 
 2 X  
    X 
2  
2
dx X  
  xm     
2
   3  exp  1  x  m  

   X 2
 
  2 X  

 
d f ( x)
0 xm
dx
1
x  m  f ( m) 
 X 2
| P a g e 10
Le tableau de variation de la dérivée première

x  m 
d f ( x)
+ 0 ___
dx
f (x) 1
X 2
0 0
 f (x) est croissante dans le domaine  , m 

 f (x) est décroissante dans le domaine  m, 
d. La dérivée seconde
df ( x) d 2 f ( x)
 uv   u ' v  uv '
dx dx2

u   x  m   u '   1 

   X 2 
3    X 2 
3
  

  1  x  m 2 
v  exp    
  2   X  

  xm  1  x  m 2 
 v '     exp    
   X2  

2   X  


d 2 f ( x) 1  1  x  m  2  ( x  m) 2  1  x  m  2
  exp   
 
   exp    
dx 2  X3 2  2   X    X 2  2   X  
5
d 2 f ( x )  ( x  m) 2 1      
2
  2 
1  exp  1  x  m  
   2  2   X  

2 4
dx  X X  X  
 ( x  m) 2   X2       
2
  
1  exp  1  x  m  
2   
  X4  X  2   X  
d 2 f ( x)
 0  ( x  m) 2   X2  0
dx 2
x 1  m   X

( x  m)   X  0  
2 2

x  m  
 2 X
 x 1 : 1er point d’inflextion de la courbe
 x2 : 2ème point d’inflextion de la courbe
| P a g e 11
Le tableau de variation de la dérivée seconde
x  x1  m   X x2  m  X 
d 2 f ( x)
+ 0 ___ 0 +
dx 2
0 1 1 0
f (x) X 2e
X 2e
 f (x) est convexe dans le domaine  , m   X    m   X ,  ; concavité orientée vers le bas
 f (x) est concave dans le domaine  m   X , m   X 
 0 si x   m   X , m   X 
2

d f ( x)
dx 2
 0 si x   , m   X    m   X , 

d 2 f ( x)
dx 2
1  1  m    m 2 
Si x  m   X  f (m   X )  exp   X
 
X 2  2  X  
1
1 
 e 2
 X 2
1

 X 2 e
1  1  m    m 2 
Si x  m   X  f (m   X )  exp   X
 
X 2  2  X  
1
1 
 e 2
 X 2
1

 X 2 e
D’où :
1
f (m   X )  f (m   X ) 
X 2 e
Conclusion : La fonction f est symétrique par rapport à la droite d’équation : xm
e. Représentation graphique de la fonction de densité
Au vu des résultats obtenus, on peut considérer que la courbe de densité a une forme en cloche.
Density
1
0.4 X 2
0.35
0.3
0.25
0.2
1
X 2e 1
0.15
X 2e
0.1
0.05
x1  m   X m x2  m   X x
| P a g e 12

On démontre que :

E( X )   x f ( x) dx

2
 1  x m 
  
1 2   X 

 X 2  xe

dx
m
E( X )  m
b. La variance
On démontre que :
Var ( X )  E ( X 2 )   E ( X ) 
2

E( X 2 )  x
2
f ( x) dx

2
 1  xm 
  
1 2   X 
 x
2
e dx
 X 2 
  X2  m 2
Var ( X )  E ( X 2 )   E ( X ) 
2
 ( X2  m 2 )  m 2
  X2
c. Le mode
Le mode x vérifie les conditions d’optimalité suivantes :
 df ( x)
 dx  0  x  m

x  Mo   
 d 2 f ( x)
 0
 dx 2
Mo  m
d. La médiane
x  Me vérifie l’équation suivante :
1
F ( Me) 
2
1
P ( X  Me) 
2
Me
1
 f ( x) dx  2  Me  m

Me  m
| P a g e 13
En raison du fait que la fonction f est symétrique par rapport à la droite d’équation : x  m ; la droite d’équation
x  m partage donc la surface totale en 2 surfaces égales.
2
1  x m 
m   
1 2   X 
P ( X  m) 
X 2 e

dx
1

2
De même :
2
  1  x m 
1 2   X 
P ( X  m) 
 X 2 e
m
dx
1

2
Finalement nous avons :
E ( X )  Mo  Me  m
Cette égalité exprime la propriété de symétrie que possède la loi normale.

2.1.3 La fonction génératrice des probabilités
a. Définition
G ( )  E ( X
)

 
x
f ( x) dx

1
m Ln    X2 Ln 2
e 2
 1
  1  G (1)  1
2.1.4 La fonction génératrice des moments

a. Définition
M ( )  E (e X )

e
 x
 f ( x) dx

1
m    X2  2
e 2
 1
  0  M (0)  1
| P a g e 14
3. ETUDE THEORIQUE DE LA LOI NORMALE CENTREE-REDUITE

3.1 Définition de la variable normée (ou variable centrée-réduite)
Soit T la variable normée définie comme suit :
T   (X )
X  E( X )

X
X m

X
La variable normée T est une variable aléatoire fonction de la variable aléatoire X ; on peut remarque que La
variable normée T est une fonction affine.
3.2 Définition de la loi de probabilité de la variable normée
a. Le support
T ()   ( X )  ()
 IR
Soit g la fonction de densité de la variable normée et qui est déterminée comme suit :
t   ( x)  x   1 (t )
L’application  est une application bijective, d’où :
f ( x)
g (t ) 
 ' ( x)
2
1  x m 
  
2   X 
e
 X 2

 ' ( x)
xm 1
 ( x)    ' ( x) 
X X
D’où :
f ( x)
g (t ) 
 ' ( x)
2
1  x m 
  
2 X 

e
X 2

1
X
2
1  x m 
  
2  X  
e

2
2
1  x m 
  
1 2  X 
 e 
2
1
1  t2
 e 2
2
1
1  t2
g (t )  e 2
2
| P a g e 15
Symbole de la loi
T ~ LG (0,1) ou N (0,1)
3.3 Etude de la fonction de densité de la variable normée
a. La continuité
g est continue sur IR

b. Les limites
lim g (t )  0 lim g (t )  0
t   t  
d g (t ) t  1 
 exp  t 2 
dt 2  2 
d g (t )
0t 0
dt
1
t  0  g (0) 
2
Le tableau de variation de la dérivée première
t  0 
d g (t )
+ 0 ______
dt
1
2
g (t )
0 0
 g (t ) est croissante dans le domaine  ,0 

 g (t ) est décroissante dans le domaine  0, 
 t  2t2
1
dg (t ) d 2 g (t )
 e  uv   u ' v  uv '
dt 2 dt 2
 t 1
u   u' 
 2 2
 1 2
v  exp   1 t 2   v'  te  2 t

  2 
2
d g (t ) 1  1  t2  1 
 exp   t 2   exp   t 2 
2  2  2  2 
2
dt
 t 2  1  1 
   exp   t 2 
 2   2 
d 2 g (t )  t 2  1   1 2

 
 exp  2 t 
dt 2  2   
| P a g e 16
d 2 g (t )
 0  (t 2  1)  0
dt 2
t 1  1

(t  1)  0   
2
t  1
 2
 t 1 : 1er point d’inflextion de la courbe
 t 2 : 2ème point d’inflextion de la courbe

Le tableau de variation de la dérivée seconde
t  t 1  1 t 2  1 
d 2 g (t ) + 0 _____ 0 +
dt 2
0 1 1 0
g (t )
2e 2e
 g (t ) est convexe dans le domaine  ,1   1,  ; concavité orientée vers le bas
 g (t ) est concave dans le domaine   1,1 
 0 si t    1,1 

d 2 g (t )
dt 2
 0 si t    ,1   1, 

d 2 g (t )
dt 2
On peut remarquer que : g (1)  g (1)  1

2e
De manière générale, nous avons :
1
1  t2
g (t )  g ( t )  e 2
2
a. Représentation graphique de la fonction de densité
Au vu des résultats obtenus, on peut considérer que la courbe de densité a une forme en cloche.
La fonction de densité g est donc une fonction paire et elle admet donc aussi un axe de symétrie d’équation : t  0
(l’axe des ordonnées).
1
0.4
2
0.35
1
1
2e 0.3
2e
0.25
0.2
0.15
0.1
0.05
-4 -3 -2 -1 0 1 2 3 4
t
t1 t2
| P a g e 17
3.4 Les caractéristiques numériques de la variable normée

 X m
E (T )  E  
 X 
1 m
 E( X ) 
X X
m m
 
X X
0
b. La variance
 X m
Var (T )  Var  
 X 
1
 2 Var ( X )  0
X
 X2

 X2
1 X 1
c. Le mode
Nous savons que le mode est défini comme étant la valeur possible t de la variable normée T qui satisfait aux
conditions d’optimalité suivantes :
 d g (t )
 dt  0


t  Mo   
 d 2 g (t )
 0

 dt 2
Nous avons dans l’étude de la dérivée première, que :
d g (t )
0t 0
dt
Par ailleurs, dans l’étude de la dérivée seconde, dans le tableau de variation, nous avons :
0    1,1 
Et dans cet intervalle, la dérivée seconde est de signe négatif. Donc :
Mo  0
d. La médiane
Nous avions vu que la fonction de densité g était une fonction paire et qu’elle admettait un axe de symétrie
d’équation :
t 0
La valeur nulle divise donc la surface totale comprise entre la courbe de densité et l’axe des abcisses t, d’où la
médiane :
Me  0
| P a g e 18
Ce qui peut s’écrire aussi comme suit :

1
F ( Me) 
2
1
P (T  Me) 
2
0 
1 1
 g (t ) dt  2

ou bien  g (t ) dt  2  Me  0
0
3.5 La fonction génératrice des probabilités

a. Définition
G ( )  E ( T )

 
t
g (t ) dt

1
Ln 2
e2
 1
  1  G (1)  1
3.6 La fonction génératrice des moments

a. Définition
M ( )  E (e T )

e
t
 g (t ) dt

1
2
e2
 1
  0  M (0)  1
3.7 La fonction de répartition

GT (t )  P (T  t )
t
  g (t ) dt

x m
t
X 1
1  t 2

2 
 e 2
dt
| P a g e 19
Quelques propriétés
 Propriété 1
P(ti  T  t j )  GT (t j )  GT (ti ) (ti  t j ) (i  j )
 Propriété 2
GT (0)  P (T  0)
t 0
  g (t ) dt

t 0 1
1  t 2

2 e

2
dt
1

2
1
GT (0) 
2
 Propriété 3
GT (t )  P(T  t )
 P(T  t ) ( par symétrie)
 1  P(T  t )
 1  GT (t )
GT ( t )  1  GT (t )
Exemple 2
Soit la variable aléatoire réelle X tel que X suit une loi normale de moyenne 12 et de variance 9. Calculer les
probabilités ci-après à l’aide de la fonction de répartition :
P ( X  16) ; P ( X  8) ; P (8  X  16) ; P (16  X  8)
Solution
 Calcul de P ( X  16)
X m
Pour rappel : soit la variable aléatoire réelle normée T tel que T 
X
X m
T   X  T X  m
X
P ( X  16)  P (T X  m  16)
 16  m 
 P  T  
  x 
 16  12 
 P T  
 3 
 4
 P T  
 3
 P T  1.33
 GT (1.33)
t 1.33
  g (t ) dt

t 1.33 1
1  t2

2 

e 2
dt
Remarque : pour le calcul de cette intégrale, on se sert d’une table statistique disponible dans les livres de théorie
des probabilités, ou bien on utilise le tableur EXCEL.
| P a g e 20
Il faut au préalable remarquer que notre valeur de t comprend 3 positions : X.XX

 1ère position (X) : la position de l’unité se lit dans la 1ère colonne de la table
 2ème position (.X): la position de la décimale se lit dans la 1ère colonne de la table
La 1ère et la 2ème positions se lisent dans la 1ère colonne (X.X)
 3ème position (.0X): la position du centième, se lit dans la 1ère ligne de la table
 GT (X.XX) se lit à l’intersection de la valeur X.X (1ère et 2ème positions ) et de la valeur .0X (3ème
position) sachant qu’on peut écrire : X.XX = X.X + 0.0X
Soit t=1.33 et 1.33 = 1.3 + 0.03

 1ère et 2ème positions : la valeur 1.3 se lit dans la 1ère colonne de la table
 3ème position: la valeur 0.03 se lit dans la 1ère ligne de la table
 GT (1.33) se lit à l’intersection de la valeur 1.3 et de la valeur 0.03

L’intersection nous donne : 0.9082
D’où :
P ( X  16)  0.9082
Density Probability Less than Upper Bound is 0.90824
0.4
1 t 1.33  2 t 2
1
0.35 GT (1.33)   e dt
2  
0.3  0.9082
0.25
0.2
0.15
0.1
0.05
-4 -3 -2 -1 0 1 2 3 4
Critical Value
t  1.33
A la fin de cet exemple, on trouvera un extrait de cette table statistique que j’ai confectionné à l’aide du tableur
EXCEL.
 Calcul de P( X  8)
 8  12 
P ( X  8)  P  T  
 3 
 4
 P T   
 3
 4
1 P T   3 

 
 1  P T  1.33
 1  GT ( 1.33)
 1   1  GT (1.33) 
 GT (1.33)
 0.9082
| P a g e 21
Probability Greater than Lower Bound is 0.90824

Density
0.4 1
t 1.33 1
 t2
0.35
1  GT (1.33) 
2 
 e 2
dt
 0.9082
0.3
0.25
0.2
0.15
0.1
0.05
-4 -3 -2 -1 0 1 2 3 4
Critical Value
t  1.33
 Calcul de P(8  X  16)
 8  12 16  12 
P (8  X  16)  P  T  
 3 3 
 4 4
 P  T  
 3 3
 GT (1.33)  GT ( 1.33)
 GT (1.33)  1  GT (1.33) 
 2 GT (1.33)  1
 2 (0.9082)  1
 0.8164
Density Probability between Limits is 0.81648

0.4
0.35
t 1.33 1
2  t2
0.3 2 GT (1.33)  1 
2 
 e 2
dt  1
0.25  0.8164
0.2
0.15
0.1
0.05
-4 -3 -2 -1 0 1 2 3 4 t
Critical Value
t1  1.33 t 2  1.33
 Calcul de P(16  X  8)
P (16  X  8)  1  P (16  X  8)
 1  P (8  X  16)
 1  0.8164
 0.1836
Density Probability outside Limits is 0.18352

0.4
0.3 GT (1.33  GT (1.33)  0.8164

0.0918
0.2
0.0918
0.1
-4 -3 -2 -1 0 1 2 3 4
Critical Value
t
t1  1.33 t 2  1.33
| P a g e 22
Soit ci-après, un extrait de cette table statistique que j’ai confectionné à l’aide du tableur EXCEL :
Extrait de la table statistique de la fonction de répartition de la loi normale centrée-réduite
t 1
1  t2
GT (t ) 
2 e

2
dt
Density
Critical Value 0 t
t 0.00 0.01 0.02 0.03 0.04

0.0 0,5000 0,5040 0,5080 0,5120 0,5160
0.1 0,5398 0,5438 0,5478 0,5517 0,5557
0.2 0,5793 0,5832 0,5871 0,5910 0,5948
0.3 0,6179 0,6217 0,6255 0,6293 0,6331
0.4 0,6554 0,6591 0,6628 0,6664 0,6700
0.5 0,6915 0,6950 0,6985 0,7019 0,7054
0.6 0,7257 0,7291 0,7324 0,7357 0,7389
0.7 0,7580 0,7611 0,7642 0,7673 0,7704
0.8 0,7881 0,7910 0,7939 0,7967 0,7995
0.9 0,8159 0,8186 0,8212 0,8238 0,8264
1.0 0,8413 0,8438 0,8461 0,8485 0,8508
1.1 0,8643 0,8665 0,8686 0,8708 0,8729
1.2 0,8849 0,8869 0,8888 0,8907 0,8925
1.3 0,9032 0,9049 0,9066 0,9082 0,9099
1.4 0,9192 0,9207 0,9222 0,9236 0,9251
1.5 0,9332 0,9345 0,9357 0,9370 0,9382
1.6 0,9452 0,9463 0,9474 0,9484 0,9495
1.7 0,9554 0,9564 0,9573 0,9582 0,9591
1.8 0,9641 0,9649 0,9656 0,9664 0,9671
1.9 0,9713 0,9719 0,9726 0,9732 0,9738
2.0 0,9772 0,9778 0,9783 0,9788 0,9793
2.1 0,9821 0,9826 0,9830 0,9834 0,9838
2.2 0,9861 0,9864 0,9868 0,9871 0,9875
2.3 0,9893 0,9896 0,9898 0,9901 0,9904
2.4 0,9918 0,9920 0,9922 0,9925 0,9927
2.5 0,9938 0,9940 0,9941 0,9943 0,9945
2.6 0,9953 0,9955 0,9956 0,9957 0,9959
2.7 0,9965 0,9966 0,9967 0,9968 0,9969
2.8 0,9974 0,9975 0,9976 0,9977 0,9977
2.9 0,9981 0,9982 0,9982 0,9983 0,9984
| P a g e 23
Suite
t 0.05 0.06 0.07 0.08 0.09
0.0 0,5199 0,5239 0,5279 0,5319 0,5359

0.1 0,5596 0,5636 0,5675 0,5714 0,5753
0.2 0,5987 0,6026 0,6064 0,6103 0,6141
0.3 0,6368 0,6406 0,6443 0,6480 0,6517

0.4 0,6736 0,6772 0,6808 0,6844 0,6879
0.5 0,7088 0,7123 0,7157 0,7190 0,7224
0.6 0,7422 0,7454 0,7486 0,7517 0,7549
0.7 0,7734 0,7764 0,7794 0,7823 0,7852
0.8 0,8023 0,8051 0,8078 0,8106 0,8133

0.9 0,8289 0,8315 0,8340 0,8365 0,8389
1.0 0,8531 0,8554 0,8577 0,8599 0,8621
1.1 0,8749 0,8770 0,8790 0,8810 0,8830
1.2 0,8944 0,8962 0,8980 0,8997 0,9015
1.3 0,9115 0,9131 0,9147 0,9162 0,9177
1.4 0,9265 0,9279 0,9292 0,9306 0,9319
1.5 0,9394 0,9406 0,9418 0,9429 0,9441
1.6 0,9505 0,9515 0,9525 0,9535 0,9545
1.7 0,9599 0,9608 0,9616 0,9625 0,9633
1.8 0,9678 0,9686 0,9693 0,9699 0,9706
1.9 0,9744 0,9750 0,9756 0,9761 0,9767
2.0 0,9798 0,9803 0,9808 0,9812 0,9817
2.1 0,9842 0,9846 0,9850 0,9854 0,9857
2.2 0,9878 0,9881 0,9884 0,9887 0,9890
2.3 0,9906 0,9909 0,9911 0,9913 0,9916
2.4 0,9929 0,9931 0,9932 0,9934 0,9936
2.5 0,9946 0,9948 0,9949 0,9951 0,9952
2.6 0,9960 0,9961 0,9962 0,9963 0,9964
2.7 0,9970 0,9971 0,9972 0,9973 0,9974
2.8 0,9978 0,9979 0,9979 0,9980 0,9981
2.9 0,9984 0,9985 0,9985 0,9986 0,9986
Extrait de la table pour les grandes valeurs de t

t 3.00 3.10 3.20 3.30 3.40
G(t) 0,99865 0,99903 0,99931 0,99952 0,99966

t 3.50 3.60 3.80 4.00 4.50
G(t) 0,99977 0,99984 0,99993 0,99997 1
| P a g e 24
3.8 La fonction de densité impaire

Notation :
 h (t ) : fonction de densité impaire

a. Définition
xm
t
X
h (t )   g (t ) dt
0
x m
t
X 1
1  t2

2

0
e 2
dt
b. Représentation graphique
Density
0.4
0.35 t
xm
X 1 2
1  e t
0.3 h (t ) 
2
 e 2
dt
0.25 0
0.2
0.15
0.1
0.05
-4 -3 -2 -1 0 1 2 3 4
Critical Value t
c. Propriétés
 Propriété 1
h (0)  0
 Propriété 2
t   1 2
1  e t
h () 
2
 e 2
dt
0
1

2
Density
0.4
0.35 1 t  

1
e t
2
0.3
h () 
2
 e 2
dt
0
0.25 1

2
0.2
0.15
0.1
0.05
-4 -3 -2 -1 0 1 2 3 4 t
Critical Value
| P a g e 25
 Propriété 3
 1 2
1  t
h (  ) 
2
e
0
2
dt
0 1 2
1  t

2
e

2
dt
 1 2
1  t

2 0
e 2
dt
  h (  )
Density
0.4
 1 2
1 
0.35 t
0.3
h ( ) 
2
e
0
2
dt
0.25
0.2
0.15
0.1
0.05
t
-4 -3 -2 -1 0 1 2 3 4
Critical Value

h (t )  h(t )
Cette propriété montre que la fonction h est une fonction impaire.

 Propriété 4
h (t )  GT (t )  GT (0)
1 1
 GT (t )   GT (t )  h (t ) 
2 2
Density xm
0.4 t
X
0 1 1
1  t2 1  t2
0.35
0.3
GT (0) 
2 e 2
dt h (t ) 
2
 e 2
dt
 0
0.25  0.50
0.2
0.15
0.1
0.05
-4 -3 -2 -1 0 1 2 3
Critical Value
t
Propriété 5
P (ti  T  t j )  GT (t j )  GT (ti ) (ti  t j ) i j
 1  1
  h (t j )     h (ti )  
 2  2
 h (t j )  h (ti )
Density
0.4 P (ti  T  t j )  h (t j )  h (ti )
tj 1 t 1
1  t2 1 i  2t2

2 e
0
2
dt 
2 0
e dt
0.2
-4 -3 -2 -1 0 1 2 3 4 t
Critical Value ti tj
| P a g e 26
 Propriété 6
P (T  t )  P (t  T  )
 h ()  h (t )
1
  h (t )
2
Density
t 1 2
0.4 1  t
0.35
h (t ) 
2
e
0
2
dt
0.3
0.25  1
 t2
1
0.2 P (T  t ) 
2
e 2
dt
0.15 t
0.1
0.05
-4 -3 -2 -1 0 1 2 3 4
Critical Value t
 Propriété 7
P (T  t )  P (t  T  )
 h ()  h (t )
1
  h (t )
2
Density
0 1 2  1
0.4 1  t 1  t2
h (t ) 
2
e
t
2
dt h () 
2
e
0
2
dt  0.5
0.2
-4 -3 -2 -1 0 1 2 3 4
Critical Value
t
 Propriété 8
P (T  t )  P (  T  t )
 h (t )  h (  )
 h (t )  h ( )
1
  h (t )
2
t 1
1  t2
P (T  t ) 
2 e

2
dt
t 1 2
1  t
Density
h ( t ) 
2
e
0
2
dt
0.4
0.2
-4 -3 -2 -1 0 1 2 3 4
t Critical Value
| P a g e 27
 Propriété 9
P (t i  T  t j )  h (t j )  h (t i ) (t i  t j i  j)

 h (t j )  h (t i )
 h (t i )  h (t j )
Density
0.4
P(ti  T  t j )
0.2
-4 -3 -2 -1 0 1 2 3 4
Critical Value
 ti tj
 Propriété 10
P (ti  T  ti )  h (ti )  h (ti )

 h (ti )  h (ti )
 2h (ti )
ti 1
1  t2
h (t i )  e 2 ti 1 2
Density dt 1  t
0.4
2 0
h (t i ) 
2
e
0
2
dt
0.2
-4 -3 -2 -1 0 1 2 3 4
Critical Value
 ti ti
Exemple 3
Soit la variable aléatoire réelle X tel que X suit une loi normale de moyenne 12 et de variance 9. Calculer les
probabilités ci-après à l’aide de la fonction impaire :
P ( X  16) ; P ( X  8) ; P (8  X  16) ; P (16  X  8)
Solution
 Calcul de P ( X  16)
P ( X  16)  P (T X  m  16)
 16  m 
 P T   

 x 
 16  12 
 P T  
 3 
 4
 P T  
 3
 4
 P   T  
 3
 h 1.33  h   
 h 1.33  h  
t 1.33
1
  g (t ) dt  2
0
t 1.33 1 2
1  t 1

2 
0
e 2
dt 
2
| P a g e 28
Une lecture de la table statistique de la fonction impaire (voir extrait de cette table à la fin de cet exemple et que j’ai
confectionné à l’aide du tableur EXCEL), donne :
t 1.33 1
 t2
h 1.33 
1
2 
0
e 2
dt
 0.4082
D’où :
P ( X  16)  h 1.33  h  
1
 0.4082 
2
 0.9082
Density Probability Less than Upper Bound is 0.90824

0.4
 t 1.33 1
1 2
1  t2

1  t
e
2
2
dt e dt
2 0 2 0
0.2
-4 -3 -2 -1 0 1 2 3 4
Critical Value
t  1.33
 Calcul de P( X  8)
 8  12 
P ( X  8)  P  T  
 3 
 4
 P T   
 3
 P ( 1.33  T   )
 h (  )  h ( 1.33)
1
  h ( 1.33)
2
1
  0.4082
2
 0.9082
Density Probability Greater than Lower Bound is 0.90824

0.4 1.33

1 2
1 t
0.35  e 2
dt 1


1 2
t
2 0
2
e 2
dt
0.3 0
0.25
0.2
0.15
0.1
0.05
-4 -3 -1 0 1 2 3 4
-2
t  1.33 Critical Value
| P a g e 29
 Calcul de P(8  X  16)
 8  12 16  12 
P (8  X  16)  P  T  
 3 3 
 4 4
 P  T  
 3 3
 2 h (1.33)
 2 (0.4082)
 0.8164
Density Probability between Limits is 0.81648

1.33 1 2
0.4 1  t 1.33 1 2
 1  t

2
e dt e 2
dt
2 0 2
0.3 0
0.2
0.1
-4 -3 -2 -1 0 1 2 3 4
Critical Value
t  1.33 t  1.33
 Calcul de P(16  X  8)
P (16  X  8)  1  P (16  X  8)
 1  P (8  X  16)
 1  2 h (1.33)
 1  0.8164
 0.1836
Density Probability outside Limits is 0.18352

0.4  1 2 h (1.33)
1  t2 
e
1
2
dt 1  t2
0.3 2 1.33
2
e
1.33
2
dt
0.2
0.1
-4 -3 -2 -1 0 1 2 3 4
t  1.33 Critical Value

t  1.33
| P a g e 30
Extrait de la table statistique de la fonction impaire de la loi normale centrée-réduite

t 1
 t2

1
h (t )  e 2 dt
2 0
Density
0
Critical Value t
t 0.00 0.01 0.02 0.03 0.04

0.0 0,0000 0,0040 0,0080 0,0120 0,0160
0.1 0,0398 0,0438 0,0478 0,0517 0,0557
0.2 0,0793 0,0832 0,0871 0,0910 0,0948
0.3 0,1179 0,1217 0,1255 0,1293 0,1331
0.4 0,1554 0,1591 0,1628 0,1664 0,1700
0.5 0,1915 0,1950 0,1985 0,2019 0,2054
0.6 0,2257 0,2291 0,2324 0,2357 0,2389
0.7 0,2580 0,2611 0,2642 0,2673 0,2704
0.8 0,2881 0,2910 0,2939 0,2967 0,2995
0.9 0,3159 0,3186 0,3212 0,3238 0,3264
1.0 0,3413 0,3438 0,3461 0,3485 0,3508
1.1 0,3643 0,3665 0,3686 0,3708 0,3729
1.2 0,3849 0,3869 0,3888 0,3907 0,3925
1.3 0,4032 0,4049 0,4066 0,4082 0,4099
1.4 0,4192 0,4207 0,4222 0,4236 0,4251
1.5 0,4332 0,4345 0,4357 0,4370 0,4382
1.6 0,4452 0,4463 0,4474 0,4484 0,4495
1.7 0,4554 0,4564 0,4573 0,4582 0,4591
1.8 0,4641 0,4649 0,4656 0,4664 0,4671
1.9 0,4713 0,4719 0,4726 0,4732 0,4738
2.0 0,4772 0,4778 0,4783 0,4788 0,4793
2.1 0,4821 0,4826 0,4830 0,4834 0,4838
2.2 0,4861 0,4864 0,4868 0,4871 0,4875
2.3 0,4893 0,4896 0,4898 0,4901 0,4904
2.4 0,4918 0,4920 0,4922 0,4925 0,4927
2.5 0,4938 0,4940 0,4941 0,4943 0,4945
2.6 0,4953 0,4955 0,4956 0,4957 0,4959
2.7 0,4965 0,4966 0,4967 0,4968 0,4969
2.8 0,4974 0,4975 0,4976 0,4977 0,4977
2.9 0,4981 0,4982 0,4982 0,4983 0,4984
| P a g e 31
Suite
t 0.05 0.06 0.07 0.08 0.09
0.0 0,0199 0,0239 0,0279 0,0319 0,0359

0.1 0,0596 0,0636 0,0675 0,0714 0,0753
0.2 0,0987 0,1026 0,1064 0,1103 0,1141
0.3 0,1368 0,1406 0,1443 0,1480 0,1517

0.4 0,1736 0,1772 0,1808 0,1844 0,1879
0.5 0,2088 0,2123 0,2157 0,2190 0,2224
0.6 0,2422 0,2454 0,2486 0,2517 0,2549
0.7 0,2734 0,2764 0,2794 0,2823 0,2852
0.8 0,3023 0,3051 0,3078 0,3106 0,3133

0.9 0,3289 0,3315 0,3340 0,3365 0,3389
1.0 0,3531 0,3554 0,3577 0,3599 0,3621
1.1 0,3749 0,3770 0,3790 0,3810 0,3830
1.2 0,3944 0,3962 0,3980 0,3997 0,4015
1.3 0,4115 0,4131 0,4147 0,4162 0,4177
1.4 0,4265 0,4279 0,4292 0,4306 0,4319
1.5 0,4394 0,4406 0,4418 0,4429 0,4441
1.6 0,4505 0,4515 0,4525 0,4535 0,4545
1.7 0,4599 0,4608 0,4616 0,4625 0,4633
1.8 0,4678 0,4686 0,4693 0,4699 0,4706
1.9 0,4744 0,4750 0,4756 0,4761 0,4767
2.0 0,4798 0,4803 0,4808 0,4812 0,4817
2.1 0,4842 0,4846 0,4850 0,4854 0,4857
2.2 0,4878 0,4881 0,4884 0,4887 0,4890
2.3 0,4906 0,4909 0,4911 0,4913 0,4916
2.4 0,4929 0,4931 0,4932 0,4934 0,4936
2.5 0,4946 0,4948 0,4949 0,4951 0,4952
2.6 0,4960 0,4961 0,4962 0,4963 0,4964
2.7 0,4970 0,4971 0,4972 0,4973 0,4974
2.8 0,4978 0,4979 0,4979 0,4980 0,4981
2.9 0,4984 0,4985 0,4985 0,4986 0,4986
Extrait de la table pour les grandes valeurs de t

t 3.00 3.10 3.20 3.30 3.40
h(t) 0,49865 0,49903 0,49931 0,49952 0,49966

t 3.50 3.60 3.80 4.00 4.50
h(t) 0,49977 0,49984 0,49993 0,49997 0,5
| P a g e 32
3.9 La règle des trois sigmas

Notation :
 3 : trois sigmas
Soit la relation ci-après :
P (m  t   X  X  m  t   X )  1  
2 2
Tel que :
m  E( X )
 X  Var ( X )
0  1
Density 1
t  X t  X 

2 2 2 2
m
Critical Value x j  m  t  X
xi  m  t   X 2
2
 
P  m  t   X  X  m  t   X   1  
 2 2 
    
  m  t   X   m  m  t  X   m
 
    
T   1
2 2
P
X X
 
 
 
P   t   T  t    1  
 2 2 
    1
2h  t    1    h  t   
 2   2  2
 Premier cas
1
Si t   1 alors h (1)  0.3413 et  0.3413  1    0.6826
2 2
  0.3413
Si t  1 alors P ( m   X  X  m   X )  0.6826
2
 Second cas
1
Si t  2 alors h (2)  0.4772 et  0.4772  1    0.9544
2
2
  0.0456
Si t  2 alors P (m  2 X  X  m  2 X )  0.9544
2
| P a g e 33
 Troisième cas
1
Si t  3 alors h (3)  0.4987 et  0.4987  1    0.9974
2
2
  0.0026
Si t  3 alors P (m  3 X  X  m  3 X )  0.9974
2
Remarque
xm
t
X 1
1  t2
lim GT (t )  1
t  
GT (t ) 
2


e 2
dt
( t 3)
xm
t
X 1
1  t2
lim h (t )  0.5
t  
h (t ) 
2
 e 2
dt
( t 3) 0
3.10 La loi normale loi limite

a. De la loi binomiale
Lim B(n, p)  LG (m,  X )
np 
( np  18 )
m  E ( X )  np
 X  Var ( X )  np (1  p)
b. De la loi de POISSON
Lim P ( )  LG (m,  X )
 
(   18 )
m  E( X )  
 X  Var ( X )  
H ( N , n, p)
n
 0.10
N
B (n, p )
n  50 np  18
et p  0.10
P ( ) LG (m,  X )
  18
| P a g e 34
3.1 La correction de continuité

Lorsqu’on approche une loi discrète par la loi normale (qui est une loi continue), et lorsqu’on utilise dans les calculs de
probabilité la loi d’approximation (c’est-à-dire la loi normale) au lieu et place de la loi exacte (ici la loi discrète), on
effectue une correction de continuité.
Soit ci-après, quatre principales relations qui prennent en compte la correction de continuité :
1ère relation
 1 1
P ( X  x)  P  x   X  x  
 2 2
2ème relation
 1
P ( X  x)  P  X  x  
 2
3ème relation
 1
P ( X  x)  P  X  x  
 2
4ème relation
 1 1
P ( xi  X  x j )  P  xi   X  x j   ( xi  x j ) (i  j )
 2 2
Remarque : la variable aléatoire réelle X étant une variable discrète.
| P a g e 35
3.ETUDE THEORIQUE DE LA LOI EXPONENTIELLE

a. Le support
X ()  IR 
f : IR   IR 
x  IR   f ( x)  IR 
 e   x x0 (   IR * )
f ( x)  
0 sinon
   t 1
Symbole de la loi
X ~ Exp (  )
Notation :
 t : unité de temps
  : moyenne de Poisson par unité de temps
  : moyenne de Poisson
3.2 DEFINITION DE LA VARIABLE EXPONENTIELLE
La variable exponentielle X désigne l’intervalle de temps qui sépare 2 instants :
 L’intant t i qui est l’instant de réalisation de l’évènement E i
 L’intant t j qui est l’instant de réalisation de l’évènement E j
X  t
 t j  ti (ti  t j )
Ei Ej
ti X   t  t j  ti tj
Quelques exemples de phénomènes aléatoires régis par la loi exponentielle
 La durée mise par un agent de guichet de poste pour traiter la demande d’un client quelconque
 Durée de panne d’un équipement quelconque
 La durée qui sépare l’arrivée de deux athlètes à une ligne d’arrivée
| P a g e 36
3.3 ETUDE DE LA FONCTION DE DENSITE DE PROBABILITE

a. La continuité
f est continue par morceaux sur IR :
 Continue dans le domaine  ,0  (la fonction nulle)

 Continue dans le domaine  0,  (la fonction exponentielle :  e
 x
)
b. Les limites
lim f ( x)   lim f ( x)  0
x 0 x 
d f ( x)
  2 e  x
dx
d f ( x)
 0  x  
dx
x 0 
df ( x) ___________
dx
f (x) 
0
f est décroissante sur  0, 

d. Représentation graphique de la fonction de densité
f (x)

0.4 f ( x)   e   x
0.3
0.2
0.1
0
0 2 4 6 8 10 x
| P a g e 37
3.4 LA FONCTION DE REPARTITION

a. définition
 x  0
F1 ( x)  P( X  x)
 P  X 1   , x   
x 0
  f (t ) dt

0
 x   
F2 ( x )  P ( X  x )

 P X 1   , x   
x  


 f (t ) dt
x 0  x  


 f (t ) dt   f (t ) dt
0
x  
 F1 (0   )   e
 t
dt
0
 0  e  t   x
0
 1  e  x
0 x0
F ( x)    x
1  e x0
On peut vérifier que :
dF ( x) 0 x0
 f ( x)     x
dx  e x0
b. Représentation graphique de la fonction de répartition
Soit la fonction de répartition ci-après :
F ( x)  1  e 0.5 x
F (x)
1
F (2)  0.64
0.8
F ( x)  1  e 0.5 x
0.6
0.4
0.2
0
0 2 4 6 8 10
x
| P a g e 38
3.5 LES CARACTERISTIQUES NUMERIQUES


E ( X )    xe   x dx
0

   udv
0
 udv  uv  vdu
 
u  x  du  dx

 e  x
dv  e   x dx  v  
 
  x
 udv   xe 1


 
  e   x dx

 xe   x 1 
E ( X )       e   x dx 
   

 xe   x e   x 
    2 
   0

 e  x  1
  xe   x   
  0 
1
E( X ) 

b. La variance
Var ( X )  E ( X 2 )  E ( X )
2

E( X 2 )  x
2
f ( x ) dx
0

 x e   x dx
2
 u d v
 u d v
 u d v  uv  vd u
 
u  x 2  du  2 xdx

 1
dv  e   x dx  v   e   x
 
 2
 u d v   x e   x  2 x e   x dx
 
  
| P a g e 39

E( X 2 )  x
2
f ( x) dx
0

 x e   x dx
2
 x 2  x 2 
    e   x e   x dx 
   
2 


  x 2 e  x     x e   x dx 

0  0 
 2
  x 2 e  x  E( X )
0 
2
0
2
2

2
2 1 1
Var ( X )   
2 2 2
1 1
Var ( X )   X 
 2

Remarque :
1
E ( x)   X 

c. La médiane
1
x  Me  P ( X  x) 
2
 1
1  e   Me 
1  2
F ( Me)   
2 e   Me   Me  Ln 2
1

 2 
Ln 2
Me 

d. Le mode
 df ( x)
 dx  0


x  Mo   
 d 2 f ( x)
 0
 dx 2

  e
 x
df ( x)  2
0
0   x
dx 
e  0  x  
Mo  
La loi exponentielle ne possède pas de mode.
| P a g e 40
3.6 LE MOMENT SIMPLE D’ORDRE r

Notation :
  (n) : la fonction GAMMA encore appelée la fonction eulérienne de seconde espèce


e
x
 ( n)  x n 1dx
0
a. Propriétés de la fonction Gamma

 Propriété 1
 (n)  (n  1)  (n  1)
 Propriété 2
si n  IN *   (n)  (n  1) !
b. Définition du moment simple d’ordre r
m r  E( X r ) (r  IN * )

 x
r
f ( x) dx
0

 x e
r  x
dx
0
On pose :
yx
 y
 x
 
yx
dx  dy

 
lim y  lim  x  
x   x  
lim y  lim  x  0
x 0 x 0

mr   x e
r  x
dx
0


 y e  y dy
r
 r 1 0

1
 y e  y dy
r
r 0
 ( r  1)

r

 ( r  1 )  1 ! ( r  IN* )
r
r!

r
r!
mr 
 r
| P a g e 41
On vérifie que :
1
si r  1  m1 

 E( X )
2
si r  2  m2 
2
 E( X 2 )
3.7 LA FONCTION GENERATRICE DES PROBABILITES

a. Définition
G ( )  E ( X
)

 
x
f ( x ) dx
0

    x e   x dx
0

   e 
  x
dx
0


Ln   e 

 
 e   0
x 

 (0  1)

Ln   e   


Ln   e   


Ln   

 ( Ln    )
  Ln 
 1
lim  e  
x
  x
 lim  x lim e  
x x
  x
 1
0 car lim  x  0 et lim e 

x x 
  x
0
 1
x 0

lim  e   x
1
  1  G (1)  1
| P a g e 42

a. Définition
M ( )  E (e X )

e
x
 f ( x ) dx
0

 e
x
e   x dx
0

 e
x (   )
dx
0


 
 e x (  ) 0
 (0  1)

 


 

 (  )
 
 1
lim e x (   )  0
x  
   0
lim e x (   )  1
x 0
  0  M (0)  1
Exemple 4
Soit l’espace de probabilité , A , P  et la variable aléatoire réelle X tel que X désigne le nombre de clients qui
se présentent à un guichet de poste au cours d’une heure quelconque avec une moyenne de 10 personnes par heure.
2. Calculer la probabilité que le guichet de poste reçoive plus d’un client au cours de l’heure quelconque
Soit la variable aléatoire réelle Y tel que Y désigne la durée (mesurée en minutes) mise par un client quelconque pour
le traitement de sa demande.
3. Déterminer la loi de probabilité de la variable aléatoire réelle Y
4. Calculer la probabilité que la durée mise par le client pour le traitement de sa demande soit au plus égale à 5
minutes
5. En déduire la durée moyenne, la variance et la durée médiane
6. En déduire la fonction génératrice des probabilités et calculer la durée moyenne, la variance à l’aide de cette
fonction
7. En déduire la fonction génératrice des moments et calculer la durée moyenne, la variance à l’aide de cette
fonction
| P a g e 43
Solution
1. Détermination de la loi de probabilité de la variable aléatoire réelle X
a. Le support
X ()   0, 1, 2, 3......,     IN
b. La fonction de masse
L’évènement considéré à savoir : « le nombre de cleints qui se présentent au guichet de poste » se réalise dans un
intervalle temporel qui est l’heure quelconque. Cela suffit pour conclure que la variable aléatoire réelle X suit une loi
de Poisson de paramètre   10
X ~ P (10)
e   x
P ( X  x) 
x!
10
e 10 x

x!
2. Calcul de la probabilité que le guichet de poste reçoive plus d’un client au cours de l’heure quelconque
P ( X  1)  1  P ( X  1)
 1  F (1)
1
e 10 10 x
1 
x 0 x!
 1 10 
P ( X  1)  1   10  10 
e e 
11
 1  10  0.9995
e
P( X  1)  0.9995
3. Détermination de la loi de probabilité de la variable aléatoire réelle Y
a. Le support
Y ()  IR 
La variable aléatoire réelle Y désigne la durée (mesurée en minutes) mise par un client quelconque pour le
traitement de sa demande ; cette durée sépare 2 instants successifs :
 L’instant d’arrivée du client au guichet de poste
 Et l’instant où il quitte le guichet de poste
Il s’agit donc d’une variable aléatoire qui suit la loi exponentielle de paramètre 
Y ~ Exp(  )
   t 1
 10t 1
10

60 mn
1
 mn 1
6
| P a g e 44
La fonction de densité s’écrit :

0 y  0
f ( y)    y
 e
 y  0 (   IR * )
0 y  0

 1 1 y
 e
6
y  0
 6
4. Calcul de la probabilité que la durée mise par le client pour le traitement de sa demande soit au plus égale à 5
minutes
P (Y  5)  F (5)
 1
  5
1 e  6
 0.57
5. Déduction de la durée moyenne, de la variance et de la durée médiane

a. La durée moyenne
1
E (Y ) 

1

1
6
 6 mn
b. La variance
Var (Y )   E (Y ) 
2
1
 2

 62
 36   y  36  6 mn
c. La durée médiane
Ln 2
Me 

Ln 2

1
6
 6 Ln 2
 4.16 mn
| P a g e 45
6. Déduction de la fonction génératrice des probabilités et calcul de la durée moyenne, de la variance à l’aide de cette
fonction
a. La fonction génératrice des probabilités

G ( ) 
  Ln 
1
 6
1
 Ln 
6
1

1  6 Ln 
b. La durée moyenne
m 1F  m 1
 E (Y )
 d G ( ) 
 
 d    1
 6 
 2
  (1  6 Ln  )   1
 6 mn
c. La variance
Var (Y )  E (Y 2 )   E (Y ) 
2
 m 2  m1 
2
 (m 2F  m1F )  m1 
2
m F2  E  Y (Y  1) 
 d 2G ( ) 
 
 d
2
  1
 6 72 
 2  2 3
  (1  6 Ln  )  (1  6 Ln  )   1
2
 66
Var (Y )  m2  m1 
2
 (m2F  m1F )  m1 

2
 (66  6)  6 2
 36   Y  36  6 mn
| P a g e 46
7. Déduction de la fonction génératrice des moments et calcul de la durée moyenne, de la variance à l’aide de cette
fonction
a. La fonction génératrice des moments

M ( ) 
 
1
 6
1

6
1

1  6
b. La durée moyenne
m 1  E (Y )
 d M ( ) 
 
 d    0
 6 
 2 
 (1  6  )   0
 6 mn
c. La variance
Var (Y )  E (Y 2 )   E (Y ) 
2
 m2  m1 
2
m 2  E (Y 2 )
 d 2 M ( ) 
 
 d
2
  0
 72 
 3 
 (1  6  )   0
 72
Var (Y )  m2  m1 
2
 72  6 2
 36   Y  36  6 mn
| P a g e 47
4.ETUDE THEORIQUE DE LA LOI GAMMA

a. Le support
X ()  IR 
f : IR   IR 
x  IR   f ( x)  IR 
  n   x n1
 e x x0 (   IR * ) (n  0)
f ( x )    ( n)
0
 sinon
Symbole de la loi
X ~ Ga (n,  )
Notation :
  (n) : la fonction GAMMA encore appelée la fonction eulérienne de seconde espèce

 n : le nombre de variables exponentielles ou le nombre de durées
Remarque :
 n  IN * : la loi GAMMA est aussi appelée loi d’ERLANG

4.2 DEFINITION DE LA VARIABLE GAMMA
La variable GAMMA X est définie comme étant la somme de n variables exponentielles mutuellement
indépendantes en probabilité.
n
X   Xi ; X i ~ Exp (  ) ; X i  X j (i  j )
i 1
   t 1
X i  t
 t j  ti (ti  t j )
De cette définition, on peut conclure que la variable GAMMA est la durée totale otenue en faisant la somme des n
durées, chaque durée suivant une loi exponentielle indépendamment des autres durées.
Si la variable exponentielle X i désigne l’intervalle de temps qui sépare 2 instants :
 L’intant t i qui est l’instant de réalisation de l’évènement E i
 L’intant t j qui est l’instant de réalisation de l’évènement E j
Ei Ej
ti X i  t tj
 t j  ti (ti  t j i  j)
| P a g e 48
La variable GAMMA désigne la durée totale lorsqu’on considère plus de 2 évènements.
 Soit la suite d’évènements : ( E 1 , E 2 , E 3 ,..., E n1 ) n 1
 Soit la suite d’instants auxquels se réalisent les évènements considérés (t 1 , t 2 , t 3 ,..., t n1 ) n 1
 Soient les durées X i (i  1,2,..., n) qui séparent 2 instants successifs associés à 2 évènements successifs
n
 Soit la durée totale X  X
i 1
i
Nous avons alors le schéma ci-après :
E1 E2 E3 ... En E n 1
...
t1 X 1  1t t2 X2 2 t t3 ... tn Xn  n t t n 1
n
X   Xi
i 1
Remarque :
 e   x x0
si n  1   (1)  1 et f ( x)  
0 sinon
On retrouve la loi exponentielle.
En conclusion, on peut dire que : la loi GAMMA généralise la loi exponentielle à un nombre de durées supérieur à 1
et que donc, la loi Exponentielle est un cas particulier de la loi GAMMA.
a. La continuité

 0,  ; c’est la fonction : n
 Continue dans le domaine e   x x n1
 ( n)
b. Les limites
lim f ( x)  0 lim f ( x)  0
x 0 x  
Soit la fonction de densité pour x  0
n
f ( x)  e   x x n 1
 ( n)
| P a g e 49
n
On pose : a 
 (n)
Il vient :
f ( x)  a e   x x n1
D’où la dérivée première :
df ( x)
 a e  x x n1  a (n  1) e  x x n2
dx

 a e  x (n  1) x n2   x n1 
 Valeur pour laquelle s’annule la dérivée première
df ( x)
dx
 
 0  a e   x (n  1) x n  2   x n 1  0

a e   x  0

 

(n  1) x
n2
  x n 1  0

a e   x (n  1) x n  2  x n 1  
 0  a e   x  0  x  
(n  1) x n  2   x n 1  0

(n  1) x n  2   x n 1

 x n 1 n 1
( n  1 )   x n 1  x 
 x 
d f ( x) n 1
0 x
dx 
n 1  n  1   ( n  1) n 1
x  f   
    e n 1(n)
 Etude du signe de la dérivée première
d f ( x)
dx

 a e   x (n  1) x n  2   x n 1 
a e   x  0 x  X ()
(n  1) x n  2   x n 1  0
d f ( x) 
0  n 1
dx (n  1) x
n2
  x n 1  x 
 
(n  1) x n  2   x n 1  0
d f ( x) 
0  n 1
dx (n  1) x
n2
  x n 1  x 
 
| P a g e 50
Le tableau de variation
0 n 1 

x
d f ( x) + 0 ___
dx
 ( n  1) n 1
e n 1( n)
f (x)
0 0
f  n -1 
 La fonction est croissante dans le domaine  0,
  
 n -1 
 La fonction f est décroissante dans le domaine
  , 
 
d 2 f ( x)  2  ( n  1) ( n  1) ( n  2) 
 ae   x x n 1   2   
 
2
dx x x2
  2 x2 2  (n  1) x ( n  1) (n  2) 
 ae   x x n 1  2
  
 x x2 x2 
d 2 f ( x)
 0   2 x 2  2  ( n  1) x  (n  1) (n  2)  0
dx 2
x 2  2  2 (n  1) x  (n  1) (n  2)  0
  4  2 (n  1)    2 n  1
 ( n  1)  n  1 ( n  1) n 1
 x1   
   

 x  ( n  1)  n  1  ( n  1)  n 1
 2   

 x 1 : 1er point d’inflexion de la courbe
 x 2 : 2ème point d’inflexion de la courbe

Etude du signe de la dérivée seconde
x 0 x1 x2 
d 2 f ( x) + 0 ______ 0 +
dx 2
f (x) 0 f ( x1 ) f (x 2 ) 0
 La fonction f   
est convexe dans le domaine 0, x 1  x 2 , 
 La fonction f est concave dans le domaine  x , x  1 2
| P a g e 51
si x   0, x 1    x 2 , 
d 2 f ( x)
 0
d x2
si x   x 1 , x 2 
d 2 f ( x)
 0
d x2
e. Représentation graphique de la fonction de densité
On considère la fonction de densité ci-après :
2 n  2 x n 1
f ( x)  e x
 ( n)
0.8
0.7
n2
0.6
0.5 n4
0.4
n 8
0.3
0.2
0.1
0 1 2 3 4 5 6 7 8 9 10
On peut remarquer que lorsque n augmente, la courbe a tendance à avoir une forme en cloche semblable à celle de
la loi normale.
a. Définition
F ( x)  P( X  x)
x
  f (t ) dt

n x
 (n) 
 t n1e   t dt
n 1
( x)k
si n  IN *  F ( x)  1  e   x  ( x  0)
k 0 k!
| P a g e 52

On considère la fonction de répartition ci-après :
x
2n
t
n 1
F ( x)  e 2 t dt
( n) 
0.9
n2
n4
0.8
n 8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0 1 2 3 4 5 6 7 8 9


E( X )   x f ( x) dx
0

n
 x e   x dx
n
 ( n) 0
On pose : yx
y dy
yxx et dx
 
x   x  
x 0 x 0

n
E( X )  x e   x dx
n
 ( n) 0

1
 y ey d y
n
  ( n) 0
 (n  1)

  ( n)
n  ( n)

  ( n)
n


n
E( X ) 

b. La variance
| P a g e 53
Var ( X )  E ( X 2 )  E ( X )
2

E( X )  x
2 2
f ( x) dx
0

n
x
n 1   x
 e dx
 ( n) 0
On pose : yx
y dy
 
x x
x0 x0

 n
x e   x dx
n 1
E( X 2
)
 ( n) 0

1
y
n 1
 ey d y
 2
 ( n) 0
 ( n  2)

  ( n)
2
n ( n  1)  ( n)

  ( n)
2
n ( n  1)

 2
n (n  1)
E( X 2 ) 
2
2
n (n  1) n
Var ( X )    
2 
n

2
 n  1  n
       X 
     
n n
Var ( X )  X 
 2

On peut remarquer que :
n
Var ( X ) 
2
 n  1 
    
    
Avec :
n
 : la moyenne de la variable GAMMA

1
 : la moyenne de la variable exponentielle

| P a g e 54
Ce qui nous amène à conclure que : la variance de la variable GAMMA est le prroduit de 2 moyennes :
 La moyenne de la variable GAMMA
 Et la moyenne de la variable exponentielle
c. Le mode
 df ( x)
 dx  0


x  Mo   
 d 2 f ( x)
 0

 dx 2
n
f ( x)  e   x x n 1
 ( n)
 1ère condition d’optimalité
On a vu précédemment que :
df ( x) n 1
0 x
dx 
n 1
Mo 

n 1
 
 
 2ème condition d’optimalité
Dans l’étude du signe de la dérivée seconde, nous avions vu que :
d 2 f ( x)
0 
si x  x 1 , x 2 
d x2
d 2 f ( x)
0 si x   n  1  n 1
,
n 1

n 1 

d x2      
d 2 f ( x)  n 1 n 1 
0 si x   Mo  , Mo  
d x2    
d 2 f ( x)  n 1 n 1
 0  Mo   Mo  , Mo  
dx 2
   
On peut remarquer que la 2ème condition d’optimalité est satisfaite d’où : Mo 

n 1

| P a g e 55
4.6 LE MOMENT SIMPLE D’ORDRE r

a. Définition du moment simple d’ordre r
m r  E( X r ) ( r  IN * )

 x
r
f ( x) dx
0

n
 x x n1e   x dx
r
 ( n) 0

 n
x
r  n 1   x
 e dx
 ( n) 0
On pose :
yx
y dy
 
x x
x0 x0

n
x
r  n 1   x
mr  e dx
 ( n) 0

n
y
r  n 1  y
 e dy
 r  n  ( n) 0

1
y
r  n 1  y
 e dy
  ( n)
r
0
 (n  r )

 r  ( n)
 (n  r )
mr 
 r  ( n)
On vérifie que :
 ( n  1)
si r  1  m1 
  ( n)
n  ( n)

  ( n)
n


 E( X )
 (n  2)
si r  2  m2 
 2  ( n)
n (n  1)  (n)

 2  ( n)
n (n  1)
 2

 E( X 2 )
| P a g e 56

a. Définition
G ( )  E ( X
)

 
x
f ( x) dx
0

 n
 e  x x n 1
 x
dx
 ( n) 0
On sait que :
 x  e Ln 
x
 e x Ln 
D’où :

n
G ( )   e   x x n1 dx
x
 ( n) 0

 n
e
x Ln 
 e   x x n1 dx
 ( n) 0

 n
e
 x (   Ln  )
 x n1 dx
 ( n) 0
On pose :
y  x (   Ln  )
D’où :
 y
 x    Ln 

y  x (   Ln  )  
dx  dy

   Ln 
lim y  lim x (   Ln  )
x x
 (   Ln  ) lim x
x
 
lim y  lim x (   Ln  )
x0 x0
 (   Ln  ) lim x
x0
0
| P a g e 57
Il vient :

n
G ( )  e
 x (   Ln  )
x n 1 dx
 ( n) 0

n
 
(   Ln  )  (n) 0
n
e  y y n 1 dy
 n  ( n)

(   Ln  ) n  (n)
n

(   Ln  ) n
n
  
   ( Ln    )
   Ln  
 1
  1  G (1)  1
a. Définition
M ( )  E (e X )

e
x
 f ( x) dx
0

n
e
x
 e   x x n1 dx
 ( n) 0

 n
e
 x (   )
 x n1 dx
 ( n) 0
On pose :
y  x (   )
D’où :
 y
 x
  
y  x (   )  
dx  dy

  
lim y  lim x (    )
x   x  
 (    ) lim x
x  
 
lim y  lim x (   L )
x 0 x 0
 (    ) lim x
x 0
0
| P a g e 58
Il vient :

n
M ( )  e
 x (   )
x n 1 dx
 ( n) 0

n
 
(    )  ( n) 0
n
e  y y n 1 dx
 n  ( n)

(    ) n  ( n)
n

(   ) n
n
  
   (   )
   
 1
  0  M (0)  1
4.9 Approximation de la loi GAMMA
lim Ga (n,  )  LG (m,  X )
n
m  E( X )
n


n
X 

L’approximation est pertinente lorsque : n  30
Exemple 5
On considère l’exemple 4 étudié plus haut et la variable aléatoire réelle Z tel que Z désigne la durée totale (mesurée
en minutes) mise par un agent de poste pour traiter la demande de 4 clients qui se présentent à son guichet.
1. Déterminer la loi de probabilité de la variable aléatoire réelle Z
2. Calculer la probabilité que la durée mise par l’agent de poste pour le traitement des 4 demande soit au plus égale
à 5 minutes
3. En déduire la durée moyenne, la variance et le mode
4. En déduire la fonction génératrice des probabilités et calculer la durée moyenne, la variance à l’aide de cette
fonction
5. En déduire la fonction génératrice des moments et calculer la durée moyenne, la variance à l’aide de cette
fonction
| P a g e 59
Solution
1. Détermination de la loi de probabilité de la variable aléatoire réelle Z
a. Le support
Z ()  IR 
La variable aléatoire réelle Z désigne la durée totale (mesurée en minutes) mise par l’agent de poste pour le
traitement des demandes des 4 clients ; cette durée totale désigne un intervalle de temps qui sépare :
 L’instant d’arrivée du 1er client au guichet de poste
 Et l’instant de départ du 4ème client du guichet de poste
Tout en sachant que :
Yi ~ Exp (  )
Yi  Y j (i  j )
n4
Z   Yi
i 1
1
Il s’agit donc d’une variable aléatoire qui suit la loi GAMMA de paramètres n  4 et 
6
 1
Z ~ Ga  4, 
 6
  t 1
 10t 1
10

60 mn
1
 mn 1
6
La fonction de densité s’écrit :
  n   z n 1
 e z z0
f Z ( z )    ( n)
0
 sinon
 1 1
 z
 e 6
z3 z0
  6 4  (4)
0
 sinon
avec  (4)  (4  1)!
 3!
2. Calcul de la probabilité que la durée mise par le client pour le traitement de sa demande soit au plus égale à 5
minutes
P ( Z  5)  FZ (5)
5 1
1  z

6  (4) 0
4
e 6 z 3 dz
 0.0111 (intégratio n par parties)
| P a g e 60
Ou bien :
Puisque ( n  4)  IN * , on peut utiliser la relation suivante pour le calcul de FZ (5)
P (Z  z )  1  e  z 
n 1
  z k
k 0 k!
 5 41
1
6 1
5  k
P ( Z  5)  1  e 6

k 0 k!
3
0.83 k
FZ (5)  1  e 0.83 
k 0 k!
 0.0111
3. Déduction de la durée moyenne, de la variance et du mode
a. La durée moyenne
n
E (Z ) 

4

1
6
 24 mn
b. La variance
n
Var ( Z ) 
2
4
 2
1
 
6
 144   Z  144  12 mn
c. Le mode
1
Mo  E ( Z ) 

1
 24 
1
6
 18 mn
4. Déduction de la fonction génératrice des probabilités et calcul de la durée moyenne, de la variance à l’aide de cette
fonction
a. Déduction de la fonction génératrice des probabilités
n
  
G ( )   
   Ln  
4
 1 
 
 6 
 1  Ln  
 
6 
1

(1  6 Ln  ) 4
| P a g e 61
b. Calcul de la durée moyenne
m F1  m 1
 E (Z )
 d G ( ) 
 
 d    1
 24 
 5
  (1  6 Ln  )   1
 24 mn
d. La variance
Var ( Z )  E ( Z 2 )   E ( Z ) 
2
 m2  m1 
2
 (m2F  m1F )  m1 

2
m F2  E  Z ( Z  1) 
 d 2 G ( ) 
 
 d
2
  1
  24 720 
 

2
(1  6 Ln  ) 5  2
(1  6 Ln  ) 6   1
 696
Var ( Z )  m2  m1 
2
 (m2F  m1F )  m1 

2
 (696  24)  24 2
 144   Z  144  12 mn
5. Déduction de la fonction génératrice des moments et calcul de la durée moyenne, de la variance à l’aide de cette
fonction
a. Déduction de la fonction génératrice des moments
n
  
M ( )   
   
4
 1 
 
 6 
 1  
 
6 
1

(1  6  ) 4
| P a g e 62
b. Calcul de la durée moyenne

m1  E (Z )
 d M ( ) 
 
 d    0
 24 
 5 
 (1  6  )   0
 24 mn
c. La variance
Var ( Z )  E ( Z 2 )   E ( Z ) 
2
 m2  m1 
2
m 2  E (Z 2 )
 d 2 M ( ) 
 
 d
2
  0
 720 
 6 
 (1  6  )    0
 720
Var ( Z )  m 2  m1 
2
 720  24 2
 144   Z  144  12 mn
| P a g e 63
5.ETUDE THEORIQUE DE LA LOI DU KHI-DEUX OU LOI DE KARL-PEARSON

a. Le support
X ()  IR 
f : IR   IR 
x  IR   f ( x)  IR 

 1
1
 x 1
  e 2 x2 x0 (  IN * )
  
f ( x)   2 2   
 2

0 sinon
1
   
2
Symbole de la loi
X ~ 2
Notation :
 : nombre de degrés de liberté de la variable aléatoire réelle X

5.2 DEFINITION DE LA VARIABLE DU KHI-DEUX

X   Ti 2
i 1
Ti ~ LG (0,1)
Ti  T j (i  j )
La variable du KHI-DEUX est donc définie comme étant la somme du carré de  variables normées mutuellement
indépendantes en probabilité (chaque variable normée suit une loi normale centrée-réduite).
a-Définition de la loi de probabilité dans le cas où   1
si   1  X  T 2 et T ~ LG (0,1)
 Soit ci-après la fonction de répartition de la variable du KHI-DEUX :
F ( x)  P ( X  x)
 P (T 2  x)

P T  x 
 P ( x  T  x)
 GT ( x )  GT ( x )

 GT ( x )  1  GT ( x ) 
 2GT ( x )  1
| P a g e 64
Notation :
F : fonction de répartition de la variable aléatoire réelle X

GT : fonction de répartition de la variable aléatoire réelle normée T
 Déduction de la fonction de densité de probabilité de la variable du KHI-DEUX :
dF ( x)
f ( x) 
dx


d 2 GT ( x )  1 
dx
 1 
 2 g ( x )  

2 x 
g ( x)

x
Par ailleurs, nous avons :
1  12 t 2
T ~ LG (0,1)  g (t )  e
2
D’où :
1
1  ( x)2
g ( ( x)  e 2
2
1
1  x
 e 2
2
Il vient :
g( x )
f ( x) 
x
1  1  x 
1
  e 2 
 2
x  
1 1
1  x 
 e 2 x 2
2
1 1
1  x 
 1
e 2
x 2
2 2

1
1
1 1
2 1  x 
  e 2
x 2
2 
1
1 2
  1 1
 
2  x 
2 2
e x

1
12
 
1
1 1
   e 2 x 2
2  x 
car    
1 2
 
2
| P a g e 65
En posant :
1 1
 et n
2 2
Nous obtenons la fonction de densité de probabilité de la loi GAMMA.
  n   x n 1
 e x x0
f ( x )    ( n)
0
 sinon
 1
  1  2
 2  1
 x 
1
 e 2
x 2
x0
 1
  
 2

0 sinon
1 1
12  Ga  , 
2 2
1 1
Conclusion : la loi du KHI-DEUX à 1 degré de liberté, est la loi GAMMA de paramètres  et n 
2 2
b-Définition de la loi de probabilité dans le cas :   2
En prenant   2 dans la fonction de densité de probabilité de la variable du KHI-DEUX, nous obtenons :
1 
1  x 1
f ( x)   e 2
x2 x0 (  IN * )
 
2 2  
2
1 2
1  x 1
 e 2
x2
2
2
2  
2
2
1
1  x
 e 2 x0  (1)  (1  1) ! 1
2  (1)
1
1 2 x
 e
2
En posant :
1

2
Nous obtenons la fonction de densité de probabilité de la loi EXPONENTIELLE.
 e   x x0
f ( x)  
0 sinon
 1  12 x
 e x0
 2
0
 sinon
1
 22  Exp  
2
1
Conclusion : la loi du KHI-DEUX à 2 degrés de liberté, est la loi EXPONENTIELLE de paramètre 
2
| P a g e 66
 1 
2  G a  , 
 2 2
 1
n  
2 2
 1
La loi du KHI-DEUX à  degrés de liberté est la loi GAMMA de paramètres n et  
2 2
1 
1  x 1
X ~  2  f ( x)   e 2
x2 x0 (  IN * )
 
2  
2
2
  n  x n1
 f ( x )  e x x0
  ( n)
 1  

x 
(1 / 2)  / 2  2 2 1  1 
X ~ Ga ,     e x   2  Ga , 
 2 2    ( / 2 )  2 2
 1 
x 
1
   /2 e 2x 2

 2  ( / 2)

a. La continuité


  ; c’est la fonction :
x
1  1
 Continue dans le domaine 0,  /2
e 2x 2
2  ( / 2)
b. Les limites
lim f ( x)  0 lim f ( x)  0
x 0 x  
Soit la fonction de densité pour x  0
1 
1  x 1
f ( x)  
e 2
x2
2 2  ( / 2)
On pose :
1
a  /2
2  ( / 2)
Il vient :
x 
 1
f ( x)  ae 2 x 2 ( x  0)
| P a g e 67
  
d f ( x) a  2 x 2  2
1 1 1
 x 2 a  x 1
 e x  ae 2 x 2  e 2 x 2
dx 2 2
 
 x 2   1 1 
1
 ae 2  x 2   1  x 2 
 2  2 

df ( x)
dx

 ae   x x n  2 (n  1)   x n 1  avec 
1
2
et n 
2
 
 x 2   1 1 
1
df ( x)
 0  a e 2  x 2   1  x 2   0
dx  2  2 

 1
a e  2 x  0  x  

 
  
 x 2  2    1   1 x 2 1  0
   
 x
1 
2    1

1    2  2
a e 2  x 2   1   x 2   0     2 
  2  2  
 x 2   1   x 2
1 1
  2  2
  
 1 x 2    1  1 x 2 1
1
 x 2  2

  1    1  1  x    2
  
 x  2  2
df ( x)
 0  x   2 (  2)
dx
 2
  2 
x    2  f   2  
1
 
( / 2) 2  e 
Etude du signe de la dérivée première

df ( x)
dx

 ae   x x n  2 (n  1)   x n 1 
ae  x  0 x  IR
D’où :
(n  1) x n  2   x n 1  0
d f ( x) 
0  n 1
dx (n  1) x
n2
  x n 1  x 
 
(n  1) x n  2   x n 1  0
d f ( x) 
0  n 1
dx (n  1) x
n2
  x n 1  x 
 
| P a g e 68
Tableu de variation de la dérivée première

x 0  2 
d f ( x)
+ 0 ____
dx
f (  2)
f (x) 0 0
 La fonction f est une fonction croissante dans le domaine 0,  2  

 La fonction f est une fonction décroissante dans le domaine   2, 
      
1  1   1   2    1 
2  2  2 
2
d f ( x)  x 1
 ae 2
x2   
dx 2 4 x x 2

 
 

 2     
1
 x 1 
 ae 2
x2  x  4  2  1 x  4 2  2   2  1
     
Etude du signe de la dérivée seconde

1 
 x 1
ae 2
x2 0 x  IR 
d 2 f ( x)      
  0  x 2  4  1 x  4   2    1  0
dx 2  2   2  2 
     
x 2  4   1 x  4   2    1  0
2  2  2 
  
  4   1    4  1 ( : discrimina nt de l' équation du second degré)
2  2
   
 4   1  4 1
x 1   2  2
 2

  (  2)  2   1
 2

   
 4   1  4 1
 2  2
x 2 
 2
 
  (  2)  2 1
 2
 x1 : 1er point d’inflexion de la courbe de densité de probabilité

 x2 : 2ème point d’inflexion de la courbe de densité de probabilité
| P a g e 69
Tableau de variation de la dérivée seconde

x 0 x1 x2 
d 2 f ( x) + 0 _____ 0 +
dx 2
f (x) 0 f ( x1 ) f ( x2 ) 0
e. Représentation graphique de la fonction de densité de probabilité
0.8
 1
0.6
0.4  3
 4
0.2
0 2 4 6 8 10

a. Définition
F ( x)  P ( X  x)
x
  f (t ) dt

x 1 
1  t 1
  /2 
2  ( / 2) 
e 2 t 2 dt
1  1
0.8
0.6  3
0.4
0.2
 4
0 2 4 6 8 10
| P a g e 70

Pour le calcul de l’espérance mathématique, on utilise la relation suivante :
 1 
 2  Ga  , 
 2 2


m r  E ( X )
r
  (n  r )
  r
 1     ( n)
 2  Ga  ,   
 2 2    
   r
2 
 
 
r
 1
    
 2 2
m1  E ( X )
 
   1
 2 
 1   
  
2 2
   
   
    
2 2
 1   
  
2 2

E( X )  
Ou bien, sachant que :
 1 
 2  Ga  , 
 2 2
Alors :
n
E( X ) 


 2
1
2

| P a g e 71
b. La variance
Var ( X )  E ( X 2 )  E ( X )
2
Pour le calcul de la variance, on utilise aussi la relation suivante :
 1 
 2  Ga  , 
 2 2


m r  E ( X )
r
  (n  r )
  r
 1     ( n)
 2  Ga  ,   
 2 2   
   r
 2 
 
 
r
 1
    
 2 2
m 2  E( X 2 )
 
   2
  2 
 
2
1
   
 
2 2
   
  1    1
   
2 2
 
2
1
   
2 2
     
  1     
  2   2 
2
 
2
 
1
   
2 2
     
    
   2  2 
 2   1
2    1     
2  2 
    
 
 2   1 E ( X )
2 
 
 2   1
2 
 2
 2
D’où :
Var ( X )  ( 2  2 )  2
 2
 2 E ( X )   X  2
| P a g e 72
Ou bien, sachant que :
 1 
 2  Ga  , 
 2 2
Alors :
n
Var ( X ) 
2

 2
2
1
 
2
 2
c. Le mode
 1ère condition d’optimalité
On a vu précédemment que :
df ( x)
 0  x   2 (  2)
dx
Mo    2
 E( X )  2
 2ème condition d’optimalité
Dans l’étude du signe de la dérivée seconde, nous avions vu que :
si x   x 1 , x 2 
d 2 f ( x)
0
d x2
d 2 f ( x)
0 si x   (  2)  2   1, (  2)  2   1 
d x2  2 2 
d 2 f ( x)  
0 si x   Mo  2   1 , Mo  2   1 
d x2  2 2 
d 2 f ( x)    
2
 0  Mo   Mo  2  1 , Mo  2 1 
dx  2 2 
On peut remarquer que la 2ème condition d’optimalité est satisfaite d’où : Mo    2
| P a g e 73

a. Définition
G ( )  E  X  

   x f ( x) dx
0
 1 
1  x 1
  e
x 2

x 2 dx
2 2 ( / 2) 0
On sait que :
 x  e Ln  
x
 e x Ln 
D’où :
 1 
1  x 1
G ( )   e
x 2

x2 dx
2 ( / 2)
2 0
 1 
1  x 1
e e
x Ln 
 
2
x2 dx
2 2 ( / 2) 0
 1  
1  x   Ln   1
  e 2 
x2 dx
2 ( / 2)
2 0
On pose :
1 
y  x   Ln   :
 2 
 y
x  1
  Ln 
1   2
y  x   Ln    
2  dx  dy
 1
  Ln 
 2
1 
lim y  lim x   Ln  
x x
2 
1 
   Ln   lim x
2  x
 
1 
lim y  lim x   Ln  
x0 x0
2 
1 
   Ln   lim x
 2  x0
0
| P a g e 74
Il vient :
 
1 1
G ( )   e y 2 dy
y


   1 2 0
2 2      Ln  
 2  2 
 
 
2
 

   1 2
2      Ln  
2
 2  2 
1

  
 1  
2 2    1  2 Ln   2
 2 
2 
1
 
1  2 Ln   2
1  1
  Ln   
1  2 Ln    2
 1
  1  G (1)  1
5.6 LA FONCTION GENERATRICE DES MOMENTS
a. Définition
M ( )  E e  X 

e
 x
 f ( x) dx
0
 1 
1  x 1
e e
 x
 
2
x2 dx
2 2 ( / 2) 0
 1  
1  x    1
  e 2 
x2 dx
2 2 ( / 2) 0
On pose :
1 
y  x   
2 
 y
x  1
 
1   2
y  x    
2  dx  dy
 1
 
 2
| P a g e 75
1 
lim y  lim x    
x x
 2 
1 
     lim x
2  x
 
1 
lim y  lim x    
x0 x0
2 
1 
     lim x
2  x0
0
Il vient :

 
22 1
M ( )   e y 2 dy
y

  
2 2    1  2  2 0
2
 
 
 2
  
   1  2  2
2
1

 
1  
2 2    1  2  2
 2
2 
1
 
1  2  2
1  1
   
1  2    2
 1
  0  M (0)  1
5.7 APPROXIMATION DE LA LOI DU KHI-DEUX
lim  2  LG ( m,  X )
 
m  E( X )

 X  Var ( X )
 2
L’approximation est pertinente lorsque :   100
| P a g e 76
Exemple 6
Calculer le moment simple d’ordre 1 et le moment simple d’ordre 2 de la variable aléatoire réelle du KHI-DEUX à
l’aide :
1. De la fonction génératrice des probabilités
2. Et de la fonction génératrice des moments
Solution
1. Calcul des moments à l’aide de la fonction génératrice des probabilités
a. Calcul du moment simple d’ordre 1
X ~ 2
1
G ( ) 
1  2 Ln  
m1F  m1
 E( X )
 dG ( ) 

 d   1
 

 
 
1 
  (1  2 Ln  ) 2   1

b. Calcul du moment simple d’ordre 2
m 2  E( X 2 )
 m 2F  m1F
 d 2G ( ) 
m 2F   
 d
2
  1
   
 2   1 
2  
 
 

 2 2 1 
  (1  2 Ln  )  (1  2 Ln  ) 2 
2 2
  1
 
 2   1 
2 
 v 
2
 m 2  m 2F  m1F
 (v 2   )  
 v 2  2
| P a g e 77
2. Calcul des moments à l’aide de la fonction génératrice des moments

a. Calcul du moment simple d’ordre 1
X ~ 2
1
M ( ) 
1  2  
m 1  E( X )
 dM ( ) 
 
 d    0
 
  

1 

 (1  2  ) 2    0

b. Calcul du moment simple d’ordre 2
m 2  E( X 2 )
 d 2 M ( ) 
 
 d
2
  0
  
 2  2  1 
  

 2 
 (1  2  ) 
2
   0
  2  2
| P a g e 78
6.INEGALITE DE BIENAYME-TCHEBYTCHEV
Notation :
 X : variable aléatoire réelle discrète ou continue et qui suit une loi de probabilité quelconque.
6.1 LES HYPOTHESES
a. Première hypothèse
La variable aléatoire réelle X suit une loi de probabilité quelconque.

b. Seconde hypothèse
Les principales caractéristiques numériques existent et sont données.
 E ( X )  
 Var (X )  
6.2 DEFINITION DE L’INEGALITE DE BIENAYME-TCHEBYTCHEV
L’inégalité de Bienayme-Tchebytchev définit 2 bornes :
 Une borne supérieure relative à la probabilité de réalisation d’un évènement donné
 Une borne inférieure relative à la probabilité de réalisation d’un évènement donné
a. Définition de la borne supérieure (1ère forme de l’inégalité)
Soit l’évènement ci-après :
 X  E ( X )  a   E ( X )  a  X  E ( X )  a 
 X  E ( X )  a, E ( X )  a 
 X   , E ( X )  a    E ( X )  a, 
a a
xi  E ( X )  a E( X ) x j  E( X )  a
P  X  E ( X )  a 
Var ( X )
(a  0)
a2
b. Définition de la borne inférieure (2ème forme de l’inégalité)
c. Soit l’évènement ci-après :
 X  E( X )  a   E ( X )  a  X  E ( X )  a 
 X  E ( X )  a, E ( X )  a 
a a
x
xi  E ( X )  a E( X ) x j  E( X )  a
| P a g e 79
P  X  E ( X )  a  1 
Var ( X )
(a  0)
a2
Remarque : l’intervalle est centré sur son espérance mathématique.
Exemple 7
Soit la variable aléatoire réelle X tel que X désigne le nombre de véhicules automobiles qui traversent une
agglomération urbaine et ceci entre 16 : 00 h et 18 :00 h. La variable aléatoire réelle X suit une loi de probabilité
quelconque. Par ailleurs, nous avons :
E ( X )  4 000 Var ( X )  10 000
Définitissez une borne pour les probabilités suivantes :
P (3500  X  4500) P (4500  X  3500)
Solution
1. Borne pour : P (3500  X  4500)
Puisqu’on ne connait pas de manière explicite la loi de probabilité de la variable aléatoire réelle X , on peut alors
utiliser l’inégalité de Bienayme-Tchebytchev.
a a
xi  3500 x j  4500
 4000  a E ( X )  4000  4000  a
 a  500  a  500
On peut remarquer que X  E ( X )  a, E ( X )  a  d’où l’utilisation de la 2ème forme de l’inégalité.
P  X  E ( X )  a  1 
Var ( X )
a2
P (3500  X  4500)  P  X  E ( X )  a
 P  X  4000  500
P  X  4 000  500  1 
Var ( X )
a2
P X  4 000  500  1 
10 000
 0.96
500 2
P (3500  X  4500)  0.96
P (3500  X  4500)   0.96,1 
| P a g e 80
2. Borne pour : P (4500  X  3500)
Puisqu’on ne connait pas de manière explicite la loi de probabilité de la variable aléatoire réelle X , on peut alors
utiliser l’inégalité de Bienayme-Tchebytchev.
a a
xi  3500 x j  4500
 4000  a E ( X )  4000  4000  a
 a  500  a  500
On peut remarquer que X  E ( X )  a, E ( X )  a  d’où l’utilisation de la 1ère forme de l’inégalité.
P  X  E ( X )  a 
Var ( X )
a2
P ( 4500  X  3500)  P  X  E ( X )  a
 P  X  4000  500
P  X  4 000  500 
Var ( X )
a2
P X  4 000  500 
10 000
 0.04
500 2
P (4500  X  3500)  0.04
P (4500  X  3500)   0,0.04 
| P a g e 81
Exemple 8
Soit la variable aléatoire réelle X tel que X désigne le nombre de boules blanches obtenues lorsqu’on tire avec
remise 8 fois de suite une boule d’un sac qui contient 10 boules dont 5 blanches.

2. Calculer la probabilité ci-après : P (1  X  6) en utilisant la loi connue
3. Donner une borne pour la probabilité précédente en supposant :
 Que l’on ignore la loi de probabilité de la variable aléatoire réelle X

 Que la moyenne et la variance de la variable aléatoire réelle X sont données et qu’elles sont
respectivement égales à 4 et à 2
4. Quelle remarque peut-on faire.
Solution
1. Détermination de la loi de probabilité de la variable aléatoire réelle X

a. Le support
X ()  0,1,2,...,8
b. La fonction de masse
La variable aléatoire réelle X suit une loi binomiale de paramètres : n  8 p  0.5

x 8 x
1 1
P( X  x)  C    x
8
2 2
2. Calcul de P (1  X  6) par utilisation de la loi connue
P (1  X  6)  P (2  X  6)
 F (6)  F (1)
6 1
  P( X  x)   P( X  x)
x 0 x 0
x 8 x x 8 x
6
1 1 1
1 1
 C    
x
8  C     x
8
x 0 2 2 x 0 2 2
 0.9297
3. Détermination de la borne pour la probabilité précédente
Puisqu’on suppose que la loi de probabilité de la variable aléatoire réelle X n’est pas connue, on peut alors utiliser
l’inégalité de Bienayme-Tchebytchev et notamment la 2ème forme, ce qui signifie que l’on va déterminer une borne
inférieure.
a a
xi  2 xj  6
 4a E( X )  4  4a
a2 a2
| P a g e 82
On peut remarquer que X  E ( X )  a, E ( X )  a  d’où l’utilisation de la 2ème forme de l’inégalité.
P  X  E ( X )  a  1 
Var ( X )
a2
P ( 2  X  6)  P  X  E ( X )  a
 P  X  4  2
P  X  4  2  1 
Var ( X )
a2
P X  4  2  1  2  0.50
2
2
P (2  X  6)  0.50
P (2  X  6)   0.50,1 
4. Remarque
La probabilité déterminée par la loi exacte est de 0.8203 et on peut écrire :
0.9297   0.50,1 
| P a g e 83

Chapitre 4 Introduction A L'etude Des Lois de Probabilite Des Variables Aleatoires Reelles Continues A Une Dimension

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 4 Introduction A L'etude Des Lois de Probabilite Des Variables Aleatoires Reelles Continues A Une Dimension

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Supérieure des Sciences de Gestion d’Annaba

 La loi NORMALE appelée aussi loi de LAPLACE-GAUSS

 La loi du KHI-DEUX appelée aussi loi de KARL-PEARSON

1.2.2 Les caractéristiques numériques

1.2.5 La fonction génératrice des probabilités

6. Calculer les probabilités relatives aux évènements ci-après :

 Le temps d’attente est supérieur à 12 mn

2. Représentation graphique de la loi de probabilité

3. Déduction de la fonction de répartition

4. Représentation graphique de la fonction de répartition

5. Déduction des caractéristiques numériques

c. Le temps d’attente est compris entre 5 et 12 mn

2. ETUDE THEORIQUE DE LA LOI NORMALE

 Ces facteurs sont mutuellement indépendants en probabilité

f est continue sur IR

Le tableau de variation de la dérivée première

 f (x) est croissante dans le domaine  , m 

 x 1 : 1er point d’inflextion de la courbe

 x2 : 2ème point d’inflextion de la courbe

Le tableau de variation de la dérivée seconde

2.1.2 Les caractéristiques numériques

Cette égalité exprime la propriété de symétrie que possède la loi normale.

2.1.4 La fonction génératrice des moments

3. ETUDE THEORIQUE DE LA LOI NORMALE CENTREE-REDUITE

g est continue sur IR

Le tableau de variation de la dérivée première

 g (t ) est croissante dans le domaine  ,0 

 t 1 : 1er point d’inflextion de la courbe

 t 2 : 2ème point d’inflextion de la courbe

On peut remarquer que : g (1)  g (1)  1

3.4 Les caractéristiques numériques de la variable normée

Ce qui peut s’écrire aussi comme suit :

3.5 La fonction génératrice des probabilités

3.6 La fonction génératrice des moments

3.7 La fonction de répartition

P(ti  T  t j )  GT (t j )  GT (ti ) (ti  t j ) (i  j )

Il faut au préalable remarquer que notre valeur de t comprend 3 positions : X.XX

La 1ère et la 2ème positions se lisent dans la 1ère colonne (X.X)

position) sachant qu’on peut écrire : X.XX = X.X + 0.0X

Soit t=1.33 et 1.33 = 1.3 + 0.03

 3ème position: la valeur 0.03 se lit dans la 1ère ligne de la table

 GT (1.33) se lit à l’intersection de la valeur 1.3 et de la valeur 0.03

Probability Greater than Lower Bound is 0.90824

 Calcul de P(8  X  16)

Density Probability between Limits is 0.81648

Density Probability outside Limits is 0.18352

0.3 GT (1.33  GT (1.33)  0.8164

t 0.00 0.01 0.02 0.03 0.04

0.0 0,5199 0,5239 0,5279 0,5319 0,5359

0.2 0,5987 0,6026 0,6064 0,6103 0,6141

0.3 0,6368 0,6406 0,6443 0,6480 0,6517

0.7 0,7734 0,7764 0,7794 0,7823 0,7852

0.8 0,8023 0,8051 0,8078 0,8106 0,8133

Extrait de la table pour les grandes valeurs de t

G(t) 0,99865 0,99903 0,99931 0,99952 0,99966

3.8 La fonction de densité impaire

 h (t ) : fonction de densité impaire

De manière générale, nous avons :

Cette propriété montre que la fonction h est une fonction impaire.

P (t i  T  t j )  h (t j )  h (t i ) (t i  t j i  j)

P (ti  T  ti )  h (ti )  h (ti )

Density Probability Less than Upper Bound is 0.90824

Density Probability Greater than Lower Bound is 0.90824