Magalie Claeys-Bruno

LOI DE PROBABILITÉ
Quand on associe à chacune des valeurs possibles de la variable aléatoire la
probabilité qui lui correspond, on définit la loi de probabilité de la variable
aléatoire.
Si on connaît la loi de probabilité, on pourra avec quelques épreuves définir les
caractéristiques de la population étudiée.
La probabilité que X prenne la valeur xi est notée :
F(Xi) = Pr(X=Xi)

On définit également la fonction de répartition (courbe cumulative) qui donne

la probabilité que la variable aléatoire X prenne une valeur au plus égale à Xi
F(Xi)=Pr(X≤Xi) 100
90
80
70
60
50
40
30
20
10
0
0 3 6 9 12 15 18 20
MODÈLES PROBABILISTES

Modèles Modèles
probabilistes discrets probabilistes
continus
• La loi de Bernouilli • La loi normale
• La loi de Poisson
• La loi binomiale
• La loi géométrique
LA LOI NORMALE : UNE RÉFÉRENCE EN STATISTIQUE
Définition :
Une variable aléatoire continue X suit une loi normale si l'expression de sa distribution
est :
2
 X −µ 
1 − 0.5 
 σ 
f( X) = e
σ 2Π

La loi de distribution dépend de deux paramètres : µ et σ. Il est courant d'exprimer la

distribution normale sous la forme suivante N(µ , σ2)
Le graphique de cette distribution se présente sous une forme caractéristique connue
sous le nom de courbe en cloche.
N(μ,1) N(0,σ2)
 LA LOI NORMALE CENTRÉE RÉDUITE N(0,1)

Définition
Si une variable aléatoire continue X est distribuée selon une loi normale de
moyenne µ et de variance σ2 alors la variable aléatoire :

X−µ est distribuée normalement avec

Z= moyenne E(Z) = 0
σ
variance Var(Z) =1

L'expression de la distribution de
probabilité s'écrit

1 − 0. 5 Z 2
f( X) = e
2Π
LA LOI NORMALE - NORMALE CENTRÉE RÉDUITE

Variable normale Variable normale centrée réduite

X≈N(µ,σ²) Z≈N(0,1)
(-∞<X<+∞) (-∞<Z<+∞)
E(X)= µ E(X)= 0
Var(X)= σ² Var(X)= 1

Aire sous la
courbe =1

µ-4σ µ-3σ µ-2σ µ-1σ µ µ+1σ µ+2σ µ+3σ µ+4σ

X Z
LA LOI NORMALE - NORMALE CENTRÉE RÉDUITE

99.74%

95.44%
68.26%

2/3 population compris en 2 σ

μ -3σ μ -2σ μ -1σ μ μ+1σ μ+2σ μ+3σ

LA LOI NORMALE CENTRÉE RÉDUITE N(0,1)
La distribution normale est tabulée. Les tables de distribution normale se
présentent sous 2 formes mais dans tous les cas, elles ne donnent que les
probabilités pour des valeurs positives de Z.
F(Z) = F(-Z)
Pr(0≤Z≤z1)=Pr(-z1≤Z≤0)
La loi normale est une loi de probabilité, la surface entre la courbe et l'axe est
égale à 1
+∞ +∞
∫ f( X)dx = 1 ∫ f(Z)dz = 1
−∞ −∞

La probabilité que la variable aléatoire Z soit comprise entre les limites a et b, est
égale à l'aire entre les axes des abscisses, délimitée par les valeurs a et b et la
courbe de densité de probabilité.
b
Pr(a≤Z≤b)= ∫ f(Z)dz
a
•Pr(Z≤0.5)=?

Pr(Z≤0.5)= 0.6915

•Pr(0≤ Z≤0.5) = Pr(Z ≤0.5)-Pr(Z ≤0)

0.6915-0.5000
0.1915
•Pr(2.50≤Z)=?

Pr(2.50≤Z)= 1-Pr(Z ≤2.50)

1-0.9938
0.0062
•Pr(2.53≤Z)=?

Pr(2.53≤Z)= 1-Pr(Z ≤2.53)

1-0.9943
0.0057
•Pr(-1.50≤ Z≤2.00) =?

Pr(-1.50≤ Z≤2.00) = Pr(Z ≤2.00) - Pr(Z ≤-1.50)

Pr(Z ≤-1.50) = Pr(1.50 ≤Z)=1-Pr(Z ≤1.50)
1-0.9332=0.0668

Pr(-1.50≤ Z≤2.00) =0.9772-0.0668=0.9104

•Pr(-0.22≤ Z≤0.84) =?

Pr(-0.22≤ Z≤0.84) = Pr(Z ≤0.84) - Pr(Z ≤-0.22)

Pr(Z ≤-0.22) = Pr(0.22 ≤Z)=1-Pr(Z ≤0.22)
1-0.5871=0.4129
Pr(Z ≤0.84)=0.7995
Pr(-0.22≤ Z≤0.84) =0.7995-0.4129=0.3866
•Pr(-1.96≤ Z≤1.96) =?

Pr(-1.96≤ Z≤1.96) = Pr(Z ≤1.96) - Pr(Z ≤-1.96)

Pr(Z ≤-1.96) = Pr(1.96 ≤Z)=1-Pr(Z ≤1.96)

Pr(-1.96≤ Z≤1.96) =2*Pr(Z ≤1.96)-1=2*0.9750-1=0.95

•Pr(Z≤a) =0.95  a?

Pr(Z≤1.64) = 0.9495
Pr(Z≤1.65) = 0.9505

Pr(Z≤1.6445)≅0.950 a=1.645
LA LOI NORMALE CENTRÉE RÉDUITE N(0,1)
EXEMPLES D’APPLICATION

µ = 50 et σ=10.
Quelle est la probabilité si on fait une expérience d'obtenir un
résultat au moins égal à 67?

Z=(X-µ)/σ  (67-50)/10 = 1.7

Pr(Z≥1.70)= 1- Pr(Z≤1.70) = 1- 0.9554 = 0.0446

 INTERVALLE DE CONFIANCE POUR LA MOYENNE
 A partir d'un échantillon aléatoire de taille n, d'une population normale de variance σ2, on définit
un intervalle de confiance à 100(1-α)% de contenir la vraie valeur de μ par :
σ σ
x − zα / 2 * ≤ µ ≤ x + zα / 2 *
n n
avec zα/2 est la valeur de la variable normale centrée réduite

Dans le cas d'un échantillon grand (N>30), la variance estimée s2 peut être considérée comme
connue.

 Dans le cas d'un échantillon aléatoire de petite taille n avec n<30, d'une population normale de
variance σ2 inconnue, on définit un intervalle de confiance à 100(1-α)% de contenir la vraie
valeur de μ par :
s s
x − t α / 2;ν * ≤ µ ≤ x + t α / 2;ν *
n n
avec tα/2 est la valeur tabulée de la distribution de Student,
ν = n-1 degrés de liberté
INTERVALLES DE CONFIANCE

Construire les intervalles de confiances :

- autour d’une moyenne =50
- avec un écart type de 10

Valeurs
N=100 N=30 N=20 N=10
t ou z
10% 1.645 1.699 1.729 1.833
5% 1.96 2.045 2.093 2.262
1% 2.576 2.756 2.861 3.250

[ intervalles] N=100 N=30 N=20 N=10

10% [48.36 ; 51.65] [46.90 ; 53.10] [46.13 ; 53.87] [44.20 ; 55.80]
5% [48.04 ; 51.96] [46.3 ; 53.7] [45.32 ; 54.68] [42.85 ; 57.15]
1% [47.42 ; 52.58] [44.97 ;55.03] [43.60 ; 56.40] [39.72 ; 60.28]
LOI DE BERNOUILLI

La loi de Bernouilli est utilisée lorsqu’un phénomène aléatoire donne lieu à seulement
deux résultats possibles : succès ou insuccès; oui ou non; favorable ou défavorable

On appelle variable de Bernouilli une variable aléatoire discrète qui prend les valeurs 1 et
0 avec les probabilités p et 1-p.

Détermination de la loi de probabilité de la variable X

xi F(xi) = P(X=xi) P(X=x) = f(x) = px(1-p)1-x, x=0 ,1

1 P
0 1-p E(X) = p et Var (X) = p(1-p)
LA LOI BINOMIALE
Soit une série de n épreuves successives et indépendantes (épreuves de Bernouilli) dont l’issue de
chaque épreuve est soit « succès » avec une probabilité p, soit «insuccès» avec une probabilité
q=1-p, alors la probabilité d’avoir x succès en n épreuves est donnée par l’expression :

P(X=x)= Cnxpx (1-p) n-x

avec Cnx =n! /x! (n-x)!
X = 0,1,2,…,n, 0≤p<1
Conditions d’applications de la loi binomiale
L’issue de l’expérience ne comporte que 2 résultats possibles : succès ou insuccès
On répète n fois l’expérience et on s’intéresse au nombre de fois que l’évènement succès se réalise
La probabilité de réalisation de l’évènement succès est la même à chaque essai
Les essais sont indépendants et non exhaustifs
Caractéristiques importantes de la loi binomiale
E(X) = np
Var(X) = np(1-p)
LOI BINOMIALE

Fonctions de densité

Approximations de la loi binomiale

 Si p<0.10, la distribution binomiale B(n, p) peut être assimilée à une loi de Poisson P(np)

Si np>5 et nq>5, la distribution binomiale peut être assimilée à la loi normale N(np, npq)
 LA LOI DE POISSON

Occurrences d’un évènement donné par unité de temps ou d’espace; exemple du

nombre d’appels téléphoniques au standard d’une entreprise, nombre de fautes
dans une page…

La variable aléatoire est le nombre d’occurrences de l’évènement en question

Pr(X=k) = λ ke- λ /k!

 Caractéristiques importantes de la loi de poisson

E(X)=λ
Var(X)=λ
LA LOI DE POISSON

Fonctions de densité

Conditions d’applications de la loi de poisson

 On s’intéresse au nombre d’évènements par unité de temps ou

d’espace
 Le nombre d’évènements par unité de temps ou d’espace est
théoriquement illimité

Approximations de la loi de Poisson

Si n>18, la loi de Poisson P(λ) peut être assimilée à une loi normale
N(λ, λ)
 LA LOI GÉOMÉTRIQUE

Dans la cadre d’une expérience de Bernouilli, nous nous intéressons au nombre d’essais requis
jusqu’à l’apparition du premier succès

La variable aléatoire X correspond au nombre d’épreuves requises pour observer le succès

La probabilité d’avoir recours à x épreuves pour obtenir un premier succès est donnée par :

Pr(X=x) = (1-p)x-1p x=1,2,3…. 0<p<1

RÉCAPITULATIF SUR LES LOIS DE DISTRIBUTION
QUI, QUAND, COMMENT????

• « Je dois prendre le • « Je suis responsable • Je souhaite avoir 4

métro de la Timône à la
Rose, quelle est la
probabilité d’arriver en
20 min »
d’un centre d’appel. enfants : quelle est la
Quelle est la probabilité probabilité d’avoir deux
d’avoir 5 appels en garçons
défaut sachant qu’en
moyenne, 3 ne sont pas
traités par jour? »

Temps de Appel à un Avoir un

transport centre d’appel garçon

Loi de Poisson Loi binomiale Loi normale Loi de Bernouilli

Loi géométrique