Université de Sousse 1ère année

Ecole Nationale d’Ingénieurs de Sousse IA, EI

Mr Maher Raddaoui

Probabilité et statistique
Chapitre 1 : Les lois de probabilité usuelles

Plan :

- Les lois de probabilité usuelles pour une variable aléatoire discrète

- Les lois de probabilité usuelles pour une variable aléatoire continue

1. Les lois de probabilité usuelles pour une variable aléatoire discrète

1.1 Loi uniforme

Cette loi modélise une expérience aléatoire dont les résultats sont équiprobables.
Nous disons alors qu’une v.a. X suit une loi uniforme discrète sur l’ensemble {x 1, x2, …, xn} si

Remarque :

Nous avons alors :

La loi uniforme est notée

Exemple : On lance un dé équilibré

1.2 Loi de Bernoulli

Cette loi intervient lorsque l’modélise l’état de fonctionnement d’un système. La probabilité
que le système fonctionne vaut p et la probabilité que le système ne fonctionne pas vaut 1-
p.
Nous disons alors qu’une v.a. X suit une loi de Bernoulli discrète sur l’ensemble si

La loi de Bernoulli de paramètre p est notée B(p)

Elle admet pour moments :

Exemple : On lance une pièce de monnaie équilibrée.

1.3 Loi Binomiale

Cette loi modélise une expérience aléatoire où on répète n fois de manière identique et
indépendante une épreuve de Bernoulli de paramètre p, p étant la probabilité d’avoir le
succès.
Nous disons alors qu’une v.a. X suit une loi Binomiale discrète de paramètre n et p si

La loi de Bernoulli de paramètres n et p est notée B(n, p)

Elle admet pour moments :

Exemple : On lance une pièce de monnaie n fois et on note X la variable aléatoire donnant le
nombre de succès obtenu lors des n lancés.

1.4 Loi géométrique

Cette loi modélise le rang du premier succès en répétant une épreuve de Bernoulli de
manière identique et indépendante à l’infini (théoriquement).
Nous disons alors qu’une v.a. X suit une loi géométrique discrète de paramètre p si
La loi géométrique de paramètre p est notée G (p)

Elle admet pour moments :

Exemple : On lance continuellement un dé non truqué jusqu’à obtenir un six. Désignant par X
la v.a. représentant le nombre de lancers nécessaires pour obtenir un six ( p = 1/6).

1.5 Loi d Poisson

On dit qu’une v.a. X suit une loi de Poisson de paramètre λ > 0 si P

La loi de Poisson de paramètre λ est notée P (λ)

Elle admet pour moments :

Remarque : Nous pouvons approcher une loi binomiale par une loi de Poisson, on doit au
moins souhaiter que ces deux lois aient la même espérance, il faut alors que λ = n.p. Cette
condition est nécessaire et non suffisante, pour qu’elle soit suffisante, nous devons avoir :

Exemple: Soit une loi binomiale de paramètres n = 35 et p = 0.1, nous sommes dans les
conditions d’approximation de cette loi par une loi de Poisson de paramètre λ = 0,1x35 = 3,5

2. Les lois de probabilité pour une variable aléatoire continue

2.1 Loi uniforme

Une v.a. X suit une loi uniforme continue si sa densité est constante sur un intervalle [a, b],
sa densité est alors donnée par :
Sa fonction de répartition est définie par :

La loi uniforme est notée

Elle admet pour moments :

2.2 Loi exponentielle

La loi exponentielle de paramètre λ > 0 est celle d’une variable positive de densité :

Sa fonction de répartition est définie par :

La loi uniforme est notée E (λ)

Elle admet pour moments :

2.3 Loi Normale ou Laplace-Gauss

C’est la loi d’une v.a. X à valeurs dans R de paramètre m et σ, de densité :

La loi normale est notée N (m,σ)

Elle admet pour moments :

Loi normale centrée réduite

La loi normale centrée réduite est une loi normale de paramètre m = 0 et σ = 1. On la note
N(0,1) et sa densité de probabilité est définie sur R par :

Si une v.a. X suit la loi normale N (m,σ), alors la v.a. suit la loi normale centrée

réduite N(0,1), réciproquement, si Z est une v.a qui suit la loi normale centrée réduite N(0,1) alors la
v.a. suit la loi normale N (m,σ).

Calcul des probabilités avec la loi normale centrée réduite

Si Z est une v.a. qui suit la loi normale centrée réduite N(0,1), alors sa fonction de répartition
est donnée par la formule :

Le calcul de cette intégrale est trop long, nous contournons ce calcul par l’utilisation d’une
table :
Proposition

2.4 Loi gamma

Une v.a. X de loi gamma de paramètre n > 0 et λ > 0 est positive, de densité :

La fonction gamma est définie pour tout n > 0 par :

La loi gamma est notée Γ(n, λ)

Elle admet pour moments :

Proposition

Remarque

La loi gamma Γ(1, λ) n’est autre que la loi exponentielle E (λ).

2.5 Loi du khi-deux

La loi du khi-deux à n degrés de liberté, notée X2(n), est la loi Γ(n/2, 1/ 2) où n est un entier
positif:

Elle admet pour moments :

Proposition

Si X → X2(n1) et Y → X2(n2) alors la variable aléatoire de X + Y → X2(n1 + n2)

2.6 Loi de Student

Soit Z une v.a. suivant une loi normale réduite N(0,1) et soit U une v.a indépendante de Z suivant
la loi de X2(n) à n degrés de liberté. Par définition, la variable :

Suit une loi de Student à n degrés de liberté.

La densité de T, notée fT, est donnée par :

Elle admet pour moments :

2.7 Loi de Fisher

Soient U1 et U1 deux v.a. suivant la loi de X2(n) de degrés de liberté respectivement n1 et n2. Par
définition, la variable :

Suit une loi de Fisher de degrés de liberté n1 et n2.

La densité de F, notée fF, est donnée par :

 donnée par
l’expression :

La fonction de répartition associée est :

Où I est la fonction bêta incomplète régularisée donnée par la formule suivante :

B(x ;a,b) est la fonction bêta incomplète définie par :