Académique Documents
Professionnel Documents
Culture Documents
Aléatoires et Lois
Usuelles
1ère année Licence Nationale Sciences de Gestion
Support de cours
𝑃[𝑋 = 𝑥𝑖 ] = 𝑃[𝐴𝑖 ] = 𝑃 ራ 𝐴𝑖 =𝑃 𝛺 =1
𝑖=1 𝑖=1 𝑖=1
Application 2 : On prend le même exemple : Jet successif de deux
Dés: 𝜴 = {(𝒊, 𝒋), 𝒊 = 𝟏, 𝟐,... 𝟔 𝒆𝒕 𝒋 = 𝟏, 𝟐, ... 𝟔}:
𝑋∶ 𝛺 → ℝ
(𝑖, 𝑗) ↦ 𝑖 + 𝑗
est une v.a discrète avec 𝑿(𝛺) = {𝟐, 𝟑, . . . 𝟏𝟐}
𝐹 ∶ ℝ → [0, 1]
𝑥 ↦ 𝑃[𝑋 ≤ 𝑥]
Remarque: Si X est une v.a discrète tq 𝑋(𝛺) =
{𝑥1, 𝑥2, … 𝑥k}, alors ∀𝑥 ∈ ℝ
𝐹(𝑋) = 𝑃[𝑋 = 𝑥𝑖 ]
𝑥𝑖 ≤𝑥
Propriétés de la Fonction de Répartition
1) 𝑭 𝑿 ∈ [𝟎 , 𝟏 ]
2) lim 𝑭 𝑿 = 𝟏 et lim 𝑭 𝑿 = 𝟎
+∞ −∞
𝐸 𝑋 = 𝑥𝑖 𝑃[𝑋 = 𝑥𝑖 ]
𝑥𝑖 ∈𝑋(Ω)
3) 𝐸 𝑎 𝑋 = 𝑎 𝐸(𝑋)
4) 𝐸 𝑋 + 𝑏 = 𝐸 𝑋 + 𝑏
Propriétés de l’Espérance
𝐸 𝑎𝑖 𝑋𝑖 = 𝑎𝑖 𝐸(𝑋𝑖 )
𝑖=1 𝑖=1
6) Si 𝑌 = 𝑋 − 𝐸 𝑋 ⟹ 𝐸 𝑌 = 0
◼ 1.4.2. Variance et Ecart type
Définition 6: La variance d'une v.a X est l'espérance
des carrés des écarts à l'espérance de X. L'écart type
est la racine carré de la variance:
2
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋−𝐸 𝑋
𝜎𝑋 = 𝑉𝑎𝑟(𝑋)
2) 𝑽𝒂𝒓 𝒂 𝑿 = 𝒂𝟐 𝑽𝒂𝒓(𝑿)
Démonstration:
2
𝑉𝑎𝑟 𝑎 𝑋 = 𝐸 𝑎𝑋−𝐸 𝑎𝑋
2 2 2
=𝐸 𝑎 𝑋 + 𝐸 𝑎𝑋 − 2𝑎𝑋𝐸 𝑎𝑋
2 2 2 2
=𝑎 𝐸 𝑋 +𝑎 𝐸 𝑋 − 𝐸 2𝑎2 𝑋𝐸 𝑋
2
= 𝑎2 𝐸 𝑋 2 + 𝑎2 𝐸 𝑋 − 2𝑎2 𝐸 𝑋 𝐸 𝑋
2
= 𝑎2 𝐸 𝑋 2 − 𝑎2 𝐸 𝑋
2
= 𝑎2 𝐸 𝑋 2 − 𝐸 𝑋 = 𝑎2 𝑉𝑎𝑟(𝑋)
Propriétés de la Variance
3) 𝑽𝒂𝒓 𝑿 + 𝒂 = 𝑽𝒂𝒓(𝑿)
Démonstration:
2
𝑉𝑎𝑟 𝑋 + 𝑎 = 𝐸 (𝑋 + 𝑎) − 𝐸 𝑋 + 𝑎
= 𝐸 (𝑋 + 𝑎 − 𝐸 𝑋 − 𝑎)2
2 2
=𝐸 𝑋−𝐸 𝑋 = 𝐸 𝑋2 − 𝐸 𝑋
= 𝑉𝑎𝑟(𝑋)
Application 3 : Soit X une v.a discrète définie sur 𝑿(𝜴) =
{𝟏, 𝟐, 𝟑, 𝟒} tq
𝑥𝑖
∀ 𝑥𝑖 ∈ 𝑋 𝛺 : 𝑃[𝑋 = 𝑥𝑖 ] = , et soient les v.a: 𝑌 = 𝑋 3 , 𝑍 =
10
2𝑋, 𝑊 = 3𝑋 + 5
Calculez 𝑬(𝑿), 𝑬(𝒀), 𝑬(𝒁), 𝑬(𝑾), 𝑽𝒂𝒓(𝑿), 𝑽𝒂𝒓(𝒁) , 𝑽𝒂𝒓(𝑾)
Réponse: 𝐸 𝑋 = 𝑥 𝑃[𝑋 = 𝑥 ]
𝑖 𝑖
𝑥𝑖 ∈𝑋(Ω)
𝐸 𝑋 = 1× 𝑃 𝑋 = 1 + 2× 𝑃 𝑋 = 2
+(3 × 𝑃 𝑋 = 3 ) + (4 × 𝑃 𝑋 = 4 )
1 2 3 4
𝐸 𝑋 = 1× + 2× + 3 × + 4 ×
10 10 10 10
1 4 9 16 30
𝐸 𝑋 = + + + = =3
10 10 10 10 10
Application 3
Soit X une v.a discrète définie sur 𝑿(𝜴) = {𝟏, 𝟐, 𝟑, 𝟒} tq
𝑥𝑖
∀ 𝑥𝑖 ∈ 𝑋 𝛺 : 𝑃[𝑋 = 𝑥𝑖 ] = , et soient les v.a: 𝑌 = 𝑋 3 , 𝑍 =
10
2𝑋, 𝑊 = 3𝑋 + 5
Calculez 𝑬(𝑿), 𝑬(𝒀), 𝑬(𝒁), 𝑬(𝑾), 𝑽𝒂𝒓(𝑿), 𝑽𝒂𝒓(𝒁) , 𝑽𝒂𝒓(𝑾)
Réponse: 𝐸 𝑌 = 𝑦 𝑃[𝑌 = 𝑦 ]
𝑖 𝑖
𝑦𝑖 ∈𝑋(Ω)
𝐸 𝑌 = 1× 𝑃 𝑌 = 1 + 2× 𝑃 𝑌 = 2
+(3 × 𝑃 𝑌 = 3 ) + (4 × 𝑃 𝑌 = 4 )
13 23 33 43
𝐸 𝑌 = 1× + 2× + 3 × + 4 ×
10 10 10 10
1 16 81 256 354
𝐸 𝑌 = + + + = = 35,4
10 10 10 10 10
Application 3
Soit X une v.a discrète définie sur 𝑿(𝜴) = {𝟏, 𝟐, 𝟑, 𝟒} tq
𝑥𝑖
∀ 𝑥𝑖 ∈ 𝑋 𝛺 : 𝑃[𝑋 = 𝑥𝑖 ] = , et soient les v.a: 𝑌 = 𝑋 3 , 𝑍 =
10
2𝑋, 𝑊 = 3𝑋 + 5
Calculez 𝑬(𝑿), 𝑬(𝒀), 𝑬(𝒁), 𝑬(𝑾), 𝑽𝒂𝒓(𝑿), 𝑽𝒂𝒓(𝒁) , 𝑽𝒂𝒓(𝑾)
Réponse:
𝐸 𝑍 = 𝐸 2𝑋 = 2 𝐸 𝑋 = 6
𝐸 𝑊 = 𝐸 3𝑋 + 5 = 3 𝐸 𝑋 + 5 = 9 + 5 = 14
𝐸 𝑋2 = 𝑥𝑖2 𝑃 𝑋 = 𝑥𝑖
𝑥𝑖 ∈𝑋 Ω
Application 3
Soit X une v.a discrète définie sur 𝑿(𝜴) = {𝟏, 𝟐, 𝟑, 𝟒} tq
𝑥𝑖
∀ 𝑥𝑖 ∈ 𝑋 𝛺 : 𝑃[𝑋 = 𝑥𝑖 ] = , et soient les v.a: 𝑌 = 𝑋 3 , 𝑍 =
10
2𝑋, 𝑊 = 3𝑋 + 5
Calculez 𝑬(𝑿), 𝑬(𝒀), 𝑬(𝒁), 𝑬(𝑾), 𝑽𝒂𝒓(𝑿), 𝑽𝒂𝒓(𝒁) , 𝑽𝒂𝒓(𝑾)
Réponse:
𝐸 𝑋2 = 𝑥𝑖2 𝑃 𝑋 = 𝑥𝑖
𝑥𝑖 ∈𝑋 Ω
𝜇𝑟 = 𝐸 𝑋 𝑟
Définition 9: On appelle moment centré d'ordre 𝑟 d'une
v.a 𝑋 le nombre:
𝑟
𝑀𝑟 = 𝐸 𝑋−𝐸 𝑋
𝒌 1 2 3 4 5 6
𝟏 𝟐 𝟑 𝟒 𝟓 𝟔
𝑷(𝑿 = 𝒌)
𝟐𝟏 𝟐𝟏 𝟐𝟏 𝟐𝟏 𝟐𝟏 𝟐𝟏
𝟏 𝟑 𝟔 𝟏𝟎 𝟏𝟓
𝑷(𝑿 ≤ 𝒌) 𝟏
𝟐𝟏 𝟐𝟏 𝟐𝟏 𝟐𝟏 𝟐𝟏
Application 4
On considère un dé cubique truqué dont les faces sont numérotées de 1 à 6 et on
note X la variable aléatoire donnée par le numéro de la face du dessus. On
suppose que le dé est truqué de sorte que la probabilité d’obtenir une face est
proportionnelle au numéro inscrit sur cette face.
1
3. On pose 𝑌 = . Déterminez la loi de Y, et son espérance.
𝑋
Réponse:
𝟏 𝟏 1 1 1 1 1
𝒀= donc 𝐤′ = Y prend donc ses valeurs dans 1, , , , ,
𝑿 𝒌 2 3 4 5 6
𝟏 𝟏 𝟏 𝟏 𝟏
𝒌′ 𝟏
𝟐 𝟑 𝟒 𝟓 𝟔
𝟏 𝟐 𝟑 𝟒 𝟓 𝟔
𝑷(𝒀 = 𝒌′)
𝟐𝟏 𝟐𝟏 𝟐𝟏 𝟐𝟏 𝟐𝟏 𝟐𝟏
𝟔 𝟏 𝟏 𝟐 𝟏 𝟑 𝟏 𝟒
𝑬 𝒀 = 𝒌′ 𝑷(𝒀 = 𝒌′) = 𝟏 × 𝟐𝟏 + 𝟐 × 𝟐𝟏 + 𝟑 × 𝟐𝟏 + 𝟒 × 𝟐𝟏
𝒌′=𝟏 𝟏 𝟓 𝟏 𝟔 𝟔 𝟐
+ × + × = = = 𝟎, 𝟐𝟖𝟔
𝟓 𝟐𝟏 𝟔 𝟐𝟏 𝟐𝟏 𝟕
Section 2: Lois Discrètes
Usuelles
◼ 2.1. Loi Uniforme Discrète
Définition 1: Une v.a 𝑿 suit la loi uniforme discrète si et
seulement si:
𝑿(𝜴) = {𝟏, 𝟐, . . . , 𝒏}
ቐ 1
𝑃[𝑋 = 𝑘] = ∀ 𝑘 ∈ 𝑋(𝛺)
𝑛
Théorème 1: Si X suit la loi uniforme discrète
𝒏+𝟏 𝒏𝟐 − 𝟏
𝑬 𝑿 = 𝑽𝒂𝒓 𝑿 =
𝟐 𝟏𝟐
Démonstration:
𝒏 𝒏
𝟏 𝟏 (𝒏 + 𝟏)
𝑬 𝑿 = 𝒌 = 𝒌 =
𝒏 𝒏 𝟐
𝒊=𝟏 𝒊=𝟏
𝒏
𝒏(𝒏 + 𝟏)
𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝒌 =
𝒊=𝟏 𝟐
𝒏 𝒏
𝟐
𝟏 𝟐
𝟏 𝟐
(𝒏 + 𝟏)(𝟐𝒏 + 𝟏)
𝑬 𝑿 = 𝒌 × = 𝒌 =
𝒏 𝒏 𝟔
𝒊=𝟏 𝒊=𝟏
𝒏
𝒏(𝒏 + 𝟏)(𝟐𝒏 + 𝟏)
𝟐
𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝒌 =
𝒊=𝟏 𝟔
𝟐 𝟐
𝑽𝒂𝒓 𝑿 = 𝑬 𝑿 − 𝑬 𝑿
𝟐
𝒏 + 𝟏 𝟐𝒏 + 𝟏 𝒏+𝟏 𝒏𝟐 − 𝟏
= − =
𝟔 𝟐 𝟏𝟐
Application 5 : Une boite contient 5 jetons portant le numéro 1, 5
jetons portant le numéro 2 et 5 jetons portant le numéro 3. On tire
au hasard un jeton dans la boite et on note X le numéro du jeton tiré.
Quelle est la loi de probabilité de X ?
Réponse: On a 3 éventualités qui sont 1, 2 et 3. On a :
𝟓 𝟏
𝑷 𝑿=𝟏 = =
𝟏𝟓 𝟑
𝟓 𝟏
𝑷 𝑿=𝟐 = =
𝟏𝟓 𝟑
𝟓 𝟏
𝑷 𝑿=𝟑 = =
𝟏𝟓 𝟑
𝟏
Donc toutes les probabilités sont égales à
𝟑
𝑃 𝑋=1 =𝑝
✓ቊ ⇔ ∀𝑘 ∈ 𝑋 𝛺 :
𝑃 𝑋 =0 =1−𝑝
𝑃[𝑋 = 𝑘] = 𝑝𝑘 (1 − 𝑝)1−𝑘
Exemple 1:
1
1) E: Jeux de pile ou face; 𝛺 = {𝑃, 𝐹}; 𝑝 = 𝑋(𝑃) =;
2
1, 𝑋(𝐹) = 0
2) E: Tirage d'une boule dans une urne qui contient 5 boules
5
blanches et 4 boules noires, 𝛺 = {𝐵, 𝑁} ; 𝑝 = ;
9
𝑋(𝐵) = 1; 𝑋(𝑁) = 0
Théorème 2 : Si 𝑋 ↝ ℬ(𝑝) alors ces moments non
centrés et centrés sont respectivement:
𝐸 𝑋 =𝑝 𝑉𝑎𝑟 𝑋 = 𝑝 (1 − 𝑝)
Application 6 : Un jeu de loterie consiste à un unique tirage au sort
d’une seule boule dans une urne. Cette urne contient 4 boules
blanches et 6 boules noirs. Soit la v.a. X « avoir une boule blanche »
pour gagner une somme d’argent de 100 DT.
Quelle est la loi de probabilité de X ?
Réponse: On a 2 éventualités
𝟒
Gain : avoir une boule blanche: = 𝟎, 𝟒
𝑿 𝟏𝟎
𝟔
Perte : avoir une boule noir : = 𝟎, 𝟔
𝟏𝟎
Donc nous avons deux résultats complémentaires: succès et
échec
Donc la loi de probabilité de X est la loi de Bernoulli.
◼ 2.3. Loi Binomiale 𝓑(𝒏 ; 𝒑)
Définition 3: Une v.a X suit une loi binomiale de
paramètres (𝒏 ; 𝒑) et on note 𝑿 ↝ 𝓑 (𝒏 ; 𝒑) si 𝑿(𝜴) =
{𝟎, 𝟏, 𝟐. . . 𝒏}, et ∀𝒌 ∈ 𝑿(𝜴)
𝒌 𝒌 𝒏−𝒌
𝑷𝑿 = 𝒌 = 𝑪𝒏 𝒑 (𝟏 − 𝒑)
Cette loi est utilisée chaque fois qu'on veut déterminer la
probabilité qu'un événement 𝐴 se réalise 𝑘 fois lors de n
répétitions indépendantes d'une expérience aléatoire 𝐸, avec
la probabilité 𝑝 de réalisation de 𝐴 reste constante au cours
des 𝑛 répétitions.
Remarques:
1. On vérifie bien que la somme des probabilités est égale à
1, en effet:
σ𝑛𝑘=0 𝑃[𝑋 = 𝑘] = σ𝑛𝑘=0 𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 =
𝑝 + 1 − 𝑝 = 1 (d’après la formule de binôme de
Newton)
2. 𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 est le terme général de la formule de
binôme de Newton, d'où la nomination loi binomiale.
3. Si 𝑝 = 0,5 la loi binomiale est symétrique, c’est-à-dire
𝑃 𝑋 = 𝑘 = 𝑃[𝑋 = 𝑛 − 𝑘]
Exemple 2:
On considère 𝑛 tirages avec remise (tirage
bernoullien) dans une population dont la
proportion des individus ayant une modalité M
est 𝑝.
La v.a X définie par 𝑋 = nombre d'individus
parmi qui possèdent la modalité 𝑴 est une loi
binomiale 𝓑 (𝒏 ; 𝒑)
Propriétés
𝑛
σ
1. 𝑿 ↝ 𝓑 (𝒏 ; 𝒑) ⟺ 𝑋 = 𝑖=1 𝑋𝑖 où 𝑋𝑖 Identiquement
et Indépendamment Distribuées 𝓑 (𝒑) qu’on note :
𝐼𝐼𝐷 𝓑(𝒑)
2. 𝑿 ↝ 𝓑 (𝒏 ; 𝒑) alors
𝐸 𝑋 =𝑛𝑝 𝑉𝑎𝑟 𝑋 = 𝑛 𝑝 (1 − 𝑝)
3. L'ensemble des lois binomiales est stable par addition
indépendante : Si 𝑋 et 𝑌 sont deux v.a indépendantes qui
suivent respectivement ℬ(𝑛 ; 𝑝) et ℬ(𝑚 ; 𝑝), alors la v.a
définie par :
𝒁 = 𝑿 + 𝒀 ↝ 𝓑(𝒏 + 𝒎 ; 𝒑)
Application 7 : Dans une entreprise, une machine produit des
pièces dont les dimensions très précises doivent être respectées. On
prélève dans cette production, successivement et avec remise n pièces
et on note X la v.a. représentant le nombre de pièces défectueuses.
Après un premier réglage, on constate une proportion de 30% de
pièces défectueuses.
Pour n = 5 :
1. Quelle est la loi de probabilité de la v.a. X ? Calculer son
espérance et son écart type.
2. Quelle est la probabilité que deux pièces soient défectueuses ?
3. Quelle est la probabilité qu’il n’y ait pas plus d’une pièce
défectueuse ?
Application 7
1. Quelle est la loi de probabilité de la v.a. X ? Calculer son
espérance et son écart type.
Pièce défectueuse: 𝟎, 𝟑
On a
Pièce non défectueuse: 𝟏 − 𝟎, 𝟑 = 𝟎, 𝟕
𝒏 = 𝟓 : on répète cette expérience aléatoire 𝒏 fois IID
Donc X suit la loi Binomiale de paramètre 𝒏 = 𝟓 et 𝒑 =
𝟎, 𝟑 et on note : 𝑿 ↝ 𝑩 𝟓 ; 𝟎, 𝟑
𝑃 𝑿 = 𝑘 = 𝐶𝑛𝑘 𝑝𝑘 1 − 𝑝 𝑛−𝑘
= 𝐶𝟓𝑘 𝟎, 𝟑𝑘 1 − 𝟎, 𝟑 𝟓−𝑘
Espérance: 𝑬 𝑿 = 𝒏 𝒑 = 𝟓 × 𝟎, 𝟑 = 𝟏, 𝟓
Ecart-type : 𝜎𝐗 = 𝑉(𝐗) = 𝒏 𝒑 (𝟏 − 𝒑) =
𝟓 × 𝟎, 𝟑 × (𝟏 − 𝟎, 𝟑) = 𝟏, 𝟎𝟓 = 𝟏, 𝟎𝟐𝟓
Application 7
2. Quelle est la probabilité que deux pièces soient défectueuses ?
𝑃 𝑿 = 𝟐 = 𝐶𝟓𝟐 𝟎, 𝟑𝟐 1 − 𝟎, 𝟑 𝟓−𝟐
𝑃 𝑿 = 𝟐 = 𝐶𝟓𝟐 𝟎, 𝟑𝟐 𝟎, 𝟕𝟑 = 𝟎, 𝟑𝟎𝟗
3. Quelle est la probabilité qu’il n’y ait pas plus d’une pièce
défectueuse ?
𝑃 𝑿 ≤ 𝟏 = 𝑷 𝑿 = 𝟎 + 𝑷(𝑿 = 𝟏)
𝑃 𝑿 ≤ 𝟏 = 𝐶𝟓𝟎 𝟎, 𝟑𝟎 1 − 𝟎, 𝟑 𝟓−𝟎 + 𝐶𝟓𝟏 𝟎, 𝟑𝟏 1 − 𝟎, 𝟑 𝟓−𝟏
𝑃 𝑿 ≤ 𝟏 = 𝐶𝟓𝟎 𝟎, 𝟑𝟎 𝟎, 𝟕𝟓 + 𝐶𝟓𝟏 𝟎, 𝟑𝟏 𝟎, 𝟕𝟒
𝑃 𝑿 ≤ 𝟏 = 𝟎, 𝟏𝟔𝟖 + 𝟎, 𝟑𝟔 = 𝟎, 𝟓𝟐𝟖
◼ 2.4. Loi de Poisson
◼ 2.4.1. Présentation et définition
La loi de Poisson est considérée comme la loi la plus importante et la plus
générale des lois discrètes.
Cette loi n'est pas adaptée à un modèle probabiliste particulier, elle est
valable pour la modélisation d'un grand nombre de phénomènes.
Cette loi est généralement utilisée lorsque on s'intéresse au nombre de
réalisations d'un événement très rare sur un grand nombre d'observations,
par exemple le nombre de pièces défectueuses dans un lot très important.
Ainsi, la loi de Poisson peut remplacer une loi binomiale ℬ(𝑛 ; 𝑝) si
l'échantillon n est important et la proportion p est faible.
C'est pourquoi la loi de Poison est souvent appelée loi des petits nombres
ou la loi des événements rares.
La loi de Poisson permet de décrire le nombre de
réalisations, sur un intervalle de temps T, d'un
événement E dont la probabilité de réalisation
✓ Par unité de temps est p ;
✓ Par unité de temps est indépendante du nombre
des réalisations antérieurs ;
✓ Plus qu'une fois par unité de temps tend vers zéro.
Exemple 3:
𝝀𝒌 −𝝀
𝑷𝑿 = 𝒌 = 𝒆
𝒌!
Remarque: On vérifie bien que la somme des probabilités est égale à 1,
en effet:
+∞ +∞ +∞
𝑘 𝑘
𝜆 −𝜆 𝜆
𝑃[𝑥 = 𝑘] = 𝑒 = 𝑒 −𝜆 = 𝑒 −𝜆 𝑒 𝜆
𝑘! 𝑘!
𝑘=0 𝑘=0 𝑘=0
(Développement limité de la fonction exponentielle)
Théorème 4: L'ensemble des lois de Poisson est
stable par addition indépendante: Si X et Y sont deux
v.a indépendantes qui suivent respectivement les lois
𝓟 (𝛌𝟏) et 𝓟 (𝛌𝟐) alors la v.a 𝐙 = 𝐗 + 𝐘 ↝ P(𝛌𝟏 +
𝛌𝟐 )
◼ 2.4.2. Caractéristiques
Théorème 5: Si v.a 𝑿 ↝ 𝓟 (𝝀) alors:
𝑬 𝑿 = 𝑽𝒂𝒓 𝑿 = 𝝀
Application 8 : Dans un guichet d’assurance, le nombre moyen de
clients qui arrivent pendant 15 minutes est égal à 3. Déterminez les
probabilités suivantes :
1. La probabilité d’avoir plus de 2 clients pendant 15 minutes.
Réponse: 𝜆𝑥 𝑒 −𝜆
𝑋 ↝Ρ 𝜆 ∶ 𝑃 𝑋=𝑥 =
𝑥!
X : nombre de clients qui arrivent pendant 15 minutes
𝑋 ↝ Ρ 3 : 𝜆 = 3 car t = 15 minutes
3𝑥 𝑒 −3
𝑋 ↝Ρ 3 ∶ 𝑃 𝑋=𝑥 =
𝑥!
𝑃 𝑋 >2 =1−𝑃 𝑋 ≤2
=1− 𝑃 𝑋 =0 +𝑃 𝑋 =1 +𝑃 𝑋 =2
30 𝑒 −3 31 𝑒 −3 32 𝑒 −3
=1− + + = 0,577
0! 1! 2!
Application 8
Dans un guichet d’assurance, le nombre moyen de clients qui arrivent
pendant 15 minutes est égal à 3. Déterminez les probabilités
suivantes :
2. La probabilité d’avoir au moins 1 client pendant 10 minutes.
Réponse: X : nombre de clients qui arrivent pendant 10 minutes
𝜆 = 3 avec t = 15 minutes lorsque t = 10 minutes : 𝜆 =?
Donc 𝜆 = 2 car t = 10 minutes
2𝑥 𝑒 −2
𝑋 ↝Ρ 2 ∶ 𝑃 𝑋=𝑥 =
𝑥!
𝑃 𝑋 ≥1 =1−𝑃 𝑋 <1 =1−𝑃 𝑋 =0
20 𝑒 −2
=1−
0!
= 0,865
Application 8
Dans un guichet d’assurance, le nombre moyen de clients qui arrivent
pendant 15 minutes est égal à 3. Déterminez les probabilités
suivantes :
3. La probabilité d’avoir au plus 3 clients pendant 30 minutes.
Réponse: X : nombre de clients qui arrivent pendant 30 minutes
𝜆 = 3 avec t = 15 minutes lorsque t = 30 minutes : 𝜆 =?
Donc 𝜆 = 6 car t = 30 minutes
6𝑥 𝑒 −6
𝑋 ↝Ρ 6 ∶ 𝑃 𝑋=𝑥 =
𝑥!
𝑃 𝑋 ≤ 3 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 + 𝑃[𝑋 = 3]
60 𝑒 −6 61 𝑒 −6 62 𝑒 −6 63 𝑒 −6
= + + +
0! 1! 2! 3!
= 0,151
Approximation de la loi Binomiale par la loi de
Poisson
𝑷𝑿 𝒂, 𝒃 = 𝑷 𝒂 ≤ 𝑿 ≤ 𝒃 = 𝑭 𝒃 − 𝑭(𝒂)
Où F est la fonction de répartition de la variable X.
Définition 3 : Densité de probabilité moyenne sur [a, b]: La
densité de probabilité linéaire moyenne d'une v.a 𝑋 sur
[𝑎, 𝑏] qu’on note 𝚫𝐗[𝐚, 𝐛] est la probabilité moyenne de 𝑋
sur l'intervalle [𝑎, 𝑏] qui est donnée par:
𝑷𝑿 [𝒂, 𝒃] 𝑭 𝒃 − 𝑭(𝒂)
∆𝑿 𝒂, 𝒃 = =
𝒃−𝒂 𝒃−𝒂
Définition 4: Densité de Probabilité en un point = Densité de
distribution de Probabilité: la densité de distribution de
probabilité (d.d.p) de la v.a 𝑋 au point 𝑥 noté 𝑓(𝑥), est la
valeur limite de densité de probabilité moyenne sur [𝑥, 𝑥 +
𝑑𝑥]
𝒇 𝒙 = 𝐥𝐢𝐦 ∆𝑿 [ 𝒙 , 𝒙 + 𝒅𝒙]
𝒅𝒙 ⟶𝟎
1) 𝐟 𝐱 = 𝐅′(𝐗)
2) 𝐟 𝐱 ≥ 0
+∞
3)−∞ 𝒇 𝒙 𝒅𝒙 = 𝟏
𝒃
4)𝒇 𝒂 𝒙 𝒅𝒙 = 𝑭 𝒃 − 𝑭(𝒂)
Propriétés
𝒙
5) 𝐅 𝐗 = −∞ 𝒇 𝒕 𝒅𝒕
Figure 1
𝑥
Etant donné que 𝐹 𝑋 = −∞ 𝑓 𝑡 𝑑𝑡 la zone
hachurée sur la courbe est 𝐹(𝑥0 )
❖Une fonction de répartition est aussi une fonction définie
sur ℝ dans l'intervalle [0,1], mais elle est croissante et
vérifie:
lim 𝐹(𝑋) = 0
𝑥→ −∞
lim 𝐹(𝑋) = 1
𝑥→ +∞
Ainsi sa représentation graphique est toujours de la forme:
Figure 2
▪3.1.2. Caractéristiques d’uneVariable Aléatoire Continue
+∞
1) Espérance : 𝐸 𝑋 = −∞ 𝑥 𝑓 𝑥 𝑑𝑥
2)Variance :
2
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝐸 𝑋
2 2
=𝐸 𝑋 − 𝐸 𝑋
2 +∞
Avec 𝐸 𝑋 = −∞ 𝑥 2 𝑓 𝑥 𝑑𝑥
𝑬 𝑿 =න 𝒙 𝜽 𝒆 −𝜽 𝒙 𝒅𝒙 = −𝒙 𝒆 −𝜽 𝒙 +∞− න −𝒆 −𝜽 𝒙
𝒅𝒙
𝟎
𝟎
𝟎
+∞ −𝜽𝒙 𝟏 +∞ 𝟏
(−𝜽𝒙)
Donc 𝑬 𝑿 = 𝒆 𝟎 𝒅𝒙 = − 𝒆 =
𝜽 𝟎 𝜽
Application 10
(−𝜃 𝑥)
𝑓 𝑥 =ቊ 𝜃 𝑒 𝑠𝑖 𝑥 ≥ 0 avec 𝜃 > 0
0 𝑠𝑖 𝑥 < 0
𝟐
Variance : 𝑽𝒂𝒓 𝑿 = 𝑬 𝑿𝟐 − 𝑬 𝑿
+∞ +∞
𝑬 𝑿𝟐 = න 𝒙𝟐 𝒇 𝒙 𝒅𝒙 = න 𝒙𝟐 𝜽 𝒆(−𝜽 𝒙) 𝒅𝒙
−∞ 𝟎
On applique une intégration par partie :
𝟐
On pose : ቊ 𝑼 = 𝒙 → 𝑼′ = 𝟐𝒙
𝑽 = −𝒆(−𝜽 𝒙) → 𝑽′ = 𝜽 𝒆(−𝜽 𝒙)
+∞ +∞
+∞
𝑬 𝑿𝟐 = න 𝒙𝟐 𝜽 𝒆(−𝜽 𝒙) 𝒅𝒙 = 𝟐
−𝒙 𝒆 −𝜽 𝒙
𝟎
− න −𝟐𝒙 𝒆 −𝜽 𝒙 𝒅𝒙
𝟎 𝟎
+∞ 𝑬(𝑿) 𝟐
Donc 𝑬 𝑿𝟐 = 𝟐 𝒙 𝟎 𝒆 −𝜽 𝒙 𝒅𝒙 = 𝟐 =
𝜽 𝜽𝟐
𝟐
𝟐 𝟐 𝟏 𝟏
𝑽𝒂𝒓 𝑿 = 𝑬 𝑿𝟐 − 𝑬 𝑿 = 𝟐− = 𝟐
𝜽 𝜽 𝜽
Application 10
(−𝜃 𝑥)
𝑓 𝑥 =ቊ 𝜃 𝑒 𝑠𝑖 𝑥 ≥ 0 avec 𝜃 > 0
0 𝑠𝑖 𝑥 < 0
𝒙
Fonction de Répartition: 𝑭 𝑿 = න 𝒇 𝒕 𝒅𝒕
−∞
𝒙 𝒙
𝒙
𝑭 𝑿 = න 𝒇 𝒕 𝒅𝒕 = න 𝜽 𝒆(−𝜽 𝒕) 𝒅𝒕 = − 𝒆 −𝜽 𝒕
𝟎 = −𝒆 −𝜽 𝒙 − −𝒆 −𝜽 𝟎
−∞ 𝟎
𝑭 𝑿 = − 𝒆 −𝜽 𝒙 + 𝒆 −𝜽 𝟎
= −𝒆 −𝜽 𝒙
+𝟏=𝟏− 𝒆 −𝜽 𝒙
−𝜽 𝒙
𝑭 𝑿 = ቊ𝟏 − 𝒆 𝒔𝒊 𝒙 ≥ 𝟎
𝟎 𝒔𝒊 𝒙 < 𝟎
◼ 3.2.Lois Continues Usuelles
◼ 3.2.1. Loi Uniforme Continue: Loi
Rectangulaire
Définition 5: Une v.a 𝑋 définie sur un espace de
probabilité suit la loi uniforme sur l'intervalle [𝑎, 𝑏] et on
note 𝑿 ↝ 𝑼[𝒂, 𝒃] si et seulement si:
𝟏
𝒇 𝒙 = ቐ𝒃 − 𝒂 𝒔𝒊 𝒙 ∈ [𝒂, 𝒃]
𝟎 𝒔𝒊𝒏𝒐𝒏
La représentation graphique de cette densité de probabilité est
comme suit:
𝒇(𝒙)
𝟏
𝒃−𝒂
𝒂 𝒃
Figure 3
Propriétés: Si 𝑋 ↝ 𝑈[𝑎, 𝑏]
𝒃𝒓+𝟏 −𝒂𝒓+𝟏
1) 𝑬 𝑿𝒓 =
𝒃−𝒂 (𝒓+𝟏)
𝒂+𝒃
2) 𝑬 𝑿 =
𝟐
𝒃−𝒂 𝟐
3) 𝑽𝒂𝒓 𝑿 =
𝟏𝟐
𝟎 𝒔𝒊 𝒙 ≤ 𝒂
(𝒙−𝒂)
4) 𝑭 𝑿 = ൞ 𝒔𝒊 𝒙 ∈ [𝒂, 𝒃]
𝒃−𝒂
𝟏 𝒔𝒊 𝒙 > 𝒃
La représentation graphique de la fonction de
répartition d'une loi uniforme continue sur [a, b]
est alors comme suit:
𝑭(𝑿)
𝒂 𝒃
Figure 4
◼ 3.2.2. Loi Normale: La Loi de Gausse
Une variable aléatoire continue suit la loi normale si ses
valeurs sont fonctions de plusieurs facteurs indépendants.
Ceci est le cas pour la majorité des variables économiques et
socio-économiques, d'où l'importance de cette loi dans le
domaine d'inférence statistique.
En effet les lois normales et notamment la loi normale
centrée réduite, sont les fondements de plusieurs
développements statistiques.
On commence ce paragraphe par introduire la loi normale
centrée réduite et on présentera ensuite la loi normale
généralisée.
◼ 3.2.2.1. Loi Normale Centrée et Réduite
◼ 3.2.2.1.1. Définition
Une variable aléatoire continue est dite normale centrée
réduite, et on note 𝑍 ↝ 𝑁(𝟎 ; 𝟏) si et seulement si sa d.
d. p (densité de probabilité) est donnée par :
𝟏 𝟏 𝟐
− 𝒛
𝒇 𝒛 = 𝒆 𝟐 ∀𝒛 ∈ ℝ
𝟐𝝅
◼ 3.2.2.1.2. Propriétés
1) La loi normale centrée réduite est symétrique par rapport
à l'origine: 𝒇 𝒛 = 𝒇( −𝒛)
2) Si on note par 𝚿 (𝑧) la fonction de répartition de la loi
normale 𝑁(0 ; 1), alors:
𝜳(𝒛) = 𝟏 − 𝜳(−𝒛)
3) Si 𝑧𝛼 est le fractile d’ordre 𝛼 de 𝑁(0; 1) alors:
𝒛𝜶 = −𝒛𝟏−𝜶
4) 𝑍 ↝ 𝑁(0; 1) alors :
𝑬 𝒁 = 𝟎 et 𝑽𝒂𝒓(𝒁) = 𝟏
Remarques:
1. 𝑷[|𝒁| < 𝒛] = 𝟏 − 𝟐𝜳(−𝒛) = 𝟐𝜳(𝒛) − 𝟏
1 − 𝑃 𝑍 < −𝑧 = 0,3594
⇔ −𝑧 = 0,36 ⇔ 𝑧 = −0,36
◼ 3.2.2.1.4. Représentation Graphique
La d. d. p d’une loi 𝑁(0 ; 1) est
1 1 2
− 𝑢
𝑓 𝑢 = 𝑒 2
2𝜋
On peut facilement démontrer que:
lim 𝑓 𝑢 = lim 𝑓 𝑢 = 0
+∞ −∞
𝑓′ 𝑢 = 0 ⟺ 𝑢 = 0
ቊ ⟺ max 𝑓 𝑢 = 𝑓(0)
𝑓′′ 𝑢 < 0
La représentation graphique de cette fonction est alors:
Figure 5
◼ 3.2.2.2. Loi Normale Généralisée
◼ 3.2.2.2.1. Définition
Une variable aléatoire X est une loi normale de paramètres 𝑚 et 𝜎 2 ,
on note 𝑋 ↝ 𝑁(𝑚 ; 𝜎 2 ) si elle est une transformation linéaire
d'une loi normale centrée réduite de la forme :
𝑿= 𝝈𝒁+𝒎
◼ 3.2.2.2.2. Densité de probabilité
Si 𝑋 ↝ 𝑁(𝑚 ; 𝜎 2 ) alors sa d. d. p est donnée par :
𝟏 𝒙−𝒎 𝟐
𝟏 −
𝟐 𝝈𝟐
𝒇 𝒙 = 𝒆
𝟐 𝝅 𝝈𝟐
◼ 3.2.2.2.3. Propriétés
1) Si 𝑋 ↝ 𝑁(𝑚 ; 𝜎 2 ) alors
𝑬 𝑿 = 𝒎 𝑽𝒂𝒓 𝑿 = 𝝈 𝟐
Figure 6
◼ 3.2.2.2.5. Fractiles d’une loi 𝑵 𝒎 ; 𝝈𝟐
Pour déterminer les fractiles d'une loi 𝑁(𝒎 ; 𝝈𝟐), on
utilise la table de la loi 𝑵(𝟎; 𝟏) et la relation établie :
𝑥−𝑚
𝐹 𝑥 = 𝛹
𝜎
𝟐
𝑿 ↝𝑵 𝒎; 𝝈
𝑋−𝑚
On pose Z = ↝ 𝑵 𝟎 ;𝟏
𝜎
Application 12: On considère la v.a 𝑋 tel que 𝑋 ↝ 𝑁(5 ; 4)
1. Déterminez
𝑿−𝒎 𝟓−𝟓
𝑷𝑿 < 𝟓 = 𝑷 < = 𝑷 𝒁 < 𝟎 = 𝟎, 𝟓
𝝈 𝟐
𝑿−𝒎 𝟓, 𝟕 − 𝟓
𝑷 𝑿 < 𝟓, 𝟕 = 𝑷 <
𝝈 𝟐
= 𝑷 𝒁 < 𝟎, 𝟑𝟓 = 𝟎, 𝟔𝟑𝟔𝟖
𝑷 𝑿 > 𝟐, 𝟗𝟒 = 𝟏 − 𝑷 𝑿 < 𝟐, 𝟗𝟒
𝑿−𝒎 𝟐, 𝟗𝟒 − 𝟓
= 𝟏 − 𝑷 <
𝝈 𝟐
= 𝟏 − 𝑷 𝒁 < −𝟏, 𝟎𝟑 = 𝟏 − 𝟏 − 𝑷 𝒁 < 𝟏, 𝟎𝟑
= 𝑷 𝒁 < 𝟏, 𝟎𝟑 = 𝟎, 𝟖𝟒𝟖𝟓
Application 12
On considère la v.a 𝑋 tel que 𝑋 ↝ 𝑁(5 ; 4)
2. Déterminez 𝑥 tel que :
𝑿−𝒎 𝒙−𝟓
𝑷 𝑿 < 𝒙 = 𝟎, 𝟓 ⇔ 𝑷 < = 𝟎, 𝟓
𝝈 𝟐
𝒙−𝟓
⇔𝑷 𝒁< = 𝟎, 𝟓 Or d’après la table de la loi normale
𝟐
𝒙−𝟓
𝑷 𝒁 < 𝟎 = 𝟎, 𝟓 ⇔ = 𝟎 𝒅𝒐𝒏𝒄 𝒙 = 𝟓
𝟐
𝑿−𝒎 𝒙−𝟓
𝑷 𝑿 < 𝒙 = 𝟎, 𝟕𝟖𝟓𝟐 ⇔ 𝑷 < = 𝟎, 𝟕𝟖𝟓𝟐
𝝈 𝟐
𝒙−𝟓
⇔ = 𝟎, 𝟕𝟗
𝟐
𝒅𝒐𝒏𝒄 𝒙 = 𝟎, 𝟕𝟗 × 𝟐 + 𝟓 ⇔ 𝒙 = 𝟔, 𝟓𝟖
Approximation de la loi Binomiale par la Loi
Normale