Académique Documents
Professionnel Documents
Culture Documents
Département Informatique.
Probabilités et Statistiques
(2ème année Licence Informatique)
Ce polycopié est en cours de rédaction. N’hésitez pas à transmettre toutes remarques ou à signaler
toutes coquilles ou erreurs à mon adresse électronique : yousri.henchiri@isamm.uma.tn
Yousri Henchiri, MA
Email: yousri.henchiri@isamm.uma.tn
30 octobre 2023
Yousri HENCHIRI Université De La Manouba
Proposition 1.1. Si X suit une loi uniforme sur l’ensemble {1, . . . , n} alors
Proposition 1.2. Si X suit une loi uniforme sur l’ensemble {1, . . . , n} alors sa fonction
de répartition, FX , est donnée par
k k 0, si bkc < 1,
k
FX (k) , 1(k ∈ J1, nK) = 1(16k<n) + 1(k>n) = , si 1 6 bkc < n,
n n n
1, si n 6 bkc.
k k
1.0
0.8
P (X = k ) = 0.125
0.6
P (X ≤ k )
0.4
0.2
0.0
1 2 3 4 5 6 7 8 0 2 4 6 8
k k
I Exercice :
Soit la variable aléatoire X le nombre indiqué sur un jeu de dé roulé. Calculer E(X), E(X 2 )
et V ar(X).
0.8
0.7
0.8
0.7
0.7
0.6
0.6
0.6
P (X = k )
P (X = k )
P (X = k )
0.5
0.5
0.5
0.4
0.4
0.4
0.3
0.3
0.2
0.3
0.2
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
k k k
Figure 3 – La fonction de masse pour la loi Bernoulli : Ber(1, 0.2), Ber(1, 0.5) et Ber(1, 0.8).
I Exercice :
X ∼ Ber(1, 1/6).
n n!
avec k = k!(n−k)! et on a X(Ω) = J0, nK.
Il est clair que X peut être regardé comme la somme de n variables indépendantes de Bernoulli
Yi de même probabilité de succès p.
X = Y1 + Y2 + . . . + Yn .
0.25
0.30
0.30
0.25
0.25
0.20
0.20
0.20
0.15
P (X = k )
P (X = k )
P (X = k )
0.15
0.15
0.10
0.10
0.10
0.05
0.05
0.05
0.00
0.00
0.00
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
k k k
Figure 4 – La fonction de masse pour une loi binomiale : Bin(10, 0.2), Bin(10, 0.5) et
Bin(10, 0.8).
Proposition 1.5. Si X suit une loi binomiale sur J0, nK alors sa fonction de répartition,
FX , est donnée par
0, si bkc < 0
k
k
!
X n X n j
FX (k) , p (1−p)j n−j
1(06k<n) +1(k>n) = p (1 − p)n−j si 0 6 bkc < n
j j
j=0
j=0
1, si bkc > n.
Démonstration.
n
X n k
E(X) = k p (1 − p)n−k
k
k=0
n
X n k
= k p (1 − p)n−k
k
k=1
n
X n−1 k n−k n n−1
= n p (1 − p) , avec k =n
k−1 k k−1
k=1
n−1
X n − 1
= n py+1 (1 − p)n−(y+1) , avec y = k − 1
y=0
y
n−1
X
n−1 y
= np p (1 − p)n−1−y
y=0
y
n−1
X
n−1 y
= np, avec p (1 − p)n−1−y = 1.
y=0
y
n
2
X
2 n k
E(X ) = k p (1 − p)n−k
k
k=0
n
X n k
= k2 p (1 − p)n−k
k
k=1
n
X n−1 k n n! n−1
= n k p (1 − p)n−k , avec k 2 =k = kn
k−1 k (k − 1)!(n − k)! k−1
k=1
n−1
X n − 1 y+1
= n (y + 1) p (1 − p)n−(y+1) , avec y = k − 1
y=0
y
n−1 n−1
X n − 1
X n−1 y
= np y p (1 − p)n−1−y + np py (1 − p)n−1−y
y=0
y y=0
y
= np(n − 1)p + np
= n(n − 1)p2 + np.
Alors
Supposons que 100 transactions dans une “population” de N = 100000 transactions sont
erronées.
(a) Quelle est la probabilité que dans un échantillon de n = 30 transactions tirées de cette
population avec remise, on trouve 2 transactions erronées ?
(b) Quelle est la probabilité de trouver au plus 2 transactions erronées ?
(c) Quelle est la probabilités de trouver plus de 2 transactions erronées ?
Solution.
I Exercice :
On sait par expérience qu’une certaine opération chirurgicale a 90% de chances de réussir.
On s’apprête à réaliser l’opération sur 5 patients. Soit X la variable aléatoire égale au
nombre de réussites de l’opération sur les 5 tentatives.
(a) Quel modèle proposez-vous pour X ?
(b) Quelle est la probabilité que l’opération rate les 5 fois ?
(c) Quelle est la probabilité que l’opération rate exactement 3 fois ?
(d) Quelle est la probabilité que l’opération réussisse au moins 3 fois ?
Solution.
I Exercice :
Soit X le nombre de têtes en 50 lancers d’une pièce de monnaie. Trouver E(X), V ar(X)
et P(X 6 10).
Solution.
I Exercice :
(a) On lance 10 fois de suite une pièce équilibrée et on note X le nombre de Pile obtenus.
On voit que X ∼ Bin(10, 1/2). Le√nombre moyen de Pile est donc naturellement
E(X) = 5 et l’écart-type vaut σX = 2.5.
(b) On lance 90 fois de suite un dé non pipé et on note Y le nombre de 4 obtenus. Dans ce
∼ Bin(90, 1/6). Le nombre moyen de 4 est donc E(Y ) = 15 et l’écart-type vaut
cas Y √
σY = 12.5.
0.3
0.15
0.4
P (X = k )
P (X = k )
P (X = k )
0.2
0.10
0.3
0.05
0.1
0.2
0.00
0.0
k k k
N1 n−1 N −n
E(X) = n = np et V ar(X) = np(1 − p)(1 − ) = np(1 − p) .
N N −1 N −1
Démonstration.
n N1 N −N1
X k n−k
E(X) = k N
k=0 n
n N1 −1 N −N1
N1 X k−1 n−k
= n N −1
N n−1
k=1
n−1 N1 −1 N −1−N1 +1
N1 X z n−1−z
= n N −1
N z=0 n−1
N1
= n = np.
N
m
X a b a+b
en utilisant = .
i=0
i m−i m
n N1 N −N1
X k n−k
E(X(X − 1)) = k(k − 1) N
k=0 n
n N1 −2 N −N1
N1 (N1 − 1) X k−2 n−k
= n(n − 1) N −2
N (N − 1)
k=2 n−2
n−2 N1 −2 N −2−N1 +2
N1 (N1 − 1) X z n−2−z
= n(n − 1) N −2
N (N − 1) z=0
n−2
N1 (N1 − 1)
= n(n − 1) .
N (N − 1)
Alors
I Exercice :
Solution.
+ Remarque 1.2. Si la population totale est très grande (pratiquement infinie), les
résultats des n tirages sont pratiquement indépendants et la probabilité d’obtenir un
"succès" à un certain tirage reste toujours voisine de p. Dans ce cas on peut considé-
rer X comme étant de loi Bin(n, p). Autrement dit, soit X ∼ H yperGeo(n; N1 , N ),
si n/N est petit (on suggère n/N < 0.1) alors X suit approximativement une loi
binomiale Bin(n, p), où p = N1 /N .
I Exercice :
On forme au hasard un comité de 5 étudiants choisis parmi les 5 filles et les 6 garçons d’une
classe. Quelle est la probabilité que 3 membre du comité soient des filles ? Faire le calcul
(a) exact, à l’aide de la loi hypergéométrique.
(b) approximatif, par la loi binomiale.
Solution.
Solution.
Loi P(X = 3)
H yperGeo(5, 5, 12) 0.26515
H yperGeo(5, 10, 24) 0.25692
H yperGeo(5, 20, 48) 0.25166
H yperGeo(5, 30, 72) 0.24984
Bin(5, 5/12) 0.24615
Dans tous les cas ci-dessus, n = 5 et p = 5/12. Nous voyons que les probabilités hypergéomé-
triques s’approchent de plus en plus de la probabilité binomiale à mesure que N1 et N augmentent,
de telle sorte que le rapport N1 /N = 5/12 reste constant.
0.35
0.35
0.30
0.30
0.25
0.25
0.20
0.20
P (X = k )
P (X = k )
0.15
0.15
0.10
0.10
0.05
0.05
0.00
0.00
0 1 2 3 4 5 0 1 2 3 4 5
k k
Figure 6 – La loi binomiale Bin(5, 5/12) et la loi Hypergéométrique H yperGeo(5, 30, 72).
λk
pX (k) = P(X = k) , exp(−λ), k = 0, 1, . . . , (λ > 0),
k!
et on a X(Ω) = N et on écrit X ∼ Pois(λ).
E(X) = λ et V ar(X) = λ.
0.20
0.4
0.3
0.15
0.3
0.2
P (X = k )
P (X = k )
P (X = k )
0.10
0.2
0.1
0.05
0.1
0.0
0.0
0.00
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
k k k
Démonstration.
+∞
X λi
E(X) = i exp(−λ)
i=0
i!
+∞
X λi
= i exp(−λ)
i=1
i!
+∞
X λi−1
= exp(−λ)λ
i=1
(i − 1)!
+∞ j
X λ
= exp(−λ)λ
j=0
j!
= exp(−λ)λ exp(λ) = λ.
+∞
X λi
E(X 2 ) = i2 exp(−λ)
i=0
i!
+∞
X λi
= i2 exp(−λ)
i=1
i!
+∞
X λi−1
= λ i exp(−λ)
i=1
(i − 1)!
+∞
X exp(−λ)λj
= λ (j + 1)
j=0
j!
+∞ +∞
X exp(−λ)λj X exp(−λ)λj
= λ j + = λ(λ + 1).
j=0
j! j=0
j!
2
V ar(X) = E(X 2 ) − E(X) = λ(λ + 1) − λ2 = λ.
Proposition 1.9. Si X suit une loi de Poisson de paramètre λ > 0 alors sa fonction de
répartition, FX , est donnée par
k
! 0, si bkc < 0
λj
k
X j
FX (k) , exp(−λ) 1(k>0) = X λ
j! exp(−λ) si bkc > 0.
j=0 j!
j=0
I Exercice :
Admettons que le nombre d’erreurs par page dans un livre suivre une distribution de Poisson
avec paramètre λ = 1/2. Calculer la probabilité qu’il y ait au moins une erreur sur une
page.
Solution.
Désignons par X le nombre d’erreurs sur une page. On aura
1
P(X > 1) = 1 − P(X = 0) = 1 − exp(− ) ' 0.393.
2
I Exercice :
Á partir de données statistiques, nous savons qu’il y a eu 2490 décès à Tunis en 2006.
Admettons que X, le nombre de décès à Tunis au cours des prochaines 24 heures, suit une
loi de Poisson. Calculer
(a) P(X = 4).
(b) P(X 6 3).
Solution.
Y = X1 + . . . + Xn ∼ Pois(λ1 + . . . + λn ).
Sous certaines conditions, la loi de Poisson peut être vue comme une approximation de la loi
binomiale.
Proposition
1.11. (Lien Binomiale-Poisson)
Soit pn une suite de réels compris entre 0 et 1 telle que lim npn = λ > 0. Pour
n>0 n↑+∞
tout n > 0, soit Xn une variable aléatoire de loi binomiale Bin(n, pn ), alors
λk
∀k ∈ N, P(Xn = k) →n↑+∞ exp(−λ) .
k!
Pour aller vite, lorsque n est grand et le paramètre p est assez petit, on a
Si X ∼ Bin(n, p), on peut approcher les probabilités P(X = x) par la fonction de pro-
babilité d’une variable X de loi Pois(λ), où λ = np, à condition que n est grand et le
paramètre p est assez petit. Calculer P(X = 4) lorsque : a) n = 10, b) n = 20, c)
n = 25, d) n = 30, e) n = 100, f) n = 200, g) n = 500, h) n = 1000, i)
n = 2000, j) n = 5000 et k) n = 10000, et comparer ces probabilités à celle calculée au
moyen d’une Pois(λ = 2.5).
Solution :
0.25
0.25
0.20
0.20
0.15
0.15
P (X = k )
P (X = k )
0.10
0.10
0.05
0.05
0.00
0.00
0 2 4 6 8 10 14 0 2 4 6 8 10 14
k k
Dans tous les cas ci-dessus, nous voyons que les probabilités binomiales s’approchent de plus
en plus de la probabilité poisson à mesure que n augmente et p diminue.
+ Remarque 1.3. Si n est grand mais si p n’est pas très petit (de sorte que typiquement
on n’ait pas np < 5), l’approximation de la loi binomiale par une loi de poisson n’est
plus valide. Néanmoins, on verra en fin de chapitre que le Théorème Centrale Limite
permet alors d’approcher la loi binomiale par une loi normale.
+ Remarque 1.4. Nous retrouvons d’autres lois usuelles (comme : la loi géométrique,
binomiale négative et multinomiale) mais ne seront pas abordées dans ce cours.
alors X prends ses valeurs dans (α, β) (X(Ω) = (α, β)). On écrit X ∼ U nif (α, β). Cette loi est
l’analogue continu de l’équiprobabilité dans le cas où Ω est de cardinalité finie.
Proposition 2.1. Si X suit une loi uniforme sur l’intervalle (α, β) alors
α+β (β − α)2
E(X) = et V ar(X) = .
2 12
Démonstration.
•
Z +∞ Z β
x
E(X) = xfX (x) dx = dx
−∞ α β−α
β − α2 1
2
=
2 β−α
α+β
= .
2
•
+∞ β
x2
Z Z
2 2
E(X ) = x f (x) dx =
−∞ α (β − α) dx
β 3 − α3
=
β−α
(β − α)(β 2 + α2 + αβ)
=
3(β − α)
(β + α2 + αβ)
2
= .
3
•
2
V ar(X) = E(X 2 ) − E(X)
(β − α)2 (β − α)2 (β − α)2
= − = .
3 4 12
Proposition 2.2. Si X suit une loi uniforme sur l’intervalle (α, β) alors sa fonction de
répartition, FX , est donnée par
x − α 0, si x 6 α,
x−α
FX (x; α, β) , 1(x ∈ (α, β)) + 1(x ∈ (β, +∞)) = , si α < x < β,
β−α β−α
1, si x > β.
1.0
0.8
0.8
probabilité commulée
probabilité
0.6
0.6
1/(β - α)
0.4
0.4
0.2
0.2
0.0
0.0
α β α β
Figure 9 – Densité et fonction de répartition de la loi uniforme sur l’intervalle (α, β).
I Exercice :
Soit X une variable uniforme sur l’intervalle (0, 10). Calculer les probabilités
(a) P(X < 3).
(b) P(X > 6).
(c) P(3 < X < 8).
Solution.
I Exercice :
À partir de 7 heures, les bus passent toutes les 15 minutes à un arrêt donné. Ils passent
donc à 7h00, 7h15, 7h30 et ainsi de suite. Un usager se présente entre 7h00 et 7h30 à cet
arrêt, l’heure exacte de son arrivée étant une variable uniforme sur cette période. Trouver
la probabilité qu’il doive attendre.
(a) moins de 5 minutes,
(b) plus de 10 minutes.
Solution.
On écrit X ∼ E xp((λ)) et X(Ω) = R+ . Une variable exponentielle est donc à valeurs dans
[0, +∞[. Plus λ est grand et plus la variable a des chances de prendre des valeurs proches de 0.
Démonstration.
Z +∞ Z +∞
E(X) = xfX (x) dx = λx exp(−λx) dx
−∞ 0
+∞
Z +∞
= −x exp(−λx) + exp(−λx) dx
0 0
1 1
= 0+ = .
λ λ
1.0
2.0
0.8
1.5
λ=2
λ = 12
0.6
probabilité
probabilité
λ=1
λ = 0.5
1.0
λ = 0.25
0.4
0.5
0.2
0.0
0.0
0 2 4 6 8 10 0 2 4 6 8 10
x x
Figure 10 – Illustration : plus λ est grand et plus la variable a des chances de prendre des valeurs
proches de 0.
Z +∞ Z +∞
2 2
E(X ) = x fX (x) dx = λx2 exp(−λx) dx
−∞ 0
+∞
Z +∞
= −x2 exp(−λx) + 2x exp(−λx) dx
0 0
2 2
= 0+ E(X) = 2 .
λ λ
Alors
2
V ar(X) = E(X 2 ) − E(X)
2 1 1
= − 2 = 2.
λ2 λ λ
1.0
4
0.8
3
fonction de répartition
0.6
densité
0.4
1
0.2
0.0
0
0 2 4 6 8 10 0 2 4 6 8 10
x x
I Exercice :
On suppose que la durée d’une conversation téléphonique, mesurée en minutes, est une
variable exponentielle de paramètre λ = 1/10. Vous arrivez à une cabine téléphonique et
quelqu’un passe juste devant vous avec quelle probabilité devrez-vous attendre :
(a) plus de 10 minutes ?
(b) entre 10 et 20 minutes ?
Solution.
0.8
0.6
1.0
F (x )
f (x )
θ = 1.4 κ = 0.5
θ = 1.4 κ = 1
θ = 1.4 κ = 2
0.4
0.5
θ = 1.4 κ = 0.5
θ = 1.4 κ = 1
0.2
θ = 1.4 κ = 2
0.0
0.0
0 2 4 6 8 0 2 4 6 8
x x
Figure 12 – Densités et fonctions de répartition de la loi Gamma avec différents paramètres (θ, κ).
E(X) = κ θ et V ar(X) = κ θ2 .
Démonstration.
•
Z +∞ Z +∞
E(X) = xfX (x; κ, θ) dx = xfX (x) dx
0 0
Z +∞
1
= x xκ−1 exp(−x/θ) dx
0 θκ Γ(κ)
Z +∞
1
= x(κ+1)−1 exp(−x/θ) dx
θκ Γ(κ) 0
+∞
θ1+κ Γ(1 + κ)
Z
1
= x(κ+1)−1 exp(−x/θ) dx
θκ Γ(κ) 0 θ1+κ Γ(1 + κ)
1+κ
θ Γ(1 + κ)
= κ
θ Γ(κ)
κΓ(κ)
= θ
Γ(κ)
= θκ.
•
Z +∞ Z +∞
E(X 2 ) = x2 fX (x; κ, θ) dx = x2 fX (x) dx
0 0
Z +∞
1
= x2 xκ−1 exp(−x/θ) dx
0 θκ Γ(κ)
Z +∞
1
= x(κ+2)−1 exp(−x/θ) dx
θκ Γ(κ) 0
θ2+κ Γ(2 + κ) +∞
Z
1
= κ 2+κ
x(κ+2)−1 exp(−x/θ) dx
θ Γ(κ) 0 θ Γ(2 + κ)
θ2+κ Γ(2 + κ)
=
θκ Γ(κ)
(κ + 1)κΓ(κ)
= θ2
Γ(κ)
= θ2 (κ + 1)κ.
•
2
V ar(X) = E(X 2 ) − E(X)
= θ2 (κ + 1)κ − θ2 κ2 = θ2 κ.
Proposition 2.7. Si X ∼ GAM (θ, n), avec n un entier positif, alors la fonction de répar-
tition de X, FX , est donnée par
n−1
X (x/θ)i
FX (x; θ, n) , 1 − exp(−x/θ).
i=0
i!
permettant d’évaluer la fonction de répartition d’une distribution GAM (θ, κ) à l’aide d’une dis-
tribution GAM (1, κ). En d’autres termes, si X est distribuée GAM (θ, κ) alors Y = X/θ est
distribuée GAM (1, κ). Si κ = n = entier et θ = 1, on a
Z x
1 n−1
FX (x; 1, n) = t exp(−t) dt
0 Γ(n)
et pour n = 1 on a
FX (x; 1, 1) = 1 − exp(−x).
et la formule explicite pour FX (x; 1, n) est donnée par
n−1
X xi
FX (x; 1, n) = 1 − exp(−x).
i=0
i!
Proposition 2.8.
(a) Le temps de la sème réalisation Xs d’un processus de Poisson d’intensité λ est une
variable Gamma de paramètres κ = s et θ = 1/λ.
(b) La somme de s variables indépendantes et de distribution exponentielle avec paramètre
λ est une variable de distribution gamma avec paramètres κ = s et θ = 1/λ.
I Exercice :
Soit κ > 0.
a) Montrer que Γ(κ + 1) = κΓ(κ).
b) En déduire une formule pour Γ( k2 ), où k est un entier positif impair.
Solution.
a) Il suffit d’intégrer par parties en posant u = xκ et dv = exp(−x). On a
Z +∞
Γ(κ + 1) = xκ exp(−x) dx
0
+∞
Z +∞
κ
= x (− exp(−x)) − − exp(−x)κxκ−1 dx
0 0
Z +∞
= 0+κ exp(−x)xκ−1 dx
0
= κΓ(κ).
I Exercice :
Soit X ∼ GAM (κ, θ). Trouver la densité de Y = c X, où c est une constante positive.
Solution.
Pour tout c > 0, on a que Y = c X est une transformation monotone (croissante) sur le support
de X qui est R+ . On peut alors utiliser le théorème des changement de variables. On a donc
d −1
fY (y) = fX (g −1 (y)) g (y) .
dy
y
On a g −1 (y) = c et d −1
dy g (y) = 1c . De plus, X ∼ GAM (κ, θ) alors
y 1 y κ−1 y
fX (g −1 (y); κ, θ) = fX ( ; κ, θ) = κ exp(−y/c θ)1( ∈]0, +∞[).
c θ Γ(κ) c c
En substituant ces valeurs dans le théorème, on obtient
1 y κ−1 y 1
fY (y) = exp(−y/c θ)1( ∈]0, +∞[) .
θκ Γ(κ) c c c
1
= y κ−1 exp(−y/c θ)1(y ∈]0, +∞[).
(c θ)κ Γ(κ)
On a alors Y ∼ GAM (κ, c θ).
I Exercice :
Solution.
On peut estimer l’intensité du processus à
Nous avons vu que le temps (mois) d’attente du troisième accident mortel suit une distribution
Gamma de paramètres κ = 3 et θ = 1/(1/6) = 6.
2
Z u √
erf(u) , √ exp(−t2 ) dt = 2ΦZ ( 2u) − 1.
π 0
1.2
µ=0 σ=1
0.5
µ=0 σ=1
1.0
0.4
0.8
0.3
F (z )
f (z )
0.6
0.2
0.4
0.1
0.2
0.0
0.0
-4 -2 0 2 4 -4 -2 0 2 4
z z
E(Z) = 0 et V ar(Z) = 1.
Démonstration.
Z +∞
E(Z) = zfZ (z) dz
−∞
Z +∞
(1) (1) z z2
= − fZ (z) dz où fZ (z) , − √ exp(− ),
−∞ 2π 2
+∞
= −fZ (z) = 0.
−∞
Z +∞
2
E(Z ) = z 2 fZ (z) dz
−∞
Z +∞
(2)
= fZ (z) + fZ (z) dz
−∞
Z +∞
(1) +∞
= fZ (z) −∞
+ fZ (z) dz
−∞
= 0 + 1 = 1,
et
V ar(X) = E(X 2 ) − (E(X))2 = 1 − 0 = 1.
ΦZ (−z) = 1 − ΦZ (z).
et
!
2.30753 + 0.27061 α 1/2
Φ−1
Z (p) ≈ α− , où α = − 2 ln(1 − p) , 0.5 6 p < 1.
1 + 0.99229 α + 0.04481 α2
et
Φ−1 −1
Z (p) = −ΦZ (1 − p), 0 < p 6 0.5.
La précision de ces approximations est excellente, l’erreur est de ±0.0001 pour la fonction
ΦZ (z) et ±0.003 pour la fonction inverse Φ−1
Z (p).
I Exercice :
Soit la variable aléatoire Z distribuée suivant une loi normale de paramètres (0, 1). Calculer :
(a) P(0 6 Z 6 1).
(b) P(−2 6 Z 6 1).
(c) P(|Z| 6 1).
Solution.
(a)
P(0 6 Z 6 1) = ΦZ (1) − ΦZ (0)
= 0.8413 − 0.5 = 0.3413.
(b)
P(−2 6 Z 6 1) = ΦZ (1) − ΦZ (−2)
= ΦZ (1) − (1 − ΦZ (2))
= ΦZ (1) + ΦZ (2) − 1
= 0.8413 + 0.4772 − 1 = 0.8185.
(c)
P(|Z| 6 1) = P(−1 6 Z 6 1)
= ΦZ (1) − ΦZ (−1)
= ΦZ (1) − (1 − ΦZ (1))
= 2ΦZ (1) − 1
= 2 × 0.8413 − 1 = 0.6826.
Le tableau suivant donne une liste des percentiles d’une distribution N (0, 1) pour certaines
valeurs particulières de γ.
γ 0.50 0.75 0.90 0.95 0.975 0.99 0.995 0.999 0.9995 0.99995 0.999995
zγ 0 0.675 1.282 1.645 1.960 2.326 2.576 3.090 3.291 3.891 4.417
I Exercice :
On a aussi
P(z0.05 < Z < z0.95 ) = 0.95 − 0.05 = 0.9.
ou
P(−z1−0.05 < Z < z1−0.05 ) = 0.9.
1 (x − µ)2
fX (x; µ, σ) , √ exp − , −∞ < x < +∞,
σ 2π 2σ 2
et on écrit X ∼ N (µ, σ 2 ).
E(X) = µ et V ar(X) = σ 2 .
Démonstration.
!
+∞
1 x − µ 2
Z
1
E(X) = x√ exp − dx
−∞ 2πσ 2 σ
Z +∞
= µ + σz fZ (z) dz, avec z = (x − µ)/σ,
−∞
Z +∞ Z +∞
= µ fZ (z) dz + σ zfZ (z) dz
−∞ −∞
= µ × 1 + σ × 0 = µ.
!
+∞
1 x − µ 2
Z
2 2 1
E(X ) = x √ exp − dx
−∞ 2πσ 2 σ
Z +∞ 2
= µ + σz fZ (z) dz, avec z = (x − µ)/σ,
−∞
Z +∞ Z +∞ Z +∞
2 2
= µ fZ (z) dz + 2µσ zfZ (z) dz + σ z 2 fZ (z) dz
−∞ −∞ −∞
= µ2 × 1 + 2µσ × 0 + σ 2 × 1 = µ2 + σ 2 ,
et
V ar(X) = E(X 2 ) − (E(X))2 = µ2 + σ 2 − µ2 = σ 2 .
X−µ
Proposition 2.11. Si X suit une loi normale de paramètres (µ, σ 2 ) et Z = σ alors
i) P(a 6 X 6 b) = ΦZ ((b − µ)/σ) − ΦZ ((a − µ)/σ), avec a, b ∈ R.
ii) P(X > b) = 1 − ΦZ ((b − µ)/σ), avec b ∈ R.
iii) P(|X| > b) = 1 − ΦZ ((b − µ)/σ) + ΦZ ((−b − µ)/σ), avec b ∈ R.
iv) Y = a + bX, avec a, b ∈ R, suit une loi normale de paramètres (a + bµ, b2 σ 2 ).
v) Le γ ème percentile d’une variable aléatoire X distribuée suivant une loi normale de
paramètres (µ, σ 2 ), notée xγ , est
xγ = µ + σzγ .
I Exercice :
Solution.
X − 100
P(92 6 X 6 110) = ΦZ ((110 − 100/8)) − ΦZ ((92 − 100/8)), avec Z= ,
8
= ΦZ (1.25) − ΦZ (−1)
= ΦZ (1.25) − 1 + ΦZ (1)
= 0.8944 − 1 + 0.8413
= 0.7357.
I Exercice :
Solution.
a)
2 − 3 X −3 5 − 3 −1 2
P(2 < X < 5) = P < < =P <Z< , où Z ∼ N (0, 1),
3 3 3 3 3
2 −1
= ΦZ − ΦZ
3 3
!
2 1
= ΦZ − 1 − ΦZ
3 3
≈ 0.7486 − (1 − 0.6293)
= 0.7486 − 0.3707 = 0.3779.
b)
X −3 0−3
P(X > 0) = P( > )
3 3
= P(Z > −1)
= 1 − ΦZ (−1)
= ΦZ (1) = 0.8413.
c)
P(|X − 3| > 6) = 1 − P |X − 3| 6 6
= 1−P −36X 69
−6 X −3 6
= 1−P 6 6
3 3 3
= 1−P −26Z 62
= 1 − ΦZ (2) − ΦZ (−2)
= 1 − ΦZ (2) − (1 − ΦZ (2))
= 2(1 − ΦZ (2)) = 2(1 − 0.9772) = 0.0456.
I Exercice :
Une compagnie de construction sait par expérience que la durée (en jours) nécessaire pour
compléter un certain type de constrution suit une distribution gaussienne approximative-
ment. Un projet de ce type est proposé et tenant compte de ses ressources humaines, la
compagnie estime à une chance sur 20 la probabilité de compléter le projet en moins de
20 jours et a une chance sur 100 de completer le projet en plus de 50 jours. Déterminer la
moyenne et l’écart-type de la distribution ?
Solution.
Soit X la durée en jours. Suivant l’énoncé, on a X ∼ N (µ, σ 2 ). On a
Donc
(20 − µ)/σ = Φ−1
Z (0.05) = z0.05 = −z1−0.05 = −z0.95 = −1.645.
d’où
µ − 1.645σ = 20 et µ + 2.326σ = 50.
On obtient
µ = 32.427 et σ = 7.555.
I Exercice :
Solution.
!
1) Y une variable aléatoire qui suit la loi N (−3, 4) N ((2 × 0) − 3, 2 × 1) .
2
2)
Y + 3 −1
P(Y < −4) = P <
2 2
−1 Y +3
= ΦZ , avec Z = ,
2 2
1
= 1 − ΦZ
2
= 1 − 0.6915 = 0.3085.
3)
Y +3
1 6
P(−2 < Y < 3) = P < <
2 2 2
1 Y +3
= ΦZ (3) − ΦZ avec Z= ,
2 2
= 0.9987 − 0.6915
= 0.3072.
I Exercice :
Soit X la durée de vie en mois d’une batterie et supposons que X ∼ N (60, 36).
a) La fraction de batteries qui tomberont en panne au cours d’une période de garantie de
quatre ans est donnée par
48 − 60
P(X 6 48) = ΦZ
6
= ΦZ (−2)
= 1 − ΦZ (2)
= 1 − 0.9772 = 0.0228.
La dernière formule contient un terme ±0.5 appelé correction pour la continuité donnant une
approximation plus précise.
I Exercice :
Un dé non-truqué est lancé 6000 fois et on note à chaque fois si le résultat ’1’ est observé.
Calculez la probabilité que le résultat ’1’ soit observé entre 950 et 1030 dois inclusivement.
Solution. Soit X le nombre de fois que le ’1’ est observé après 6000 essais. On sait que X suit
une distribution binomiale de paramètres n = 6000 et p = 1/6. La probabilité cherchée est
1030 k 6000−k
X 6000 1 5
P(950 6 X 6 1030) = .
k 6 6
k=950
L’évaluation de cette somme est laborieuse et exige une grande précision dans le calculs. On peut
l’évaluer en utilisant une approximation par une distribution gaussienne de paramètres (µ, σ) avec
I Exercice :
Montrer que
n
X nk 1
lim exp(−n) = .
n↑+∞ k! 2
k=0
I Exercice :
On lance 10 dés équilibrés. On cherche la probabilité que la somme des dix résultats soit
compris entre 30 et 40.
+ Remarque 2.3. Nous retrouvons d’autres lois usuelles (la loi beta, Cauchy, Wei-
bull, Logistic, Pareto, Gumbel, Laplace ou double exponentielle) mais ne seront pas
abordées dans ce cours.
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1. 1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1. 2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1. 3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1. 4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1. 5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1. 6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1. 7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1. 8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1. 9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.8788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.991 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000