Académique Documents
Professionnel Documents
Culture Documents
2019/2020
Soit une v.a. discrète X qui suit la loi binomiale B(n, p). On sait que
E(X) = np.
Xn Xn
k k n−k
En effet ; E(X) = kCn p (1 − p) = kCnk pk (1 − p)n−k . Comme
k=0 k=1
k−1
∀k = 1, 2, · · · , n, on a kCnk = nCn−1 , l’espérance E(X) s’écrit sous la
Xn Xn
k−1 k n−k k−1 k−1
forme : E(X) = nCn−1 p (1 − p) = np Cn−1 p (1 − p)n−k =
k=1 k=1
= np (p + (1 − p))n−1 = np
On aurait retrouvé ce résultat en remarquant que X est la somme de n
variables Xi , i = 1, 2, · · · , n, de Bernoulli indépendantes de même
paramètre p : X = X1 + X2 + · · · + Xn . On a alors :
E(X) = E(X1 ) + E(X2 ) + · · · + E(Xn ) = np
Soit une v.a. discrète X qui suit la loi binomiale B(n, p). On sait que
V ar(X) = np(1 − p).
En effet ; Comme X est la somme de n variables Xi , i = 1, 2, · · · , n, de
Bernoulli indépendantes de même paramètre p, on a :
V ar(X) = V ar(X1 + X2 + · · · + Xn )
= V ar(X1 ) + V ar(X2 ) + · · · + V ar(Xn ) = np(1 − p). Ce résultat peut
être retrouvé
Pn par 2unkcalcul : V ar(X)P= E(X 2 ) − (E(X))2 . On a :
E(X 2
Pn) = k=0 k C
k
n p (1 − p)
n−k =P nk=0 [k(k − 1) + k]Cnk pk (1 − p)n−k
= k=2 k(k − 1)Cnk pk (1 − p)n−k + nk=1 kCnk pk (1 − p)n−k
k−1 k−2
En remarquant que k(k − 1)Cnk = n(k − 1)Cn−1 = n(n − 1)Cn−2 , on a
X n Xn
k−2 k−2 k−1 k−1
E(X 2 ) = n(n−1)p2 Cn−2 p (1−p)n−k +np kCn−1 p (1−p)n−k
k=2 k=1
= n(n − 1)p2 (p + (1 − p))n−2 + np (p + (1 − p))n−1 = n(n − 1)p2 + np
On a donc V ar(X) = n(n − 1)p2 + np − n2 p2 = np(1 − p).
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 4 / 33
Calcul des moments de la loi de Poisson :
Soit X una v.a. (X ∼ P(λ)) qui suit une loi de Poisson de paramètre
λ > 0. On sait que E(X) = λ.
∞ ∞
X λk X λk−1
En effet, E(X) = ke−λ = λe−λ = λe−λ eλ = λ
k! (k − 1)!
k=0 k=1
Variance :
Sa variance est : V ar(X) = 1−p
2 .
2
P∞ 2 p
EnPeffet, E(X ) = k=0 k p(1 P − p)k−1
= ∞ P−∞1)p(1 − p)
k=0 k(k
k−1 + ∞
k=0 kp(1 − p)
k−1
k−2 1
= p(1 − p) k=2 k(k − 1)p(1 − p) +p
P∞ n−2 1
Comme n=1 n(n − 1)x = (1−x)3 pour |x| < 1, on a
2 1 2(1−p) 1
E(X 2 ) = p(1 − p) (1−(1−p))3 + p = p2
+ p et donc
2(1−p) 1 1 1−p
V ar(X) = p2
+ p − p2
= p2
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 6 / 33
Calcul des moments de la loi uniforme :
Soit une v.a. continue X suit une loi uniforme sur un intervalle [a, b]
Son espérance mathématique est : E(X) = a+b 2
Z +∞ Z b 2 b
x 1 x
En effet, E(X) = xf (x)dx = dx =
2 2 −∞ a b − a b − a 2 a
1 b −a
= b−a 2 = a+b
2
2
Sa variance est : V ar(X) = (a−b) . En effet,
Z +∞ Z 12
b 3 b
2 2 x2 1 x
E(X ) = x f (x)dx = dx =
3 −∞ a b − a b − a 3 a
1 b −a3 2 2
= b−a 3 = b +ab+a
3
2
2 2 a+b 2
V ar(X) = E(X ) − E(X)2 = b +ab+a
2 = (a−b)
3 − 2 12
Soit une v.a. continue X suit une loi exponentielle de paramètre λ > 0
Son espérance mathématique est : E(X) = λ1 .
Z +∞ Z +∞
En effet, E(X) = xf (x)dx = λ xe−λx dx
Z −∞+∞
0
−λx +∞ −λx 1
= [−xe ]0 + e dx =
0 λ
Espérance mathématique :
Variance :
αC 2
Sa variance est : V ar(X) = (α−1)2 (α−2)
0
(existe pour α > 2)
Z +∞
α +∞ 2 c0 α+1
Z
En effet, E(X 2 ) = x2 f (x)dx = x dx
−∞ c0 c0 x
Z +∞ 2 Z +∞ 2−α +∞
α α+1 x α 1−α α x
= c0 c0 dx = αc0 x dx = αc0
c0 xα+1 c0 2 − α c0
si 2 − α ≥ 0 :
alors x2−α −→ +∞ lorsque x −→ +∞ et par suite E(X 2 ) n’existe pas.
si 2 − α < 0 :
c2−α αc20
h i
alors x2−α −→ 0 lorsque x −→ +∞ et E(X 2 ) = αcα0 0 − 2−α 0
= α−2
αc20
2 αC02
αc0
Donc V ar(X) = α−2 − α−1 = (α−1)2 (α−2) (existe pour α > 2)
Soit une v.a. X ∼ N (0, 1). Son espérance mathématique est E(X) = 0
et sa variance est VZ ar(X) = 1.
+∞
1 x2 x2
En effet, E(X) = √ xe− 2 dx = 0 (car x 7→ xe− 2 est une
−∞ 2π
fonction impaire). Z
+∞ Z +∞
1 2 − x2 1 x2
Comme E(X ) = 2 √ x e 2 dx = 2 √ x2 e− 2 dx
∞−∞ Z +∞2π 0 2π
√
x2 x2
= √22π x2 e− 2 + e− 2 dx = √22π 0 + 22π = 1
0 0
et E(X) = 0, on en déduit V ar(X) = E(X 2 ) − E(X)2 = 1.
En effet :
k
X
P (Z = k) = P (X + Y = k) = P (X = i, Y = k − i)
i=0
k k
X X λ1 i −λ2 λ2 k−i
= P (X = i).P (Y = k − i) = e−λ1 e
i! (k − i)!
i=0 i=0
k i k−i k
X λ1 i λ2 k−i
X λ1 λ2
= e−(λ1 +λ2 ) = e−(λ1 +λ2 ) Cki
i!(k − i)! k!
i=0 i=0
e−(λ1 +λ2 )
= (λ1 + λ2 )k
k!
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 14 / 33
Loi d’une somme de v.a. continues :
En effet :
Soient
λ1 e−λ1 x si x ≥ 0 λ2 e−λ2 y si y ≥ 0
fX (x) = et fY (y) =
0 si x < 0 0 si y < 0
On a, la fonction de répartition du couple (X, Y ) est :
Z x Z y Z xZ y
F (x, y) = f (u, v)dudv = λ1 λ2 e−λ1 u−λ2 v dudv
−∞ −∞ 0 0
= 1 − e−λ1 x 1 − e−λ2 y
1 − e−λ1 x 1 − e−λ2 y si x ≥ 0 et y ≥ 0
F (x, y) =
0 sinon
• La densité de Z = X + Y s’écrit :
Z −∞ Z
fZ (z) = fX (x)fY (z − x)dx = x≥0 λ1 e−λ1 x λ2 e−λ2 (z−x) dx
−∞ z−x≥0
Si z ≥ 0, on a :
Z z
λ1 λ2 −λ2 z
fZ (z) = λ1 λ2 e−λ2 z e−(λ1 −λ2 )x dx = e − e−λ1 z
0 λ1 − λ2
Proposition :
Soit Φ la fonction de répartition de X v.a. qui suit la loi normale
N (0, 1). On a : Φ(a) = 1 − Φ(−a)
Preuve :
R −a t2
√1 −2
Comme Φ(−a) = 2π −∞ e dt
Z a Z ∞
1 2
− t2 1 t2
= −√ e dt = √ e− 2 dt
2π ∞ 2π a
2 t2
− t2
Ra R∞
et Φ(a) + Φ(−a) = √1
2π −∞ e dt + √1
2π a e− 2 dt
Z ∞
1 t2
=√ e− 2 dt = 1
2π −∞
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 20 / 33
Loi normale N (0, 1) :
Remarque :
On peut ramener tout calcul sur la fonction de répartition d’une v.a.
normale N (m, σ) à un calcul sur la fonction de répartition Φ(x), d’une
v.a. normale N (0, 1).
z
z
e− 2 z
Z Z
y n−1 1
fn (z) = fn−1 (y)f1 (z − y)dy = √ ( ) 2 −1 (z − y)− 2 dy
0 2Γ( n−1
2 ) 2π 0 2
z n z n
e− 2 z 2 −1 e− 2 z 2 −1 Γ( n−1 1
n−1 1 2 )Γ( 2 )
= √ B , = √
n−1
2Γ( n−1 ) 2π2 2 −1 2 2 n−1
2Γ( n−1 ) 2π2 2 −1 Γ( n2 )
2 2
√
car B(p, q) = Γ(p)Γ(q)
Γ(p+q) . Sachant que Γ( 12 ) = π, il vient
n
fn (z) = n n z 2 −1 e−z .
1
2 Γ( 2 )
2
X Y
On détermine d’abord les densités de p et de q et puis la densité de
leur rapport Xp / Yq .
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 25 / 33
Changement de variables :
∂(x, y)
g(u, v) = f (x, y) = f [x(u, v), y(u, v)] |J|
∂(u, v)
1 0
g(x, z) = f (x, z − x)|J| = fX (x)fY (z − x) où J = =1
−1 1
z 1 0 1
g(x, z) = f (x, )|J| où J = =
x − xz2 1
x x
Si N = a + b → ∞, H(n, a, b) → B(n, Na ).
On suppose que les proportions Na et Nb restent fixes. On a
a! b!
C k C n−k C k C n−k k!(a−k)! (n−k)!(b−n+k)!
P (X = k) = a nb = a nb = N!
Ca+b CN n!(N −n)!
a(a−1)(a−2)···(a−k+1)b(b−1)(b−2)···(b−n+k+1)
k!(n−k)!
= N (N −1)(N −2)···(N −n+1)
n!
n!a(a − 1)(a − 2) · · · (a − k + 1)b(b − 1)(b − 2) · · · (b − n + k + 1)
=
k!(n − k)!N (N − 1)(N − 2) · · · (N − n + 1)
a b
Comme N → ∞, n et k sont fixés, a et b → ∞ car N et N restent
fixés). On obtient :
1 k+1
a(a − 1) · · · (a − k + 1) = ak (1 − ) · · · (a − ) ∼ ak
a a
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 29 / 33
Approximation de la loi hypergéométrique par la loi
binomiale :
1 n−k−1
b(b − 1) · · · (b − n + k + 1) = bn−k (1 − ) · · · (1 − ) ∼ bn−k
b b
1 n−1
N (N − 1) · · · (N − n + 1) = N n (1 − ) · · · (1 − ) ∼ Nn
N N
Si N est grand
Cak Cbn−k n! ak bn−k
n ∼
CN k!(n − k)! N n
et
n! ak bn−k a k b n−k
k
= Cn
k!(n − k)! N k N n−k N N
a k a n−k
= Cnk 1−
N N
n
En pratique, cette approximation est vraie dès que N < 0, 1.
Prof. Mohamed El Merouani () Probabilités 2 2019/2020 30 / 33
Approximation de la loi binomiale par la loi de Poisson :
n(n − 1) · · · (n − k + 1) k
lim Cnk pk (1 − p)n−k = lim p (1 − p)n−k
k!
(np)k 1 2 k − 1 (1 − p)n
= lim (1 − )(1 − ) · · · (1 − )
k! n n n (1 − p)k
λk λ 1 2 k−1 λ λk −λ
= lim (1 − )n (1 − )(1 − ) · · · (1 − )(1 − )−k = e
k! n n n n n k!
car lim(1 − nλ )n = e−λ et lim(1 − n1 )(1 − n2 ) · · · (1 − k−1 λ −k
n )(1 − n ) = 1.
En pratique, cette approximation est vraie dès que n > 50 et p < 0, 1.
k−np
La quantité t = √
npq suit une loi normale centrée réduite.