Chapitre 3-Lois Usuelles - Toufik Chaayra

Probabilités
Chapitre 3 : Lois usuelles
Toufik Chaayra
Département : Mathématiques
Filière : SMA - S6
Module : M33
Année universitaire : 2021/2022
22 Avril, 2022
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 1 / 57
Lois Discrètes de probabilités - Loi de Dirac
Soit a un nombre fixé. Soit X une v.a. prenant la valeur a avec
P(X = a) = 1.
On appelle loi de Dirac au point a la probabilité δa avec
(
1 si x = a
δa (x) =
0 ̸ a
si x =
Sa fonction de répartition :
(
0 si x < a
F (x) =
1 si x ≥ a
Son espérance mathématique est :
E(X) = a
et sa variance est :
V(X) = 0
Lois Discrètes de probabilités - Loi Uniforme
Soit E une expérience aléatoire dont le cardinal de l’espace

fondamental Ω est égal à n.
Soit X une variable aléatoire tel que X (wi ) où
wi (i = 1, . . . , n) ∈ Ω telles que xi : les valeurs associées aux
résultats possibles wi (i = 1, . . . , n) ∈ Ω
X suit la loi Uniforme si et seulement si:

1
P (X = xi ) =
n
Les propriétés de X sont :
n+1 n2 − 1
▶ E(X) = ▶ V(X) =
2 12

Lois Discrètes de probabilités - Loi Uniforme
Exemple:
Considérons l’expérience aléatoire suivante : « Lancement d’un dé »

Soit X le numéro obtenu par cette expérience.
La valeur de X est l’élément de l’événement A = {i} où i = 1, 2, . . . , 6
Alors:
xi 1 2 3 4 5 6
P(X = xi ) 1/6 1/6 1/6 1/6 1/6 1/6
L’espérance et la variance :
n+1 6+1 n2 − 1 62 − 1
▶ E(X) = = = 3.5 ▶ V(X) = = = 2.91
2 2 12 12

Lois Discrètes de probabilités - Loi de Bernoulli
Soit un univers Ω = {S, E}, avec S pour "succès" et E pour
"échec".
On construit une variable aléatoire discrète, X correspondant au
nombre de succès telle que au cours d’une épreuve :
▶ si S est réalisé, X = 1
▶ si E est réalisé, X = 0
On appelle variable de Bernoulli, la variable aléatoire X telle que:
X:Ω→R
ω 7→ {0, 1}
( variable de Bernoulli X telle que,

La loi de probabilité associée à la
P : {0, 1} → [0, 1] P(X = 0) = q
avec
X 7→ P(X) P(X = 1) = p où p + q = 1
est appelée loi de Bernoulli et est notée B(1, p)

Loi de Bernouilli : Espérance et variance
Espérance de la variable de Bernoulli :

2
X
E(X) = xi f (xi ) = (0 × q) + (1 × p) = p
i=1
Variance de la variable de Bernoulli :
2
!
X
V(X) = x2i f (xi ) − E(X)2
i=1
= [(0 × q) + (1 × p)] − p2
= p − p2 = p(1-p) = pq

Lois Discrètes de probabilités - Loi de Bernoulli
Exemple:
Considérons l’expérience aléatoire suivante : « Lancement d’un dé »
On s’intéresse dans cette expérience au numéro de la face inférieure ou
égale à 4.
Alors on a:
Ω = {1, 2, 3, 4, 5, 6}
A = {1, 2, 3, 4} est l’événement concerné
4 2
p = P(A) = =
6 3
La variable aléatoire définie par:
(
1 , Si le numéro obtenu est inférieur à 4
X=
0 , Sinon
Suit la loi de Bernoulli B(1, 2/3).
La moyenne et la variance de X sont:
2 2
E(X) = p = et V(X) = p(1 − p) =
3 9
Lois Discrètes de probabilités - Loi Binomiale
Soit n variables de Bernouilli Xi et l’application
Sn : Ωn → R avec Sn = X1 + X2 + . . . + Xn
La variable binomiale Sn représente le nombre de succès obtenus
lors de la répétition de n épreuves identiques et indépendantes.
On appelle loi binomiale, la loi de probabilité suivie par la somme de

n variables de Bernouilli, où la probabilité associée au succès est p :
Sn : Ωn → R
n
X
Sn = Xi 7→ B(n, p)
i=1
La probabilité que Sn = k, i.e. obtenir k succès en n épreuves ind. est :

P (Sn = k) = Cnk pk q n−k
n
X n
X
On a: P (Sn = k) = Cnk pk q n−k = (p + q)n = 1 (car p + q = 1)
k=0 k=0

Proposition :
L’espérance et la variance de la loi de binomiale sont égales
respectivement: E(X) = np et V(X) = np(1 − p)
La fonction génératrice des moments d’une loi de binomiale est:
n
tX t
MX (t) = E e = q − pe
Théorème :
Stabilité additive de la loi binomiale :
Si X → B(m; p) et Y → B(n; p) alors X + Y → B(n + m; p)

Exemple:
On lance un dé 5 fois. On s’intéresse au nombre 3 obtenu en total, i.e:

Compter le nombre de fois d’obtention le (numéros 3).
Soit X une variable aléatoire qui désigne la somme des résultats
obtenus.
Donc X suit la loi binomiale de paramètre n = 5 et p = 1/6.
C’est-à-dire :
X ∼ B(5; 1/6)
3 2
1 5
p = P(X = 3) =C53
6 6
250
= = 0, 032
7776

Lois Discrètes de probabilités - Loi de Poisson
La loi de Poisson est utilisée lorsque il s’agit d’étude d’un

phénomène durant un laps infiniment petit. Elle est utilisée aussi
dans les phénomènes d’attentes , les contrôles de qualité et en
assurance.
Une variable aléatoire discrète X suit une loi de Poisson si :
e−λ λk
∀k ∈ X(Ω) = N; P(X = k) =
k!
où λ > 0 le nombre moyen d’évènements dans un intervalle de
temps fixé. On écrit X ∼ P(λ).
On vérifie que c’est bien une loi de probabilité. En effet,
∞ ∞ k ∞
−λ λ −λ λk
= e−λ eλ = 1
X X X
P(X = k) = e =e
k=0 k=0
k! k=0
k!

Proposition :
L’espérance et la variance de la loi de Poisson sont égales
respectivement: E(X) = λ et V(X) = λ
La fonction génératrice des moments d’une loi de Poisson est:
t −1
MX (t) = E e tX
= eλ(e )

Exemple:
Soit X le nombre des arrivées des clients à un guichet bancaire.

Supposons que X suit la loi de Poisson de paramètre 4
Calculer les probabilités suivantes :
1. aucun client n’arrive au guichet,
2. plus de 2 clients arrivent au guichet,
3. entre 3 et 7 clients arrivent au guichet.

Solution :
e−4 40
1. P(X = 0) = = e−4 = 0, 018
0!
2.
P(X ≥ 3) = 1 − P(X ≤ 2)
= 1 − [P(X = 0) + P(X = 1) + P(X = 2)]
= 0, 762
3.
P(3 ≤ X ≤ 7) =P(X = 3) + P(X = 4) + P(X = 5) + P(X = 6)

+ P(X = 7)
=0, 711

Lois Discrètes de probabilités - Loi géométrique
On considère une expérience à deux issues possibles (réalisation de

l’événement A ou de l’événement Ac ). On répète indéfiniment
cette expérience jusqu’à ce que A se réalise. Soit X la v.a. égale
au nombre de répétitions nécessaires pour la réalisation de A.
Une v.a. X suit une loi géométrique de paramètre p et on note
X ∼ G(p) si
∀k ∈ X(Ω) = {1, 2, · · · , n, · · · }, P(X = k) = p(1 − p)k−1 ;
où p est la probabilité de réalisation de l’événement A.

On vérifie que c’est bien une loi de probabilité. En effet,
∞ ∞ ∞
X X
k−1
X 1
P(X = k) = p (1 − p) =p (1 − p)i = p =1
k=1 k=1 i=0
1 − (1 − p)

Lois Discrètes de probabilités - Loi géométrique
Proposition :
L’espérance et la variance de la loi géométrique sont égales
1 1−p
respectivement: E(X) = et V(X) =
p p2
La fonction génératrice des moments d’une loi géométrique est:

tX
p
MX (t) = E e =
1 − qet
où q = 1 − p et t est telle que qet < 1.

Lois Discrètes de probabilités - Loi binomiale négative
Une proportion p d’éléments d’une population possède un certain
caractère A. On veut obtenir n éléments de ce type en procédant à
une suite de tirage indépendants. Ces tirages s’effectuent avec
remise. On désigne par Y le nombre de tirages nécessaires pour
obtenir ces n éléments possédant le caractère A. La v.a.
X = Y − n est appelée loi binomiale négative de paramètres n
et p et on note X ∼ N B(n, p).
Comme n tirages (dont le dernier) ont donné un élément possédant
le caractère A et k tirages ont donné un élément ne possédant pas
le caractère A, la probabilité d’un tel événement est pn (1 − p)k . Le
n−1
nombre de ces événements est Cn+k−1 . On en déduit:
n−1
∀k ∈ X(Ω) = N, P(X = k) = Cn+k−1 pn (1 − p)k
On peut vérifier que c’est bien une loi de probabilité :

∞
X ∞
X
k
P(X = k) = Ck+n−1 pn (1 − p)k = 1
k=0 k=0
Lois Discrètes de probabilités - Loi binomiale négative
Proposition :
L’espérance et la variance de la loi binomiale négative sont égales
1−p n
respectivement: E(X) = n et V(X) = 2 (1 − p)
p p
La fonction génératrice des moments d’une loi géométrique est:
n
p

MX (t) = E etX =
1 − qet
Résultat :
Si X1 , . . . , Xn sont des v.a. indépendantes suivent toutes la même loi
géométrique de paramètre p, alors leur somme suit une loi binomiale
négative de paramètres n et p.

Lois Continues de probabilités - Loi Uniforme
Une variable aléatoire X suit la loi uniforme sur un intervalle

[a, b] si sa fonction de densité est donnée par la formule suivante:
1


, si a ≤ x ≤ b
fX (x) = b − a
0, sinon

On écrit : X ∼ U(a, b)
Sa fonction de répartition est :

 0, si x < a
x−a


FX (x) = , si a ≤ x ≤ b

 b − a
1, si x > b


Proposition :
L’espérance et la variance de la loi uniforme sont égales
(a + b) (b − a)2
respectivement: E(X) = et V(X) =
2 12
La fonction génératrice des moments d’une loi uniforme continue
sur un intervalle [a, b] est:
etb − eta
MX (t) = ; ( si t ̸= 0)
t(b − a)
MX (0) = 1

Exemple:
Soit une personne qui arrive à la gare de bus en sachant que ce dernier
arrive à chaque 60 min. Cette personne n’aucune information ni sur
l’heure du denier bus ni sur l’heure de la prochain bus. Il demande les
gents de la gare le temps qu’il doit rester en attente du l’heure du
prochain bus.
Calculer la probabilité pour cette personne reste en attente entre 15 et
30 min.
Soit X le temps d’attente en min de cette personne. On admet que
X ∼ U(0, 60). On a:

 1
, si 0 ≤ x ≤ 60
fX (x) =
 60
0, sinon
Alors:
Z 30
1 15
P(15 ≤ X ≤ 30) = fX (x)dx = [x]30 = = 0.25
15 60 15 60
Lois Continues de probabilités - Loi Exponentielle
On dit qu’une variable aléatoire X suit la loi exponentielle de
paramètre λ > 0 et on note X ∼ exp(λ) si elle admet pour
densité de probabilité la fonction :
(
λe−λx , si x ≥ 0
fX (x) =
0, sinon
(
1 − e−λx , si x ≥ 0
FX (x) =
0, sinon
Proposition :
1 1
L’espérance: E(X) = et la variance: V(X) = 2 .
λ λ
La fonction génératrice des moments est donnée par :
h
tX
i λ
MX (t) = E e = , t<λ
λ−t
Lois Continues de probabilités - Loi Exponentielle
Champs d’application
D’abord, on l’applique pour modéliser la demande, en gestion de

stock, lorsque la symétrie n’est pas vérifiée et lorsqu’on remarque
que son écart-type est égal à son espérance (sa moyenne).
Mais en général, la loi exponentielle (négative) s’applique pour
modéliser les phénomènes de désintégration. La v.a. X est alors la
durée de vie du phénomène.

Lois Continues de probabilités - Loi de Gamma
Une variable aléatoire X suit une loi de Gamma ou eulérienne
de paramètres α, β ∈ R∗+ et on note X ∼ GA(α, β) si elle admet
pour densité de probabilité la fonction :

 β α α−1 −βx
 x e si x>0
fX (x) = Γ(α)
x≤0

 0 si
Z ∞
où Γ est la fonction gamma d’Euler: Γ(α) = e−t tα−1 dt
0
L’espérance et la variance de X sont données respectivement par:
βα
Z ∞
1 Γ(α + 1) α α
E[X] = e−βx xα dx = = et V[X] = 2
Γ(α) 0 β Γ(α) β β
La fonction génératrice des moments
β α
MX (t) = E etX = , ∀t < β
β−t
Remarque : La loi GA(1, β) = exp(β) est la loi exponentielle de
paramètre β.
Lois Continues de probabilités - Loi de Weibull
Une variable aléatoire X suit une loi de Weibull de paramètres

α, β ∈ R∗+ et on note X ∼ W (α, β) si elle admet pour densité de
probabilité la fonction :
( α
βαxα−1 e−βx si x>0
fX (x) =
0 si x≤0
Sa fonction de répartition est:

( α
1 − e−βx , si x>0
FX (x) =
0, si x≤0

Lois Continues de probabilités - Loi de Weibull

1

Γ 1+
1 2 1

α
E[X] = 1 et V[X] = 2 Γ 1+ − Γ2 1+
βα β α α α
où Γ désigne la fonction Gamma d’Euler définie par:

Z +∞
Γ : x 7→ e−t tx−1 dt
0
La Fonction génératrice des moments :

1 t

MX (t) = E etX = nΓ 1 +
β α

Lois Continues de probabilités - Loi de Pareto
Une variable aléatoire X suit une loi de Pareto de paramètres
α, c0 ∈ R∗+ et on note X ∼ Pareto (α, c0 ) si elle admet pour densité
de probabilité la fonction :
 α+1
 α c0
si x ≥ c0

fX (x) = c0 x

 0 sinon
 α
1 − c0

si x ≥ c0
F (x) = x

0 sinon
L’espérance et la variance de X sont données respectivement par :
α α
E(X) = c0 , si α > 1 et V(X) = 2
c20 , si α > 2
α−1 (α − 2)(α − 1)
Remarque : La fonction génératrice de la loi de Pareto est non
définie pour les réels strictement positifs.
Lois Continues de probabilités - Loi de Cauchy
Une v.a. X suit une loi de Cauchy de paramètres α et λ > 0 et on

note X ∼ C(α, λ) si sa densité est :
1 λ
fX (x) = ; x ∈] − ∞, +∞[
π λ2 + (x − α)2
Sa Fonction de répartition est :

1 1 x−α
FX (x) = + arctan
2 π λ
Remarque :
La loi de Cauchy n’admet ni espérance ni variance. Et il en va de
même pour la fonction génératrice des moments.

Lois Continues de probabilités - Loi Normale
La loi normale est la loi de probabilité absolument continue qui
dépend de deux paramètres : son espérance, un nombre réel noté
µ, et son écart type, un nombre réel positif noté σ. Notée :
X ∼ N µ, σ 2 .
La densité de probabilité est donnée par la fonction fX : R → R+
définie par :
1 (x−µ)2
−
fX (x) = √ e 2σ2 , ∀x ∈ R
σ 2π
Sa Fonction de répartition :
Z x (t−µ)2
1 −
FX (x) = √ e 2σ2 dt, ∀x ∈ R
−∞ σ 2π
E(X) = µ et V(X) = σ 2
La fonction génératrice des moments
2 2

µt+ σ 2t
MX (t) = E etX = e , ∀t ∈ R
Lois Continues de probabilités - Loi Normale
Représentation graphique de N (µ, σ)

Lois Continues - Loi Normale centrée réduite
Si X ∼ N (µ, σ) Alors
X −µ x−µ

FX (x) =P(X ≤ x) = P ≤
σ σ
x−µ x−µ

=P Y ≤ =ϕ
σ σ
avec Y = X−µσ ∼ N (0, 1)
En posant t = x−µ
σ , on obtient
X −µ

ϕ(y) = P (Y ≤ y) = P ≤ y = P (X ≤ yσ + µ)
σ
Z σy+µ (x−µ)2
Z y
1 − 1 − t2
= √ e 2σ dx =
2 √ e 2 dt
σ 2π −∞ −∞ 2π
La valeur de ϕ est déterminée à partir de la table normale
Si Y = X−µσ alors Y est appelée la loi normale centrée réduite,
et on écrit Y ∼ N (0, 1)
t2
On a E(Y ) = 0, V(Y ) = 1, MY (t) = e ; ∀t ∈ R 2

Soit ϕ la fonction de répartition de Y ∼ N (0, 1). On a:

ϕ(y) = 1 − ϕ(−y).
En effet, commeZ −y Z y Z ∞
1 2
− t2 1 2
− t2 1 2
− t2
ϕ(−y) = √ e dt = − √ e dt = √ e dt
2π −∞ 2π ∞ 2π y
et
y Z ∞
1 2 1 2
Z
− t2 − t2
ϕ(y) + ϕ(−y) = √ e dt + √ e dt
2π −∞ 2π y
Z ∞
1 2
− t2
=√ e dt = 1
2π −∞

Remarque
On peut ramener tout calcul sur la fonction de répartition d’une v.a.
normale N (µ, σ) à un calcul sur la fonction de répartition ϕ(x), d’une
v.a. normale N (0, 1).
Tables statistiques : Les tables relatives à la loi normale sont

utilisées. La table de la densité, celle de la fonction de répartition ϕ(x)
et la table des fractiles. Les valeurs de ϕ(x) sont tabulées (sont données
sur une table statistique). C’est une table à double entrée pour laquelle
on détermine la valeur de P(Z ≤ z) où z ∈ [0; 3, 5] donnée.
On cherche :
1 La ligne correspondante à la partie entière et au 1er chiffre décimal
de z,
2 La colonne correspondante au 2ème chiffre décimal de z, puis à
l’intersection de cette ligne et de cette colonne, on lit la probabilité
cherchée.

Calcul des probabilités avec la loi normale centrée réduite
On a: P(0 ≤ T ≤ t1 ) = P(0 < T < t1 )

Lois Continues de probabilités - Loi normale
Exemple:
Calcul de P(0 ≤ T ≤ 0, 5) par l’utilisation de la table de la loi Normale
pour T = 0, 50 on lit directement de la table, 0, 1915

pour T = 0, 51 on lit directement de la table, 0, 195
P(0 ≤ T ≤ 0, 5) = P(0, 5) − P(0) = 0, 1915 − 0, 0000 = 0, 1915


Lois Continues - Loi log-normale bi-paramètrique
Une variable aléatoire X est dite suit une loi de probabilité loi de
log-normale de paramètres µ ∈ R∗+ et σ ∈ R∗+ si la v. a.
Y = ln X suit la loi normale d’espérance µ et d’écart-type σ.
Notée : X ∼ log N µ; σ 2 ⇐⇒ Y = ln (X) ∼ N µ, σ 2

Elle admet alors pour densité de probabilité la fonction :

1 − 1
(ln(x)−µ)2
fX (x) = √ e 2σ 2 , x>0
xσ 2π
Sa fonction de répartition est : FX (x) = FY (ln x); si x > 0
où FY (y) est la fonction de répartition de la loi Normale.

Lois Continues - Loi log-normale bi-paramètrique

2
µ+ σ2

2µ+σ 2 σ2
E(X) = e et V(X) = e e −1
Remarque :
1 La fonction génératrice des moments de la loi log-normale est non
définie pour les réels strictement positifs (x > 0).
2 En d’autres termes, la loi log-normale n’admet pas de fonction
génératrice des moments qui soit définie dans un intervalle ouvert
contenant x = 0.
3 Néanmoins, X admet des moments de tous les ordres entiers
positifs.

Lois Continues - Loi log-normale tri-paramètrique
ne variable aléatoire X qui peut prendre une valeur qui dépasse

une valeur fixée τ est dite suit une loi log-normale de trois
paramètres τ , µ et σ si Y = ln(X − τ ) suit une loi normale de
paramètres µ et σ.
Notée : X ∼ log N τ ; µ; σ 2 ⇐⇒ Y = ln (X − x0 ) ∼ N µ, σ 2

Elle admet alors pour densité de probabilité la fonction :

1 − 12 (ln(x−τ )−µ)2
fX (x) = √ e 2σ , x>τ
(x − τ ) σ 2π
Sa fonction de répartition: FX (x) = FY (ln x); si x > τ

où FY (y) est la fonction de répartition de la loi Normale.
Le troisième paramètre τ s’appelle le seuil.
Ainsi, la log-normale de 2 paramètres est un cas particulier de
celle de 3 paramètres avec τ = 0.

Lois Continues - Loi log-normale tri-paramètrique

2
µ+ σ2

2µ+σ 2 σ2
E(X) = τ + e et V(X) = e e −1
Remarque : la fonction génératrice des moments de la loi log-normale

est non définie pour les réels strictement positifs.

Lois Continues de probabilités - Loi de Khi-deux
Soient X1 , X2 , . . . , Xn une suite de variables aléatoires normales

centrées réduites et indépendantes. i.e:
▶ Xi ∼ N (0, 1), ∀i = 1, . . . , n
▶ Cov (Xi , Xj ) = 0, ∀i ̸= j(i, j = 1, . . . , n)
La variable aléatoire X définie par: X = X12 + X22 + . . . + Xn2 suit

la loi de Khi-deux à n degré de liberté, on écrit X ∼ χ2n , si sa
densité est :

 1
2n/2 Γ n
e−x/2 xn/2−1 si x > 0
fX (x) = 2 ( )
0 si x ≤ 0

Lois Continues de probabilités - Loi de Khi-deux
E(X) = n et V(X) = 2n
La fonction génératrice des moments d’une loi de Khi-deux à n

degrés de liberté est :
n 1
MX (t) = (1 − 2t)− 2 ; ∀t <
2
n 1
Si = α et = β, on retrouve la loi Gamma.
2 2

Lois Continues de probabilités - Loi de Student
Soient X1 , X2 , . . . , Xn une suite de variables aléatoires normales
centrées réduites et indépendantes. i.e:
Xi ∼ N (0, 1); ∀i = 1, . . . , n et Cov (Xi , Xj ) = 0, ∀i ̸= j

(i, j = 1, . . . , n)
Soit Y une variable aléatoires normale centrée réduite et

indépendante de X1 , X2 , . . . , Xn . i.e :
Y ∼ N (0, 1) et Cov (Y, Xi ) = 0, ∀i = 1, . . . , n

Y Y
Une variable aléatoire T définie par : T = v = r , où
u1 n
u X Z
2
X n
n i=1 i
t
n
X
Z= Xi2 ∼ χ2n , est suit la loi de Student à n dégrées de
i=1
liberté, on écrit T ∼ tn , si sa densité est :
Lois Continues de probabilités - Loi de Student
1 1
fT (x) = √ n+1 ; x∈R
1 n
nB 2, 2 (1 + x2 ) 2
où B(x.y) est la fonction bêta.

Pour n = 1, on retrouve la loi de Cauchy et on a :
1 1 1 √

fT (x) = et Γ = π.
π 1 + x2 2
E(T ) = 0
Sa variance est :
n
V(T ) = , n>2
n−2

Lois Continues de probabilités - Loi de Fisher-Snédecor
Soient X1 , X2 , . . . , Xn et Y1 , Y2 , . . . , Ym deux suites de variables
aléatoires normales centrées réduites et indépendantes. i.e:
▶ Xi ∼ N (0, 1), ∀i = 1, . . . , n et Yi ∼ N (0, 1), ∀i = 1, . . . , m
▶ Cov (Xi , Xj ) = 0, ∀i ̸= j (i, j = 1, . . . , n)
et Cov (Yi , Yj ) = 0, ∀i ̸= j (i, j = 1, . . . , m)
Une variable aléatoire F définie par:

n
1X
Xi2 1
n i=1 X
F = = n ,
n 1
1 X Y
Yi2 m
m i=1
où X ∼ χ2n et Y ∼ χ2m , est suit la loi de Fisher-Snédecor à n et

m degrés de liberté, on écrit F ∼ Fn,m , si sa densité est :

Lois Continues de probabilités - Loi de Fisher-Snédecor
n n
1 n 2 t 2 −1
fF (t) = n m
m
n+m ; t ∈ R+
B 2, 2 1 + n
t 2
m

m
E(F ) = , m>2
m−2
Sa variance est :
2m2 (n + m − 2)
V(F ) = , m>4
n(m − 2)2 (m − 4)

Loi d’une somme de v.a. discrètes
La probabilité P(Z = k) de la somme Z = X + Y de deux v.a.

discrètes X et Y est la somme des probabilités P(X = i, Y = j)
étendue à tous les couples (i, j) liés par la relation k = i + j.
X
P(Z = k) = P(X = i, Y = j)
i+j=k
Si les v.a. X et Y sont indépendantes, on a :

X
P(Z = k) = P(X = i)P(Y = j)
i+j=k

Loi d’une somme de v.a. continues
Soient X et Y deux v.a. continues. Soit Z = X + Y . On veut
déterminer la fonction de répartition de
RR
la v.a. Z. On a :
FZ (z) = P(Z ≤ z) = P(X + Y ≤ z) = A f (x, y)dxdy où
A = (x, y) ∈ R2 /x + y ≤ z . Si X et Y sont indépendantes, on a :
ZZ
FZ (z) = f (x, y)dxdy
A
Z +∞ Z z−x
= f (x, y)dy dx
−∞ −∞
Z +∞ Z z−x
= fY (y)dy fX (x)dx
−∞ −∞
Z +∞
= FY (z − x)fX (x)dx
−∞
R +∞
On peut trouver de la même façon : FZ (z) = −∞ FX (z − y)fY (y)dy
En dérivant FZ (z) par rapport à z, on trouve
Z +∞
fZ (z) = fX (z − y)fY (y)dy
−∞
Toufik Chaayra R +∞ Faculté pluridiscilinaire, Nador SMA S6 50 / 57
Changement de variables
Soient deux v.a. X et Y absolument continues. La densité de

probabilité du couple (X, Y ) est f (x, y).
On considère la transformation U = U (X, Y ) et V = V (X, Y ) et la
transformation inverse X = X(U, V ) et Y = Y (U, V ).
La fonction densité de probabilité du couple (U, V ) est :
∂(x, y)
g(u, v) = f (x, y) = |J|f [x(u, v), y(u, v)]
∂(u, v)
où J est le déterminant de Jacobi (ou Jacobien) :

∂x ∂x
∂(x, y) ∂u ∂v
J= = ∂y ∂y
∂(u, v) ∂u ∂v

Application à la détermination de la loi de la somme de
deux v.a. continues
Soient X et Y deux v.a. indépendantes absolument continues.
A l’aide de la formule précédente, calculons la densité de probabilité de
Z =X +Y.
En effet, comme(on a f (x, y) = fX
((x)fY (y) et en considérant la
x=x x=x
transformation ou , on obtient :
z =x+y y =z−x
1 0
g(x, z) = |J|f (x, z − x) = fX (x)fY (z − x) où J = =1
−1 1
La fonction h(z) densité de probabilité de Z s’écrit donc:

Z +∞
h(z) = fX (x)fY (z − x)dx
−∞

Application à la détermination de la loi du produit de
deux v.a. continues
Soient X et Y deux v.a. indépendantes dont la densité de probabilité
du couple (X, Y ) est f (x, y).
( de Z = XY(
Calculons la densité de probabilité .
x=x x=x
On considére la transformation ou .
z = xy y = xz
Pour x ̸= 0, on a :
z 1 0 1

g(x, z) = f x, |J| où J = =
x − xz2 1
x x
z 1

Donc g(x, z) = fX (x)fY et la densité de probabilité de Z
x x
s’écrit :
Z +∞ Z +∞
z 1

h(z) = g(x, z)dx = fX (x)fY dx
−∞ −∞ x x

Approximation d’une loi de probabilité par une autre
Approximation de la loi binomiale par la loi de Poisson
Lorsque n devient grand, le calcul des probabilités d’une loi binomiale

P (Sn = k) = Cnk pk q n−k devient très fastidieux. Sous certaines
conditions, on peut trouver une approximation de P (Sn = k) par la loi
de Poisson.
Théorème :
Soit l’application Sn suivant une loi binomiale B(n, p). On suppose que
np → λ > 0. Alors Sn converge en loi vers une variable aléatoire de
Poisson de paramètre λ.
Autrement dit, pour tout k ∈ N on a:
e−λ λk
P (Sn = k) →
k!

Approximation de la loi binomiale par la loi de Poisson
Preuve :
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
n −k
λk λ 1 2 k−1 λ

= lim 1− 1− 1− ··· 1 − 1−
k! n n n n n
| {z }
=1
n
λk −λ λ

= e . car lim 1 − = e−λ
k! n
En pratique, si n ≥ 50, p ≤ 0.1 et np ≤ 15, on peut approximer la loi de
Sn par la loi de Poisson de paramètre λ = np. C’est ce théorème qui
justifie le fait que la loi de Poisson est utilisée comme modèle de
certaines expériences aléatoires (nombre de clients entrant dans un
magasin, nombre de coquilles dans une page de journal,...).
Approximation de la loi binomiale par la loi normale
Si les conditions suivantes pour n et p sont réalisées :

n est grand ( n ≥ 20).
p et q ne sont pas trop petites (pratiquement npq ≥ 3 ) La loi
binomiale B(n, p) peut être approximée par une loi normale
√
N (µ = np, σ = npq)
 !2 
k k n−k 1 1  1 k − np 
P (X = k) = Cn p q ≈√ ·√ exp − √
2π npq  2 npq 
k − np
La quantité t = √ suit une loi normale centrée réduite.
npq

Approximation de la loi de Poisson par la loi normale
Soit une v.a. qui suit une loi de Poisson de paramètre λ.

Si λ ≥ 15, alors cette loi
√ de Poisson P(λ) peut être approximée par
une loi normale N (λ, λ).
X −λ
Alors, la variable T = √ suit une loi normale centrée, réduite
λ
N (0, 1).

Chapitre 3-Lois Usuelles - Toufik Chaayra

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 3-Lois Usuelles - Toufik Chaayra

Transféré par

Droits d'auteur :

Formats disponibles

Probabilités

Chapitre 3 : Lois usuelles

Son espérance mathématique est :

Soit E une expérience aléatoire dont le cardinal de l’espace

X suit la loi Uniforme si et seulement si:

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 3 / 57

Considérons l’expérience aléatoire suivante : « Lancement d’un dé »

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 4 / 57

On appelle variable de Bernoulli, la variable aléatoire X telle que:

( variable de Bernoulli X telle que,

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 5 / 57

Espérance de la variable de Bernoulli :

Variance de la variable de Bernoulli :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 6 / 57

On appelle loi binomiale, la loi de probabilité suivie par la somme de

La probabilité que Sn = k, i.e. obtenir k succès en n épreuves ind. est :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 8 / 57

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 9 / 57

On lance un dé 5 fois. On s’intéresse au nombre 3 obtenu en total, i.e:

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 10 / 57

La loi de Poisson est utilisée lorsque il s’agit d’étude d’un

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 11 / 57

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 12 / 57

Soit X le nombre des arrivées des clients à un guichet bancaire.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 13 / 57

P(3 ≤ X ≤ 7) =P(X = 3) + P(X = 4) + P(X = 5) + P(X = 6)

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 14 / 57

On considère une expérience à deux issues possibles (réalisation de

∀k ∈ X(Ω) = {1, 2, · · · , n, · · · }, P(X = k) = p(1 − p)k−1 ;

où p est la probabilité de réalisation de l’événement A.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 15 / 57

où q = 1 − p et t est telle que qet < 1.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 16 / 57

On peut vérifier que c’est bien une loi de probabilité :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 18 / 57

Une variable aléatoire X suit la loi uniforme sur un intervalle

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 19 / 57

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 20 / 57

D’abord, on l’applique pour modéliser la demande, en gestion de

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 23 / 57

Une variable aléatoire X suit une loi de Weibull de paramètres

Sa fonction de répartition est:

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 25 / 57

L’espérance et la variance de X sont données respectivement par:

où Γ désigne la fonction Gamma d’Euler définie par:

La Fonction génératrice des moments :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 26 / 57

Une v.a. X suit une loi de Cauchy de paramètres α et λ > 0 et on

Sa Fonction de répartition est :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 28 / 57

Représentation graphique de N (µ, σ)

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 30 / 57

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 31 / 57

Soit ϕ la fonction de répartition de Y ∼ N (0, 1). On a:

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 32 / 57

Tables statistiques : Les tables relatives à la loi normale sont

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 34 / 57

Calcul des probabilités avec la loi normale centrée réduite

On a: P(0 ≤ T ≤ t1 ) = P(0 < T < t1 )

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 35 / 57

pour T = 0, 50 on lit directement de la table, 0, 1915

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 37 / 57

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 38 / 57

Elle admet alors pour densité de probabilité la fonction :