Saadia Lois Usuelles

Lois de probabilité usuelles.
KHOUKHI Saâdia
E.H.E.I - Ecole des Hautes Etudes d’Ingénierie.
2021-2022
KHOUKHI Saâdia Lois de probabilité usuelles.

Loi discrète
Lois usuelles continues
Plan
1 Loi discrète
2 Lois usuelles continues

Loi discrète
Certaines lois de probabilité possèdent des propriétés particulières et sont très souvent
employées pour modéliser les phénomènes de la vie quotidienne ou de la vie éco-
nomique. Du fait de leur utilisation fréquente, on les qualifie de lois de probabilité
usuelles. Toutes ces lois sont désignées par un nom, par exemple loi binomiale, loi
de Poisson, etc. Les lois usuelles, discrètes ou continues, sont souvent des lois para-
métriques, cela signifie que leur fonction de masse ou de densité dépend d’un ou de
plusieurs paramètres. Par exemple,la fonction de masse associée à une loi de Poisson
dépend d’un paramètre positif noté 𝜆.

Loi uniforme discrète
Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
1 Loi discrète
Loi de Bernoulli
Loi binomiale
Loi Géométrique
Loi de Poisson

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition
La loi uniforme discrète est une loi de probabilité définie sur un support fini pour
laquelle toutes les réalisations sont équiprobables. Les exemples typiques d’application
de cette loi sont ceux du lancer d’un dé parfaitement équilibré, du tirage d’une carte
au hasard ou du tirage d’un numéro au hasard dans une loterie.

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition : Fonction de masse

La variable aléatoire discrète X suit une loi uniforme discrète sur le support fini
X(Ω) = {x1 , ..., xn }, si sa fonction de masse est définie par :
1
fX (x) = Pr(X = x) = x ∈ X(Ω)
n
Afin de simplifier les notations, nous allons considérer le cas où la variable X est définie
sur un ensemble d’entiers consécutifs X(Ω) = {a, a + 1, . . . , b − 1, b} avec n = b − a + 1.
Dans ce cas, la fonction de masse devient :
1
fX (x) = Pr(X = x) =
b−a+1

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Exemple : Considérons une variable aléatoire X distribuée selon une loi uniforme
1 , ∀x ∈
discrète sur X(Ω) = {1, . . . , 10}, sa fonction de masse est définie par fX (x) = 10
X(Ω).Toutes les réalisations ont la même probabilité.
Remarque : On vérifie que toutes les réalisations ont la même probabilité : c’est la
propriété d’équiprobabilité qui caractérise la loi uniforme. Notons que les réalisations
peuvent être quantitatives, c’est-à-dire correspondre à des nombres (par exemple si
X(Ω) = {1, 2, 3, 4, 5, 6} dans le cas d’un lancer de dé). Elles peuvent être aussi qua-
litatives (si elles ne sont pas des nombres), par exemple si X(Ω) = {≪ valet ≫, ≪
dame ≫, ≪ roi ≫} dans le cas le cas d’un jeu de cartes à trois cartes. Dans tous les
cas, toutes ces réalisations ont la même probabilité de survenue.

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition : Fonction de répartition

Si la variable aléatoire X admet une loi uniforme discrète sur X(Ω) = {a, a + 1, . . . , b −
1, b}, sa fonction de répartition FX (x) = Pr(X ≤ x) est définie par ∀x ∈ R :
 0


 si x < a
FX (x) = x−a+1 si a ≤ x ≤ b
 b−a+1
 1
 si x > b
Rappelons qu’une fonction de répartition est toujours définie sur R, y compris dans
le cas d’une variable aléatoire discrète. Cette fonction de répartition se présente sous
la forme de marches d’escalier sur le segment [a, b], la « hauteur » des marches étant
1 dans le cas de notre exemple.
égale à 1/(b − a + 1), c’est-à-dire 10

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Propriété : Espérance et variance de la loi uniforme discrète

Si X admet une loi uniforme discrète sur X(Ω) = {a, a + 1, . . . , b − 1, b}, alors :
a+b (b − a + 1) 2 − 1
E(X) = V (X) =
2 12

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition
La loi de Bernoulli, du nom du mathématicien suisse Jacques Bernoulli (1654-1705),est
une loi de probabilité discrète définie sur un support fini comportant deux réalisations.
C’est la loi que l’on utilise pour représenter des variables aléatoires dichotomiques ou
binaires, c’est-à-dire à deux modalités.
Exemple : La loi de Bernoulli peut être appliquée sur des supports du type X(Ω) =
{≪ pair ≫, ≪ impair ≫}, X(Ω) = {≪ succs ≫, ≪ chec ≫} ou X(Ω) = {10, 35}.

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson

La variable aléatoire discrète X suit une loi de Bernoulli si sa fonction de masse est
définie par :
fX (x) = Pr(X = x) = px (1 − p) 1−x ∀x ∈ X(Ω) = {0, 1}
Où le paramètre p est un réel vérifiant p ∈]0, 1[

Si la variable aléatoire X admet une loi de Bernoulli de paramètre p ∈]0, 1[, sa fonction
de répartition FX (x) = Pr(X ≤ x) est définie par ∀x ∈ R :
 0 si x < 0



FX (x) = 1 − p si 0 ≤ x < 1
 1 si x ≥ 1


Comme pour toute variable aléatoire discrète, la fonction de répartition de la loi de
Bernoulli se présente sous la forme d’une fonction en marches d’escalier.
Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Propriété : Espérance et variance de la loi de Bernoulli

Si X admet une loi de Bernoulli de paramètre p ∈]0, 1[, alors :
E(X) = p V (X) = p(1 − p)

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition
La loi binomiale est une loi de probabilité discrète définie sur le support fini X(Ω) =
{0, 1 . . . , n}. Cette loi correspond à une expérience aléatoire dans laquelle on répète
n fois de manière indépendante une expérience de Bernoulli avec une probabilité
de succès égale à p ((succession d’expériences indépendantes binaires présentant
deux issues : succès ou échec)). On compte alors le nombre de succès, c’est-à-dire le
nombre de fois où la réalisation de la variable de Bernoulli est égale à 1. Le nombre
total de succès, noté X, est une variable aléatoire admettant une distribution binomiale
de paramètres n et p, notée :
X ∼ B (n, p)
Exemple : Le nombre de résultats « face » apparus lors de n lancers d’une pièce

parfaitement équilibrée suit une loi B (n, 1/2). Le nombre de boules rouges apparues
au cours de n tirages avec remise dans une urne contenant 15 boules dont 5 boules
rouges suit une loi B (n, 1/3).

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson

La variable aléatoire discrète X définie sur X(Ω) = {0, . . . , n} suit une loi binomiale
B (n, p) si sa fonction de masse est définie par :
fX (x) = Pr(X = x) = Cnx px (1 − p) n−x ∀x ∈ X(Ω)

n!
avec p ∈]0, 1[, n ∈ N ∗ et Cnx = x! (n−x) !
Le paramètre p correspond à la probabilité de succès des épreuves de Bernoulli, il est

donc compris entre 0 et 1 exclus. Le paramètre n correspond au nombre de répétitions
de l’épreuve de Bernoulli, c’est donc un entier non nul. La fonction de masse de la loi
binomiale dépend du nombre de combinaisons de x éléments parmi n.

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Soit X une variable aléatoire discrète définie sur X(Ω) = {0, 1, 2, 3, 4} et telle que
X ∼ B (4, 51 ). On obtient alors :
4!
Pr(X = 0) = × 0, 20 × (1 − 0, 2) 4−0 = 0.84 = 0, 4096
0! × 4!
4!
Pr(X = 1) = × 0, 21 × (1 − 0, 2) 4−1 = 4 × 0, 2 × 0, 512 = 0, 4096
1! × 3!
4!
Pr(X = 2) = × 0, 22 × (1 − 0, 2) 4−2 = 6 × 0, 04 × 0, 64 = 0, 1536
2! × 2!

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson

Si la variable aléatoire X admet une loi binomiale (B) (n, p), sa fonction de répartition FX (x) =
Pr (X ≤ x) est définie par ∀x ∈ R :
FX (x) = 0 si x<0
⌊x⌋
∑︁
FX (x) = Cnk pk (1 − p) n−k si 0≤x≤n
k=0
FX (x) = 1 si x>n
où ⌊x⌋ désigne le plus grand entier inférieur ou égal à x.
Soit X une variable aléatoire discrète définie sur X (Ω) = {0, 1, 2, 3, 4} et telle que X ∼
B(4; 0, 2), alors :
⌊1⌋
∑︁
FX (1) = Pr (X = k) = Pr (X = 0) + Pr (X = 1) = 0, 8192
k=0
De la même façon, puisque ⌊1, 58⌋ = 1, on a :
⌊1,58⌋
∑︁ 1
∑︁
FX (1, 58) = Pr (X = k) = Pr (X = k) = Pr (X = 0) + Pr (X = 1) = 0, 8192
k=0 k=0

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Propriété : Espérance et variance de la loi binomiale

Si X admet une loi binomiale B (n, p), alors :
E(X) = np V (X) = np(1 − p)
On constate que l’espérance et la variance d’une loi binomiale B (n, p) sont égales
àl’espérance et la variance d’une loi de Bernoulli multipliées par n.

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition
La loi géométrique est une loi de probabilité discrète pouvant être définie soit sur
l’ensemble des entiers N, soit sur l’ensemble des entiers non nuls N ∗ . Lorsqu’elle est
définie sur N ∗ , la loi géométrique de paramètre p correspond à l’expérience aléatoire
suivante. On répète de manière indépendante une expérience de Bernoulli avec une
probabilité de succès égale à p jusqu’au premier succès. Soit X la variable qui corres-
pond au rang du premier succès : ce rang est nécessairement supérieur ou égal à 1et
inférieur ou égal à n, donc X ∈ X(Ω) = {1, 2, . . . , n, . . . }. La variable X admet une
distribution géométrique de paramètre p notée :
X ∼ Geom(p) ou X ∼ G(p)
Lorsqu’elle est définie sur N, la loi géométrique correspond à la distribution du nombre

d’échecs Y = X − 1 avant le premier succès. Le nombre d’échecs peut être égal à 0
en cas de réussite à la première expérience de Bernoulli. La variable Y ∈ Y (Ω) =
{0, 1, . . . , n, . . . } est distribuée selon une loi géométrique de paramètre p,notée de
la même façon Y ∼ G(p). Il convient donc de faire attention au support de la loi
géométrique afin d’éviter les confusions.

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition :Fonction de masse

La variable aléatoire discrète X définie sur X(Ω) = N, suit une loi géométrique G(p)
si sa fonction de masse est définie par :
fX (x) = Pr(X = x) = (1 − p) x p ∀x ∈ N
Si cette variable est définie sur X(Ω) = N ∗ , sa fonction de masse devient :
fX (x) = Pr(X = x) = (1 − p) x−1 p ∀x ∈ N ∗
où la probabilité de succès p est un réel vérifiant p ∈ ]0, 1] .

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition :Fonction de répartition

Si la variable aléatoire X admet une loi géométrique G(p) sur X(Ω) = N, sa fonction
de répartition FX (x) = Pr(X ≤ x) est définie par ∀x ∈ R :

0 si x<0
FX (x) =
1 − (1 − p) ⌊x⌋+1 si x ≥ 0
Si cette variable est définie sur X(Ω) = N ∗ , sa fonction de répartition devient :

0 si x<0
FX (x) =
1 − (1 − p) ⌊x⌋ si x ≥ 0
où ⌊x⌋ désigne le plus grand entier inférieur ou égal à x.
Exemple : Soit Y une variable aléatoire discrète définie sur Y (Ω) = N telle que
X ∼ G(0, 1), alors :
Pr(X ≤ 1) = FX (1) = 1 − (1 − 0, 1) ⌊1⌋+1 = 1 − (1 − 0, 9) 2 = 0, 19
Pr(X ≤ 1) = FX (1) = 1 − (1 − 0, 1) ⌊1,2⌋+1 = 1 − (1 − 0, 9) 2 = 0, 19

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Moment : Espérence et Variance

Si X admet une loi géométrique G(p) définie sur X(Ω) = N alors :
1−p 1−p
E(X) = V (X) =
p p2
Si cette loi est définie sur X(Ω) = N ∗ alors :
1 1−p
E(X) = V (X) =
p p2

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition
La loi de Poisson , du nom du mathématicien français Denis Poisson (1781-1840),
est une loi de probabilité discrète définie sur l’ensemble des entiers N. Cette loi
est notamment utilisée pour représenter un nombre d’événements se produisant dans
un laps de temps donné. Dit autrement, c’est une loi permettant de modéliser des
variables de comptage . Elle est généralement utilisée pour modéliser les phénomènes
d’occurrence rare : par exemple le nombre de dépôts de brevets sur une année, le
nombre de voitures arrivant à un péage pendant un intervalle de quelques minutes, etc.

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition - Fonction de masse

La variable aléatoire discrète X définie sur X(Ω) = N suit une loi de Poisson P (𝜆)
avec 𝜆inR+ , si sa fonction de masse est définie par :
𝜆x exp(−𝜆)
fX (x) = Pr(X = x) = ∀x ∈ N
x!
La loi de Poisson dépend d’un paramètre réel strictement positif, noté (𝜆), qui corres-
pond à la fois à l’espérance et à la variance de la distribution. Si la variable X suit une
loi de Poisson de paramètre 𝜆 > 0 on note : X ∼ P (𝜆).

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Exemple : Soit Y une variable aléatoire discrète définie sur Y (Ω) = N telle que
X ∼ P (0, 2), alors :
0, 20 × exp(−0, 2)
Pr(X = 0) = = exp(−0, 2) = 0, 8187
0!
0, 21 × exp(−0, 2)
Pr(X = 1) = = 0, 2 × exp(−0, 2) = 0, 1637
1!
0, 22 × exp(−0, 2) 0, 04
Pr(X = 2) = = × exp(−0, 2) = 0, 0164
2! 2

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Définition - Fonction de répartition

Si la variable aléatoire X admet une loi P (𝜆) sur X(Ω) = N, sa fonction de répartition
FX (x) = Pr(X ≤ x) est définie ∀x ∈ R par :


 0 si x < 0


FX (x) =
i
 ⌊x⌋ Pr(X = i) = ⌊x⌋ 𝜆 exp(−𝜆)
 Í Í

i! ∀x ≥ 0
 i=0 i=0
Où ⌊x⌋ désigne le plus grand entier inférieur ou égal à x.

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Soit Y une variable aléatoire discrète définie sur Y (Ω) = N et telle que X ∼ P (0, 2),
Calculons les probabilités Pr(X ≤ 1) et Pr(X ≤ 1, 27).
⌊1⌋
∑︁ 1
∑︁
FX (1) = Pr(X = i) = Pr(X = i) = Pr(X = 0) + Pr(X = 1) = 0, 9824
i=0 i=0
De la même façon, puisque ⌊1, 27⌋ = 1, on a :

⌊1,27⌋
∑︁ 1
∑︁
FX (1, 27) = Pr(X = i) = Pr(X = i) = Pr(X = 0)+Pr(X = 1) = FX (1) = 0, 9824
k=0 k=0

Loi de Bernoulli
Loi discrète
Loi binomiale
Loi Géométrique
Loi de Poisson
Propriété : Espérance et variance de la loi de Poisson

Si X admet une loi de Poisson de paramètre 𝜆 > 0, alors :
EX = 𝜆 V (X) = 𝜆

Loi uniforme continue
Loi discrète
Loi exponentielle
Loi Normale
1 Loi discrète

Loi exponentielle
Loi Normale

Loi discrète
Loi exponentielle
Loi Normale
Définition
La loi uniforme continue est une loi de probabilité continue définie sur un intervalle
[a, b] ⊂ R et caractérisée par une fonction de densité constante pour toutes les valeurs
réelles x ∈ [a, b]. Contrairement à la loi uniforme discrète, l’idée d’équiprobabilité de
la loi uniforme continue ne se traduit pas au niveau de la probabilité d’une réalisation
particulière, puisque pour une loi continue la probabilité d’être en un point est nulle.
Elle se traduit par le fait que tous les intervalles de même longueur inclus dans le
support [a, b] ont la même probabilité. Si X suit une loi uniforme continue sur le
segment [a, b], on note :
X ∼ U[a,b]

Loi discrète
Loi exponentielle
Loi Normale
Fonction de densité
Soient deux valeurs réelles a et b, telles que b ≥ a. La variable aléatoire réelle X suit
une loi uniforme continue sur le support X(Ω) = [a, b] si sa fonction d e densité est
définie par :
1
fX (x) = ∀x ∈ X(Ω)
b−a
Rappelons que fX (x) = 0 si x ∉ X(Ω) = [a, b]. Dans le cas particulier où a = 0 et b =
1, on parle de loi uniforme (continue) standard.
Exemple : Considérons une variable aléatoire X distribuée selon une loi uniforme
1 , ∀x ∈
continue sur X(Ω) = [0, 20], sa fonction de densité est définie par fX (x) = 20
[0, 20] et fX (x) = 0 si ∀x ∉ [0, 20].

Loi discrète
Loi exponentielle
Loi Normale
Fonction de répartition
Si la variable aléatoire X admet une loi uniforme continue sur X(Ω) = [a, b], sa
fonction de répartition F(X) = Pr(X ≤ x) est définie par ∀x ∈ R :


 0 si x < a



 x−a

FX (x) =
 b−a si a ≤ x ≤ b



 1 si x > b


(5−0)
Exemple : Soit X ∼ U[0,20] , alors FX (5) = Pr(X ≤ 5) = 20 = 14 .

Loi discrète
Loi exponentielle
Loi Normale
Moments : Espérence et Variance

Si X admet une loi uniforme continue sur X(Ω) = [a, b], alors :
a+b (b − a) 2
E(X) = V (X) =
2 12

Loi discrète
Loi exponentielle
Loi Normale
Définition
La loi exponentielle est une loi de probabilité continue définie sur des valeurs réelles
positives. Cette loi correspond au temps mesuré entre des événements issus d’un
processus de Poisson, i.e. un processus continu de comptage dans lequel les événements
arrivent de façon continue et indépendamment les uns des autres avec une intensité
constante. La fonction de densité de la loi exponentielle dépend d’un paramètre réel 𝜆
strictement positif, appelé intensité. Si X suit une loi exponentielle d’intensité 𝜆 > 0
sur X(Ω) = R+ , on note :
X ∼ Exp(𝜆)
Exemple : La durée de vie de circuits électriques est représentée par une loi expo-
nentielle. Elle est très utilisée dans les études de fiabilité. 𝜆 est le taux de défaillance
et 𝜆1 est le temps moyen entre échecs.

Loi discrète
Loi exponentielle
Loi Normale
Définition :Fonction de densité

La variable aléatoire réelle X suit une loi exponentielle de paramètre 𝜆 ∈ R+ sur le
support X(Ω) = R+ si sa fonction de densité est définie par :
fX (x) = 𝜆exp(−𝜆x) ∀x ∈ R+
Définition :Fonction de répartition

Si la variable aléatoire X admet une loi exponentielle de paramètre 𝜆 > 0 sur le support
X(Ω) = R+ , sa fonction de répartition FX (x) = Pr(X ≤ x) est définie par :
FX (x) = 1 − exp(−𝜆x) ∀x ∈ R+
Moments :Espérence et variance

Si X suit une loi exponentielle de paramètre 𝜆 > 0, alors :E(X) = 𝜆1 et V (X) = 𝜆12
Loi discrète
Loi exponentielle
Loi Normale
Définition
La loi normale, ou loi de Laplace-Gauss, est une loi de probabilité continue définie
sur l’ensemble des réels R. La densité de la loi normale dépend d’un paramètre de
localisation (qui correspond à son espérance) noté 𝜇 et d’un paramètre d’échelle (qui
correspond à son écart-type) noté 𝜎. Si une variable aléatoire X définie sur X(Ω) = R,
suit une loi normale de paramètres 𝜇 et 𝜎, on note :
X ∼ N (𝜇, 𝜎)

Loi discrète
Loi exponentielle
Loi Normale
Définition :Fonction de densité

La variable aléatoire réelle X suit une loi normale d’espérance 𝜇 et de variance 𝜎, noté
N (𝜇, 𝜎), si sa fonction de densité est définie sur X(Ω) = R par :

1 1 x − 𝜇 2
fX (x) = √ exp − ∀x ∈ R
𝜎 2𝜋 2 𝜎
avec 𝜇 ∈ R et 𝜎 ∈ R+ .
Propriété
Si la variable aléatoire réelle X suit une loi normale N (𝜇, 𝜎) alors sa fonction de
densité vérifié les propriétés suivantes :
1 lim fX (x) = lim fX (x) = 0,
x→+∞ x→−∞
2 fX (𝜇 + x) = fX (𝜇 − x) = 0, ∀x ∈ R,
3 fX (x) atteint son maximum en x = 𝜇.
Loi discrète
Loi exponentielle
Loi Normale
Définition :loi normale centrée réduite

Parmi les lois normales générales, on distingue la loi normale centrée réduite ou loi
normale standard, d’espérance nulle et de variance égale à 1. On admet que :
X−𝜇
X ∼ N (𝜇, 𝜎) ⇔ ∼ N (0, 1)
𝜎
Par convention, la fonction de densité de la loi normale centrée réduite N (0, 1) est
notée 𝜙(x).
Loi normale centrée réduite :Fonction de densité

La variable aléatoire réelle X suit une loi normale centrée réduite N (0, 1) si sa fonction
de densité est définie par :
2
1 x
𝜙(x) = √ exp − ∀x ∈ R
2𝜋 2

Loi discrète
Loi exponentielle
Loi Normale
Définition :fonction derépartition

Si la variable aléatoire réelle X admet une loi normale N (𝜇, 𝜎), sa fonction de répar-
tition FX (x) = Pr(X ≤ x) est définie par ∀x ∈ R :
∫ x ∫ x
1 1 z − 𝜇 2
FX (x) = fX (z)dz = √ exp − dz
−∞ −∞ 𝜎 2𝜋 2 𝜎
Fonction de répartition - Loi normale centrée réduite

La fonction de répartition de la loi normale centrée réduite N (0, 1), notée 𝜙(x), est
définie par ∀x ∈ R :
∫ x ∫ x 2
1 z
𝜙(x) = phi(z)dz = √ exp − dz
−∞ −∞ 2𝜋 2

Loi discrète
Loi exponentielle
Loi Normale
Remarque
Le fait que la fonction de répartition n’ait pas d’expression analytique signifie
qu’elle ne s’exprime pas à partir de fonctions usuelles (log, exponentielle, etc.)
mais qu’elle devient elle-même une fonction usuelle. Par conséquent, si l’on
souhaite calculer une probabilité cumulée pour une loi normale on doit
nécessairement recourir à une table statistique ou à un logiciel de statistique
(par exemple la fonction LOI.NORMALE sousExcel).
Supposons que X ∼ N (𝜇, 𝜎) et que l’on veuille calculer XX (c) = Pr(X ≤ c) où
c est une valeur réelle. On peut alors exprimer cette probabilité cumulée à l’aide
de la fonction de répartition 𝜙(.) de la loi N (0, 1) :
X−𝜇 c−𝜇 c−𝜇
FX (c) = Pr(X ≤ c) = Pr( ≤ ) = 𝜙( )
𝜎 𝜎 𝜎
X−𝜇
Puisque la variable centrée réduite 𝜎 suit une loi normale centrée réduite.

Loi discrète
Loi exponentielle
Loi Normale
Exemple : Soit X une variable aléatoire réelle telle que X ∼ N (0, 6; 4). Calculons la
probabilité cumulée Pr(X ≤ 0, 5) :
FX (−0, 5) = Pr(X ≤ −0, 5) = Pr X−0,6
√ ≤ −0,5−0,6
√
4 4
FX (−0, 5) = 𝜙(−0, 55) = 1 − 𝜙(0, 55) = 1 − 0, 708840 = 0, 29116
FX (−0, 5) = Pr(X ≤ −0, 5) = 0, 29116
Moments : Expérence et variance

Si X suit une loi Normale de paramètres N (𝜇, 𝜎), l’espérance et la variance sont égales
aux paramètres de cette loi :
E(X) = 𝜇 V (X) = 𝜎 2

Saadia Lois Usuelles

Transféré par

Informations du document

Titre original

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

Saadia Lois Usuelles

Transféré par

Droits d'auteur :

Formats disponibles

Lois de probabilité usuelles.

E.H.E.I - Ecole des Hautes Etudes d’Ingénierie.

KHOUKHI Saâdia Lois de probabilité usuelles.

2 Lois usuelles continues

KHOUKHI Saâdia Lois de probabilité usuelles.

KHOUKHI Saâdia Lois de probabilité usuelles.

2 Lois usuelles continues

KHOUKHI Saâdia Lois de probabilité usuelles.

KHOUKHI Saâdia Lois de probabilité usuelles.

Définition : Fonction de masse

KHOUKHI Saâdia Lois de probabilité usuelles.

KHOUKHI Saâdia Lois de probabilité usuelles.

Définition : Fonction de répartition

KHOUKHI Saâdia Lois de probabilité usuelles.

Propriété : Espérance et variance de la loi uniforme discrète

KHOUKHI Saâdia Lois de probabilité usuelles.

KHOUKHI Saâdia Lois de probabilité usuelles.

Définition : Fonction de masse

fX (x) = Pr(X = x) = px (1 − p) 1−x ∀x ∈ X(Ω) = {0, 1}

Où le paramètre p est un réel vérifiant p ∈]0, 1[

Définition : Fonction de répartition

Propriété : Espérance et variance de la loi de Bernoulli

E(X) = p V (X) = p(1 − p)

KHOUKHI Saâdia Lois de probabilité usuelles.

Exemple : Le nombre de résultats « face » apparus lors de n lancers d’une pièce

KHOUKHI Saâdia Lois de probabilité usuelles.

Définition : Fonction de masse

fX (x) = Pr(X = x) = Cnx px (1 − p) n−x ∀x ∈ X(Ω)

Le paramètre p correspond à la probabilité de succès des épreuves de Bernoulli, il est

KHOUKHI Saâdia Lois de probabilité usuelles.

KHOUKHI Saâdia Lois de probabilité usuelles.

Définition : Fonction de répartition

KHOUKHI Saâdia Lois de probabilité usuelles.

Propriété : Espérance et variance de la loi binomiale

E(X) = np V (X) = np(1 − p)

KHOUKHI Saâdia Lois de probabilité usuelles.

Lorsqu’elle est définie sur N, la loi géométrique correspond à la distribution du nombre

KHOUKHI Saâdia Lois de probabilité usuelles.

Définition :Fonction de masse

Si cette variable est définie sur X(Ω) = N ∗ , sa fonction de masse devient :

fX (x) = Pr(X = x) = (1 − p) x−1 p ∀x ∈ N ∗

où la probabilité de succès p est un réel vérifiant p ∈ ]0, 1] .

KHOUKHI Saâdia Lois de probabilité usuelles.

Définition :Fonction de répartition

Si cette variable est définie sur X(Ω) = N ∗ , sa fonction de répartition devient :

où ⌊x⌋ désigne le plus grand entier inférieur ou égal à x.

Pr(X ≤ 1) = FX (1) = 1 − (1 − 0, 1) ⌊1⌋+1 = 1 − (1 − 0, 9) 2 = 0, 19

Pr(X ≤ 1) = FX (1) = 1 − (1 − 0, 1) ⌊1,2⌋+1 = 1 − (1 − 0, 9) 2 = 0, 19

Moment : Espérence et Variance

KHOUKHI Saâdia Lois de probabilité usuelles.

KHOUKHI Saâdia Lois de probabilité usuelles.

Définition - Fonction de masse

KHOUKHI Saâdia Lois de probabilité usuelles.

KHOUKHI Saâdia Lois de probabilité usuelles.

Définition - Fonction de répartition

Où ⌊x⌋ désigne le plus grand entier inférieur ou égal à x.

KHOUKHI Saâdia Lois de probabilité usuelles.

De la même façon, puisque ⌊1, 27⌋ = 1, on a :

KHOUKHI Saâdia Lois de probabilité usuelles.

Propriété : Espérance et variance de la loi de Poisson

KHOUKHI Saâdia Lois de probabilité usuelles.

2 Lois usuelles continues

KHOUKHI Saâdia Lois de probabilité usuelles.