Académique Documents
Professionnel Documents
Culture Documents
KHOUKHI Saâdia
2021-2022
Plan
1 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.
1 Loi discrète
Loi uniforme discrète
Loi de Bernoulli
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.
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.
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
a+b (b − a + 1) 2 − 1
E(X) = V (X) =
2 12
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}.
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.
KHOUKHI Saâdia Lois de probabilité usuelles.
Loi uniforme discrète
Loi de Bernoulli
Loi discrète
Loi binomiale
Lois usuelles continues
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)
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!
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
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.
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)
fX (x) = Pr(X = x) = (1 − p) x p ∀x ∈ N
Exemple : Soit Y une variable aléatoire discrète définie sur Y (Ω) = N telle que
X ∼ G(0, 1), alors :
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.
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).
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
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
EX = 𝜆 V (X) = 𝜆
1 Loi discrète
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]
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].
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 .
a+b (b − a) 2
E(X) = V (X) =
2 12
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.
fX (x) = 𝜆exp(−𝜆x) ∀x ∈ R+
FX (x) = 1 − exp(−𝜆x) ∀x ∈ R+
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)
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.
KHOUKHI Saâdia Lois de probabilité usuelles.
Loi uniforme continue
Loi discrète
Loi exponentielle
Lois usuelles continues
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.
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
E(X) = 𝜇 V (X) = 𝜎 2