Chapitre 4 Quelques Lois de Probabilita

Probabilités et Statistiques
Chapitre 4: Quelques lois de

probabilité
Hamzah Bakhti
API – S4 2023/24
Plan
Chapitre 4: Quelques lois de probabilité
1. Introduction
2. Lois de probabilité discrètes
3. Lois de probabilité continues
2/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

Plan
1. Introduction

Lois de probabilité
Introduction
La plupart des lois de probabilité discrètes et continues reposent sur des

hypothèses élémentaires liées à des phénomènes du monde réel.
Ce chapitre portera sur les lois de probabilité suivantes :
• Lois de probabilité discrètes :
— Loi de Bernoulli
— Loi binomiale
— Loi de Poisson
• Lois de probabilité continues :
— Loi normale
— Loi exponentielle
— Loi de Cauchy

Plan
1. Introduction

Loi de Bernoulli
Lois de probabilité discrètes
De nombreux problèmes font intervenir une expérience composée de n épreuves

ou essais consécutifs.
Dans le cas qui nous intéresse, chacune de ces épreuves ne peut déboucher que
sur un succès ’S’ ou un échec ’E’.

Loi de Bernoulli
Fonction de masse de la loi de Bernoulli

La variable aléatoire X représentant le nombre de succès lors d’une épreuve de
Bernoulli peut prendre les valeurs 0 ou 1.
On dit alors que X est distribuée selon une loi de Bernoulli de paramètre p, où p
est la probabilité de succès.
La fonction de masse de X est donnée par :

1 − p si x = 0

p(x) = p si x = 1
sinon.

0

Loi de Bernoulli

Loi de Bernoulli
L’espérance et la variance d’une loi de Bernoulli

La loi de Bernoulli a une moyenne théorique de :
E(X) = 0 · (1 − p) + 1 · p = p
et une variance de :
V (X) = [02 · (1 − p) + 12 · p] − p2 = p(1 − p)

Loi binomiale
Pour la loi binomiale, on s’intéresse au nombre de succès qu’on peut obtenir

lorsqu’un nombre fixé d’épreuves de Bernoulli indépendantes sont effectuées.
Exemple
Soit une expérience constituée de l’évaluation de trois pièces d’acier choisies au
hasard dans la production.
On veut étudier le nombre de pièces défectueuses dans cet échantillon.
Il s’agit donc de trois épreuves de Bernoulli indépendantes ayant chacune une
probabilité de succès p, où un succès est une pièce défectueuse.

Loi binomiale

Loi binomiale
Exemple
La variable aléatoire X correspond au nombre de pièces défectueuses obtenues
en trois épreuves et se traduit par X = Xl + X2 + X3 , où Xj est le nombre de
succès lors de la y-ième épreuve.
Elle présente ainsi la distribution ci-dessous.
x p(x)
0 P {EEE} = (1 − p) · (1 − p) · (1 − p) = (1 − p)3
1 P {EES} + P {ESE} + P {SEE} = 3p(1 − p)2
2 P {ESS} + P {SES} + P {SSE} = 3p2 (1 − p)
3 P {SSS} = p3

Loi binomiale
Fonction de masse de la loi binomiale

La variable aléatoire X représentant le nombre de succès obtenus en réalisant n
épreuves de Bernoulli indépendantes, ayant chacune une probabilité de succès p,
est dite de loi binomiale de paramètres n et p.
Sa fonction de masse p(x) est définie par
 !
n
px (1 − p)n−x si x = 0, 1, 2, . . . , n


p(x) = x
sinon.

0

En abrégé, on écrit X ∼ Binomiale(n, p).

Loi binomiale

Loi binomiale
L’espérance et la variance de la loi binomiale

Une façon simple de déterminer la moyenne et la variance consiste à considérer
X comme la somme de n variables aléatoires indépendantes de Bernoulli ayant
chacune une moyenne p et une variance p(1 − p), de sorte que
X = X1 + X2 + · · · + Xn . On a alors :
E(X) = p + p + · · · + p = np
et :
V (X) = p(1 − p) + p(1 − p) + · · · + p(1 − p) = np(1 − p).

Loi de Poisson
La loi de Poisson est l’une des lois de probabilité discrètes les plus utiles.
Cette loi intervient souvent lorsqu’on s’intéresse au nombre de fois qu’un certain
type d’événements se réalise dans un intervalle de temps.
Fonction de masse de la loi de Poisson
On dit qu’une variable aléatoire X est distribuée selon une loi de Poisson de
paramètre c > 0 si sa fonction de masse est donnée par :
( x −c
c e
x!
si x = 0, 1, 2, . . .
p(x) =
0 sinon.
Le paramètre c désigne le nombre moyen de réalisations du type d’événement

étudié dans l’intervalle de temps considéré ou dans l’espace considéré.
En abrégé, on écrit X ∼ Poisson(c).

Loi de Poisson

Loi de Poisson
L’espérance et la variance de la loi de Poisson

La loi de Poisson possède une propriété particulière : sa moyenne et sa variance
sont toujours égales.
Soit X une variable aléatoire distribuée selon une loi de Poisson de paramètre
c > 0. Alors :
∞ ∞
X xe−c cx X e−c cx
E(X) = =
x=0
x! (x − 1)!
x=1
2
−c
c c
= ce 1+ + + ...
1! 2!
= ce−c · ec
= c.

Loi de Poisson
L’espérance et la variance de la loi de Poisson

De la même façon :
∞ ∞
X x(x − 1) · e−c cx 2 −c
X cx−2
E(X(X − 1)) = =c e = c2 ,
x=0
x! x=2
(x − 2)!
d’où :
V (X) = E(X 2 ) − [E(X)]2 = c.

Loi de Poisson
Théorème (L’additivité de la loi de Poisson)

Si X1 , X2 , . . . , Xk sont des variables aléatoires indépendantes distribuées selon
une loi de Poisson de paramètre ci , où i = 1, 2, . . . , k, et si
Y = X1 + X2 + · · · + Xk , alors Y obéit à une loi de Poisson de paramètre
c = c1 + c2 + · · · + ck .
Remarque
La somme de variables aléatoires indépendantes distribuées chacune selon une
loi de Poisson obéit elle-même à une loi de Poisson.

Plan
1. Introduction

Loi normale
Lois de probabilité continues
La loi normale constitue à plusieurs égards la pierre angulaire de la statistique. Elle

est caractérisée par deux paramètres : sa moyenne µ et sa variance σ 2 .
Fonction de densité de la loi normale
On dit qu’une variable aléatoire X obéit à une loi normale de moyenne µ (où
−∞ < µ < ∞) et de variance σ 2 > 0 lorsqu’elle présente la fonction de
densité :
1 2
f (x) = √ e−(1/2){(x−µ)/σ} , −∞ < x < ∞.
σ 2π
En abrégé, on écrit X ∼ N (µ, σ 2 ).

Loi normale

Loi normale
Fonction de répartition de la loi normale

La fonction de répartition d’une variable aléatoire normale est définie par :
Z x
1 2
F (x) = P (X ≤ x) = √ e−(1/2)[(t−µ)/σ] dt.
−∞ σ 2π
On ne peut évaluer cette intégrale qu’en recourant à des méthodes numériques,

et on doit alors en déterminer la valeur pour chaque couple (µ, σ 2 ).

Loi normale
L’espérance et la variance d’une loi normale

On s’attend bien sûr à trouver les valeurs µ et σ 2 , puisque c’est ainsi que nous avons défini ces paramètres.
En effet, puisque : Z ∞
x −(1/2)[(x−µ)/σ]2
E(X) = √ e dx,
−∞ σ 2π
en posant z = (x − µ)/σ et en utilisant la méthode d’intégration par parties, on obtient :
Z ∞
1 −z 2 /2
E(X) = √ (µ + σz)e dz
−∞ 2π
Z ∞ Z ∞
1 −z 2 /2 1 −z 2 /2
=µ √ e dz + σ √ ze dz.
−∞ 2π −∞ 2π

Loi normale

Or, comme la première fonction à intégrer n’est autre que la fonction de densité
d’une variable normale de paramètres µ = 0 et σ 2 = 1, la première intégrale a
une valeur de 1. La valeur de la deuxième intégrale est par ailleurs nulle, puisque :
Z ∞
1 2 1 2 ∞
√ ze−z /2 dz = − √ e−z /2 = 0.
−∞ 2π 2π −∞
Par conséquent :
E(X) = µ[1] + σ[0]

E(X) = µ.
Il s’agit là d’un résultat logique étant donné la symétrie de la densité.

Loi normale

Pour déterminer la variance, il faut évaluer :
Z ∞
1 2
V (X) = E (X − µ)2 = (x − µ)2 √ e−(1/2)[(x−µ)/σ] dx.

−∞ σ 2π
Or, en posant z = (x − µ)/σ, on obtient :
Z ∞ Z ∞
1 2 z 2 −z2 /2
V (X) = σ 2 z 2 √ e−z /2 dz = σ 2 √ e dz
−∞ 2π −∞ 2π
 
∞
−z 2 /2 Z ∞
2  −ze 1 −z 2 /2
=σ √ + √ e dz  = σ 2 [0 + 1],
2π −∞
−∞ 2π
de sorte que :
V (X) = σ 2 .

Loi exponentielle
Fonction de densité de la loi exponentielle

Une variable aléatoire continue X est dite de loi exponentielle de paramètre λ si
sa fonction de densité est de la forme :
(
λe−λx si x > 0
f (x) =
0 sinon,
où le paramètre λ est un nombre réel positif.

En abrégé, on écrit X ∼ Exp(λ).

Loi exponentielle

Loi exponentielle
Fonction de répartition de la loi exponentielle

On obtient la fonction de répartition d’une variable exponentielle en intégrant la
fonction de densité, d’où :
(
0 si x < 0
F (x) = R x −λt
0
λe dt = 1 − e −λx
si x ≥ 0.

Loi exponentielle

Loi exponentielle
L’espérance et la variance de la loi binomiale

La moyenne de la loi exponentielle est donnée par :
Z ∞ Z ∞
−λx −λx ∞
E(X) = xλe dx = − xe 0
+ e−λx dx = 1/λ.
0 0
La variance est définie par :

Z ∞
V (X) = x2 λe−λx dx − (1/λ)2
0 Z ∞
2 −λx ∞ −λx
= −x e 0
+2 xe dx − (1/λ)2 = 1/λ2 .
0
La loi exponentielle a un écart-type de 1/λ, une valeur égale à sa moyenne.

Loi exponentielle
Propriété (L’absence de mémoire de la loi exponentielle)

La loi exponentielle présente une propriété intéressante qui la distingue des
autres lois de probabilité continues, son absence de mémoire. En effet, pour tout
x > 0, et s > 0 :
P (X > x + s)
P (X > x + s | X > x) =
P (X > x)
−λ(x+s)
e
= = e−λs ,
e−λx
de sorte que :
P (X > x + s | X > x) = P (X > s).

Loi de Cauchy
Fonction de densité de la loi de Cauchy

Une variable aléatoire X suit une loi de Cauchy si sa densité dépendant des deux
paramètres x0 et a > 0 est définie par :
1
f (x) = h 2 i
πa 1 + x−x
a
0
La fonction ainsi définie s’appelle une lorentzienne.

En abrégé, on écrit X ∼ Cauchy(x0 , a).

Loi de Cauchy

Loi de Cauchy
Fonction de répartition de la loi de Cauchy

La fonction de répartition est :
x − x0

1 1
F (x) = + arctan .
2 π a

Loi de Cauchy
L’espérance et la variance de la loi de Cauchy

La loi de Cauchy n’admet ni espérance ni variance. Et il en va de même pour tout
moment d’ordre supérieur.
En effet, x 7→ πa (x−x0x)2 +a2 n’est pas intégrable au sens de Lebesgue, car
x
(x−x0 )2 +a2
∼ 1
x
(à l’infini) d’où la divergence de l’intégrale : l’espérance
n’existe pas.
Cependant, x0 , qui en est la médiane, est souvent considéré comme la moyenne
de la loi de Cauchy, car :
Z R
a x
lim dx = x0
R→+∞ −R π (x − x0 )2 + a2

Chapitre 4 Quelques Lois de Probabilita

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

Chapitre 4 Quelques Lois de Probabilita

Transféré par

Droits d'auteur :

Formats disponibles

Probabilités et Statistiques

Chapitre 4: Quelques lois de

2. Lois de probabilité discrètes

3. Lois de probabilité continues

2/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

2. Lois de probabilité discrètes

3. Lois de probabilité continues

3/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

La plupart des lois de probabilité discrètes et continues reposent sur des

4/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

2. Lois de probabilité discrètes

3. Lois de probabilité continues

5/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

De nombreux problèmes font intervenir une expérience composée de n épreuves

6/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

Fonction de masse de la loi de Bernoulli

7/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

8/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

L’espérance et la variance d’une loi de Bernoulli

V (X) = [02 · (1 − p) + 12 · p] − p2 = p(1 − p)

9/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

Pour la loi binomiale, on s’intéresse au nombre de succès qu’on peut obtenir

10/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

11/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

12/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

Fonction de masse de la loi binomiale

En abrégé, on écrit X ∼ Binomiale(n, p).

13/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

14/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

L’espérance et la variance de la loi binomiale

V (X) = p(1 − p) + p(1 − p) + · · · + p(1 − p) = np(1 − p).

15/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

Le paramètre c désigne le nombre moyen de réalisations du type d’événement

16/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

17/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

L’espérance et la variance de la loi de Poisson

18/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

L’espérance et la variance de la loi de Poisson

19/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

Théorème (L’additivité de la loi de Poisson)

20/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

2. Lois de probabilité discrètes

3. Lois de probabilité continues

21/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

La loi normale constitue à plusieurs égards la pierre angulaire de la statistique. Elle

22/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

23/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

Fonction de répartition de la loi normale

On ne peut évaluer cette intégrale qu’en recourant à des méthodes numériques,

24/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

L’espérance et la variance d’une loi normale

25/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

L’espérance et la variance d’une loi normale

E(X) = µ[1] + σ[0]

Il s’agit là d’un résultat logique étant donné la symétrie de la densité.

L’espérance et la variance d’une loi normale

27/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

Fonction de densité de la loi exponentielle

où le paramètre λ est un nombre réel positif.

28/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

29/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques

Fonction de répartition de la loi exponentielle

30/37 | Chapitre 4: Quelques lois de probabilité Hamzah Bakhti | Probabilités et Statistiques