Cours de Probabilité et Statistique pour la

deuxième année des conseillers en planication et

en orientation
C.O.P.E.

CHIKHI EL MOKHTAR

5 juillet 2020

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

•

Première partie : Probabilités et Variables aléatoires

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 Variables aléatoires réelles

I Variables aléatoires réelles discrètes :

I.1 Exemple introductif :
On jette une pièce de monnaie 2 fois dans l'air. Soit X le nombre
de fois où "face (F)" est obtenu. L'ensemble de résultats obtenus
est : Ω = {PP, PF , FP, FF }.
. Si le résultat de l'expérience est PP ⇒ (X = 0)
. Si le résultat de l'expérience est PF ou FP ⇒ (X = 1)
. Si le résultat de l'expérience est FF ⇒ (X = 2)

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes :

I.1 : Exemple introductif :

. L'ensemble des valeurs de X est :{0, 1, 2}
. On note cet ensemble par : X (Ω) = {0, 1, 2}.
. X est une description numérique des résultats d'une expérience
aléatoire. On dit que X est une variable aléatoire réelle
discrète (v.a.r.d.).

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.2 : Dénition
Soit (Ω, P(Ω), p) un espace probabilisé. On appelle variable
aléatoire discrète (v.a.d) toute application

X : Ω→R
ω → X (ω) = a

telle que :
1 Elle prend un nombre ni ou inni dénombrable de valeurs,

c-à-d si l'image X (Ω) de Ω est ni ou inni dénombrable.

Autrement dit il existe une suite de réelles (xi )i∈N distinctes
telque X (Ω) = {xi , i ∈ N}
2 Pour tout xk ∈ X (Ω) : X −1 ({xk }) ∈ P(Ω)

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes :

I.3 : Remarque :
 L'événement (X = a) = {ω ∈ Ω/X (ω) = a} = X −1 ({a}).
Si on prend l'exemple précédent :
 (X = 2) = X −1 ({2}) = {FF } ∈ P(Ω).
 (X = 1) = X −1 ({1}) = {FP, PF } ∈ P(Ω).
 (X = 0) = X −1 ({0}) = {PP} ∈ P(Ω).
Sans perte de généralité on peut supposer par la suite que
X (Ω) est ni et on le note par :
 X (Ω) = {x1 , x2 , ..., xn } avec x1 < x2 < ... < xn .

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes :

I.4 : Loi de probabilité d'une variable aléatoire discrète :

Dénition :
Soit X (Ω) = {x1 , x2 , ..., xn } l'ensemble des valeurs de X .
La loi de probabilité de X est dénie par :
• pi = f (xi ) = p(X = xi ), i = 1, 2, ..., n
avec
n n n
p (X = xi ) = 1.
P P P
• pi = f (xi ) =
i=1 i=1 i=1

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.4 : Loi de probabilité d'une variable aléatoire discrète

En général, on résume la loi de probabilité de X si possible dans un
tableau de la forme :
X = xi x1 ... xn
p(X = xi ) p1 ... pn

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.4 : Loi de probabilité d'une variable aléatoire discrète

Exemple : On reprend l'exemple précédent :
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d
X représentant le nombre de faces obtenues après ces 2 lancements
1 Donner les valeurs de X .

2 Dénir la loi de probabilité de X .

Solution :
1)

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.4 : Loi de probabilité d'une variable aléatoire discrète

Exemple : On reprend l'exemple précédent :
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d
X représentant le nombre de faces obtenues après ces 2 lancements
1 Donner les valeurs de X .

2 Dénir la loi de probabilité de X .

Solution :
1)
Ω = {(P; P); (P; F ); (F ; P); (F ; F )}

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.4 : Loi de probabilité d'une variable aléatoire discrète

Exemple : On reprend l'exemple précédent :
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d
X représentant le nombre de faces obtenues après ces 2 lancements
1 Donner les valeurs de X .

2 Dénir la loi de probabilité de X .

Solution :
1)
Ω = {(P; P); (P; F ); (F ; P); (F ; F )}
X (Ω) = {0; 1; 2}
2)

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.4 : Loi de probabilité d'une variable aléatoire discrète

Exemple : On reprend l'exemple précédent :
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d
X représentant le nombre de faces obtenues après ces 2 lancements
1 Donner les valeurs de X .

2 Dénir la loi de probabilité de X .

Solution :
1)
Ω = {(P; P); (P; F ); (F ; P); (F ; F )}
X (Ω) = {0; 1; 2}
2)
X = xi 0 1 2
1 1 1
p(X = xi ) 4 2 4

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.5 : Fonction de répartition d'une variable aléatoire discrète

Soit X une v.a.d, on appelle fonction de répartition de X (f.d.r),
la fonction réelle F dénie sur R par :

F (x) = p(X ∈] − ∞, x]) = p(X ≤ x).

Il est facile de voir que

X
F (x) = p(X = xk ),
k:xk ∈X (Ω)
xk ≤x

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.5 : Fonction de répartition d'une variable aléatoire discrète

Si X (Ω) = {x1 , . . . , xn } alors :




 0 x < x1


p(X = x1 ) x1 ≤ x < x2
 ...




FX (x) =
p(X = x1 ) + . . . + p(X = xi−1 ) xi−1 ≤ x < xi
..



.





 1

x ≥ xn

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.5 : Fonction de répartition d'une variable aléatoire discrète

Exemple : On reprend l'exemple précédent :
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d
X représentant le nombre de faces obtenues après ces 2
lancements.
Déterminer la fonction de répartition de X .

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.5 : Fonction de répartition d'une variable aléatoire discrète

Solution :

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.5 : Fonction de répartition d'une variable aléatoire discrète

Solution :
d'après ce qui précède la loi de probabilité de X est :
X = xi 0 1 2
1 1 1
p(X = xi ) 4 2 4

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.5 : Fonction de répartition d'une variable aléatoire discrète

Solution :
d'après ce qui précède la loi de probabilité de X est :
X = xi 0 1 2
1 1 1
p(X = xi ) 4 2 4
la fonction de répartition de X est dénit comme suit ;


 0 x <0
1

0≤x <1


F (x) = 4
3


 4 1≤x <2
1 x ≥2



CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.5 : Fonction de répartition d'une variable aléatoire discrète

Remarque :
Si a < b on a ;

p (a < X ≤ b) = p (X ≤ b) − p (X ≤ a)

Il sut de remarquer que ;[X ≤ b] =] − ∞; a]∪]a; b] avec les deux

événements ] − ∞; a] et ]a; b] sont disjoints.

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I : Variables aléatoires réelles discrètes

I.6 : Paramètres caractéristiques d'une v.a.r.d.

I.6.1 : Espérance mathématique
Soit X une v.a.r.d. à n réalisations possibles i.e.
X (Ω) = {x1 , . . . , xn }
Dénition :
L'espérance mathématique de la variable X , notée E (X ), est la
somme de toutes les réalisations possibles de X , pondérées par
leurs probabilités respectives :
n
X n
X
E (X ) = xi p (X = xi ) = xi pi
i=1 i=1

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I.6 : Paramètres caractéristiques d'une v.a.r.d.

I.6.1 : Espérance mathématique

Propriétés
Soient X et Y deux variables aléatoires :
. E (a) = a ∀a ∈ R
. E (aX + b) = aE (X ) + b ∀(a, b) ∈ R2
. E (X ± Y ) = E (X ) ± E (Y ).
On dit que l'espérance est un opérateur linéaire.
De plus si X et Y sont indépendantes alors

E (X × Y ) = E (X ) × E (Y )

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I.6 : Paramètres caractéristiques d'une v.a.r.d.

I.6.2 : Variance
Dénition :
La variance de la variable aléatoire X , notée V (X ), est le moment
centré d'ordre 2,i.e. l'espérance mathématique du carré de la
variable aléatoire X centrée :
n
2
[xi − E (X )]2 p (X = xi )
n o X
V (X ) = E [X − E (X )] =
i=1

Elle est égal aussi :

n
" n #2
2
−[E (X )]2 = xi 2 p (X = xi )−

X X
V (X ) = E X xi p (X = xi )
i=1 i=1

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I.6 : Paramètres caractéristiques d'une v.a.r.d.

I.6.2 : Variance
Propriétés :
Soit X une variable aléatoire et a un réel :
. V (X ) ≥ 0
. V (a) = 0
. V (aX ) = a2 V (X )
. V (X + a) = V (X )
Si X et Y deux variables aléatoires indépendantes alors :

V (X + Y ) = V (X − Y ) = V (X ) + V (Y )

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I.6 : Paramètres caractéristiques d'une v.a.r.d.

I.6.3 : Écart-type
Dénition :
L'écart-type de la variable aléatoire X , noté σ(X ) ou σX , est la
racine carrée de la variance :
p
σ(X ) = V (X )

L'écart-type est aussi un indicateur de la dispersion de la variable

aléatoire mais il a l'avantage de s'exprimer dans la même unité que
la variable aléatoire.

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
I.7 : Variable centrée réduite

I.7 : Variable centrée réduite

Dénition :
 Une variable aléatoire centrée est une v.a. dont l'espérance est
nulle i.e. :∀ la v.a. X , la variable X − E (X ) est une v.a. centrée
 Une variable aléatoire réduite est une v.a. dont l'écart-type est
égal à 1 i.e. ∀X , la variable X /σ(X ) est réduite.
 Soit X une variable aléatoire quelconque, la v.a. X −E
σ(X ) , est
(X )
 
une v.a. centrée réduite. i.e. E X −E (X )
σ(X ) = 0 et
 
V X −E (X )
σ(X ) =1

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
II : Variables aléatoires continues

II.1 : Dénition
Une variable aléatoire X est une application de l'univers Ω dans R

X : Ω→R
ω → X (ω)

La variable X est dite continue si l'ensemble X (Ω) est un intervalle

(ou une réunion d'intervalles) de R
Exemple : X : taille d'un individu ; poids d'un individu etc...

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
II : Variables aléatoires continues

II.2 : Fonction de répartition

Dénition
Une variable aléatoire continue X peut être dénie par sa fonction
de répartition F , dénie comme pour les variables aléatoires
discrètes.
F (x) = p(X ≤ x) , x ∈ R

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
II : Variables aléatoires continues

II.2 : Fonction de répartition

Propriétés : la fonction de répartition F d'une variable al'eatoire
continue a les propriétés suivantes :
continue ;
croissante au sens large x1 ≤ x2 ⇒ F (x1 ) ≤ F (x2 );
lim F (x) = 0 et lim F (x) = 1;
x→−∞ x→+∞
∀x ∈ R, 0 ≤ F (x) ≤ 1.

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
II : Variables aléatoires continues

II.2 : Fonction de répartition

Remarque :
si x1 < x2 on a : p(x1 < X ≤ x2 ) = F (x2 ) − F (x1 );
p(x < X ≤ x + ∆x) = F (x + ∆x) − F (x), si ∆x → 0, alors
on obtient :
p(X = x) = 0; ∀x ∈ R
Alors on a : p(X ≤ x) = p(X < x) + p(X = x) = P(X < x) i.e.

P(X ≤ x) = P(X < x); ∀x ∈ R.

de plus on a : p(x1 < X ≤ x2 ) = p(x1 ≤ X ≤ x2 ) =

=p(x1 < X < x2 ) = F (x2 ) − F (x1 )

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
II : Variables aléatoires continues

II.3 : Fonction de densité de probabilité

Dénition
Une variable aléatoire possède une densité f si sa fonction de
0
répartition F est dérivable. On a : f (x) = F (x), f vérie les
propriétés suivantes :
∀x, f (x) ≥ 0;
R +∞
f est une fonction intégrable : −∞ f (x) dx = 1
Remarque : à partir de la fonction densité de probabilité, on peut
calculer la fonction de répartition :
Z x
F (x) = f (t) dt
−∞

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
II : Variables aléatoires continues

II.4 : Caractéristique d'une variable aléatoire continue

Soit X une v.a. continue de fonction de densité f .
Espérance mathématique : (on suppose qu'elle existe)
Z +∞
E (X ) = xf (x) dx
−∞

Variance et Écart-type : (si E (X ) existe)

Z +∞
2
V (X ) = E (X − E (X )) = (x − E (X ))2 f (x) dx
−∞

Écart-type : p
σ(X ) = V (X )

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.1 : Loi de Bernoulli

Soit (Ω, P(Ω), P) un espace probabilisé, A ∈ P(Ω) tel que
P(A) = p (0 ≤ p ≤ 1) on note :

1, si A est réalisé

X =
0, sinon

alors X est une v.a.d telle que X (Ω) = {0, 1},avec :

P(X = 0) = P({ω /ω 6∈ A}) = P(Ā) = 1 − p

P(X = 1) = P({ω /ω ∈ A}) = P(A) = p

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.1 : Loi de Bernoulli

Dénition :
X : (Ω, P(Ω), P) −→ R est une v.a.d qui suit une loi de B ernoulli
de paramètre p (0 ≤ p ≤ 1) si :
1) X (Ω) = {0, 1}.
2) PX ({1}) = P(X = 1) = p, PX ({0}) = P(X = 0) = 1 − p.
On écrira : X ∼ B(p).

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.2 : Loi Binomiale

Dénition :
On dit qu'une v.a.d X dénie sur (Ω, P(Ω), P) suit une loi
B inomiale de pramètres n, p avec (0 ≤ p ≤ 1) si :
1) X (Ω) = {0, 1, . . . , n}.
2) ∀k ∈ X (Ω) P(X = k) = Cnk pk (1 − p)n−k .
On note : X ∼ B(n, p).

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.2 : Loi Binomiale

Exemple : On jette une pièce de monnaie n fois dans les mêmes
conditions.
La probabilité d'avoir pile est p (0 ≤ p ≤ 1).
On considère la v.a.d X égale au nombre de piles lors des n jets.

Ω = {(ω1 , . . . , ωn )/ωi ∈ {π, F }, i = 1, . . . , n}

p, si ωi = π i = 1, . . . , n ;

P({ωi }) =
1 − p, si ωi = F .
On a alors X (Ω) = {0, 1, . . . , n},
Considérons l'événement (X = k), s'il est réalisé, on a donc k piles
et (n − k) faces.
Les k piles ont été obtenue lors des jets numéros n1 , . . . , nk .

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.2 : Loi Binomiale

Soit Bn1 ,...,nk =
{les jets de rangs n1 , . . . , nk font piles et les autres font faces}.
Or
Bn1 ,...,nk = An1 ∩ . . . ∩ Ank ∩ Ānk+1 ∩ . . . ∩ Ān
où Anj = {le j i ème jet fait pile}.
Les événements Anj sont indépendants, donc

P(An1 ) . . . P(Ank )P(Ānk+1 ) . . . P(Ān ) = pk (1 − p)n−k .

Or
[
(X = k) = Bn1 ,...,nk ,
n1 ,...,nk ⊂{1,...,n}

réunion disjointe ; donc :

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année
Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.2 : Loi Binomiale

X
P(X = k) = P(Bn1 ,...,nk )
n1 ,...,nk ⊂{1,...,n}

pk (1 − p)n−k
X
P(X = k) =
n1 ,...,nk ⊂{1,...,n}

= Cnk pk (1 − p)n−k .
Remarque ;
Si X1 , . . . , Xn sont des variables indépendantes de Bernouilli de
même paramètre p, alors la v.a.d
n
X
X = Xi ∼ B(n, p),
k=1

la somme de n Bernoulli B(p) est un Binomiale B(n, p).

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année
Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.2 : Loi Binomiale

Propriétés :
Si X suit la loi Binomiale B(n, p) alors :
1) E (X ) = np ;
2) V (X ) = np(1 − p);
3) σ(X ) = np(1 − p)
p

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.2 : Loi P oisson

On dit qu'une v.a.d X dénie sur (Ω, P(Ω), P ) suit une loi de
Poisson de paramètre λ (λ > 0) si :
1) X (Ω) = N.
k
2) ∀k ∈ N, P(X = k) = e −λ λk! .
On note X ∼ P(λ).
On a :E (X ) = λ et V (X ) = λ

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.3 : Loi de Laplace-Gauss (Loi normale)

La loi de Laplace-Gauss, communément appelée loi normale, est la
loi la plus courante pour les variables aléatoires continues. Une loi
normale est entièrement dénie par son espérance µ et son
écart-type σ. on note alors N (µ, σ).
Soit X une v.a. qui suit une loi normale de moyenne µ et
d'écart-type σ (X ∼ N (µ, σ)) alors :
1) la fonction densité de X est dénie par :
−(x−µ)2
f (x) = √1 e 2σ2 , ∀x ∈ R.
2πσ
2) la fonction
R de répartion F de X est donnée par :
x
F (x) = −∞ f (t)dt

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.3 : Loi de Laplace-Gauss (Loi normale)

Remarque :
1) Le maximum (valeur modale) de la fonction densité de
probabilité est obtenu pour x = µ avec f (µ) = σ√12π ;
2) La loi normale est une loi unimodale avec
E (X ) = Me = Mo = µ;
3) La fonction densité de probabilité a deux points d'inexion
pour µ ± σ avec f (µ ± σ) = σ√12πe ;
4) La fonction de répartition a un point d'inexion pour x = µ
avec F (µ) = 0.5

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.3 : Loi normale centrée réduite)

Tables de la loi normale centrée réduite :
Si X suit une loi normale N (µ, σ) alors la variable Z = X σ−µ suit la
loi normale centrée réduite N (0, 1).
Dans la pratique, on rencontre très souvent la loi normale. An
d'éviter le calcul numérique de sa fonction de répartition pour
chaque application, on utilise la loi normale centrée réduite dont les
valeurs sont tabulées.

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.4 : Loi Exponentielle de paramètre λ, λ > 0

Dénition :
X v.a.r suit une exponentielle de paramètre λ, si elle a pour densité
la fonction

f (x) = λe −λx I[0,+∞[ (x),

on écrit X ∼ E(λ).
Sa f.d.r F est donnée par F (x) = (1 − e −λx )I[0,+∞[ .

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.5 : Loi du Khi-deux

Théorème :
Soit X1 ; X2 ; . . . ; Xk des variables aléatoires indépendantes et
identiquement distribuées selon une loi normale N (0, 1). Alors la
variable aléatoire Y = X12 + X22 + . . . + Xk2 suit une loi du khi-deux
à k degrés de liberté.
Théorème[Additivité la loi du khi-deux]
Soient X1 ; X2 ; . . . ; Xp des v.a. khi-deux indépendantes à
k1 ; k2 ; . . . ; kp degrés de liberté respectivement. Alors
Y = X1 + X2 + . . . + Xp suit une loi du khi-deux à
k = k1 + k2 + . . . kp degrés de liberté.

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.5 : Loi du Khi-deux

Si X est une v.a.r qui suit une loi du Khi-deux χ2 (ν) à ν degrés de
liberté, alors elle a pour densité la fonction
1
x 2 −1 e − 2 I[0,+∞[ (x),
ν x
f (x) = ν
2 2 Γ( ν ) 2
où Γ(p)Rest la fonction eulérienne dénie par l'intégrale pour p > 0
Γ(p) = 0 t p−1 e −t dt .
∞

la fonction Γ a les propriétés suivantes :

Γ(1) = 1.
√
Γ(1/2) = π .
Γ(x) = (x − 1)Γ(x − 1) pour x > 1.
Si x = n ∈ N∗ alors Γ(n) = (n − 1)!.

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.6 : Loi de Student

Dénition :
X v.a.r suit une loi de Student T (ν) à ν degrés de liberté, si elle a
pour densité la fonction
− ν+2 1
1 Γ( ν+2 1 ) x2

f (x) = √ 1+ , x ∈R
νπ Γ( ν2 ) ν
Remarque :
La fonction de densité f (x) est symétrique par rapport à sa
moyenne 0.
La loi T (ν) est approximativement identique à une loi normale
N (0, 1) lorsque ν est grand(≥ 30).

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.6 : Loi de Student

Théorème :
Soit X une variable aléatoire normale N (0, 1) et Y une variable
aléatoire du khi-deux à k degrés de liberté. Si X et Y sont
indépendantes alors la variable aléatoire
X
T =p
Y /k

suit une loi T (k) de Student avec k degrés de liberté.

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.7 : Loi de Fisher

Dénition :
X v.a.r suit la loi de Fisher F(ν1 ; ν2 ), si elle a pour densité la
fonction
 ν1   ν2
1 2 2

ν1 x ν1 x
f (x) = ν1 ν2

1− I[0,+∞[ (x),
β 2 , 2 x ν1 x + ν2 ν1 x + ν2
ν1 ν2
où β ν21 , ν22 = 01 t 2 −1 (1 − t) 2 −1 dt

R

Remarque : Par la dénition de la loi de Fisher, 1/X ∼ F(ν2 ; ν1 )

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année

Chapitre 2 : Variables aléatoires réelles
III : Lois de probabilités usuelles

III.7 : Loi de Fisher

Théorme :
Soient X et Y deux variables aléatoires indépendantes suivant une
loi du khi-deux avec u et v degrés de liberté, respectivement. Alors
la variable aléatoire
X /u
Z=
Y /v
suit une loi de Fisher à u et v degrés de liberté.

CHIKHI EL MOKHTAR Cours de Probabilité et Statistique pour la deuxième année