Lois usuelles de probabilités
1 Lois usuelles discrètes
1.1 Loi de Bernoulli
C’est la loi d’une variable aléatoire X ne pouvant prendre que les deux valeurs 1 ou 0.
Ainsi X(Ω) = {0,1} avec:
P (X = 1) = p, P (X = 0) = 1 − p
C’est à dire: X : Ω → {0,1} avec
1 si A est réalisé
X(ω) =
0 sinon
On dit que X suit la loi de Bernoulli de paramètre p, ce qu’on écrit symboliquement
X B(1,p) = B(p).
P (X = x) = px (1 − p)1−x , x = 0,1
avec E(X) = p et V (X) = p.q = p(1 − p)
1.2 Loi Binomiale
On répète l’experience de Bernoulli de façons indépendantes n fois et soit X: le nombre
de fois que A est réalisé.
X : Ω → E = {0,1,2,3,...,n}
On dit que X suit une loi Binomiale de paramètres n et p et on écrit: X B(n,p).
∀x ∈ E, la loi de X est donnée par:
P (X = x) = Cnx px (1 − p)n−x , x = 0,1,2,...,n
avec E(X) = np et V (X) = np.q = np(1 − p)
Remarque 0.1. Si X1 B(n1 ,p) et X2 B(n2 ,p), les deux variables étant indépendantes
alors X1 + X2 B(n1 + n2 ,p)
1
Exemple 0.1.On jette un dé 10 fois. Soit X le nombre de nombre premiers obtenus.
1 si on a un nombre premier
On pose Xi =
0 sinon
i = 1,2,3,...,10, ∀i, Xi B(p) = B( 12 )
P10
X = i=1 Xi B(10,p) = B(10, 21 )
x x x 1 x 1
P (X = x) = C10 p (1 − p)10−x = C10 ( ) (1 − )10−x
2 2
1.3 Loi de Poisson
Définition 0.1. Une variable aléatoire X suit une loi de Poisson de paramètre λ, (λ > 0)
si sa fonction de masse P est donnée par:
e−λ .λx
P (X = x) = , x = 0,1,2,3.....
x!
On note X P (λ), on a aussi E(X) = V (X) = λ.
Définition 0.2. Soit XT la variable aléatoire qui compte le nombre d’apparitions d’un
phénomène aléatoire pendant une période de temps T.
Soit θ le nombre moyen d’apparitions du phénomène pendant une unité de temps alors XT
suit une loi de Poisson de paramètre λ = θ.T .
Exemple 0.2. La variable aléatoire qui compte le nombre de clients qui arrivent à l’instant
t à une fille d’attente devant un guichet suit une loi de Poisson de paramètre λ, λ = θ.t.
θ le nombre moyen de clients qui arrivent au guichet pendant l’unitéde temps.
1.3.1 Approximation de la loi binomiale par une loi de Poisson:
Soit X B(n,p). Losque n est grand et np tend vers une limite finie alors:
e−λ .λx
P (X = x) = Cnx px (1 − p)n−x ' P (X = x) =
x!
avec λ = n.p.
En pratique cette approximation est possible si n ≥ 30 et n.p < 5
Exemple 0.3. Soit X B(100,0.01), x = 0,1,2,3,4,5 ainsi que leurs approximations à
−3
10 avec une loi de Poisson de paramètre λ = n.p = 1 sont données dans le tableau
suivant:
k 0 1 2 3 4 5
P (X = x) 0.336 0.370 0.185 0.061 0.015 0.000
Approximation 0.368 0.368 0.184 0.061 0.015 0.003
2
2 Lois usuelles continues
2.1 Loi uniforme sur [a,b]
On dit qu’une v.a X suit une loi uniforrme sur l’intervalle [a,b] si sa fonction de densité
est donnée par:
1
b−a
si x ∈ [a,b]
f (x) =
0 sinon
La fonction de répartition est donnée par:
0 si x < a
x−a
F (x) = b−a
si a ≤ x ≤ b
1 si x > b
a+b (b−a)2
Avec E(X) = 2
et V (X) = 12
2.2 Loi exponentielle de paramètre θ
On dit qu’une v.a X suit une loi exponentielle de paramètre θ > 0, si sa fonction de
densité est positive donnée par:
θ.e−θx , si x ≥ 0
f (x) =
0, si x < 0
On note X exp(θ).
Avec E(X) = 1θ et V (X) = θ12
La fonction de répartition est:
1 − e−θx , si x ≥ 0
F (x) =
0, si x < 0
La variable X est souvent utilisé pour représenter une durée de vie (durée de chomage,
durée d’hospitalisation).
2.3 loi normale ou de Laplace-Gauss
C’est la loi d’une v.a X à valeurs dans R, de densité
1 (x − m)2
f (x) = √ exp(− )
σ 2Π 2σ 2
qui est définie par deux paramètres E(X) = m et V (X) = σ 2 .
On écrit X N (m,σ 2 ) ou bien X N (m,σ)
3
2.3.1 Loi normale centée et réduite: (loi standard]
En faisant le changement de variable U = X−m σ
, alors U est une v.a de moyenne nulle
(E(U ) = 0) et de variance 1 (V (U ) = 1)
Donc
1 x2
f (u) = √ exp(− )
2Π 2
La fonction de répartition est
Z x
1 u2
Φ(x) = √ exp(− )du
2Π −∞ 2
Les valeurs de Φ(x) sont fournées dans une table statistique pour les valeurs x ≥ 0.
Pour x < 0, on utilise le fait que Φ est une fonction paire Φ(u) = Φ(−u)
P (U < −x) = P (u > x) donc Φ(−x) = 1 − Φ(x), de cette symétrie découle la probabilité
suivante:
P (| U |< a) = P (−a < U < a) = Φ(a) − Φ(−a)
= Φ(a) − (1 − Φ(a))
= 2Φ(a) − 1
Remarque 0.2. pour déterminer les valeurs de la fonction de répartition d’une loi normale
quelconque, on se ramène à la loi standard qui est tabulée à partir de:
F (x) = P (X ≤ x) = P ( X−m
σ
≤ x−mσ
) = P (U ≤ x−m
σ
) = Φ( x−m
σ
)
2.3.2 Approximation de la loi binomiale par une loi normale:
Soit X B(n,p).
Losque n est grand et n.p tend vers une limite finie alors:
X B(n,p) ' X N (np,npq)
En pratique cette approximation est possible si n ≥ 30 et n.p ≥ 5.
