Introduction Des lois discrètes Des lois continues

Lois de probabilité usuelles

Réalisé par NOUNOU Ouafa,ER-RAFAY Nisrine, Takkou Aya,

BRIHAMOU Leila,Elomrani Mohammed, Ayoub BARA

Sous la direction du Prof. Ahmad Sadik

13/05/2025

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Plan

1 Introduction

2 Des lois discrètes

Loi de Bernoulli
Loi géométrique
Loi de Poisson

3 Des lois continues

La loi du khi-deux
Loi de Fisher-Snedecor
La Loi de Student

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Plan

1 Introduction

2 Des lois discrètes

Loi de Bernoulli
Loi géométrique
Loi de Poisson

3 Des lois continues

La loi du khi-deux
Loi de Fisher-Snedecor
La Loi de Student

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Introduction

Dans ce travail, nous présentons des lois de probabilité simples et

facilement identiables. Ces lois permettent de modéliser le
comportement aléatoire de beaucoup de phénomènes de la vie
quotidienne. La simplicité et l'importance de ces modèles de lois
font qu'ils sont repris dans la plupart des écrits de base en
probabilité et en statistique.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Plan

1 Introduction

2 Des lois discrètes

Loi de Bernoulli
Loi géométrique
Loi de Poisson

3 Des lois continues

La loi du khi-deux
Loi de Fisher-Snedecor
La Loi de Student

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi de Bernoulli

Le modèle de Bernoulli est le modèle le plus simple en calcul des

probabilités.
Il permet de représenter (modéliser)le comportement du phénomène
aléatoire le plus élémentaire.
Soit X une variable aléatoire à valeur dans χ = {0, 1}. Les
éléments 0 et 1 sont des codes qui peuvent présenter
respectivement l'échec et le succès,le vraie et le faux, etc..
Une loi de probabilité quelconque sur un tel ensemble χ est dite
une loi de Bernoulli.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi de Bernoulli

Donc π0 = P (X = 0) = 1 − p et π1 = P (X = 1) = p avec
p ∈]0, 1[ est une loi de probabilité, appelée loi de Bernoulli de
paramètre de succès p. Nous la notons par B(1, p), et nous
écrivons X ∼ B(1, p). Nous représentons la loi de Bernoulli dans le
tableau suivant:

χ 0 1
πk 1−p p

E(X) = p et V ar(X) = p − p2 = p(1 − p).

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique

Considérons une expérience de Bernoulli que l'on peut répéter

indéniment et de manière indépendante.
Soit Xi le résultat de la ieme Xi est une variable
répétition. Donc
aléatoire de Bernoulli de paramètre de succès p ∈]0, 1[.
∗
Nous avons donc Xi ∼ B(1, p) pour tout i ∈ N . Soit Z le nombre
d'expériences de Bernoulli indépendantes qu'il faut exécuter pour
arriver u premier succès. Z est bien une variable aléatoire à valeurs
dans N∗ . Intéressons nous maintenant la loi de probabilité de Z.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique

Soit k ∈ N∗ . Nous avons donc

πk = P (Z = k)
= P [(X1 = 0) ∩ · · · (Xk−1 = 0) ∩ (Xk = 1)]
k−1
Y
= P (Xi = 0) × P (Xk = 1) (par indépendance)
i=1
k−1
!
Y
= (1 − p) ×p
i=1
= (1 − p)k−1 × p

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique

Donc la loi de Z est

πk = (1 − p)k−1 × p, k ∈ N∗

Elle appelée loi géométrique de paramètre p, que nous notons

Geom(p), et nous écrivons Z ∼ Geom(p).

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique
L'espérance

Nous avons
X
E(Z) = k × (1 − p)k−1 p
k∈N∗
+∞
X
=p× k × (1 − p)k−1
k=1
+∞ 
X ′
= −p × (1 − p)k (dérivée)
k=1

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique
L'espérance

+∞
!′
X
E(Z) = −p × (1 − p)k − 1
k=0
 ′
1
= −p × −1
p
−1
= −p × 2
p
Donc
1
E(Z) = .
p

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique
La variance

Pour calculer Var(Z), nous commençons par calculer

E(Z(Z − 1)). En eet

E(Z(Z − 1)) = E(Z 2 ) − E(Z).

D'où
Var(Z) = E(Z(Z − 1)) + E(Z) − (E(Z))2

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique
La variance

+∞
X
E(Z(Z − 1)) = k(k − 1) × (1 − p)k−1 p
k=2
+∞
X
= p(1 − p) × k(k − 1) × (1 − p)k−2
k=2
+∞
X
= p(1 − p) × ((1 − p)k )′′ (dérivée seconde)
k=2
+∞
!′′
X
= p(1 − p) × (1 − p)k
k=2

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique
La variance

+∞
!′′
X
E(Z(Z − 1)) = p(1 − p) × (1 − p)k − (1 + 1 − p)
k=0
 ′′
1
= p(1 − p) × −2+p
p
2
= p(1 − p) ×
p3
2 × (1 − p)
=
p2
Donc
2 × (1 − p) 1 1 1−p
Var(Z) = 2
+ − 2=
p p p p2
NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité
Introduction Des lois discrètes Des lois continues

Loi géométrique
Exemple

Exemple

On considère une expérience aléatoire consistant à lancer un dé

équilibré à six faces, et on s'intéresse à l'apparition du chire 6.
On répète ce lancer de façon indépendante jusqu'à obtenir pour la
première fois un 6. La probabilité d'obtenir un 6 à chaque lancer
1
est donc p= .
6
On note X la variable aléatoire correspondant au rang du premier
lancer où un 6 apparaît.

1 Quelle est la loi de probabilité suivie par X ?

2 Calculer P (X = 4)
3 Calculer P (X ≤ 3)
4 Déterminer l'espérance mathématique de X

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique
Exemple

Solution

1
1 X suit une loi géométrique de paramètre p=
  6
1
notée :X ∼ Geom
6
2 Calcule de P (X = 4)
Formule de la loi géométrique :

P (X = k) = (1 − p)k−1 × p,

donc
1 4−1 1
 
125
P (X = 4) = 1 − × =
6 6 1296

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi géométrique
Exemple

3 Calcule de P (X ≤ 3)

P (X ≤ 3) = P (X = 1) + P (X = 2) + P (X = 3)
1 5 25
= + +
6 36 216
91
=
216
4
1
E(X) = =6
p

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi de Poisson : Dénition

Une variable aléatoire X suit une loi de Poisson de paramètre

λ>0 si X(Ω) = N et :

λk
PX (X = k) = e−λ , k∈N
k!
C'est une loi discrète à un seul paramètre réel positif, notée
symboliquement :
X ∼ P(λ)

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Propriété fondamentale

Le développement en série entière de l'exponentielle :

∞
X λk
eλ =
k!
k=0

permet de vérier que :

∞
X
PX (X = k) = 1
k=0

Donc la somme des probabilités vaut 1.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Valeur la plus probable

Pour déterminer l'entier le plus probable, on calcule :

PX (X = k) λ
= , k≥1
PX (X = k − 1) k

Si k < λ, alors P (X = k) > P (X = k − 1) : la fonction est

croissante.

Si k > λ, alors P (X = k) < P (X = k − 1) : la fonction est

décroissante.

Conclusion : le maximum est atteint pour k = ⌊λ⌋. Si λ ∈ N,

alors deux valeurs partagent le maximum :

P (X = λ) = P (X = λ − 1)

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Espérance de X

On a :

∞ ∞
X
−λ
X λk
E(X) = k · PX (X = k) = e
(k − 1)!
k=0 k=1

∞
−λ
X λk−1
= λe =λ
(k − 1)!
k=1

Donc : E(X) = λ

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Variance de X

On ne calcule pas directement E(X 2 ) mais :

∞ ∞
X X λk
E[X(X − 1)] = k(k − 1)PX (X = k) = e−λ = λ2
(k − 2)!
k=0 k=2

Var(X) = E(X 2 ) − E(X)2 = E[X(X − 1)] + E(X) − E(X)2 = λ

Donc : Var(X) = λ

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Remarque importante

Si deux variables X ∼ P(λ) et Y ∼ P(µ) sont indépendantes, alors

leur somme suit aussi une loi de Poisson :

X + Y ∼ P(λ + µ)

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Exemple : Convolution de lois de Poisson

Soient X ∼ P(λ) et Y ∼ P(µ) deux variables aléatoires indépendantes.
On considère Z = X + Y . Alors Z est aussi une variable à valeurs
entières, et pour tout k ∈ N :

X k
X
P (Z = k) = P (X = x)P (Y = y) = P (X = x)P (Y = k − x)
x+y=k x=0

Substitution des expressions de Poisson :

k k
X e−λ λx e−µ µk−x X λx µk−x
= · = e−(λ+µ)
x=0
x! (k − x)! x=0
x!(k − x)!

Reconnaissance du binôme :

k  
1 X k x k−x (λ + µ)k
= e−(λ+µ) · λ µ = e−(λ+µ) ·
k! x=0 x k!

Conclusion : Z = X + Y ∼ P(λ + µ)
NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité
Introduction Des lois discrètes Des lois continues

Exemple : Appels dans un centre d'appel

Un centre d'appel reçoit en moyenne 3 appels par minute.

On suppose que le nombre d'appels X reçus par minute suit une loi
de Poisson de paramètre :

X ∼ P(3)

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Probabilité d'événements

1) Probabilité de recevoir exactement 2 appels :

e−3 · 32 e−3 · 9
P (X = 2) = = ≈ 0,224
2! 2
2) Probabilité de recevoir aucun appel :

e−3 · 30
P (X = 0) = = e−3 ≈ 0,0498
0!
3) Probabilité de recevoir au plus 2 appels :

P (X ≤ 2) = P (0) + P (1) + P (2)

= 0,0498 + 0,149 + 0,224 ≈ 0,423

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Espérance et variance

Paramètre de la loi : λ = 3

Espérance : E(X) = λ = 3
Variance : Var(X) = λ = 3

Interprétation :
En moyenne, le centre reçoit 3 appels par minute.

Il y a 22,4 % de chance de recevoir exactement 2 appels.

Il y a 4,98 % de chance de ne recevoir aucun appel.

Il y a 42,3 % de chance de recevoir au plus 2 appels.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Plan

1 Introduction

2 Des lois discrètes

Loi de Bernoulli
Loi géométrique
Loi de Poisson

3 Des lois continues

La loi du khi-deux
Loi de Fisher-Snedecor
La Loi de Student

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La loi du khi-deux

Dénition

La loi du khi-deux avec k degrés de liberté est la loi de probabilité

avec densité dénie par

1
f (x; k) = xk/2−1 e−x/2 1(x≥0)
(k/2)Γ(k/2)

où k est un paramètre entier positif. On écrit X ∼ χ2k (ou χ2 (k)),

pour signier que la v.a. X est la loi du khi-deux avec k degrés de
liberté.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La loi du khi-deux

Remarque

Rappelons que la loi Gamma(α, λ) est la loi de probabilité avec

densité
λα α−1 −λx
f (x; λ) = x e 1(x≥0)
Γ(α)
La loi du khi-deux avec k degrés de liberté est donc tout
simplement la loi Gamma(k/2, 1/2).

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La loi du khi-deux

Proposition

On peut vérier facilement les résultats suivants :

i) χ2k = exp(1/2)
ii) L'espérance de la loi de χ2k est égale à k et sa variance vaut 2k .
iii) Si X et Y sont des variables aléatoires indépendantes et si
X ∼ χ2 (k) et Y ∼ χ2 (ℓ), alors X + Y ∼ χ2 (k + ℓ).
iv) Si k > 2, la densité de la loi χ2k est en forme de cloche
asymétrique étirée vers la droite.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La loi du khi-deux

Théorème

Si Z ∼ N (0, 1) alors Z 2 ∼ χ2 (1).

Preuve Il sut de calculer la densité de la variable aléatoire Z 2.

En eet, posons V = Z 2, alors pour tout v⩾0 on obtient

P(V ⩽ v) = P(−v ⩽ Z ⩽ v)
= 2P(0 ≤ Z ≤ v) (par symétrie de N (0, 1))
= 2(Φ(v) − Φ(0))

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La loi du khi-deux

La combinaison du théorème et le point iii) de la proposition fournit

le résultat suivant, qui relie à la notion nombre de degrés de
liberté aux nombres de termes indépendants de la v.a. U.
Théorème

Si Z1 , . . . , Z k sont des v.a. indépendantes et identiquement (i.i.d.)

distribuées selon N (0, 1), alors U = Z12 + · · · + Zk2 suit une loi de
khi-deux à k degrés de liberté, autrement dit

U ∼ χ2 (k).

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La loi du khi-deux

Théorème

Si X1 , . . . , Xn sont des v.a. indépendantes et identiquement (i.i.d.)

distribuées selon N (µ, σ 2 ), alors

n−1 2
S ∼ χ2 (n),
σ2
n
1 X
où S2 = (Xi − µ)2 .
n−1
i=1

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi de Fisher-Snedecor

Dénition

On dit qu'une variable aléatoireX suit la loi de Fisher-Snedecor de

paramètres m≥1 n ≥ 1 si elle admet une densité qui vaut :
et

Γ m+n


2 n/2 m/2 xm/2−1
f (x) = n m .
Γ m n



2 Γ 2 (mx + n)(m+n)/2

Suivant les valeurs de m et n, X admet alors une espérance et une

variance qui sont données par :

n
E(X) = si n ≥ 3,
n−2
 2
n 2(m + n − 2)
V (X) = si n ≥ 5.
n−2 m(n − 4)

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi de Fisher-Snedecor

Courbe représentative de la densité :

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Loi de Fisher-Snedecor

signication
La loi de Fisher-Snedecor de paramètres m et n est la loi du
quotient normalisé de deux variables aléatoires qui suivent une loi
du χ2 à respectivement m et n degrés de liberté :

χ2m
Fm,n = m2 .
χn
n
Cette loi intervient dans de nombreux tests d'hypothèses,
notamment l'analyse de la variance.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La Loi de Student
Dénition

Dénition

Soit U une variable aléatoire suivant une loi normale centrée

réduite, notée N (0, 1), et X une variable aléatoire indépendante de
U suivant une loi du χ2 à n degrés de liberté, notée χ2n . On dénit
alors la variable aléatoire de Student Tn par :

U
Tn = q
X
n

Avec
Pour n>1 : E(Tn ) = 0
n
Pour n>2 : V (Tn ) =
n−2

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La Loi de Student
Densité de la loi de Student

Densité de la loi de Student

La densité de la loi de Student à n degrés de liberté est donnée par :

− n+1
t2

1 2
f (t) = √ 1 n

1+
n B 2, 2 n

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La Loi de Student
Cas particulier: loi de Cauchy

Cas particulier

Lorsque n = 1, la loi de Student devient la loi de Cauchy. Sa

densité est :
1
f (t) =
π(1 + t2 )
Si n → ∞, alors Tn →
− N (0, 1).

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La Loi de Student
Lien avec la loi de Fisher-Snedecor

Lien avec la loi de Fisher-Snedecor

On a la relation suivante :

(Tn )2 = F(1; n)

où F(d1 ; d2 ) désigne une loi de Fisher-Snedecor à d1 et d2 degrés

de liberté.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La Loi de Student
Graphique des densités

La gure ci-dessous montre les densités de la loi de Student pour

diérents degrés de liberté (n = 1, 2, 5, 10, 50). On observe que
plus n augmente, plus la courbe se rapproche de la loi normale.

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

La Loi de Student
Graphique des densités

Remarque

On remarquera le comportement particulier de la loi de Cauchy T1 ,

qui a des queues de distribution très importantes :

P (|T1 | > 2) = 0,29

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité

Introduction Des lois discrètes Des lois continues

Merci pour votre précieuse

attention

NOUNOU,ER-RAFAY,Takkou,BRIHAMOU,Elomrani,BARA Lois de probabilité