Statistiques Inférentielles
Chapitre 1: Lois usuelles discrètes et continues.
El Mehdi LOUALID
Ecole Nationale des Sciences Appliquées
Université Chouaib Doukkali
El M. LOUALID (ENSAJ) Statistiques Inférentielles 1 / 26
Sommaire
1 Variable aléatoire discrète
Fonction de répartition
Les moments
2 Lois discrètes usuelles
Loi uniforme
Loi de Bernoulli
Loi Binomiale
Loi géométrique et loi de pascal
Loi de Poisson
El M. LOUALID (ENSAJ) Statistiques Inférentielles 2 / 26
Variable aléatoire discrète
Définition
Une variable aléatoire est une application de l’univers Ω dans R
X :Ω −→ R
ω 7−→ X (ω)
Notations
Une variable aléatoire est généralement notée par une lettre majuscule : X , Y , Z , T .
La variable aléatoire est dite discrète si l’ensemble X (Ω) est discret, c’est-à-dire qu’il ne
prend que des valeurs ponctuelles, isolées, typiquement N ou Z.
Si k est un réel, alors l’évènement X prend la valeur k est noté (X = k).
El M. LOUALID (ENSAJ) Statistiques Inférentielles 3 / 26
Définition
Soient x1 , x2 , . . . , xn les valeurs prises par une variable aléatoire discrète X définie sur Ω.
Définir la loi de probabilité de X c’est associer à chaque valeur xi , 1 ⩽ i ⩽ n, la probabilité de
l’évènement (X = xi ), qu’on note P (X = xi ).
Remarque
1 On note invariablement P[{X = x}], P[X = x], P(X = x), ou parfois PX (x) pour la
probabilité que X prenne la valeur x.
2 On présente souvent la loi de probabilité de X à l’aide du tableau ci-dessous avec
x1 < x2 < · · · < xn :
Valeur de X x1 x2 x3 . . . xn−1 xn
P (X = xi ) p1 p2 p3 . . . pn−1 pn
Pi=n
On a bien évidemment i=1 pi = p1 + p2 + · · · + pn = 1.
El M. LOUALID (ENSAJ) Statistiques Inférentielles 4 / 26
Exemple
Exemple 1:
On considère une expérience aléatoire consistant à lancer deux fois une pièce de monnaie.
L’ensemble des résultats possibles est :
Ω = {(P, P), (F , P), (P, F ), (F , F )} .
Considérons la variable aléatoire X représentant le nombre de faces obtenues.
Les valeurs prises par X sont : X (Ω) = {0, 1, 2}.
On a :
1
P(X = 0) = P{(PP)} =
4
2 1
P(X = 1) = P{(PF ), (FP)} = = ,
4 2
1
P(X = 2) = P{(FF )} = .
4
El M. LOUALID (ENSAJ) Statistiques Inférentielles 5 / 26
Fonction de répartition
Définition
La fonction de répartition de X est la fonction F : R → [0; 1] définie par
F (t) = P(X ⩽ t).
Proposition
La fonction de répartition est une fonction
en escalier, croissante,
continue à droite en tout point x c-à-d lim F (x + h) = F (x).
h→0
On a de plus lim F (x) = 0, et lim F (x) = 1.
x→−∞ x→+∞
Pour tout a ∈ R, P(X > a) = 1 − P(X ≤ a) = 1 − F (a).
P(a < X ≤ b) = P(X ≤ b) − P(X ≤ a) = F (b) − F (a).
P
F (x) = xi ≤x P (X = xi )
El M. LOUALID (ENSAJ) Statistiques Inférentielles 6 / 26
Définition
L’espérance de la variable aléatoire X est le nombre réel, noté E (X ), défini par
n
X
E (X ) = xi × pi
i=1
Définition
La variance de la variable aléatoire X est le réel positif, noté Var(X ), défini par
k
X
Var(X ) = E (X − E (X ))2 = pi (xi − E (X ))2
i=1
L’écart-type de la variable aléatoire X est le nombre réel, noté σ(X ), tel que
p
σ(X ) = Var(X )
El M. LOUALID (ENSAJ) Statistiques Inférentielles 7 / 26
Définition
Soient a et b deux réels quelconques et X la variable aléatoire précédemment définie. On
définit la variable aléatoire notée aX + b par la loi de probabilité suivante :
Valeur de aX + b ax1 + b ax2 + b ... axn + b
P (X = xi ) p1 p2 ··· pn
Proposition
E (X + b) = E (X ) + b
E (aX ) = aE (X )
Var(X + b) = Var(X )
Var(aX ) = a2 Var(X )
Remarque
On déduit de la propriété précédente que σ(aX ) = |a|σ(X ).
El M. LOUALID (ENSAJ) Statistiques Inférentielles 8 / 26
Exemple 2:
On lance un dé équilibré.On fixe la règle du jeu suivante :
si on obtient un nombre supérieur ou égal à 3, le joueur perd 10 Dhs;
sinon il gagne le triple de la valeur de la face obtenue.
Soit X la variable aléatoire représentant le gain algébrique du joueur.
Valeur de X −10 3 6
P (X = xi )
El M. LOUALID (ENSAJ) Statistiques Inférentielles 9 / 26
Loi uniforme
1. Loi uniforme
Définition
Soit K = {k1 , . . . , kn } un sous-ensemble à n éléments de R. Une variable aléatoire X suit la
loi uniforme sur K si
1
∀i ∈ {1, . . . , n}, P (X = ki ) =
n
Proposition
Dans le cas particulier où les valeurs prises par X sont exactement 1; 2; . . . ; n,
n+1 n2 − 1
E (X ) = et Var(X ) =
2 12
El M. LOUALID (ENSAJ) Statistiques Inférentielles 10 / 26
Loi de Bernoulli
2. Loi de Bernoulli
Définition
On appelle épreuve de Bernoulli de paramètre p, toute expérience aléatoire admettant deux
issues exactement :
l’une appelée succès , notée S, dont la probabilité est p;
l’autre appelée échec, notée S̄, dont la probabilité est 1 − p.
El M. LOUALID (ENSAJ) Statistiques Inférentielles 11 / 26
Loi de Bernoulli
Définition
On considère une épreuve de Bernoulli où la probabilité du succès est p.
Soit X la variable aléatoire qui prend la valeur 1 en cas de succès et 0 en cas d’échec.
La loi de probabilité de X est :
k 0 1
P(X = k) 1−p p
On dit que X suit la loi de Bernoulli de paramètre p. On la note B(p).
On peut écrire
X ⇝ B(p).
El M. LOUALID (ENSAJ) Statistiques Inférentielles 12 / 26
Loi de Bernoulli
Exemple
On joue au Pile ou Face avec proba p d’avoir Pile (et donc 1 − p de tomber sur Face). Soit
(
1 si on obtient Pile
X =
0 sinon
alors X suit une Bernoulli(p).
Proposition
E (X ) = p.
Var(X ) = p(1 − p).
El M. LOUALID (ENSAJ) Statistiques Inférentielles 13 / 26
Loi Binomiale
3. Loi Binomiale
Définition
Soit un entier n non nul et un nombre p ∈ [0; 1]. Un schéma de Bernoulli de paramètres n et p
correspond à la répétition de n épreuves de Bernoulli de paramètre p, identiques et
indépendantes.
p désigne la probabilité d’obtenir le succès S dans chacune des épreuves répétées.
Un schéma de Bernoulli peut s’illustrer par un arbre pondéré.
Un résultat possible est une liste de n issues S ou S̄. Cette liste correspond à un chemin sur
l’arbre.
El M. LOUALID (ENSAJ) Statistiques Inférentielles 14 / 26
Loi Binomiale
Exemple
On prélève au hasard une pièce métallique dans un stock contenant 5% de pièces défectueuses.
On prélève deux pièces successivement. On définit le succès par : ”la pièce est défectueuse”.
P(D) = 0, 05 et P(D) = 0, 95.
1 La probabilité de n’obtenir aucune pièce défectueuse est:
P(D, D) = 0, 95 × 0, 95 = ....
2 La probabilité d’obtenir au moins une pièce défectueuse est:
P(D, D) + P(D, D) = 0, 05 × 0, 95×2 + 0, 05 × 0, 05 = ....
El M. LOUALID (ENSAJ) Statistiques Inférentielles 15 / 26
Loi Binomiale
Exemple
3. La probabilité d’obtenir exactement une pièce défectueuse est:
P(D, D) = 0, 05 × 0, 95×2 = ....
3. La probabilité d’obtenir deux pièces défectueuses est:
P(D, D) = 0, 05 × 0, 05 = ....
El M. LOUALID (ENSAJ) Statistiques Inférentielles 16 / 26
Loi Binomiale
Proposition
Si n est
un entier naturel et si k est un entier tel que 0 ⩽ k ⩽ n, le coefficient binomial
n
= Cnk est le nombre de chemins qui réalisent exactement k succès dans l’arbre à n
k
niveaux associé à un schéma de Bernoulli.
Définition
Soit un entier n non nul et un nombre p ∈ [0; 1].
On considère un schéma de Bernoulli de paramètres n et p et on définit X la variable aléatoire
comptant le nombre de succès au cours des n épreuves.
La loi de probabilité de la variable aléatoire X est appelée loi binomiale de paramètres n et p.
On la note B(n, p).
On peut écrire X ⇝ B(n, p).
El M. LOUALID (ENSAJ) Statistiques Inférentielles 17 / 26
Loi Binomiale
Proposition
Soit X une variable aléatoire qui suit la loi binomiale B(n; p).Pour tout entier 0 ⩽ k ⩽ n, on a
P(X = k) = Cnk p k (1 − p)n−k .
Proposition
E (X ) = np.
Var(X ) = np(1 − p).
El M. LOUALID (ENSAJ) Statistiques Inférentielles 18 / 26
Loi Binomiale
3.1 Loi géométrique
On effectue des épreuves de Bernoulli indépendantes successives, mais au lieu de fixer le
nombre d’essais réalisés, on s’arrête dès le premier succès (c-à-d qu’on fixe ce nombre de
succès à 1 ).
On s’intéresse au nombre d’essais effectués jusqu’au premier succès. Ce nombre d’essais est
aléatoire et peut prendre n’importe quelle valeur entière supérieure ou égale à 1.
Définition
X suit la loi géométrique de paramètre p si elle est égale au nombre d’épreuves de Bernoulli
indépendantes qu’il faut réaliser pour obtenir le premier succès. On note cette loi G(p).
El M. LOUALID (ENSAJ) Statistiques Inférentielles 19 / 26
Loi géométrique
Proposition
Soit X une variable aléatoire, sur un ensemble Ω, qui suit la loi géométrique G(p). Alors
X (Ω) = {1, 2, ..., n}.
Pour tout entier k non nul,
P(X = k) = p(1 − p)k−1 .
Proposition
E (X ) = p1 .
1−p
Var(X ) = p2
.
El M. LOUALID (ENSAJ) Statistiques Inférentielles 20 / 26
Loi de pascal
3.2 Loi de pascal
Définition
X suit la loi de Pascal de paramètres p et r , si elle est égale au nombre d’épreuves de Bernoulli
indépendantes qu’il faut réaliser pour obtenir le r -ième succès. On note cette loi Pa(r , p).
Proposition
Soit X une variable aléatoire qui suit la loi de Pascal Pa(r , p)
Pour tout entier k ⩾ r ,
r −1 r
P(X = k) = Ck−1 p (1 − p)k−r .
El M. LOUALID (ENSAJ) Statistiques Inférentielles 21 / 26
Loi de pascal
Exemple:
Supposons que 5% des pièces en sortie d’une chaine de production soient défectueuses.
Quelle est la probabilité qu’un échantillon de 20 pièces ne contient aucune pièce défectueuse ?.
Chaque pièce est identifiée par un caractère à 2 modalités: défectueuse ou non défectueuse.
La modélisation de base est donc le schéma de Bernoulli avec p = 0, 05. On peut supposer
que les épreuves de Bernoulli répétées sont identiques et indépendantes (grande taille de la
population et petit échantillon).
Méthode 1 Soit X la variable aléatoire dénombrant le nombre de pièces défectueuses après
la réalisation de 20 épreuves de Bernoulli. Alors X ⇝ B(20; 0, 05).
P(X = 0) = C20 0 × 0, 050 × 0, 9520 = ...
El M. LOUALID (ENSAJ) Statistiques Inférentielles 22 / 26
Méthode 2 Soit Y la variable aléatoire dénombrant le nombre de pièces observées jusqu’à
l’obtention d’une pièce défectueuse.
Donc Y ⇝ G(0, 05).
∞
X
P(Y ≥ 21) = (0, 05 × 0, 95k−1 )
k=21
∞
X
= 0, 05 0, 95k+20
k=0
∞
X
20
= 0, 05 × 0, 95 0, 95k+20
k=0
1
= 0, 05 × 0, 9520 ×
1 − 0, 95
El M. LOUALID (ENSAJ) Statistiques Inférentielles 23 / 26
Loi de Poisson
3.3 Loi de Poisson
Cette loi peut modéliser les évènements rares. Par exemple, elle peut modéliser le nombre
d’appels reçus par un standard téléphonique, le nombre de voyageurs se présentant à un
guichet dans la journée, etc. Elle s’exprime à l’aide de la fonction exponentielle et dépend d’un
paramètre λ > 0, qui correspond au nombre moyen d’occurence du phénomène observé
pendant la durée donnée. Plus formellement:
Définition
Une variable aléatoire X suit une loi de Poisson P(λ) de paramètre λ > 0, si c’est une variable
à valeurs entières, X (Ω) = N et de probabilité
e −λ λk
P(X = k) = , k ∈N
k!
El M. LOUALID (ENSAJ) Statistiques Inférentielles 24 / 26
Loi de Poisson
Proposition
E (X ) = λ.
Var(X ) = λ.
El M. LOUALID (ENSAJ) Statistiques Inférentielles 25 / 26
Loi de Poisson
Exemple:
Dans un hôpital, il arrive en moyenne 1,25 personnes à la minute aux urgences entre 9h et
[Link] X la variable aléatoire dénombrant le nombre de personnes observées à la minute à
l’entrée de ce service. On admet que X suit la loi P(1, 25).
1 La probabilité pour qu’en 1 minute il arrive 2 personnes est
2 La probabilité pour qu’en 1 minute il arrive 4 personnes au plus est
3 La probabilité pour qu’en 1 minute il arrive 3 personnes au moins est
El M. LOUALID (ENSAJ) Statistiques Inférentielles 26 / 26
