Lois
Lois de de probabilités probabilités usuelles usuelles discrètes et continues
discrètes et continues
1
Lois
Lois de de probabilités probabilités discrètes
discrètes (suite) (suite)
On a vu:
• Loi de Dirac
• Loi de Bernoulli
• Loi Binômiale
• Loi multinomiale
3
Loi hypergéométrique:
Loi hypergéométrique:
• On considère une urne contenant N boules dont a sont blanches et b=N–asont rouges.
On tire de cette urne nboules. (On peut tirer les nboules en même temps ou l’une après l’autre sans remise).
• Soit Xla v.a. égale au nombre de boules blanches tirées parmi les nboules. Cette v.a.
suit une loi dite hypergéométrique et est notée H(n,a,b).
4 Prof. Mohamed El Merouani
Loi hypergéométrique:
Loi hypergéométrique:
• Comme 0≤X≤aet 0≤n–X≤b, on a:
max{0,n–b}≤X≤min{a,n}
• Soit un nombre entier k tel que:
max{0,n–b}≤k≤min{a,n}
• On cherche P(X=k). L’ensemble fondamental Ωest constitué de tous les sous-ensembles de nboules que l’on peut tirer de l’urne Ω=Pn(E).
C’est l’ensemble de parties à néléments de l’ensemble Edes boules. On a n
b
Ca
CardΩ = +
5
Loi hypergéométrique:
Loi hypergéométrique:
• Le nombre de façons de tirer kboules parmi les ablanches est et pour chacune de ces façons il y a manières de tirer n–kboules parmi les boules rouges. Donc:
k
Ca k n
Cb−
( )
nb a
k n b k a
C C k C
X P
+
= −
=
= nbredecaspossibles favorables cas
de nbre
n k
n
kC C
C − =
∑ ∑ (
=)
=Loi hypergéométrique:
Loi hypergéométrique:
• Espérance mathématique de X
~
H(n,
a,b)• Sa variance est:
( )
a b X anE = +
( ) ( )
(
+) (
2 + +− −1)
= a b a b n b a X nab
Var
7
Loi
Loi de de Poisson Poisson::
• On dit qu’une v. a. obéit à une loi de Poisson, si elle est susceptible de prendre toutes les valeurs
entières 0,1,2,…,k,…,n, les probabilités associées étant p0,p1,p2,…,pk,…,pn, avec
• λétant un paramètre positif, et e la base des logarithmes népériens.
• La constante λs’appelle le paramètre de la loi.
• La loi de Poisson est notée P (λ).
! ) .
( k
k e X P p
k k
λ
λ
−
=
=
=
8 Prof. Mohamed El Merouani
Loi
Loi de de Poisson Poisson::
• Espérance mathématique: E(X)=λ
• Variance mathématique: Var(X)=λ
• Ecart-type: σ(X)=
• La loi de Poisson est appelée loi des petites probabilités. On l’utilise pour représenter des phénomènes rares, tels que: nombre
d’accidents, nombre de pannes, nombre de déchets dans une fabrication…
9
λ
Loi géométrique:
Loi géométrique:
• On considère une expérience à deux issues possibles (réalisation de l’événement Aou de l’événement Ā). On répète indéfiniment cette expérience jusqu’à ce que Ase réalise. Soit X la v.a. égale au nombre de répétitions
nécessaires pour la réalisation de A.
• On a: X(Ω)={1,2,…,n,…} et P(X=k)=p(1-p)k-1 où pest la probabilité de réalisation de
l’événement A.
Loi géométrique:
Loi géométrique:
• On vérifie que c’est bien une loi de probabilité.
• En effet,
• Son espérance mathématique est:
• Sa variance est:
( ) ∑ ( ) ∑ ( ) ( )
∑
∞=
∞
=
∞ −
=
− =
= −
−
=
−
=
=
1 0
1 1
1 1 1 1 1
1
k i
k i
k P X k p p p p p p
( )
X pE 1
=
( ) 1
2p X p
Var = −
11
Loi binomiale négative:
• Une proportion p d’éléments d’une population possède un certain caractère A. On veut
obtenir néléments de ce type en procédant à une suite de tirage indépendants. Ces tirages s’effectuent avec remise. On désigne par Y le nombre de tirages nécessaires pour obtenir ces néléments possédant le caractère A. La v.a. X=Y–nest appelée binomiale négative.
12 Prof. Mohamed El Merouani
Loi binomiale négative:
• On a X(Ω)=IN. On cherche P(X=i).
• Comme n tirages (dont le dernier) ont donné un élément possédant le caractère Aet i tirages ont donné un élément ne possédant pas le caractère A, la probabilité d’un tel événement est pn(1–p)i. Le nombre de ces événements est . On en déduit:1
1
−− n+
i
C
n( ) ( P X i ) C
nn ip
n( p )
iX
i ∈ Ω = = −
∀ ,
+−1−11
13
Loi binomiale négative:
• On peut vérifier que:
• Son espérance mathématique est:
• Sa variance est:
( )
∑
∞=
=
=
0 i
i X
P
(
1) (
1)
10
1 0
1
1 − =
∑
− =∑
∞= +−
∞
=
−− +
i
n i i
i n i
n i n
i
n p p C p p
C
( )
pn p X
E = 1−
( )
X n(
p)
Var = 2 1−
Lois
Lois de de probabilités probabilités continues
continues
15
Loi uniforme:
Loi uniforme:
• Une v.a. continue Xsuit une loi uniforme si sa densité de probabilité est donnée par:
• La fonction de répartition F(x) de Xest:
16
≤ ≤
= −
sinon ,
0
si 1 ,
)
( a x b
a x b
f
>
≤
− ≤
− <
=
b x
b x a a
b a x
a x x
F
si , 1
si ,
si ,
0 )
(
Loi uniforme:
Loi uniforme:
17
Loi uniforme:
Loi uniforme:
• L’espérance d’une v.a. continue X
~
U(a,b) est:• Sa variance est:
( )
2 b X aE = +
( ) ( )
12 b 2
X a
Var = −
Loi
Loi de probabilité de probabilité exponentielle: exponentielle:
• Une v.a. Xcontinue suit la loi exponentielle, de paramètre λ>0, notée X
~
εxp(λ),si sa densité de probabilité est:• Alors son espérance mathématique est: E(X)=1/λ.
• Sa variance sera: Var(X)=1/λ2.
• Son écart-type est alors: σ(X)=1/λ
<
= − ≥
0 0
) 0
( si x
x si x e
f
λx
λ
19
Loi exponentielle:
Loi exponentielle:
• La fonction de répartition F(x) d’une v.a. X qui suit une loi exponentielle de paramètre λ est:
<
≥
= −
−0 si
0
0 si
) 1
( x
x x e
F
λx
20 Prof. Mohamed El Merouani
Représentation graphique de f(
Représentation graphique de f(x x): ):
0 x
f(x)
Pour λ=3
21
3
Représentation graphique de
Représentation graphique de F( F(x x): ):
0 x
F(x)
Pour λ=3 1
Champs d’application:
Champs d’application:
• D’abord, on l’applique pour modéliser la demande, en gestion de stock, lorsque la symétrie n’est pas vérifiée et lorsqu’on remarque que son écart-type est égal à son espérance (sa moyenne).
• Mais en général, la loi exponentielle (négative) s’applique pour modéliser les phénomènes de désintégration. La v.a. Xest alors la durée de vie du phénomène.
23
Loi Gamma:
Loi Gamma:
• Une v.a. Xsuit une loi gamma de paramètres α>0 et β>0 si sa densité de probabilité est définie par:
où Γest la fonction gamma d’Euler:
24
( )
<
Γ ≥
= − −
0 ,
0
0 ) ,
(
1
x si
x si x
x e f
x α α β
α β
∫
∞−
= −
Γ
0
) 1
(α e ttα dt
Loi Gamma:
Loi Gamma:
• L’espérance mathématique d’une v.a. Xqui suit une loi gamma de paramètres α>0 et β>0 est:
• En effet, en posant βx=t, on a:
• Sa variance est:
( )
β= α X E
( ) ( ) ( )
( )
α αβα β α
βα β α
Γ = +
= Γ
= Γ ∞
∫
− 1 10
dx x e X
E x
( )
2β
= α X Var
25
Loi de
Loi de Weibull Weibull::
• Une v.a. X suit une loi de Weibull de
paramètres α>0 et β>0 si sa densité est définie par:
• La fonction de répartition F(x) de Xest:
<
= − − ≥
0 ,
0
0 ) ,
(
1
x si
x si e
x x f
xα β
β
αα
− ≥
= 1 − , 0
)
( e si x
x F
αx β
Loi de
Loi de Weibull Weibull::
• L’espérance mathématique d’une v.a. Xqui suit une loi de Weibull de paramètres α>0 et β>0 est:
• En effet, en posant βx=t, on démontre,
comme on a vu pour la loi gamma, le résultat.
• Sa variance est:
( )
β α
α
1
1 1
+ Γ
= X E
( )
βα
α α
2
2 1
2 1
1
+ Γ
−
+ Γ
= X Var
27
Loi de Pareto:
Loi de Pareto:
• Une v.a. Xsuit une loi de Pareto de paramètre αsi sa densité de probabilité est définie par:
• Son espérance mathématique pour α>1:
• Sa variance (existe pour α>2):
28
≤
=
+
sinon
; 0
si ) ;
( 0
1 0 0
x x c
c x c
f
α α
( )
01 c X
E = −
α α
( ) ( ) ( )
X 1 2 2 c0Var = − −
α α
α
Loi Bêta:
Loi Bêta:
• Une v.a. Xsuit une loi bêta de paramètre αet βsi sa densité de probabilité est définie par:
où αet β sont des constantes positives et B(α, β) est la fonction bêta d’Euler:
29
( )
− ≤ ≤
= − −
sinon
; 0
1 0
si
; ) 1
, (
1 )
(
1 1
x x
B x x
f
α β
β α
( )
1 ;) ,
( 1
0 1 1
∫
− − −= t t dt
B
α β
α β) (
) ( ) ) (
,
(α β αα ββ + Γ
Γ
= Γ B
Loi Bêta:
Loi Bêta:
• L’espérance d’une v.a. Xsuit une loi bêta de paramètre αet β est:
• En effet,
• Sa variance est:
( )
α β α= + X E
( )
( ) ( )) (
) 1 (
) ( ) 1 ( )
, (
) , 1 (
β α
β α β
α
β α
β α
β α
Γ Γ
+ Γ +
+ Γ
Γ +
= Γ
= + B X B
E
β α
α α
β α β α
β α α α
= + Γ + Γ +
+ Γ
= Γ
) ( ) (
) (
) (
) (
Loi de Cauchy:
Loi de Cauchy:
• Une v.a. Xsuit une loi de Cauchy de paramètres αet λ>0 si sa densité de probabilité est définie par:
• La fonction de répartition F(x) de Xest:
31
( )
, ] , [) 1
( 2
2 ∈ −∞+∞
−
= + x
x x
f
λ α
λ π
λ α π
+ −
= x
tg Arc x
F 1
2 ) 1 (
Loi
Loi Normale Normale::
• Une v.a. continue Xsuit une loi normale de
paramètres μ et σ>0 si sa densité de probabilité est:
• On note X~N(µ,σ).
• La loi normale est encore connue sous le nom de loi de Gauss ou de Laplace-Gauss.
( )
[ , ] 2 ;
) 1
( 2
2
2 ∈ −∞ +∞
= e− − x x
f
x σ
µ
π σ
32 Prof. Mohamed El Merouani
Représentation graphique de N(
Représentation graphique de N(μ μ,,σ σ): ):
π σ 2
1
2 1
2
1 −
π e σ
σ
µ− x
f(x)
0 µ µ+σ
33
Loi
Loi Normale Normale::
• La fonction de répartition de Xest définie par:
• On peut montrer que:
E(X)=µ
et Var(X)=σ2
(
X x)
e ( ) dtP x F
x t
∫
∞
−
− −
=
≤
= 2
2
2
2 ) 1
( σ
µ
π σ
Loi
Loi Normale Normale centrée, réduite centrée, réduite ::
• Si Xsuit une loi normale N(µ,σ), alors la v.a.
centrée réduite associée à X, suit une loi normale N(0,1), dite loi normale centrée, réduite.
35
σ µ
= X − Z
Loi Normale centrée réduite:
Loi Normale centrée réduite:
• En effet, Soit et z Є IR. On a:
• En posant , on obtient
36
σ
−µ
= X Z
( ) (
σ µ)
σ µ = ≤ +
− ≤
=
≤ X z P X z
P z Z P
( )
∫
+∞
−
− −
= σ µ σµ π
σ
z x
dx e 2
2
2
2 1
x t
− =
σ
µ
(
Z z)
e dtP
z t
∫
∞−
= −
≤ 2
2
2 1 π
Loi Normale centrée réduite:
Loi Normale centrée réduite:
IR t
e t
f
t
∈
=
−,
2 ) 1
(
22
π
37
Zest donc une v.a. continue dont la densité de probabilité est définie par:
C’est-à-dire Z~N(0,1).
Allure et propriété de la loi normale Allure et propriété de la loi normale
réduite:
réduite:
f(t)
t x
-x
C’est une fonction symétrique par rapport à l’axe des ordonnées car elle est paire f (-x)=f (x)
Ainsi les tables de la loi normale centrée réduite, donnent les
La probabilité pour que T
La probabilité pour que T ~ ~ N N(0,1) prenne (0,1) prenne une valeur de l’intervalle (t
une valeur de l’intervalle (t
11,t ,t
22))
• S’écrit alors:
dt e
t T t
P
tt t
∫
−
=
<
<
21 2
2 2
1
2
) 1
( π
39
Propriétés:
Propriétés:
• On démontre que:
• L’aire comprise entre la courbe N(0,1) et l’axe des t est égale à l’unité.
∫
−+∞∞f ( dt t ) = 1
40 Prof. Mohamed El Merouani
Fonction de répartition de la loi normale Fonction de répartition de la loi normale
centrée réduite:
centrée réduite:
• On définit la fonction de répartition Φ(t) de la loi normale centrée réduite, comme:
dt e dt
t f a
a a t
2
2
2 ) 1
( )
(
−
∞
− −∞
∫
=∫
=
Φ π
a t f (t)
-∞
41
Loi Normale centrée réduite:
Loi Normale centrée réduite:
• On peut ramener tout calcul sur la fonction de répartition d’une v.a. normale N(µ,σ) à un calcul sur la fonction de répartition, notée Φ(x), d’une v.a. normale N(0,1).
• En effet, si X~N(µ,σ),
( )
− Φ
=
− ≤ −
=
≤ σ µ
σ µ
σ µ a a
P X a
X
P
Loi Normale centrée réduite:
Loi Normale centrée réduite:
• Soit Φla fonction de répartition de X~N(0,1).
On a: Φ(a)=1– Φ(–a).
• En effet, comme
et
43
dt e dt
e dt
e a
a a t t
a t
∫
∫
∫
∞ −∞
− −
∞
−
− =− =
=
−
Φ 2 2 2
2 2
2
2 1 2
1 2
) 1
( π π π
2 1 1 2
1 2
) 1 ( )
( 2 2 2
2 2
2
=
= +
=
− Φ +
Φ
∫ ∫ ∫
∞∞
−
∞ − −
∞
−
− dt e dt e dt
e a
a
t
a t
a t
π π
π
Exemple:
Exemple:
La taille d’un groupe de 2000 personnes obéit à une loi normale N(170 cm, 5 cm).
On demande de déterminer:
1. Le nombre de personnes dont la taille est comprise entre 168cm et 175cm.
2. La probabilité pour qu’une personne ait une taille supérieure à 180cm.
44 Prof. Mohamed El Merouani
Solution:
Solution:
1. Définissons la variable centrée réduite Tà partir de la variable aléatoire X:
• Alors P(168<X<175)=P(-0,4≤t≤+1)=
=Φ(1)-Φ(-0,4)= Φ(1)-(1-Φ(0,4))=
=Φ(1)+ Φ(0,4)-1
Soit, en cherchant les valeurs de Φ(1) et de Φ(0,4) dans la table de la fonction intégrale de la loi normale centrée réduite: croisement de la ligne 1,0 et de la colonne 0,00;
croisement de la ligne 0,4 et de la colonne 0,00.
5
−170
= X T
45
D’où P(168≤X≤175)=0,8413+0,6554-1=0,4967
Il y a donc: 2000x0, 4967≈993personnes dont la taille est comprise entre 168cm et 175cm.
2. La probabilité pour qu’une personne ait une taille supérieure à 180cm est:
P(X>180)=P(T>2)=1- Φ(2)=1-0,9772=0,0228 soit une probabilité de 2,3%.
Il y a alors vraisemblablement
2000x0,0228≈45personnes dont la taille dépasse 180cm.
Loi Log
Loi Log--normale bi normale bi--paramètrique paramètrique::
• Une variable aléatoire Xest dite suivant une loi de probabilité Log-normale de paramètres µ et σ si la v. a. Y=Log Xsuit la loi normale d’espérance µ et d’écart-type σ.
• On note X
~
• Alors, la densité de probabilité de Yest:
• et celle de Xsera:
( )
2 2
2
2 ) 1
( σ
µ
− −
σ
= π
y
e y
f
( )
0 2 ;
) 1 (
2 2
2 >
=
− −
x xe
x f
x Log
σ µ
σ π
(
µ,σ)
Λ
47
Espérance et variance:
Espérance et variance:
• Soit X~Λ(µ, σ), son espérance est:
• Et sa variance est:
( )
µ + σ
=
22 exp 1
X E
( ) X = exp ( 2 µ + σ
2) ( ) { exp σ
2− 1 }
Var
48 Prof. Mohamed El Merouani
• Une variable aléatoire Xqui peut prendre une valeur qui dépasse une valeur fixée τest dite suivant une loi log-normale de trois paramètres τ, µ et σ si Y=Log(X-τ) suit une loi normale de
paramètres µ et σ.
• On note X
~
• Le troisième paramètre τs’appelle le seuil.
• Ainsi, la log-normale de 2 paramètres est un cas particulier de celle de 3 paramètres avec τ=0.
Loi Log
Loi Log--normale tri normale tri--paramètrique paramètrique::
) σ , µ , ( τ Λ
49
Fonction de densité de probabilité:
Fonction de densité de probabilité:
• Soit X
~
Λ(τ, µ, σ), alors sa fonction de densité de probabilité est:( ) { ( ) }
τ
≤
∞
<
<
τ
−τ −µ
− σ τ
− σ
= π
x si
x si x
x Log x
g
0
2 exp 1 2
1 )
(
2 2
Espérance et variance:
Espérance et variance:
• Soit X
~
Λ(τ, µ, σ), alors,• Son espérance est:
• Sa variance est:
) exp(
)
( X = τ + µ + σ E
[ ( ) 1 ]
)
( X = e
µ2e
σ2e
σ2− Var
51
Loi du Khi
Loi du Khi--deux: deux:
• Une v.a. Xsuit une loi du khi-deux à n degrés de liberté (ddl en abrégé) si sa densité de probabilité est définie par:
• On note X~ χ2(n)
• Si et =β, on retrouve la loi Gamma.
52
≤
>
Γ
=
−
−
0
; 0
0
; 2 2
1 )
(
2 1 2 2
x si
x si x
n e x
f
n x n
α 2 = n
2 1
Prof. Mohamed El Merouani
Loi du Khi
Loi du Khi--deux: deux:
• On peut montrer que:
Si X1, X2,…, Xnsont nv.a. indépendantes qui suivent respectivement des lois normales N(µ1,σ1), N(µ2,σ2), …, N(µn,σn), alors la v.a.
suit une loi de χ2(n) khi-deux
à n degrés de liberté
53
2
1
∑
=
−
= n
i i
i
Xi
Z σ
µ
Loi du Khi
Loi du Khi--deux: deux:
• C’est-à-dire:
Si Z1, Z2,…, Znsont n v.a. indépendantes qui suivent respectivement des lois normales centrées réduites N(0,1) alors la v.a.
suit une loi de χ2(n) khi-deux
∑
=
= n
i
Zi
Z
1 2
Loi du Khi
Loi du Khi--deux: deux:
• L’espérance mathématique d’une v.a. Xqui suit une loi du khi-deux à n degrés de liberté est: E(X)=n
• Sa variance est: Var(X)=2n
55
Loi de
Loi de Student Student::
• Une v.a. Xsuit une loi de Student à n degrés de liberté si sa densité de probabilités est définie par:
• On note X~
T
(n)• Pour n=1, on retrouve la loi de Cauchy et on a:
56
(
x)
x IRB n n x
f n ∈
+
= + ;
1 1 ,2
2 1 ) 1
(
2 1 2
(
x)
x IRx f
et ∈
= +
=
Γ ;
1 ) 1 2 (
1
π 2
π
Loi de
Loi de Student Student::
• On peut montrer que:
Si Xest une v.a. normale centrée réduite N(0,1), si Y est une v.a. de
χ
2(n) khi-deux à n degrés de liberté, et si Xet Y sont indépendantes, alors la v.a.57
n Y
Z = X suit une loi
T
(n) de Student à n degrés de libertéLoi de
Loi de Student Student::
• L’espérance mathématique d’une v.a. Xqui suit une loi de Student à ndegrés de liberté
est: E(X)=0
• Sa variance est:
( )
−2
= n X n Var
Loi de Fisher
Loi de Fisher--Snédecor Snédecor::
• Une v.a. Xsuit une loi de Fisher-Snédecor à p et qdegrés de liberté si sa densité de
probabilité est définie par:
• On note X~
F
(p,q)59
0
; 2 1
2 , ) 1
(
2 2 1 2
≥
+
= +
−
x q x
p q x p q
B p x
f p q
p p
Loi de Fisher
Loi de Fisher--Snédecor Snédecor::
• On peut montrer que:
Si X1 et X2 sont deux v.a. indépendantes
distribuées respectivement suivant une loi de Khi-deux
χ
2 à n1 et n2 degrès de liberté, alors la v.a.60
2 2
1 1
1 1
n X n X
F = suit une loi de Fisher-
Snédecor
F
(n1, n2) à n1et n2 degrès de libertéProf. Mohamed El Merouani
Loi de Fisher
Loi de Fisher--Snédecor Snédecor::
• L’espérance mathématique d’une v.a. Xqui suit une loi de Fisher-Snédecor
F
(p,q) à pet q degrés de liberté est:• Sa variance est:
61
( )
, ( 2)2 >
= − q
q X q E
( ) ( )
(
2) (
24)
, ( 4)2
2
2 >
−
−
−
= + q
q q
p
q p X q
Var
Prof. Mohamed El Merouani