Chapitre+3 +lois+de+probabilités+usuelles

13/12/2014
Chapitre 3
Lois de probabilits usuelles

discrtes et continues
Lois de probabilits
discrtes
13/12/2014
Loi de Dirac:
Soit un nombre a fix et soit une v.a. X
prenant la valeur a, cest--dire P(X=a)=1.
On appelle loi de Dirac au point a la probabilit
1, x = a
0, x a
a (x ) =
La reprsentation de lhistogramme et de la
fonction de rpartition sont:
Loi de Dirac:
13/12/2014
Loi de Dirac:
Sa fonction de rpartition:
0, si x < a
F ( x) =
1, si x a
Son esprance mathmatique est E(X)=a
et E(X2)=a2
Sa variance est Var(X)=0
Prof. Mohamed El Merouani
Loi de Bernoulli
Bernoulli::
Une v. a. X suit une loi de Bernoulli si elle
prend les deux valeurs 1 et 0 avec P(X=1)=p
et P(X=0)=q o p+q=1.
p sappelle paramtre de la loi.
{X=1} est dit vnement succs et {X=0} est
dit vnement chec.
X reprsente donc le nombre de succs
obtenu aprs la ralisation dune seule
exprience alatoire.
13/12/2014
Loi de Bernoulli
Bernoulli::
La loi de probabilit de X suivant une loi de Bernoulli
est:
xi
1
0
pi
pi
q=1-p 1
Alors E(X)=xipi=1xp+0xq=p
Var(X)=xi2piE(X)2=x12p+x02q-p2=p-p2
Var(X)=p(1-p)=pq
Loi Binmiale:
Binmiale:
On considre lexprience qui consiste en n
rptitions indpendantes dune mme exprience
dont lissue est lapparition ou la non apparition dun
vnement A qui:
Soit se ralise avec la probabilit p (p=probabilit du
succs).
Soit ne se ralise pas avec la probabilit q=1-p
(q=probabilit dchec).
Soit X le nombre dapparitions de cet vnement

parmi ces n expriences.
On a ={A,}n et 0Xn.
13/12/2014
Loi Binmiale:
Binmiale:
On cherche P(X=k). Le rsultat de ces n
expriences est une suite (A1, A2,, An) o Ai=A
ou , pour tout i=1,2,,n.
Si on suppose que A est apparu k fois et (n-k)
fois, la probabilit dune de ces suites (A1, A2,,
k
An) est pk(1-p)n-k. Comme il existe Cn suites (A1,
A2,, An) o A est apparu k fois et (n-k) fois,
on dduit que:
P( X = k ) = Cnk p k q n k ; 0 k n.
9
Loi Binmiale:
Binmiale:
n
On vrifie que
P( X = k ) = 1
k =0
nk
En effet,
C
k =0
k
n
p (1 p )
k
= ( p + (1 p) ) = 1
n
On dit que X suit une loi binomiale de paramtres n

et p et on la note symboliquement B(n, p).
On crit X
~ B(n,p)
10
13/12/2014
Loi Binmiale:
Binmiale:
Esprance mathmatique: E(X)=np

Variance mathmatique: Var(X)=npq
Ecart-type: (X)=npq
La loi binmiale rend compte de tous les
phnomnes rpts de manire
indpendante pouvant prendre deux tats,
tels que: succs ou chec, tout ou rien.
11
Loi multinomiale:
Supposons que dans une exprience alatoire
peuvent se prsenter les vnements
A1,A2,,Ak qui forment un systme des
vnements exhaustifs et mutuellement
exclusifs (complet),
P(Ai)=pi et p1+p2++pk=1 et calculons la
probabilit quen faisant n expriences
indpendantes on ait x1 fois levnement A1,
x2 fois A2,etc, o x1+x2++xk=n.
12
13/12/2014
Loi multinomiale:
Cette probabilit est donne par:
P ( X 1 = x1 , , X k = xk ) =
k
n!
p1x1 pkxk , si n = xi
x1! xk !
i =1
et zro, autrement. Avec Xi=xi signifie que

lvnement Ai sest ralis xi fois.
Alors, on dit que la variable (X1,,Xk) suit une
loi multinomiale de paramtres n, p1, p2,,pk
Si k=2, on retrouve la loi binomiale.
13
En effet,
P( X1 = x1,, Xk = xk ) =Cnx1Cnx2 x1Cnx3 x1x2 Cnxk x1x2xk1 p1x1 p2x2 pkxk

P( X1 = x1,, Xk = xk ) =
n!
(nx1)! (nx1 x2)!
x1!(nx1)! x2!(nx1 x2)! x3!(nx1 x2 x3)!
(nx1 x2 xk1)! px px px
xk! 0!
P ( X 1 = x1 , , X k = xk ) =
n!
p1x1 pkxk
x1! xk !
14
13/12/2014
Loi multinomiale:
Les principaux moments de cette loi sont:
E(Xi)=npi
Var(Xi)=npi(1-pi)
Cov(Xi,Xj)=-npipj
15
Cas particulier:
Considrons la loi trinmiale:
P ( X = x, Y = y ) =
2
o ( x, y ) Z +
n!
p1x p2y p3n x y
x! y!(n x y )!
et pj0 avec p1+p2+p3=1.
La loi marginale de X est B(n,p1).

La loi marginale de Y est B(n,p2).
16
13/12/2014
Cas particulier:
n x
P( X = x ) =
n!
p1x p2y p3n x y
y =0 x! y!(n x y )!
n x
(n x)!
n!
x
=
p1
p2y p3n x y
x!(n x)! y =0 y!(n x y)!
= Cnx p1x ( p2 + p3 ) n x
= Cnx p1x (1 p1 ) n x
17
Exemple:
Une urne contient 9 boules (dont 2 sont
rouges, 3 blanches et 4 noires).
On tire au hasard, avec remise, 3 boules de
cette urne.
En dsignant par X, Y et Z le nombre de
boules rouges, blanches et noires tires, on
dtermine la loi P(X=i, Y=j, Z=k) avec
i+j+k=3.
18
13/12/2014
Exemple:
La distribution relative ces 3 variables est en
fait une distribution 2 dimensions puisque la
valeur de la 3me variable est dtermine par
celles de deux premires: Z=3-X-Y.
2
3
4
On a:
p1 = , p2 = , et p3 =
9
9
9
Les probabilits P(X=i, Y=j, Z=k) sont
calcules laide de
i
3! 2
P( X = i, Y = j , Z = k ) = P(i, j, k ) =

i! j!k! 9
3 4

9 9
19
Exemple:
On obtient alors:
P(0,0,3)=0,0878
P(0,2,1)=0,1481
P(1,0,2)=0,1317
P(1,2,0)=0,0741
P(2,1,0)=0,0494
P(0,1,2)=0,1975
P(0,3,0)=0,0371
P(1,1,1)=0,1975
P(2,0,1)=0,0658
20
10
13/12/2014
Loi hypergomtrique:
On considre une urne contenant N boules
dont a sont blanches et b=Na sont rouges.
On tire de cette urne n boules. (On peut tirer
les n boules en mme temps ou lune aprs
lautre sans remise).
Soit X la v.a. gale au nombre de boules
blanches tires parmi les n boules. Cette v.a.
suit une loi dite hypergomtrique et est
note H(n,a,b).
21
Loi hypergomtrique:
Comme 0Xa et 0nXb, on a:
max{0,nb}Xmin{a,n}
Soit un nombre entier k tel que:
max{0,nb}kmin{a,n}
On cherche P(X=k). Lensemble fondamental
est constitu de tous les sous-ensembles de
n boules que lon peut tirer de lurne =Pn(E).
Cest lensemble de parties n lments de
lensemble E des boules. On a Card = Can+b
22
11
13/12/2014
Loi hypergomtrique:
Le nombre de faons de tirer k boules parmi
k
les a blanches est Ca et pour chacune de ces
faons il y a Cbn k manires de tirer nk boules
parmi les boules rouges. Donc:
nbre de cas favorables Cak Cbn k

P( X = k ) =
=
nbre de cas possibles
Can+b
Comme Ca Cb
k
nk
= Can+b on a bien
P( X = k ) = 1
k
k
23
Loi hypergomtrique:
Esprance mathmatique de X H(n a,b)

E(X ) =
Sa variance est:
Var ( X ) =
an ~
a+b
nab(a + b n )
(a + b )2 (a + b 1)
Fonction gnratrice des moments?
24
12
13/12/2014
Loi de Poisson
Poisson::
On dit quune v. a. obit une loi de Poisson, si elle
est susceptible de prendre toutes les valeurs
entires 0,1,2,,k,,n, les probabilits associes
tant p0 ,p1 ,p2 ,,pk ,,pn , avec
e .k
pk = P ( X = k ) =
k!
tant un paramtre positif, et e la base des
logarithmes npriens.
La constante sappelle le paramtre de la loi.
La loi de Poisson est note P ().
25
Loi de Poisson
Poisson::
Esprance mathmatique: E(X)=

Variance mathmatique: Var(X)=
Ecart-type: (X)=
La loi de Poisson est appele loi des petites
probabilits. On lutilise pour reprsenter des
phnomnes rares, tels que: nombre
daccidents, nombre de pannes, nombre de
dchets dans une fabrication
26
13
13/12/2014
Loi gomtrique:
On considre une exprience deux issues
possibles (ralisation de lvnement A ou de
lvnement ). On rpte indfiniment cette
exprience jusqu ce que A se ralise. Soit X
la v.a. gale au nombre de rptitions
ncessaires pour la ralisation de A.
On a: X()={1,2,,n,} et P(X=k)=p(1-p)k-1 o
p est la probabilit de ralisation de
lvnement A.
27
Loi gomtrique:
On vrifie que cest bien une loi de probabilit.
En effet,
k =1
k =1
P( X = k) = p(1 p)
k 1
= p(1 p) i = p
i=0
1
=1
1 (1 p)
Son esprance mathmatique est:

1 p
E(X ) =
p
Sa variance est:
Var ( X ) =
1 p
p2
28
14
13/12/2014
Loi binomiale ngative:

Une proportion p dlments dune population
possde un certain caractre A. On veut
obtenir n lments de ce type en procdant
une suite de tirage indpendants. Ces tirages
seffectuent avec remise. On dsigne par Y le
nombre de tirages ncessaires pour obtenir
ces n lments possdant le caractre A. La
v.a. X=Yn est appele binomiale ngative.
29

On a X()=IN. On cherche P(X=i).
Comme n tirages (dont le dernier) ont donn
un lment possdant le caractre A et i
tirages ont donn un lment ne possdant
pas le caractre A, la probabilit dun tel
vnement est pn(1p)i. Le nombre de ces
vnements est Cnn+i11 . On en dduit:
i X ( ), P( X = i ) = Cnn+i11 p n (1 p )
30
15
13/12/2014

On peut vrifier que:
C
P( X = i ) =
i =0
n 1
n + i 1
p (1 p ) = Cni +i 1 p n (1 p ) = 1
n
i =0
i =0
Son esprance mathmatique est:

1 p
E(X ) = n
p
n
Sa variance est: Var ( X ) = 2 (1 p )
p
31
Loi uniforme discrte:

Une v.a. X discrte suit une loi uniforme en n
points x1, x2,, xn si sa distribution de
probabilit est:
1
pk = P( X = xk ) = ; k = 1,..., n
n
Si n=1, alors on retrouve la loi de Dirac
dgnre en un point a.
Exemples: pice de monnaie(n=2), le d (n=6).
32
16
13/12/2014
Fonctions gnratrices des

moments de quelques lois discrtes
usuelles
33
Loi binomiale:
La fonction gnratrice des moments dune loi
binomiale B(n,p) de paramtres n et p est:
M(t) = pet + q ; avec q =1 p

Dm:
T.D. srie n2, Ex. 10
34
17
13/12/2014
Loi de Poisson:
de Poisson P () de paramtre est:
M ( t ) = e (e
Dm:
35
Loi gomtrique:
gomtrique de paramtre p est:
p
M (t ) =
1 qe t
o q=1-p et t est telle que qet<1
Dm:

36
18
13/12/2014

binomiale ngative de paramtres
n et p est:
n
p
M (t ) =
t
1 qe
Rsultat: Si X1,, Xn sont des v.a. indpendantes
suivant toutes la mme loi gomtrique de
paramtre p, alors leur somme suit une loi
binomiale ngative de paramtres n et p.
37

Rciproquement, toute v.a. binomiale
ngative peut scrire comme somme de v.a.
qui suivent toutes la mme loi gomtrique.
Donc, la fonction gnratrice des moments
dune loi binomiale ngative est gale au
produit de n fois la fonction gnratrice des
moments de la loi gomtrique de paramtre
p.
38
19
13/12/2014
Lois de probabilits
continues
39
Loi uniforme:
Une v.a. continue X suit une loi uniforme si sa
densit de probabilit est donne par:
1
,
f ( x) = b a
0,
si a x b
sinon
La fonction de rpartition F(x) de X est:

si x < a
0,
x a
F ( x) =
, si a x b
b
si x > b
1,
40
20
13/12/2014
Loi uniforme:
41
Loi uniforme:
Lesprance dune v.a. continue X U(a,b) est:
E(X ) =
a+b
2
Sa variance est:
2
(
a b)
Var ( X ) =
12
42
21
13/12/2014
Loi uniforme:
uniforme continue sur un intervalle [a,b] est:
e tb e ta
M (t ) =
; ( si t 0)
t (b a )
M ( 0) = 1
Dm:
voir T.D. Srie n2, Ex. 11

43
Loi exponentielle:
Une v.a. X continue suit la loi exponentielle, de paramtre
>0, note X xp(), si sa densit de probabilit est:
e x si x 0
f ( x) =
0 si x < 0
Alors son esprance mathmatique est:
Sa variance sera:
Var ( X ) =
Son cart-type est alors:
(X ) =
E(X ) =
44
22
13/12/2014
Loi exponentielle:
Sa fonction gnratrice des moments est
donne par:
[ ]
M (t ) = E e tX =
; t<
45
Loi exponentielle:
La fonction de rpartition F(x) dune v.a. X qui
suit une loi exponentielle de paramtre est:
1 e x si x 0
F ( x) =
si x < 0
0
46
23
13/12/2014
Reprsentation graphique de f(x

f(x):
f(x)
3
Pour =3
47
Reprsentation graphique de F(
F(x
x):
F(x)
1
Pour =3
48
24
13/12/2014
Champs dapplication:
Dabord, on lapplique pour modliser la
demande, en gestion de stock, lorsque la
symtrie nest pas vrifie et lorsquon
remarque que son cart-type est gal son
esprance (sa moyenne).
Mais en gnral, la loi exponentielle (ngative)
sapplique pour modliser les phnomnes de
dsintgration. La v.a. X est alors la dure de
vie du phnomne.
49
Loi Gamma:
Une v.a. X suit une loi gamma de paramtres
>0 et >0 si sa densit de probabilit est
dfinie par:
x 1
e x , si x 0
f ( x) = ( )
0,
si x < 0
o est la fonction gamma dEuler:
( ) = e t t 1dt
0
50
25
13/12/2014
Loi Gamma:
Lesprance mathmatique dune v.a. X qui
suit une loi gamma de paramtres >0 et >0
est:
E(X ) =
En effet, en posant x=t, on a:

1 ( + 1)
x
E(X ) =
e x dx =
=
( )
( ) 0
Sa variance est: Var ( X ) =
51
Loi Gamma:
On peut montrer que la fonction gnratrice
des moments dune loi Gamma de paramtres
>0 et >0 est:

;
M (t ) =
t <
52
26
13/12/2014
Loi de Weibull:
Weibull:
Une v.a. X suit une loi de Weibull de
paramtres >0 et >0 si sa densit est dfinie
par:
x 1e x , si x 0
f ( x) =
0,
si x < 0
1 e x , si x 0
F ( x) =
si x < 0
0,
53
Loi de Weibull:
Weibull:
suit une loi de Weibull de paramtres >0 et
>0 est:
1
1 +

E (X ) =
En effet, en posant x=t, on dmontre,

comme on a vu pour la loi gamma, le rsultat.
2
1
1 + 2 1 +
Sa variance est:

Var ( X ) =
2
54
27
13/12/2014
Loi de Pareto:
Une v.a. X suit une loi de Pareto de paramtre
si sa densit de probabilit est dfinie par:
c 0 +1
; si c 0 x
f ( x ) = c x
0
0;
sinon
Son esprance mathmatique pour >1:

Sa variance (existe pour >2):
Var ( X ) =
E(X ) =
c0
1
( 1)2 ( 2)
c0
55
Loi Bta:
Une v.a. X suit une loi bta de paramtre et
si sa densit de probabilit est dfinie par:
1
1
x 1 (1 x ) ; si 0 x 1
f ( x) = B ( , )
0
;
sinon
o et sont des constantes positives et B(, )
est la fonction bta dEuler:
B ( , ) = t 1 (1 t )
1
dt ; B( , ) =
( )( )
( + )
56
28
13/12/2014
Loi Bta:
Lesprance dune v.a. X suit une loi bta de
paramtre et est: E ( X ) =
+
En effet,
E(X ) =
B( + 1, ) ( + 1)( ) ( + )
=
B( , )
( + 1 + ) ( )( )
( )( + )
=
( + )( + )( ) +
Sa variance est:
Var ( X ) =
( + ) ( + + 1)
2
57
Loi de Cauchy C(
C(,):
Une v.a. X suit une loi de Cauchy de paramtres
et >0 si sa densit de probabilit est dfinie
par:
f (x) =
2 + (x )2
, x ] ,+[
F ( x) =
1 1
x
+ Arc tg
2
58
29
13/12/2014
Loi de Cauchy C(0,1):

Une v.a. X suit une loi de Cauchy C(0,1) de
paramtres 0 et 1, si sa densit de probabilit
est dfinie par:
f (x) =
1 1
, x IR
1+ x2
Les paramtres ici, ne sont pas lesprance et

lcart-type (qui nexistent pas pour cette loi)!
La fonction MX(t) nexiste non plus!
59
Loi Normale N(,):

Une v.a. continue X suit une loi normale de
paramtres et >0 si sa densit de probabilit est:
1
f ( x) =
e
2
( x )2
2 2
; x ] ,+[
On note X~N(,).
La loi normale est encore connue sous le nom de loi
de Gauss ou de Laplace-Gauss.
60
30
13/12/2014
Reprsentation graphique de N(,):

f(x)
2
1
1
e2
2
61
Loi Normale N(,):

La fonction de rpartition de X est dfinie par:
F ( x) = P( X x ) =
1
2
(t )2
2 2
dt
On peut montrer que:

E(X)=
et
Var(X)=2
62
31
13/12/2014
Loi Normale N(,):

N(,) est:
M (t ) = e
Dm:
t +
t 2 2
2
t IR
63
Loi Normale centre, rduite :

Si X suit une loi normale N(,), alors la v.a.
X
Z=
centre rduite associe X , suit une loi

normale N(0,1), dite loi normale centre,
rduite.
64
32
13/12/2014
Loi Normale centre rduite:

En effet, Soit Z = X et z IR. On a:
P (Z z ) = P
z = P ( X z + )

2
z +
( x )
1
2 2
=
e
dx
2
En posant x = t , on obtient
1
P (Z z ) =
2
t2
2
dt
65

Z est donc une v.a. continue dont la densit
de probabilit est dfinie par:
f (t ) =
1
e
2
t2
2
, t IR
Cest--dire Z~N(0,1).
66
33
13/12/2014

N(0,1) est:
M (t ) = e
Dm:
t2
2
t IR
67
Allure et proprit de la loi normale

rduite:
f(t)
-x
x
t
Cest une fonction symtrique par rapport laxe des ordonnes

car elle est paire f (-x)=f (x)
Ainsi les tables de la loi normale centre rduite, donnent les
valeurs de la fonction f (t) uniquement pour des valeurs
positives de la variable t.
68
34
13/12/2014
La probabilit pour que T N(0,1) prenne

une valeur de lintervalle (t
(t1,t2)
Scrit alors:
P (t1 < T < t 2 ) =
1
2
t2
t1
t 2
dt
69
Proprits:
On dmontre que:
f (t )dt = 1
Laire comprise entre la courbe N(0,1) et laxe des t

est gale lunit.
70
35
13/12/2014
Fonction de rpartition de la loi normale

centre rduite:
On dfinit la fonction de rpartition (t) de la loi
normale centre rduite, comme:
(a ) =
f (t )dt =
f (t)
1
e
2
t 2
2
dt
t
71

On peut ramener tout calcul sur la fonction de
rpartition dune v.a. normale N(,) un
calcul sur la fonction de rpartition, note
(x), dune v.a. normale N(0,1).
En effet, si X~N(,),
X a
a
P ( X a ) = P
72
36
13/12/2014

Soit la fonction de rpartition de X~N(0,1).
On a:
(a)=1 (a).
En effet, comme
1
( a ) =
2
t2
2
1
dt =
2
t2
2
1
dt =
2
t2
2
dt
et
1
(a ) + (a ) =
2
t2
2
1
dt +
2
e
a
t2
2
1
dt =
2
t2
2
dt = 1
73
Exemple:
La taille dun groupe de 2000 personnes
obit une loi normale N(170 cm, 5 cm).
On demande de dterminer:
1. Le nombre de personnes dont la taille est
comprise entre 168cm et 175cm.
2. La probabilit pour quune personne ait une
taille suprieure 180cm.
74
37
13/12/2014
Solution:
1. Dfinissons la variable centre rduite T partir de la
variable alatoire X:
T=
X 170
5
Alors P(168<X<175)=P(-0,4t+1)=
=(1)- (-0,4)= (1)-(1- (0,4))=
=(1)+ (0,4)-1
Soit, en cherchant les valeurs de (1) et de (0,4) dans la
table de la fonction intgrale de la loi normale centre
rduite: croisement de la ligne 1,0 et de la colonne 0,00;
croisement de la ligne 0,4 et de la colonne 0,00.
75
Do P(168X175)=0,8413+0,6554-1=0,4967
Il y a donc: 2000x0, 4967993personnes dont la taille
est comprise entre 168cm et 175cm.
2. La probabilit pour quune personne ait une taille
suprieure 180cm est:
P(X>180)=P(T>2)=1- (2)=1-0,9772=0,0228 soit
une probabilit de 2,3%.
Il y a alors vraisemblablement
2000x0,022845personnes dont la taille dpasse
180cm.
76
38
13/12/2014
Loi LogLog-normale bibi-paramtrique:

paramtrique:
Une variable alatoire X est dite suivant une loi
de probabilit Log-normale de paramtres et
si la v. a. Y=Log X suit la loi normale desprance
et dcart-type .
On note X~ ( , )
Alors, la densit de probabilit de Y est:
f ( y) =
et celle de X sera:
1
e
2
1
e
2 x
f ( x) =
( y )2
22
( Log x )2
2 2
; x>0
77
Esprance et variance:
Soit X~(, ), son esprance est:
E ( X ) = exp + 2
2
Et sa variance est:
){ ( ) }
Var ( X ) = exp 2 + 2 exp 2 1
78
39
13/12/2014
Loi LogLog-normale:
Soit X une v.a. qui suit une loi Log-normale.
Alors, la fonction M(t)=E[etX] nest pas dfinie
pour t >0;
En dautres termes, la loi Log-normale nadmet
pas de fonction gnratrice des moments qui
soit dfinie dans un intervalle ouvert
contenant t=0.
Nanmoins, X admet des moments de tous les
ordres entiers positifs.
79
Loi LogLog-normale tritri-paramtrique:

paramtrique:
Une variable alatoire X qui peut prendre une
valeur qui dpasse une valeur fixe est dite
suivant une loi Log-normale de trois paramtres
, et si Y=Log(X-) suit une loi normale de
paramtres et .
On note X~ ( , , )
Le troisime paramtre sappelle le seuil.
Ainsi, la log-normale de 2 paramtres est un cas
particulier de celle de 3 paramtres avec =0.
80
40
13/12/2014
Fonction de densit de probabilit:

Soit X~(, , ), alors sa fonction de densit
de probabilit est:
1
1
2
exp 2 {Log ( x ) }
g ( x) = 2( x )
2
si < x <
si x
81
Esprance et variance:
Soit X~(, , ), alors,
Son esprance est:
E ( X ) = + exp( + )
Sa variance est:
[ (
)]
Var ( X ) = e e e 1
2
82
41
13/12/2014
Loi du KhiKhi-deux:
Une v.a. X suit une loi du khi-deux n degrs de
libert (ddl en abrg) si sa densit de probabilit
est dfinie par:
x n
1
1
2 2
e x ; si x > 0
n
f ( x) = 2 2 n
2
0 ;
si x 0
On note X~ 2(n)
n
Si = et 1 =, on retrouve la loi Gamma.
2
2
83
Loi du KhiKhi-deux:
Si X1, X2,, Xn sont n v.a. indpendantes qui
suivent respectivement des lois normales
N(1,1), N(2,2), , N(n,n), alors la v.a.
2
X i
suit une loi de 2(n) khi-deux
Z = i
i
i =1
n
n degrs de libert
84
42
13/12/2014
Loi du KhiKhi-deux:
Cest--dire:
Si Z1, Z2,, Zn sont n v.a. indpendantes qui
suivent respectivement des lois normales
centres rduites N(0,1) alors la v.a.
n
Z = Z i2
suit une loi de 2(n) khi-deux
i =1
n degrs de libert
85
Loi du KhiKhi-deux:
suit une loi du khi-deux n degrs de libert
est:
E(X)=n
Sa variance est:
Var(X)=2n
86
43
13/12/2014
Loi du KhiKhi-deux:
On peut montrer que la fonction gnratrice
des moments dune loi de Khi-deux n degrs
de libert est:
M (t ) = (1 2t )
n 2
; t <
1
2
87
Loi de Student:
Student:
Une v.a. X suit une loi de Student n degrs
de libert si sa densit de probabilits est
dfinie par:
1
1
; x IR
n +1
1
n
n B , 1 + x 2 2
2 2
On note X~ T(n)
Pour n=1, on retrouve la loi de Cauchy et on a:
f ( x) =
1
=
2
et f ( x) =
1
; x IR
1+ x2
88
44
13/12/2014
Loi de Student:
Student:
Si X est une v.a. normale centre rduite N(0,1), si Y
est une v.a. de 2(n) khi-deux n degrs de libert,
et si X et Y sont indpendantes, alors la v.a.
Z=
X
Y
n
suit une loi T(n) de Student n

degrs de libert
89
Loi de Student:
Student:
suit une loi de Student n degrs de libert
est:
E(X)=0
Sa variance est:
Var ( X ) =
n
n2
90
45
13/12/2014
Loi de FisherFisher-Sndecor:
Sndecor:
Une v.a. X suit une loi de Fisher-Sndecor p
et q degrs de libert si sa densit de
probabilit est dfinie par:
p
2
p 2p 1
x
1
q
f ( x) =
; x0
p+q
p q
B ,
p 2
2 2 1 + x
q
On note X~ F(p,q)
91
Sndecor:
Si X1 et X2 sont deux v.a. indpendantes
distribues respectivement suivant une loi de
Khi-deux 2 n1 et n2 degrs de libert, alors
1
la v.a.
X1
n1
suit une loi de FisherF=
1
X 2 Sndecor F(n1, n2) n1 et n2
n2
degrs de libert
92
46
13/12/2014
Sndecor:
suit une loi de Fisher-Sndecor F(p,q) p et q
degrs de libert est:
E(X ) =
q
, (q > 2)
q2
Sa variance est:
2q 2 ( p + q 2 )
Var ( X ) =
,
2
p (q 2 ) (q 4 )
( q > 4)
93
Complments propos de la
fonction gnratrice des moments
94
47
13/12/2014
Thorme:
On peut montrer que si une v.a. X admet une
fonction gnratrice des moments MX(t), alors
elle admet des moments de tous les ordres
(entiers positifs).
La rciproque nest pas toujours vraie: une v.a.
peut admettre des moments de tout les
ordres entiers positifs, sans admettre de
fonction gnratrice des moments.
Contre-exemple: La loi Log-normale
95
Thorme dunicit:
La fonction gnratrice des moments dune
v.a. dtermine la loi de cette variable.
En dautres termes, si deux v.a. admettent
mme fonction gnratrice des moments,
alors elles ont mme loi.
96
48
13/12/2014
Thorme:
Soient X et Y deux v.a. indpendantes dont
chacune admet une fonction gnratrice des
moments (MX(t) et MY(t), respectivement).
Alors la somme X+Y admet une fonction
gnratrice des moments et lon a:
M X +Y (t ) = M X (t ) . M Y (t )
Dm:
) [
97
On a: M X +Y (t) = E et ( X +Y ) = E etX .etY

Comme X et Y sont indpendantes, les
variables etX et etY le sont aussi. Donc:
M X +Y (t ) = E (etX ). E (etY ) = M X (t ) . M Y (t )
Remarque:
La rciproque nest pas vraie. Si pour deux v.a.
X et Y on a: M X +Y (t ) = M X (t ) . M Y (t ) ceci
nimplique pas forcement quelles sont
indpendantes.
98
49
13/12/2014
Corollaire:
Le produit de deux fonctions gnratrices des
moments est une fonction gnratrice des
moments.
99
Addition de variables alatoires

indpendantes
100
50
13/12/2014
Addition de variables alatoires

binomiales indpendantes:
Soit X une v. a. obissant une loi binomiale
B(n,p) et Y une v. a. obissant une loi
binomiale B(m,p).
Si X et Y sont deux v. a. indpendantes, on
dmontre que:
La v. a. Z=X+Y suit une loi binomiale B(n+m,p)
Dm: T.D. Srie n2, Ex. 9
101
Addition de variables alatoires de

Poisson indpendantes:
Soit X une v. a. obissant une loi de Poisson
P() et Y une v. a. obissant une loi de
Poisson P()
Si X et Y sont deux v. a. indpendantes, on
dmontre que:
La v. a. Z=X+Y suit une loi de Poisson P(+).
102
51
13/12/2014
Addition de deux variables alatoires

Gamma indpendantes:
Soient X et Y deux v.a. indpendantes de lois
respectives gamma de paramtres 1 et 2 et
avec le mme >0. Alors la somme X+Y a
pour loi gamma de paramtres 1+2 et .
Dm: Il rsulte de la forme de la fonction
gnratrice des moments.
103
Addition de variables alatoires normales

indpendantes:
Soit X une v. a. obissant une loi normale N ( , ) et
Y une v. a. obissant une loi normale N ( , )
Si X et Y sont deux v. a. indpendantes, on dmontre
que:
N (: z , z )
La v. a. Z=X+Y suit une loi normale
de moyenne
z = x + y
dcart-type
2
2
x
z = x + y
Dm: T.D. Srie n2, Ex. 12

104
52
13/12/2014
La v.a. V=X-Y suit une loi normale

v = x y
de moyenne
dcart-type = 2 + 2
v
N (v , v )
Ce rsultats peut se gnraliser au cas de n variables

indpendantes.
105
Addition de deux variables alatoires

Khi-deux indpendantes:
Si X et Y sont deux v.a. indpendantes suivant
des lois de Khi-deux respectivement n1 et n2
degrs de libert, alors la v.a. Z=X+Y suit
aussi une loi de Khi-deux de n1+n2 degrs de
libert.
Ce rsultat dcoule directement du fait que la
loi de Khi-deux est une somme de carres des
lois normales centres rduites
indpendantes.
106
53

Chapitre+3 +lois+de+probabilités+usuelles

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Chapitre+3 +lois+de+probabilités+usuelles

Hochgeladen von

Copyright:

Verfügbare Formate

13/12/2014

Lois de probabilits usuelles

Prof. Mohamed El Merouani

Prof. Mohamed El Merouani

Soit X le nombre dapparitions de cet vnement

On dit que X suit une loi binomiale de paramtres n

Esprance mathmatique: E(X)=np

Prof. Mohamed El Merouani

et zro, autrement. Avec Xi=xi signifie que

P( X1 = x1,, Xk = xk ) =Cnx1Cnx2 x1Cnx3 x1x2 Cnxk x1x2xk1 p1x1 p2x2 pkxk

x1!(nx1)! x2!(nx1 x2)! x3!(nx1 x2 x3)!

Prof. Mohamed El Merouani

Prof. Mohamed El Merouani

La loi marginale de X est B(n,p1).

Prof. Mohamed El Merouani

nbre de cas favorables Cak Cbn k

Esprance mathmatique de X H(n a,b)

Fonction gnratrice des moments?

Esprance mathmatique: E(X)=

Son esprance mathmatique est:

Loi binomiale ngative:

Loi binomiale ngative:

Loi binomiale ngative:

Son esprance mathmatique est:

Loi uniforme discrte:

Fonctions gnratrices des

Prof. Mohamed El Merouani

M(t) = pet + q ; avec q =1 p

T.D. srie n2, Ex. 10

Prof. Mohamed El Merouani

T.D. srie n2, Ex. 10

Prof. Mohamed El Merouani

T.D. srie n2, Ex. 10

Loi binomiale ngative:

Loi binomiale ngative:

La fonction de rpartition F(x) de X est:

Prof. Mohamed El Merouani

voir T.D. Srie n2, Ex. 11

Son cart-type est alors:

Prof. Mohamed El Merouani

Prof. Mohamed El Merouani

Reprsentation graphique de f(x

Prof. Mohamed El Merouani

En effet, en posant x=t, on a:

Prof. Mohamed El Merouani

En effet, en posant x=t, on dmontre,

Son esprance mathmatique pour >1:

La fonction de rpartition F(x) de X est:

Loi de Cauchy C(0,1):

Les paramtres ici, ne sont pas lesprance et

Loi Normale N(,):

Prof. Mohamed El Merouani

Reprsentation graphique de N(,):

Loi Normale N(,):

On peut montrer que:

Loi Normale N(,):

voir T.D. Srie n2, Ex. 11

Prof. Mohamed El Merouani

Loi Normale centre, rduite :

centre rduite associe X , suit une loi

Loi Normale centre rduite:

Loi Normale centre rduite:

Loi Normale centre rduite: