Cours de Probabilités Statistiques

Lois usuelles

Lucien D. GNING
lucien.gning@univ-thies.sn

February 16, 2023

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 1 / 26

Plan

1 Introduction

2 Lois discrètes

3 Lois continues
 1 Introduction

2 Lois discrètes

3 Lois continues

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 3 / 26

Fonction génératrice
1 Nous appelons fonction génératrice de la variable aléatoire discrète X
à valeurs dans N, la série entière
+1
X
X
gX (t) = E(t ) = t k P(X = k) t 2 [ 1, +1]
k=0

La fonction génératrice ne dépend que de la loi de X . Elle caractérise

la loi de X .
2 Calcul de E(X ) et V(X ) à partir de la fonction génératrice.
3 Soient X et Y deux variables aléatoires indépendantes définies sur le
même espace probabilisé (⌦, C, P) alors
gX +Y (t) = gX (t)gY (t)
4 Soient X1 , . . . , Xn des variables aléatoires indépendantes
P définies sur
le même espace probabilisé (⌦, C, P) alors si Sn = ni=1 Xi on a
n
Y
gSn (t) = gXi (t)
i=1
Fonction génératrice des moments ou fonction de Laplace
1 Soit une variable aléatoire X à valeurs dans R et définie sur un espace
(⌦, C, P). On appelle fonction génératrice des moments ou fonction
de Laplace de X la fonction notée LX définie par :
LX (t) = E(e tX )
pour tous réel t pour lequel l’espérance est définie.
Précisons cette définition dans le cas où la variable aléatoire X est à
valeurs dans N. Dans ce cas, on a
+1
X
LX (t) = E(e tX ) = e tk P(X = k) = gX (e t ).
k=0

2 Si X est une variable aléatoire de fonction génératrice des moments

dérivable k fois en 0, alors on a :
(k)
E(X k ) = LX (0)
3 Soient X1 , . . . , Xn des variables aléatoires indépendantes
Pn définies sur
le même espace
Q probabilisé (⌦, C, P) alors si Sn = i=1 Xi on a
LSn (t) = ni=1 LXi (t).
Fonction caractéristique
1 Soit X une variable aléatoire réelle. On appelle fonction
caractéristique de x la fonction X sur R, à valeurs complexes, par :
= E(e itX ), 8t 2 R
X (t)
P
Si X est une variable discrète X (t) = +1 k=1 e
itxk P(X = x ).
k
R +1 itx
Si X est une variable continue X (t) = 1 e f (x) dx.

Proposition
Soit X une variable aléatoire, a et b deux réels. Alors les propriétés
suivantes sont toujours vraies :
1 Pour tout t 2 R, | X (t)|  1.
2
X (0) =1
3
aX +b (t) = e itb X (at)
4 Si le moment d’ordre k de X existe, alors la fonction caractéristique
(k)
X (0) = i E(X )
de X est k fois dérivable et : k k
 1 Introduction

2 Lois discrètes

3 Lois continues

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 7 / 26

Loi uniforme discrète
1 La loi uniforme discrète sur {1, 2, . . . , n} est la loi de probabilité d’une
variable aléatoire X prenant chaque valeur de l’ensemble {1, 2, . . . , n}
avec la même probabilité :
1
P(X = k) = , 8k 2 {1, 2, . . . , n}
n

2 On note X ⇠ U({1, 2, . . . , n})

3 Moments
n
1X n+1
E(X ) = k=
n 2
k=1
n ✓ ◆
1X 2 n + 1 2 n(n + 1)(2n + 1) (n + 1)2 n2 1
V(X ) = k = =
n 2 6n 4 12
k=1

4 Domaine d’application La loi uniforme intervient dans de nombreux

domaines comme les jeux de pile ou face ou les jeux de dés (avec une
pièce ou un dé parfaitement équilibré(e)), les jeux de cartes, les
loteries, les sondages . . .
Loi de Bernoulli
1 une variable aléatoire X prenant la valeur 1 pour le succès et la valeur
0 pour l’échec, avec les probabilités respectives p et (1 p) = q.
Cette variable suit une loi de Bernoulli. Sa loi de probabilité est
définie par :
P(X = 1) = p, P(X = 0) = 1 p

2 On note X ⇠ B(p)
3 Moments

E(X ) = p
V(X ) = p(1 p) = pq

4 Domaine d’application elle est utilisée pour modéliser des matériels

qui seront soit survivants (valeur 1), soit défaillants (valeur 0) à un
instant donné. Elle s’applique aux jeux de hasard de type binaire
comme pile ou face . . .
Loi Binomiale
1 Soit X la variable aléatoire qui ”compte” le nombre de succès au
cours de n épreuves de Bernoulli indépendantes. La probabilité
”d’obtenir k succès au cours de n épreuves ” :

P(X = k) = Cnk p k (1 p)n k

, k = 0, 1, . . . , n

2 On note X ⇠ B(n, p)
3 Moments

E(X ) = np
V(X ) = np(1 p)

4 Calculer la fonction génératrice des moments d’une loi B(n, p)

5 Domaine d’application la loi binomiale décrit des phénomènes ne
pouvant prendre que deux états s’excluant mutuellement, succès ou
échec dans un jeu, bonne pièce ou pièce défectueuse dans une
fabrication, lot acceptable ou lot refusé, défaillance ou
fonctionnement d’un matériel etc . . .
Loi géométrique
1 La loi géométrique est la loi de la variable X ”loi du nombre d’essais
nécessaires” pour qu’un événement de probabilité p apparaisse pour la
première fois, les hypothèses étant les mêmes que pour la loi
binomiale, en particulier, la probabilité p reste constante au cours des
essais :
P(X = k) = p(1 p)k 1 , k 2 N⇤
(Il y a eu k 1 échecs avant d’obtenir le succès au k ème essai).
2 On note X ⇠ G(p)
3 Moments
1
E(X ) =
p
1 p
V(X ) =
p2
4 Calculer la fonction génératrice des moments d’une loi G(p)
Loi hypergéométrique
1 La loi hypergéométrique de paramètres associés n, p et N est une loi
de probabilité discrète, décrivant le modèle suivant :
On tire simultanément n boules dans une urne contenant N1 = pN
boules gagnantes et N2 = qN boules perdantes (avec q = 1 p, soit
un nombre total de boules valant pN + qN = N). On compte alors le
nombre de boules gagnantes extraites et on appelle X la variable
aléatoire donnant ce nombre.
k Cn k
CNp N Np
P(X = k) =
CNn

Avec p 2]0, 1[, pN est un entier et n  N. La loi hypergéométrique

prend les valeurs entières comprises entre max{0, n N(1 p)} et
min{n, Np}.
2 On note X ⇠ H(N, n, p)
3 Moments E(X ) = np, V(X ) = np(1 p) N N 1
n

4 Domaine d’application La loi hypergéométrique est utilisée, en

particulier dans les contrôles de qualité où on retire, de la population
étudiée, les éléments défaillants.
Loi de Poisson
1 La loi de Poisson de paramètre > 0 est la loi d’une variable
aléatoire discrète réelle X , prenant toutes les valeurs entières non
négatives, avec les probabilités :
ke
P(X = k) = , k 2N
k!

2 On note X ⇠ P( ), 2 R⇤+
3 Moments : E(X ) = V(X ) =
4 Calculer la fonction génératrice des moments d’une loi P( )
5 Domaine d’application La loi de Poisson est la loi discrète d’une
variable aléatoire représentant un nombre d’événements. Elle est
utilisée pour décrire : la réalisation d’événements peu probables, dans
une succession d’épreuves très nombreuses, au moins 50, le nombre
d’accidents dans un atelier, le nombre de défauts sur un appareil etc
...
6 Cette loi intervient comme comportement limite de la loi binomiale
lorsque n ! +1, p ! 0 tel que np ! .
 1 Introduction

2 Lois discrètes

3 Lois continues

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 14 / 26

Loi uniforme

1 Une variable aléatoire réelle X , suit une loi uniforme sur l’intervalle
[a, b], si sa loi de probabilité admet une densité f égale à :

1
f (x) = 1[a,b] (x)
b a
2 Fonction de répartition :
8
>
<0 si x < a
F (x) = xb aa si a  x  b
>
:
1 si x > b

3 On note X ⇠ U([a, b])

a+b (b a)2
4 Moments : E(X ) = 2 V(X ) = 12
5 Soit X une variable aléatoire de fonction de répartition F . On pose
Y = F (X ). Montrer que Y ⇠ U([0, 1])
Loi exponentielle
1 Une variable aléatoire X à valeurs dans [0, +1[ suit une loi
exponentielle de paramètre > 0, notée E( ) , si elle admet pour
densité de probabilité la fonction f suivante
(
exp( x) si x 0
f (x) =
0 si x < 0

La fonction de répartition d’une loi exponentielle E( ) est égale à

(
1 exp( x) si x 0
F (x) =
0 si x < 0

1 1
2 Moments : E(X ) = V(X ) = 2

3 Domaine d’application La loi exponentielle est utilisée en fiabilité. Le

paramètre représente le taux moyen de défaillance alors que son
inverse ✓ = 1/ est ”le temps moyen de bon fonctionnement”. La loi
exponentielle s’applique bien aux matériels électroniques ou aux
matériels subissant des défaillances brutales.
Loi gamma
1 La loi exponentielle est un cas particulier de la famille des lois
Gamma. Soient a > 0 et > 0. On dit que X suit une loi Gamma de
paramètres (a, ) (on note X ⇠ (a, )), si la loi de X a pour densité
( a a 1
x
(a) exp( x) si x 0
f (x) =
0 si x < 0
R +1
où pour tout a > 0, (a) = 0 x a 1 exp( x)dx (fonction gamma
d’Euler).
Montrer que pour n 2 N, (n + 1) = n!
2 Remarque : Pour a = 1, (a, ) coı̈ncide avec E( ).
a a
3 Moments : E(X ) = V(X ) = 2

4 Si (X1 , X2 ) est un couple de variables aléatoires indépendantes de lois

respectivement (a1 , ) et (a2 , ) alors la somme X1 + X2 suit une
loi gamma (a1 + a2 , ).
5 Domaine d’application : théorie des files d’attente, fiabilité.
 Loi Beta de type I

1 Une variable aléatoire réelle X , prenant ses valeurs dans l’intervalle

[0, 1], suit une loi bêta de type I, notée BI (a, b), de paramètres a > 0
et b > 0, si sa densité de probabilité est donnée par :
(
1 a 1 (1
B(a,b) x x)b 1 si 0  x  1
f (x) =
0 sinon
R1 (a) (b)
où B(a, b) = 0 xa 1 (1 x)b 1 dx = (a+b) = B(b, a) Moments
a ab
E(X ) = a+b , V(X ) = (a+b)2 (a+b+1)

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 18 / 26

Loi Beta de type II
1 Soit X une variable aléatoire suivant une loi bêta de type I, BI (a, b).
La variable aléatoire Y , positive ou nulle, définie par Y = 1 XX suit
une loi bêta de type II (notée BII ) dont la densité s’obtient facilement
par changement de variables
(
1 ya 1
B(a,b) (1+y )a+b si y 0
f (y ) =
0 sinon

a a(a+b 1)
2 Moments E(X ) = b 1 (b > 1), V(X ) = (b 1)2 (b 2)
(b > 2)
3 Le rapport de deux variables aléatoires indépendantes, suivant les lois
gamma (a, ) et (b, ), suit une loi bêta de type II de paramètres a
et b.
4 Domaine d’application : les lois bêta, dépendant de deux paramètres,
s’adaptent bien à la description de nombreux phénomènes aléatoires
positifs (temps d’attente, durées de vie . . .)
Loi de Laplace-Gauss ou loi normale
1 Une variable aléatoire réelle X , prenant ses valeurs dans R, suit une
loi normale, de paramètres µ 2 R et 2 > 0, si sa densité de
probabilité est donnée par :
1 (x µ)2
f (x) = p e 2 2 , x 2R
2⇡
2 Cette loi est notée, en général N (µ, ) (ou N (µ, 2 )). On dit
indi↵éremment qu’une variable suivant une telle loi est une variable
normale ou gaussienne.
3 Fonction de répartition
Z x
1 (t µ)2
F (x) = P(X  x) = p e 2 2 dt
2⇡ 1
Cette intégrale n’ayant pas d’expression mathématique simple, des
tables donnent les valeurs de la fonction de répartition. Moments :
E(X ) = µ, V(X ) = 2
4 La variable centrée réduite associée à la variable aléatoire X est la
variable U = X µ ⇠ N (0, 1). U suit une loi normale centrée réduite.
Loi de Laplace-Gauss ou loi normale
✓ ◆ ✓ ◆ Z x µ
X µ x µ x µ 1 t2
P(X  x) = P  =P U  = p e 2 dt
1 2⇡

Figure: Densités de lois normales pour fixé

Loi de Laplace-Gauss ou loi normale

Figure: Densité et fonction de répartition d’une loi normale

 Loi de Laplace-Gauss ou loi normale

1 Soient X et Y deux variables aléatoires réelles indépendantes telles

que X ⇠ N (µ1 , 12 ) et Y ⇠ N (µ2 , 22 ) alors
X + Y ⇠ N (µ1 + µ2 , 12 + 22 ).
Ce résultat se généralise facilement à la somme de n variables
aléatoires gaussiennes, indépendantes.
2 Soit (X1 , . . . , Xn ) n variables aléatoires réelles indépendantes, suivant
2 1 Pn
la même loi N (µ, ). La variable aléatoire X̄ = n i=1 Xi est une
combinaison linéaire de n variables aléatoires indépendantes suivant la
même loi N (µ, 2 ), elle suit donc une loi normale dont les paramètres
2 2
sont : E(X̄ ) = µ et V(X̄ ) = n . La variable aléatoire X̄ ⇠ N (µ, n ).
3 Calculer la fonction génératrice des moments et la fonction
caractéristique d’une N (µ, 2 )

Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 23 / 26

Loi du Khi-deux
1 Soit p un entier strictement positif. Une variable aléatoire X suit une
loi de Pearson ou loi du Khi-deux à p degrés de liberté, notée 2 (p),
si X est une variable continue et admet pour densité de probabilité la
fonction f suivante :
8 p
< p 1 x 2 1 exp( x ) si x 0
p 2
f (x) = 2 2
2
:0 sinon

2 La fonction de répartition ne s’explicite pas. Cependant, il existe des

tables de la fonction de répartition
3 Soit X une variable aléatoire qui suit une loi 2 (p). Nous avons :
E(X ) = p et V(X ) = 2p.
4 Soit X1 , . . . , Xn une suite de v.a. indépendantes et identiquement
Pn
distribuées qui suit la loi normale N (0, 1). Alors la v.a. 2
i=1 Xi suit
la loi du Khi-deux 2 (n)
5 Pour n entier, a = n/2 et = 1/2, la loi (n/2, 1/2) est égale à la loi
du 2 (n)
Loi de Student
1 Soit n un entier strictement positif. Une variable aléatoire X suit une
loi de Student à n degrés de liberté, notée t(n), si X est une variable
continue et admet pour densité de probabilité la fonction f suivante :
8 n+1
>
< p1 2 1
n⇡ n n+1 si x 0
f (x) = x2 2
2 1+ n
>
:
0 sinon
2 La fonction de répartition ne s’explicite pas. Cependant, il existe des
tables de la fonction de répartition
3

E(X ) = 0 si n 2
n
V(X ) = si n 3
n 2
4 Soit une v.a. U qui suit une loi normale N (0, 1) et X une v.a.
indépendante de U et qui suit une loi du Khi-deux 2 (n). Alors la
variable aléatoire T = pU ⇠ t(n)
X /n
Loi de Fisher
1 Soit n et p deux entiers strictement positifs. Une variable aléatoire X
suit une loi de Fisher-Snedecor (ou loi de Fisher) à n et p degrés de
liberté, notée F(n, p), si X est une variable continue et admet pour
densité de probabilité la fonction f suivante :
8 n+p n 2
n
>
< 2 n 2 x 2
n p p n+p si x 0
f (x) = 2 2 1+ pn x 2
>
:
0 sinon

2 La fonction de répartition ne s’explicite pas. Cependant, il existe des

tables de la fonction de répartition.
3 Soit X une variable aléatoire qui suit une loi de Fisher F(n, p). Nous
2p 2 (n+p 2)
avons : E(X ) = p p 2 si p 3 V(X ) = n(p 2)2 (p 4)
si p 5
4 Soient X et Y deux variables aléatoires indépendantes telles que
X ⇠ 2 (n) et Y ⇠ 2 (p). Alors la variable aléatoire
Z = YX /n
/p ⇠ F(n, p)