Chapitre 3

Les lois de probabilité
usuelles
Lois usuelles de variables aléatoires
discrètes
Loi de Bernoulli:
Définition: On appelle loi de Bernoulli de paramètre 𝑝 la loi de probabilité qui prend la valeur 1
(Succès) avec la probabilité 𝑝 et 0 (Echecs) avec la probabilité 𝑞 = 1 − 𝑝.
𝑝 𝑠𝑖 𝑥 = 1
𝑃(𝑋 = 𝑥) = 1 − 𝑝 𝑠𝑖 𝑥 = 0
0 𝑠𝑖𝑛𝑜𝑛
Remarque: La loi de Bernoulli est notée 𝛽(1, 𝑝) ou 𝛽(𝑝).
Exemple: On lance un dé équilibré. Le succès est représenté par l'obtention du chiffre 6 et l'échec
sinon. La loi de probabilité est représentée par le tableau suivant:
𝑋=𝑥 0 1
5 1
𝑝
6 6
Théorème: Les caractéristiques d'une variable de Bernoulli 𝛽(𝑝) sont:
 Espérance Mathématique: 𝐸(𝑋) = 𝑝.
 Variance Mathématique: 𝑉(𝑋) = 𝑝(1 − 𝑝).
Loi Binomiale:
Définition: La loi binomiale est la loi de probabilité d'une variable aléatoire représentant une série
d'épreuves de Bernoulli possédant les propriétés suivantes:
 Chaque épreuve donne lieu à deux éventualités exclusives de probabilités constantes 𝑝 et
𝑞 = 1 − 𝑝.
 Les épreuves répétées sont indépendantes les unes des autres.
 La variable aléatoire 𝑋 correspondante prend pour valeur le nombre de succés dans une
suite de 𝑛 épreuves.
𝑃(𝑋 = 𝑘) = 𝐶 𝑝 (1 − 𝑝)
Remarque: La loi Binomiale est notée 𝛽(𝑛, 𝑝).
Exemple: On lance un dé et on s'intéresse à l'événement :"Le nombre tiré est un "6". La variable
aléatoire qui compte le nombre "6" obtenu sur 3 tirages suit une loi binomiale de paramètres 𝑛 = 3
et 𝑝 = .
Théorème: Les caractéristiques d'une Loi Binomiale 𝛽(𝑛, 𝑝) sont:
 Espérance Mathématique: 𝐸(𝑋) = 𝑛𝑝.
 Variance Mathématique: 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝).
Loi Uniforme:
Définition: On dit qu'une variable aléatoire suit une loi uniforme discrète lorsqu'elle prend ses
valeurs dans {1, … , 𝑛} avec des probabilités élémentaires identiques:
1
(∀𝑘 ∈ {1, … , 𝑛})𝑃(𝑋 = 𝑘) =
𝑛
Remarque: La loi Uniforme discrète est notée 𝑈(1, 𝑛).
Exemple: Soit 𝑋 la variable aléatoire qui représente le résultat d'un jet de dé à 6 faces: 𝑋(𝛺) =
{1,2,3,4,5,6}.
Théorème: Les caractéristiques d'une variable Uniforme discrète 𝑈(1, 𝑛) sont:
( )
 Espérance Mathématique: 𝐸(𝑋) = .
 Variance Mathématique: 𝑉(𝑋) = .

Loi géométrique:
Définition: On répète continuellement et de façon indépendante une épreuve de Bernoulli dont la
probabilité de succès est 𝑝. On dit que la variable aléatoire 𝑋 suit la loi de géométrique si:
(∀𝑛 ∈ 𝑁 ∗ )𝑃(𝑋 = 𝑛) = 𝑝 × (1 − 𝑝)
Remarque: La loi Géométrique discrète est notée 𝐺(𝑛).
Exemple: Une urne contient 50 pièces dont 20 de type 𝐴. On choisit avec remise une pièce de l'urne,
quel est la probabilité de sortir une pièce de type 𝐴 pour la première fois après le cinquième tirage.
Théorème: Les caractéristiques d'une variable Géométrique discrète 𝐺(𝑛) sont:
 Espérance Mathématique: 𝐸(𝑋) = .
 Variance Mathématique: 𝑉(𝑋) = .

Loi hypergéométrique:
Définition: Soient 𝑛, 𝑚, 𝑁 trois entiers positifs tels que 𝑛 ≤ 𝑁, 𝑚 ≤ 𝑁. On dit que 𝑋 suit une loi
hypergéométrique de paramétres 𝑁, 𝑛 et 𝑚 si:
𝐶 ×𝐶
𝑃(𝑋 = 𝑘) =
𝐶
Remarque: La loi hypergéométrique discrète est notée 𝐻(𝑁, 𝑛, 𝑚).
Exemple: Une urne contient 𝑁 boules, dont 𝑚 blanches. On tire simultanément 𝑛 boules, et on note
𝑋 le nombre des boules blanches obtenues. Alors 𝑋 suit une loi hypergéométrique de paramétres
𝑁, 𝑛, 𝑚.
Théorème: Les caractéristiques d'une variable Hypergéométrique discrète 𝐺(𝑛) sont:
 Espérance Mathématique: 𝐸(𝑋) =
 Variance Mathématique: 𝑉(𝑋) = × × 1−
Approximation d'une loi hypergéométrique par une binomiale:
Si la taille de la population est très grande par rapport à la taille de l'échantillon, une loi
hypergéométrique peut être approximée par une loi binomiale et on note:
𝐻(𝑁, 𝑛, 𝑃) => 𝐵(𝑛, 𝑃)
Loi de Poisson
Définition: Si le nombre moyen d'occurrences dans un intervalle de temps fixé est 𝑚, alors la
probabilité qu'il existe 𝑘 occurrences est 𝑃(𝑋 = 𝑘) = 𝑒 !
.
On utilise la loi de poisson lorsque:
 Le nombre d'occurrences durant une unité de temps sont indépendants.
 Nombre moyen d'occurrences en une unité de temps est le même.
 Probabilité qu'une occurrence durant une unité de temps est presque nulle.
Remarque: La loi de Poisson est notée 𝑃(𝑚).
Exemple 1: Chaque année, en moyenne 2 accidents de travail sont observés au sein d'une société.
Quelle est la probabilité que durant une année, il y ait 5 accidents?
Exemple 2: En moyenne, 2 clients fréquentent un Fast-food chaque 3min, quel est la probabilité pour
qu'au plus 3 clients fréquentent le Fast-food durant 9 minutes?
Théorème: Les caractéristiques d'une variable de Poisson 𝑃(𝑛) sont:
 Espérance Mathématique: 𝐸(𝑋) = 𝑚
 Variance Mathématique: 𝑉(𝑋) = 𝑚
Lois usuelles de variables aléatoires

continues
Loi Uniforme:
On dit que 𝑋 suit une loi de probabilité suivant une loi uniforme sur l'intervalle [𝑎, 𝑏] alors cela
signifie que 𝑋 est une loi continue dont la densité de probabilité est la fonction constante 𝑓 définie
sur [𝑎, 𝑏] par: 𝑓(𝑥) = . La fonction densité de cette loi est:
1
𝑓(𝑥) = 𝑏 − 𝑎 𝑠𝑖 𝑥 ∈ [𝑎, 𝑏]
Remarque: La loi Uniforme est notée 𝑈(𝑎, 𝑏).
Exemple 1: Calculer la fonction de répartition.
Exemple 2: Dans une ville "idéale", les autobus passent à chaque arrêt exactement toutes les 20
minutes. On appelle 𝑋 le temps d'attente en minutes d'un autobus à un arrêt.
Calculer 𝑃(5 ≤ 𝑋 ≤ 18); 𝑃(𝑋 ≥ 5); 𝑃(𝑋 ≤ 12).
Théorème: Les caractéristiques d'une variable Uniforme continue sont:
( )
 Variance Mathématique: 𝑉(𝑋) =
Loi exponentielle:
Définition: Soit λ un réel strictement positif. Une variable aléatoire 𝑋 suit une loi exponentielle de
paramétre λ lorsque sa densité de probabilité est la fonction 𝑓 définie sur [0; +∞[ par:
𝑓(𝑥) = λe si x ≥ 0
Exemple 1: Calculer la fonction de répartition.
Exemple 2: Calculer 𝑃(𝑋 ≤ 5); 𝑃(𝑋 ≥ 7); 𝑃(3 ≤ 𝑋 ≤ 8).
Remarque: La loi exponentielle est notée E(λ).

Théorème: Les caractéristiques d'une variable exponentielle sont:
 Variance Mathématique: 𝑉(𝑋) =
Loi Normale:
Définition : Une loi normale est une loi de probabilité continue qui dépend de deux paramètres : son
espérance noté 𝜇, et son écart-type noté 𝜎, sa densité est la fonction 𝑓 définie sur 𝑅 par :
1 (𝑥 − 𝜇)
𝑓(𝑥) = 𝑒𝑥𝑝 −
𝜎√2𝜋 2𝜎
Remarque: La loi Normale est notée 𝑁(𝜇, 𝜎).
Propriétés :
 La courbe de la fonction densité est symétrique par rapport à l’équation 𝑥 = 𝜇.
 Les points d’inflexions sont les points d’abscisses (𝜇 + 𝜎), (𝜇 + 𝜎).
 Plus l’écart-type est petit, plus la distribution des valeurs est resserrée par-rapport à la
moyenne et la courbe sera haute et droite.
Remarques : 𝑃(𝑋 ≤ 𝜇) = 0,5 ; 𝑃(𝑋 ≤ 𝜇 − 𝑎) = 𝑃(𝑋 ≥ 𝜇 + 𝑎)

Théorème: Les caractéristiques d'une variable exponentielle sont:
 Esperance Mathématique: 𝐸(𝑋) = 𝜇
 Variance Mathématique: 𝑉(𝑋) = 𝜎
Définition : Soit X une variable aléatoire suivant une loi normale de paramètres 𝜇 et 𝜎. La variable
aléatoire 𝑇 = suit une loi normale centrée réduite, c'est-à-dire 𝑇: 𝑁(0,1), sa fonction densité
est :
1
𝑓(𝑡) = 𝑒
√2𝜋
Dans la pratique, on transforme la variable aléatoire qui suit la loi normale en variable aléatoire qui
suit la loi normale centrée réduite et par la suite, on utilise la table de réparation dans les calculs.
Exemple 1 : Une usine fabrique des billes de diamètre 8mm. Les erreurs d’usinage provoquent des
variations de diamètre. On estime, sur les données antérieures, que l’erreur est une variable
aléatoire qui obéit à une loi normale 𝑁(8; 0,02), on rejette les pièces dont le diamètre n’est pas
compris entre 7,97mm et 8,03mm. Quelle est la proportion de billes rejetée ?
Exemple 2 : Des machines fabriquent des plaques destinées à être empilées. Soit 𝑋 la variable
aléatoire « épaisseur de la plaque en mm », on suppose que 𝑋 suit une loi normale 𝑁(0,3 ; 0,1).
Calculer la probabilité pour que 𝑋 soit inférieure à 0,36mm et la probabilité pour que X soit comprise
entre 0,25 et 0,35.
Les approximations
Approximation d’une loi hypergéométrique par une binomiale
Si la taille de la population est très grande par rapport à la taille de l’échantillon. Une loi
hypergéométrique peut être approximé par une loi binomiale et on note :
𝐻(𝑁, 𝑛, 𝑃) => 𝐵(𝑛, 𝑃)
Si →0
Approximation d’une loi binomiale par une loi de Poisson
Si n est grand et P voisin de zéro, une loi binomiale tend vers une loi de Poisson.
𝐵(𝑛, 𝑃) => 𝑃(𝑚)
Si n est grand et P voisin de zéro avec 𝑚 = 𝑛 ∗ 𝑃.
Approximation d’une loi binomiale par une loi normale
Si n est grand et P ni proche de zéro ni proche de 1 alors une loi binomiale tend vers une loi normale,
et on écrit :
𝐵(𝑛, 𝑝) = 𝑁(𝜇, 𝜎)
Si n est grand et P ni proche de zéro ni proche de 1 avec 𝜇 = 𝑛 ∗ 𝑝.
Approximation d’une loi de poisson par une loi normale
Si n est très grand alors une loi de Poisson tend vers une loi normale :
𝑃(𝜇) = 𝑁(𝜇, 𝜇)

Chapitre 3

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 3

Transféré par

Droits d'auteur :

Formats disponibles

Les lois de probabilité

 Variance Mathématique: 𝑉(𝑋) = .

 Variance Mathématique: 𝑉(𝑋) = .

Lois usuelles de variables aléatoires

Remarque: La loi exponentielle est notée E(λ).

Remarques : 𝑃(𝑋 ≤ 𝜇) = 0,5 ; 𝑃(𝑋 ≤ 𝜇 − 𝑎) = 𝑃(𝑋 ≥ 𝜇 + 𝑎)

Vous aimerez peut-être aussi