Documente Academic
Documente Profesional
Documente Cultură
Chapitre 3
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
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.
Prof. Mohamed El Merouani
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).
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
~ B(n,p)
Prof. Mohamed El Merouani
10
13/12/2014
Loi Binmiale:
Binmiale:
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.
Prof. Mohamed El Merouani
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
13
En effet,
n!
(nx1)! (nx1 x2)!
(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.
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
Prof. Mohamed El Merouani
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.
Prof. Mohamed El Merouani
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).
Prof. Mohamed El Merouani
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:
nk
= Can+b on a bien
P( X = k ) = 1
k
k
Prof. Mohamed El Merouani
23
Loi hypergomtrique:
Sa variance est:
Var ( X ) =
an ~
a+b
nab(a + b n )
(a + b )2 (a + b 1)
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 ().
Prof. Mohamed El Merouani
25
Loi de Poisson
Poisson::
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.
Prof. Mohamed El Merouani
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)
Var ( X ) =
1 p
p2
28
14
13/12/2014
29
i X ( ), P( X = i ) = Cnn+i11 p n (1 p )
30
15
13/12/2014
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
31
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).
Prof. Mohamed El Merouani
32
16
13/12/2014
33
Loi binomiale:
La fonction gnratrice des moments dune loi
binomiale B(n,p) de paramtres n et p est:
34
17
13/12/2014
Loi de Poisson:
La fonction gnratrice des moments dune loi
de Poisson P () de paramtre est:
M ( t ) = e (e
Dm:
35
Loi gomtrique:
La fonction gnratrice des moments dune loi
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
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.
Prof. Mohamed El Merouani
37
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
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:
La fonction gnratrice des moments dune loi
uniforme continue sur un intervalle [a,b] est:
e tb e ta
M (t ) =
; ( si t 0)
t (b a )
M ( 0) = 1
Dm:
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 ) =
(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
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 ) =
( )
( ) 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
La fonction de rpartition F(x) de X est:
1 e x , si x 0
F ( x) =
si x < 0
0,
Prof. Mohamed El Merouani
53
Loi de Weibull:
Weibull:
Lesprance mathmatique dune v.a. X qui
suit une loi de Weibull de paramtres >0 et
>0 est:
1
1 +
E (X ) =
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
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
f (x) =
1 1
, x IR
1+ x2
59
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
2
1
1
e2
2
61
F ( x) = P( X x ) =
1
2
(t )2
2 2
dt
62
31
13/12/2014
M (t ) = e
Dm:
t +
t 2 2
2
t IR
63
64
32
13/12/2014
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
f (t ) =
1
e
2
t2
2
, t IR
Cest--dire Z~N(0,1).
66
33
13/12/2014
M (t ) = e
Dm:
t2
2
t IR
67
-x
x
t
34
13/12/2014
Scrit alors:
1
2
t2
t1
t 2
dt
69
Proprits:
On dmontre que:
f (t )dt = 1
70
35
13/12/2014
(a ) =
f (t )dt =
f (t)
1
e
2
t 2
2
dt
t
71
X a
a
P ( X a ) = P
72
36
13/12/2014
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.
Prof. Mohamed El Merouani
76
38
13/12/2014
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:
){ ( ) }
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.
Prof. Mohamed El Merouani
79
40
13/12/2014
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
Prof. Mohamed El Merouani
83
Loi du KhiKhi-deux:
On peut montrer que:
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
i =1
n degrs de libert
Prof. Mohamed El Merouani
85
Loi du KhiKhi-deux:
Lesprance mathmatique dune v.a. X qui
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:
On peut montrer que:
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
89
Loi de Student:
Student:
Lesprance mathmatique dune v.a. X qui
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
Loi de FisherFisher-Sndecor:
Sndecor:
On peut montrer que:
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
Prof. Mohamed El Merouani
92
46
13/12/2014
Loi de FisherFisher-Sndecor:
Sndecor:
Lesprance mathmatique dune v.a. X qui
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
Prof. Mohamed El Merouani
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
98
49
13/12/2014
Corollaire:
Le produit de deux fonctions gnratrices des
moments est une fonction gnratrice des
moments.
99
100
50
13/12/2014
102
51
13/12/2014
103
z = x + y
52
13/12/2014
N (v , v )
105
106
53