Distr Proba

FIIFO 3 PROBABILITES - STATISTIQUES
PRINCIPALES DISTRIBUTIONS
DE PROBABILITÉS
INTRODUCTION
De nombreuses situations pratiques peuvent être modélisées à l’aide de variables aléatoires qui
sont régies par des lois spécifiques. Il importe donc d’étudier ces modèles probabilistes qui
pourront nous permettre par la suite d’analyser les fluctuations de certains phénomènes en
évaluant, par exemple, les probabilités que tel événement ou tel résultat soit observé.
La connaissance de ces lois théoriques possède plusieurs avantages sur le plan pratique :
• Les observations d’un phénomène particulier peuvent être remplacées par
l’expression analytique de la loi où figure un nombre restreint de paramètres (1 ou 2,
rarement plus).
• La loi théorique agit comme modèle (idéalisation) et permet ainsi de réduire les
irrégularités de la distribution empirique. Ces irrégularités sont souvent inexplicables
et proviennent de fluctuations d’échantillonnage, d’imprécision d’appareils de
mesure ou de tout autre facteur incontrôlé ou incontrôlable.
• Des tables de probabilités ont été élaborées pour les lois les plus importantes. Elles
simplifient considérablement les calculs.
Ce cours présente trois distributions discrètes : la distribution binomiale, la distribution

géométrique et la distribution de Poisson. Puis il aborde deux distributions continues : la
distribution exponentielle et la distribution normale. Il importe de bien comprendre quelles
sont les situations concrètes que l’on peut modéliser à l’aide de ces distributions. Viennent
enfin trois distributions théoriques dont la fonction n’est pas de modéliser mais de servir
d’outils dans les problèmes d’estimation et de test.
1. DISTRIBUTION BINOMIALE ( distribution discrète finie)
1.1. VARIABLE DE BERNOULLI OU VARIABLE INDICATRICE
1.1.1. Définition :
Une variable aléatoire discrète qui ne prend que les valeurs 1 et 0 avec les probabilités
respectives p et q = 1- p est appelée variable de BERNOULLI.
Exemple : Une urne contient deux boules rouges et trois boules vertes. On tire une
boule de l’urne. La variable aléatoire X = nombre de boules rouges tirées est une
variable de Bernoulli.
On a : P(X = 1) = 2/5 = p P(X = 0) = 3/5 = q
J-P LENOIR Page 37 CHAPITRE 3

Plus généralement, on utilisera une variable de Bernoulli lorsqu’on effectue une épreuve
qui n’a que deux issues : le succès ou l’échec. Une telle expérience est alors appelée épreuve
de Bernoulli. On affecte alors 1 à la variable en cas de succès et 0 en cas d’échec.
1.1.2. Distribution de probabilités
x 0 1
f(x) = p(X = x) q p
1.1.3. Paramètres de la distribution
E(X) = 0.q + 1.p = p.

V(X) = E(X2) - E(X)2 = (02q + 12 p) - p2 = p - p2 = pq.
E(X) = p V(X) = pq
1.2. DISTRIBUTION BINOMIALE
1.2.1. Situation concrète
a) On effectue une épreuve de Bernoulli. Elle n’a donc que deux issues :
le succès avec une probabilité p ou l’échec avec une probabilité q.
b) On répète n fois cette épreuve.
c) Les n épreuves sont indépendantes entre elles, ce qui signifie que la
probabilité de réalisation de l’événement « succès » est la même à chaque
épreuve et est toujours égale à p.
Dans cette situation, on s’intéresse à la variable X = nombre de succès au cours des n

épreuves.
1.2.2. Distribution de probabilités
Appelons Xi les variables de Bernoulli associées à chaque épreuve. Si la ième épreuve donne un
succès Xi vaut 1. Dans le cas contraire Xi vaut 0. La somme de ces variables comptabilise donc
le nombre de succès au cours des n épreuves.
On a donc : X = X1 + X2 + ..... + Xn . X peut prendre (n + 1) valeurs : 0,1,....., n.
Cherchons la probabilité d’obtenir k succès, c’est-à-dire p(X = k ).
⇒ La probabilité d'avoir k succès suivis de (n-k) échecs est p k q n− k car ces résultats
sont indépendants les uns des autres.

⇒ La probabilité d'avoir k succès et (n-k) échecs dans un autre ordre de réalisation est
toujours p k q n− k . Donc tous les événements élémentaires qui composent
l’événement
(X =k) ont même probabilité.

⇒ Combien y en a-t-il? Autant que de façons d’ordonner les k succès par rapport aux
(n-k) échecs ? Il suffit de choisir les k places des succès parmi les n possibles et les
(n-k) échecs prendront les places restantes. Or il y a Cn k manières de choisir k
places parmi n.
Finalement, on obtient pour 0 ≤ k ≤ n :
p(X = k) = Cn k p k q n− k
On dit que la variable aléatoire X suit une loi binomiale de paramètres n et p .

On note : X ∼> B(n,p).
Remarque : L'adjectif binomial vient du fait que lorsqu'on somme toutes ces probabilités, on
retrouve le développement du binôme de Newton :
n n
k
∑ p( X = k ) = ∑ C n p k q n− k = ( p + q) n = 1
k =0 k =0
NB : La loi binomiale est tabulée en fonction des 2 paramètres n et p.
1.2.3. Paramètres descriptifs de la distribution
Nous savons que : X = X1 +......+ Xn avec E (Xi) = p pour 1 ≤ i ≤ n .

Donc : E(X) = E(X1) +......+ E(Xn) = np.
Les variables Xi sont indépendantes et Var(Xi) = pq pour 1 ≤ i ≤ n .

Donc : Var(X) = Var(X1) +.......+Var(Xn) = npq.
E(X) = np Var(X) = npq σ(X) = npq
Remarque : La formule donnant l’espérance semble assez naturelle. En effet, le nombre moyen
de succès (qui correspond à la signification de l’espérance) est intuitivement égal au
produit du nombre d’essais par la probabilité de réalisation d’un succès.
1.2.4. Propriétés de la distribution binomiale
• Forme de la distribution binomiale
La représentation graphique de la distribution de la loi binomiale est habituellement présentée

sous la forme d’un diagramme en bâtons. Puisque la loi dépend de n et p, nous aurons diverses
représentations graphiques si nous faisons varier n et/ou p comme c’est le cas pour les figures
suivantes.

On peut effectuer plusieurs remarques à propos de ces diagrammes.
a) La forme de la distribution est symétrique si p = 1/2, quelque soit n.
b) Elle est dissymétrique dans le cas où p≠1/2. Si p est inférieur à 0.50, les probabilités sont
plus élevées du côté gauche de la distribution que du côté droit (asymétrie positive). Si p
est supérieur à 1/2, c’est l’inverse (asymétrie négative).
c) La distribution tend à devenir symétrique lorsque n est grand. De plus, si p n'est pas trop
voisin de 0 ou 1, elle s'approchera de la distribution de la loi normale que l'on verra
plus loin dans ce chapitre.
• Somme de deux variables binomiales
Si X 1 B(n 1 , p)

Si X 2 B(n 2 , p) alors X1 + X2 ∼> B(n1 + n2 , p).
Si X et X sont indépendantes
 1 2
Cette propriété s’interprète facilement: si X1 représente le nombre de succès en n1

épreuves identiques indépendantes et X2 en n2 épreuves indépendantes entre elles et

indépendantes des premières avec la même probabilité de succès que les premières, alors X1 +
X2 représente le nombre de succès en n1+n2 épreuves identiques et indépendantes.

2. DISTRIBUTION GÉOMÉTRIQUE ( distribution discrète dénombrable)
2.1. SITUATION CONCRÈTE
a) On effectue une épreuve de Bernoulli. Elle n’a donc que deux issues :
le succès avec une probabilité p ou l’échec avec une probabilité q = 1 - p.
b) On répète l’épreuve jusqu’à l’apparition du premier succès.
c) Toutes les épreuves sont indépendantes entre elles, ce qui signifie que la
probabilité de réalisation de l'événement « succès » est la même à chaque
épreuve et est toujours égale à p.
Dans cette situation, on s’intéresse à la variable X = nombre de fois qu’il faut répéter
l’épreuve pour obtenir le premier succès.
Remarque : On est donc dans les mêmes hypothèses que pour la loi binomiale, mais le nombre
d’épreuves n’est pas fixé à l’avance. On s’arrête au premier succès.
2.2. DISTRIBUTION DE PROBABILITÉS
L’ensemble des valeurs prises par X est : 1, 2, 3, .....

On cherche la probabilité d’avoir recours à n épreuves pour obtenir le premier succès :
Ce succès a une probabilité de réalisation de p. Puisque c’est le premier, il a été précédé
de (n-1) échecs qui ont chacun eu la probabilité q de se produire. Étant donné l’indépendance
des épreuves, on peut dire que la probabilité de réalisation de (n-1) échecs suivis d’un succès
est le produit des probabilités de réalisation de chacun des résultats. Donc :
p(X = n) = qn-1p
On dit que la variable aléatoire X suit une loi géométrique de paramètre p .

On note : X ∼> G(p).
Remarque : l'appellation géométrique vient du fait qu'en sommant toutes les probabilités, on
obtient une série géométrique. En effet :
p
∑ p(1 − p) n −1
= p ∑ (1 − p) n−1 =
1 − (1 − p)
= 1
n∈ N ∗ n ≥1
2.3. PARAMÈTRES DESCRIPTIFS DE LA DISTRIBUTION
On admet que :

1 1− p q
E( X ) = Var ( X ) = = 2
p p2 p
Remarque : On peut interpréter l’expression de l’espérance de façon intuitive. En effet en n

épreuves, on s’attend à obtenir np succès et par conséquent, le nombre moyen d’épreuves
n 1
entre deux succès devrait être : = .
np p
2.4. PROPRIÉTÉ REMARQUABLE DE LA DISTRIBUTION GÉOMÉTRIQUE
La propriété la plus importante de la loi géométrique est sans doute d'être "sans mémoire ".
En effet, la loi de probabilité du nombre d'épreuves à répéter jusqu'à l'obtention d'un premier
succès dans une suite d’épreuves de Bernoulli identiques indépendantes est la même quel que
soit le nombre d'échecs accumulés auparavant. On comprend intuitivement que cela découle de
l’indépendance des épreuves qui sont toutes identiques.
C'est la seule loi discrète qui possède cette propriété.
3. DISTRIBUTION DE POISSON ( distribution discrète dénombrable)
La loi de Poisson est attribuée à Simeon D. Poisson, mathématicien français (1781-1840).

Cette loi fut proposée par Poisson dans un ouvrage qu’il publia en 1837 sous le titre :
« Recherche sur la probabilité de jugements en matière criminelle et en matière civile ».
Beaucoup de situations sont liées à l’étude de la réalisation d'un événement dans un intervalle
de temps donné (arrivée de clients qui se présentent à un guichet d'une banque en une heure,
apparitions de pannes d'un réseau informatique en une année, arrivée de malades aux urgences
d'un hôpital en une nuit,....). Les phénomènes ainsi étudiés sont des phénomènes d'attente.
Pour décrire les réalisations dans le temps d'un événement donné, on peut :
• soit chercher le nombre de réalisations de l’événement dans un intervalle de

temps donné qui est distribué suivant une loi de Poisson.
• soit chercher le temps entre deux réalisations successives de l’événement qui est
distribué suivant une loi exponentielle ( voir 4 ).
La loi de Poisson peut être interprétée comme un cas limite d'une loi binomiale et la seconde
comme un cas limite d'une loi géométrique.
Formulons les hypothèses suivantes relativement à la réalisation de l’événement qui nous

intéresse.

(1) Les nombres de réalisations de l’événement au cours d’intervalles de temps

disjoints sont des variables aléatoires indépendantes, c’est-à-dire que le nombre de
réalisations au cours d’un intervalle de temps est indépendant du nombre de
réalisations au cours d’intervalles de temps antérieurs.
(2) La probabilité pour que l’événement se réalise une fois, au cours d’un petit
intervalle de temps Δt, est proportionnelle à l’amplitude de l’intervalle et vaut αΔt, où
α est une valeur positive que l’on suppose constante tout au long de la période
d’observation.
(3) Il est très rare d’observer plus d’une fois l’événement au cours d’un petit intervalle
de temps Δt, c’est-à-dire que la probabilité pour que l’événement se réalise plus d’une
fois au cours de l’intervalle de temps Δt est négligeable.
Les hypothèses (1), (2), (3) caractérisent ce qu'on appelle un processus de Poisson.
α est une constante du processus qui représente le nombre moyen de réalisations par unité de
temps et que l’on appelle l’intensité du processus.
Sous ces hypothèses, la variable aléatoire X = « nombre de fois où l’événement considéré se
réalise au cours d’un intervalle de temps de durée t » est distribuée suivant une loi de Poisson
de paramètre λ = αt .
Nous cherchons à déterminer la loi de probabilité de la variable X = « nombre de réalisations

d’un événement donné pendant un intervalle de temps t », sachant que le nombre moyen de
réalisations de cet événement par unité de temps est α.
Or, nous connaissons déjà la loi de probabilités de la variable Y = «nombre de réalisations d’un
événement de probabilité p donné au cours de n essais». Il s’agit d’une loi binomiale B(n, p).
Pour comprendre la relation entre ces deux lois, divisons l’intervalle de temps de longueur t, en
t
n petits intervalles de temps disjoints de longueur Δt = pour n assez grand.
n
L’hypothèse (3) du processus nous permet d’affirmer que dans chacun de ces n
petits intervalles il n’y a principalement que deux possibilités : l’événement se réalise
une fois ou ne se réalise pas (cela sera d’autant plus vrai que n est grand). Dans chaque
intervalle, la variable « nombre de réalisations de l’événement » est une variable de
Bernoulli .
L’hypothèse (2) du processus nous permet d’affirmer que dans chacun de ces n
petits intervalles, la probabilité de réalisation de l’événement est constante et égale à
t t
αΔt = α . Les variables de Bernoulli ont donc toutes le même paramètre p = α .
n n

L’hypothèse (1) du processus nous permet d’affirmer que les n variables de

Bernoulli sont indépendantes.
t
La somme de ces n variables de Bernoulli indépendantes de même paramètre α est
n
t
une variable qui suit la loi binomiale B(n, α ) et qui représente approximativement le nombre
n
de réalisations de l’événement dans l’intervalle de temps t.
Si on choisit n de plus en plus grand, on a de plus en plus d'intervalles, la probabilité de
réalisations de événement dans chaque intervalle est de plus en plus petite et la distribution
t
B(n , α ) se rapproche de plus en plus de la distribution que l’on cherche à déterminer, c’est-
n
à-dire de la distribution de Poisson de paramètre αt.
Conclusion : On peut considérer la loi de Poisson de paramètre λ comme la loi limite d’une
t t
loi binomiale B(n, α ) lorsque n tend vers l’infini, le produit des paramètres nα restant
n n
toujours constant égal à αt = λ.
Nous allons nous appuyer sur cette caractérisation pour déterminer sa fonction de densité .
λ λ λ
Si Y suit une loi B(n, ) , on sait que : p(Y = k ) = C n k ( ) k (1 − ) n − k .
n n n
λ n n n −1 n − k + 1 λk λ n
n! λ k (1 − ) [ × ×.......× ] × × (1 − )
n n n n k ! n
donc : p(Y = k ) = × × =
( n − k )! k ! n k λ k λ
(1 − ) (1 − ) k
n n
- Chaque terme du produit entre crochets tend vers 1 lorsque n tend vers l’infini. Il y a k
termes, c’est-à-dire un nombre fini. Donc le crochet tend vers 1.
λ λ
- lim (1 − ) = 1 donc : lim (1 − ) k = 1 .
n →+∞ n n →+∞ n
λ
λ n n ln(1− )
-De plus : lim (1 − ) = lim e n = e−λ
n →+∞ n n →+∞
λ λ
(en utilisant la continuité de l’exponentielle et lim n ln(1 − ) = lim n(− ) = − λ )
n →+∞ n n →+∞ n
λk e − λ
Donc pour n assez grand : p(Y = k ) ≈ .
k!
Définition : La distribution de Poisson de paramètre λ est celle d’une variable discrète X

qui prend ses valeurs dans N selon la fonction de densité :
e −λ λk
f ( k ) = p( X = k ) = k ∈N
k!
On écrit : X ∼> P(λ).

Remarque : Il existe des tables donnant la fonction de densité et la fonction de répartition de la

loi de Poisson en fonction des différentes valeurs de λ (pour λ ≤ 15).

λ
La loi P(λ) est la loi limite de la loi B(n, ) lorsque n tend vers l’infini.
n
λ λ
Or l’espérance mathématique de la loi B(n, ) est n = λ.
n n
λ λ
Sa variance est n (1- ) , quantité qui tend vers λ lorsque n tend vers l’infini.
n n
On aura donc lorsque X ∼> P(λ) :
E( X) = λ Var(X) = λ σ(X) = λ
3.4. PROPRIÉTÉS DE LA DISTRIBUTION DE POISSON
3.4.1. Allure de la distribution
On effectuer plusieurs remarques à propos de ces diagrammes.
∗ En général, le diagramme est dissymétrique par rapport à λ avec étalement vers la

droite. Les valeurs élevées d’une variable de Poisson sont peu rencontrées.
∗ A mesure que λ augmente, la forme de la distribution tend à devenir

symétrique et s’approche de celle de la loi normale que nous traiterons plus
loin dans ce chapitre.
Cela est vérifié pour λ ≥ 10 et même acceptable pour λ ≥ 5.

3.4.2. Approximation de la loi binomiale par la loi de Poisson
La loi binomiale dépend de deux paramètres n et p. Bien qu’il existe quelques tables,
elle est n’est pas simple à utiliser. La loi de Poisson ne dépend que d’un paramètre ce qui la
rend donc plus pratique. Il faut donc avoir toujours présent à l’esprit que, lorsque les
conditions le permettent, on peut avoir intérêt à remplacer une loi binomiale par une loi de
Poisson.
Lorsque n est grand et p petit, de telle façon que le produit np = λ reste petit par
rapport à n, la loi binomiale B(n, p) peut être approchée par la loi de Poisson P(λ)(revoir ce
qui a été dit sur ce sujet dans le paragraphe : « Distribution de probabilités »).
Cette approximation s’appliquant lorsque p est petit, la loi de Poisson est appelée la loi des
événements rares.
En pratique, l'approximation est valable si : n>20 et p ≤ 0.1 et np ≤ 5.
 n > 20

On approche la loi B(n,p) par la loi P(np) dès que  np ≤ 5
 p ≤ 01
.
RÈGLE IMPORTANTE : Lorsqu’on approche une loi par une autre, on choisit le ou les
paramètres de la loi approchante de manière que l’espérance (et la variance lorsqu’on a
suffisamment de paramètres)de la loi approchante soit égale à l’espérance (et la variance)de la
loi approchée.
Comparaison des distributions

3.4.3. Somme de deux lois de Poisson
Si X 1 P( λ 1 )

Si X 2 P( λ 2 ) alors X1+X2 ∼> P( λ1 + λ2 )
 1 2
3.5. IMPORTANCE PRATIQUE DE LA LOI DE POISSON
Le physicien et le technologue rencontrent la loi de Poisson dans de nombreuses

circonstances.
3.5.1. Le comptage en radioactivité, microanalyse x, analyse

sims1....
Un détecteur compte le nombre de particules qu’il reçoit pendant un temps de

comptage t0. Ce nombre k obéit à une loi de Poisson dont le paramètre λ est le produit du flux
moyen de particules α pendant le temps de comptage t0.
X ∼ > P(αt0)
k
−αt 0 (αt 0 )
p( X = k ) = e
k!
Conséquence : L’espérance mathématique de X est αt0 et l’écart-type sur X est αt 0 . Il en
résulte que la variabilité de X (quotient de l'espérance sur l’écart-type) devient très grande
quand le nombre moyen de coups est petit. Si les valeurs prises par X sont proches de 10
correspondant à une espérance αt0 proche de 10, l’écart-type valant αt 0 est proche de 3, ce
qui donne une variabilité de 30%. Ceci est parfaitement visible sur le « profil SIMS » présenté
sur le graphique de la page suivante. Le bruit devient important lorsque X est entre 10 et 15.
Dans la mesure du possible, l’expérimentateur sera alors amené à augmenter le temps

de comptage pour augmenter les valeurs de X.
3.5.2. Contrôle de qualité
On effectue un contrôle de qualité sur des composants fabriqués par une unité de
production. Un composant est réputé bon (ou mauvais) lorsqu’il satisfait (ou non) à des
spécifications. Le critère de choix est donc qualitatif. Le taux moyen de rebuts (pièces
mauvaises) est appelé p. On effectue un tirage de n pièces. La probabilité de trouver k pièces
mauvaises dans cet échantillon de taille n est donnée par une loi de Poisson (il s’agit ici de la loi
des événements rares : la loi binomiale est approchée par la loi de Poisson).
X ∼> P(np)
1
S.I.M.S. : Secondary Ions Mass Spectrometry : méthode permettant une analyse quantitative des impuretés
dans une masse solide. Un faisceau d’ions primaires abrase le matériau. Parmi les atomes arrachés à la cible,
certains sont ionisés (ions secondaires). Ils sont triés en masse au moyen d’une diflexion magnétique et comptés
pendant des intervalles de temps t0 au cours du processus d’abrasion. On obtient ainsi le profil de concentration
de l’impureté dans le matériau.

k
− np ( np)
p( X = k ) = e
k!
σX np 1
Lorsque np est petit, le rapport = = devient grand et la variabilité sur
E ( X) np np
k rend le contrôle imprécis. Ceci explique que, dans un contrôle de qualité, la taille des
échantillons tirés de la population des pièces fabriquées doit être au moins de l’ordre de 100.
3.5.3. Dénombrement d’événements survenant dans un espace

délimité
La loi de Poisson permet de modéliser aussi bien le nombre d’événements survenant

pendant un temps donné que le nombre d’événements survenant dans un espace délimité.
Par exemple, si on appelle X le nombre de particules bombardant une cible de surface S
soumise à une irradiation de fluence F( en m-2) : X ∼> P(FS)
− FS ( FS) k
p( X = k ) = e
k!
FS est donc analogue au αt0 du paragraphe 3.5.1.
La loi de Poisson sert donc aussi à décrire des phénomènes de localisation spatiale et
non plus seulement temporelle, c’est-à-dire qu’elle modélisera aussi bien le nombre d’accidents
qui peuvent survenir en une matinée que le nombre d’accidents qui peuvent survenir sur une
section donnée d’autoroute.
PROFIL S.I.M.S.
nombre
de
particules
détectées
par
seconde
temps

d’abrasion ( mn )
4. DISTRIBUTION EXPONENTIELLE (distribution continue)
On se place dans le cas d'un phénomène d'attente décrit au paragraphe 3 et on s’intéresse à la

variable aléatoire qui représente le temps d'attente pour la réalisation d’un événement ou le
temps d'attente entre la réalisation de deux événements successifs.
Si on se place dans le cas où l’intensité α du processus de Poisson est constante, ce temps
d’attente suit une loi exponentielle de paramètre α.
Exemple : Lorsque l’événement attendu est la mort d’un individu (ou la panne d’un
équipement), α s’appelle le taux de mortalité (ou le taux de panne). Dire qu’il a une valeur
constante, c’est supposer qu’il n’y a pas de vieillissement (ou pas d’usure s’il s’agit d’un
équipement), la mort ou la panne intervenant de façon purement accidentelle.
On veut déterminer la loi de la variable T= « temps d’attente entre la réalisation de

deux événements successifs » où le nombre moyen de réalisations de l’événement par unité de
temps est α.
Pour cela, nous allons procéder comme dans le paragraphe 3 : Si t est la longueur de
l’intervalle de temps sur lequel dure notre étude, nous le divisons en n petits intervalles de
t
longueur . Appelons X la variable aléatoire représentant le nombre d’intervalles de temps
n
que l’on doit laisser s’écouler pour obtenir la réalisation de l’événement suivant. Chaque
t
intervalle possédant la même probabilité α de voir l’événement se produire, X suit, par
n
t
définition, la loi géométrique de paramètre α . Le temps d’attente T est alors le produit de ce
n
t
nombre d’intervalles par le temps de chaque intervalle. T= X
n
nt 0
On cherche p(T>t0 )= p(X> )..........et lorsque n tend vers l’infini on obtient
t
+∞
− αt 0 − αu
p( T > t 0 ) = e = ∫ αe du .
t0
Ceci nous permet d’affirmer que la fonction de densité de la variable T est f ( x ) = αe −αx si x>0.
Définition : La loi exponentielle de paramètre α décrit la distribution d'une variable

continue X qui ne prend que des valeurs positives selon la fonction de densité :
f ( x) = αe − αx x>0

On note X ∼> Exp(α)
On vient de voir que la loi exponentielle est la loi limite d’une loi géométrique.
t t
On a : T ≈ X où X suit la loi géométrique de paramètre α .
n n
αt
t t 1 1 t2 1− n 1
Or E ( T ) = E ( X ) = = et V ar ( T ) = 2 × ≈ 2 si n est grand
n n αt α n αt α
( )2
n n
Conclusion :
1 1 1
E(T) = Var(T) = σ (T ) =
α α2 α
Remarque : On peut très facilement retrouver ces résultats en effectuant un calcul direct à
partir de la fonction de densité en utilisant les formules de définition de l’espérance et la
variance (peut-être pourriez-vous le faire à titre d’exercice?)
4.4. PROPRIÉTÉS DE LA DISTRIBUTION EXPONENTIELLE
a) Comme la loi géométrique, la loi exponentielle est sans mémoire. C'est la

seule loi continue qui possède cette propriété. Elle provient bien entendu du fait que le
paramètre α est constant.
b) Une somme de n variables indépendantes de même loi exponentielle de

paramètre α n'est pas une variable de loi exponentielle mais une variable qui suit une loi
gamma de paramètres n et α. Une telle loi est aussi appelée loi d’ERLANG d'ordre n. Elle
représente le temps d'attente requis avant qu'un événement se réalise n fois .
c) La loi exponentielle est aussi couramment utilisée dans les problèmes de

datation en géochronologie.
5. DISTRIBUTION NORMALE ( distribution continue)
Du point de vue historique, la nature et l’importance exceptionnelle de cette loi furent

pressenties en 1773 par Abraham de Moivre lorsqu’il considéra la forme limite de la loi
binomiale.
En 1772, Simon Laplace l’étudia dans sa théorie des erreurs. Mais c’est seulement en 1809
pour Carl Friedrich Gauss et en 1812 pour Simon Laplace qu’elle prit sa forme définitive.
C’est ainsi qu’on l’appelle tantôt loi de Laplace, tantôt loi de Gauss, tantôt loi de Laplace-

Gauss. On trouve aussi l’expression, consacrée à une longue tradition, de loi normale (ce qui
ne signifie pas pour autant que les autres lois soient « anormales »).
Elle jouit d’une importance fondamentale car un grand nombre de méthodes statistiques
repose sur elle. Ceci est lié au fait qu’elle intervient comme loi limite dans des conditions très
générales.
Pour faire ressortir toute son importance et sa forme, W.J. Youden, du National Bureau
of Standards, a eu l’ingénieuse idée de la présenter telle qu’elle apparaît ci-dessous.
On rencontre souvent des phénomènes complexes qui sont le résultat de causes

nombreuses, d’effet faible, et plus ou moins indépendantes. Un exemple typique est celui de
l’erreur commise sur la mesure d’une grandeur physique. Cette erreur résulte d’un grand
nombre de facteurs tels que : variations incontrôlables de la température ou de la pression,
turbulence atmosphérique, vibrations de l’appareil de mesure, etc...Chacun des facteurs a un
effet faible, mais l’erreur résultante peut ne pas être négligeable. Deux mesures faites dans des
conditions que l’expérimentateur considère comme identiques pourront alors donner des
résultats différents.
Donc dès que nous seront dans une situation où la distribution dépend de causes
⇒ en grand nombre et indépendantes
⇒ dont les effets s'additionnent
⇒ dont aucune n'est prépondérante
alors nous serons en présence de la distribution normale.

C’est le cas, par exemple:
♦ En métrologie, pour la distribution des erreurs d’observation.

♦ En météorologie, pour la distribution de phénomènes aléatoires tels que la

température et la pression.
♦ En biologie, pour la distribution de caractères biométriques comme la taille
ou le poids d’individus appartenant à une population homogène.
♦ En technologie, pour la distribution des cotes des pièces usinées.
♦ En économie, pour les fluctuations accidentelles d'une grandeur économique
(production, ventes, ....) autour de sa tendance, etc.....

Définition : Une variable aléatoire continue suit une loi normale si l’expression de sa
fonction de densité de probabilités est de la forme :
1 x−m 2
1 − ( )
f ( x) = e 2 σ x∈ℜ
σ 2π
La loi dépend des deux réels m et σ appelés paramètres de la loi normale.

On note : X ∼> N(m, σ).
Remarques : 1. Une fonction de densité de probabilité étant toujours positive, le paramètre
σ est donc un réel strictement positif.
2. On démontre que f est bien une fonction de densité de probabilité
+∞ +∞ x2
−
car ∫ f ( x )dx = 1. Pour le démontrer on utilise que: ∫e 2
dx = 2π (c’est
−∞ −∞
l’intégrale de Gauss).
3. La loi normale étant tabulée, cette expression nous sera de peu d’utilité. Il
est important néanmoins de préciser à quoi correspondent m et σ.
On démontre sans problème grâce à l’intégrale de Gauss (pourquoi ne pas effectuer le calcul à
titre d’exercice?) que :
E(X) = m Var(X) = σ 2 σ(X) = σ
5.4. PROPRIÉTÉS DE LA DISTRIBUTION NORMALE
5.4.1. Forme de la distribution normale
La fonction de densité de probabilités de la loi normale a la forme d'une « courbe en

cloche ». En fait il ne s’agit pas d’une courbe unique mais plutôt d’une famille de courbes
dépendant de m et σ.

On peut effectuer quelques remarques à propos de ces courbes.
a) La distribution est symétrique par rapport à la droite d'équation x = m. Donc l’aire

sous la courbe de part et d’autre de cette droite est égale à 0.5.
b) La distribution est d'autant plus étalée que σ est grand.
c) L’axe des abscisses est une asymptote et l’aire sous la courbe à l’extérieur de
l’intervalle [m-3σ, m+3σ] est négligeable.
Pour fixer les idées, on peut indiquer que: p(m-σ<X<m+σ) = 0.6826.
p(m-2σ<X<m+2σ)= 0.9544.
p(m-3σ<X<m+3σ) = 0.9974.
Cela peut être visualisé sur le graphique ci-après.
Loi N ( 0, 1 )

d) σ représente la différence des abscisses entre le sommet de la courbe et le point

d’inflexion.
e) La longueur à mi-hauteur de la courbe (L.M.H. ou en anglais F.W.H.M. Full Width

Half Maximum) vaut 2.35σ . Cette distance est souvent employée par le
spectroscopiste pour déterminer expérimentalement σ . Cette méthode doit
cependant être utilisée avec précaution car il faut s’assurer que les « bruits »
permettent d’observer correctement le « pied »de la courbe.
5.4.2. Somme de deux variables normales
 Si X1 N(m1 , σ1 )

 Si X 2 N(m2 ,σ2 ) alors X1 +X2 ∼> N(m1 + m2 , σ1 2 + σ 2 2 )
 Si X et X sont independantes
 1 2
5.4.3. Loi normale centrée réduite ou loi normale standardisée
Nous avons vu dans le chapitre 2 qu’à toute variable aléatoire X ,on pouvait associer
X − E( X )
une variable dite standardisée d’espérance nulle et de variance unité (ceci résultait
σ( X )
des propriétés de translation et de changement d’échelle).
On montre assez facilement que si on effectue cette transformation sur une variable
suivant une loi normale, la variable standardisée suit encore une loi normale mais cette fois-ci
de paramètres 0 et 1. La loi standardisée est appelée loi normale centrée réduite notée
N(0,1).
X −m
Donc si X ∼> N(m, σ) , on pose T = et T ∼> N(0,1).
σ
On peut résumer la correspondance de la façon suivante:
Variable normale Variable normale centrée

réduite
X ∼> N(m, σ) X −m T ∼> N(0,1)
T=
σ
ensemble des valeurs prises : ℜ ensemble des valeurs prises : ℜ
Paramètres : Paramètres :
E(X) = m Var(X) = σ2 E(T) = 0 Var(T) =1

Il faut garder à l’esprit que concrètement T est le nombre d’écarts-type entre la valeur de X et
la moyenne.

La loi N(0,1) est tabulée à l’aide la fonction de répartition des valeurs positives ; Elle
t 2
1 − u2
donne les valeurs de Φ( t ) = p(0 ≤ T ≤ t ) = ∫ e du pour t>0. Ce nombre représente
0 2π
l’aire sous la courbe représentative de la distribution et au dessus de l’intervalle [0,t]. Pour
cette raison la table de la loi normale est aussi appelée table d’aires. Cette table ne dépend
d'aucun paramètre, mais permet cependant de déterminer les probabilités de n’importe quelle
distribution normale !
Comment utiliser la table d’aires?
La première colonne de la table indique les unités et les dixièmes des valeurs de T alors que les
centièmes des valeurs de T se lisent sur la ligne supérieure de la table. La valeur trouvée à
l’intersection de la ligne et de la colonne adéquates donne l’aire cherchée.
a) Je cherche la valeur de p(0 ≤ T ≤ 0.5) .
A l’intersection de la ligne « 0.5 » et de la colonne « 0.00 » je lis 0.1915.
b) Je cherche la valeur de p( −0.5 ≤ T ≤ 0) .

J’utilise la symétrie de la courbe par rapport à l’axe des ordonnées et j’en conclus que
p( −0.5 ≤ T ≤ 0) = p(0 ≤ T ≤ 0.5) = 0.1915
Et que pensez-vous de la valeur de p( −0.5 < T < 0) ?
c) Je cherche la valeur de p( −2.24 ≤ T ≤ 112

. ).
L’aire cherchée correspond à la somme suivante :
p( −2.24 ≤ T ≤ 112
. ) = p( −2.24 ≤ T ≤ 0) + p(0 ≤ T ≤ 112. ) = 0.4875+0.3686=0.8561.
d) Je cherche la valeur de p(10

. ≤ T ≤ 2.0) .
L’aire cherchée correspond à la différence suivante :
p(1 ≤ T ≤ 2) = p(0 ≤ T ≤ 2.0) − p(0 ≤ T ≤ 10 . ) = 0.4772 - 0.3413 = 0.1359
e) Je cherche la valeur t de T telle que p(0 ≤ T ≤ t ) = 0.4750.

C’est le problème inverse de celui des exemples précédents. Il s’agit de localiser dans la table
l’aire donnée et de déterminer la valeur de T correspondante. Je trouve : t = 1.96.
Remarque : Si la valeur de l’aire ne peut se lire directement dans les valeurs de la table, on
pourra toujours effectuer une interpolation linéaire entre deux valeurs adjacentes ou prendre la
valeur la plus proche.

5.5. APPROXIMATIONS PAR DES LOIS NORMALES
5.5.1. Théorème central-limit (ou de tendance normale)
Théorème : Hypothèses : Soit une suite de variables aléatoires X1,X2,...,Xn vérifiant les
conditions suivantes:
(1) Les variables sont indépendantes.
(2) Leurs espérances mathématiques m1, m2, .....,mn et leurs variances

VarX1, VarX2,....., VarXn existent toutes.
VarX k
(3) Pour tout k entre 1 et n lim n = 0.
n →+∞
∑ VarX
i =1
i
Conclusion : La distribution de la variable somme X= X1 + X2 +.....+Xn se

rapproche de la distribution normale lorsque n tend vers l’infini.
Remarque : C’est ce théorème très important qui nous permet d’affirmer que la situation
concrète énoncée au début de ce paragraphe nous met en présence d’une loi normale. En effet :
♦ X1,X2,...,Xn correspondent aux différents facteurs de fluctuations.
♦ Le grand nombre de causes est assuré par le fait que n → +∞ .
♦ L’indépendance parle d’elle-même.
♦ Additionner les effets revient à considérer la variable somme.
♦ Dire qu’aucun facteur n’est prépondérant est traduit par l’hypothèse (3) du
théorème.
En pratique, ceci se vérifie dès que n ≥ 30.
5.5.2. Approximation de la loi binomiale par la loi normale
Toute variable qui suit une loi binomiale B(n,p) peut toujours être considérée comme une
somme de n variables de Bernoulli indépendantes de même paramètre p.
X = X1 + ......+ Xn où Xi sont des variables de Bernoulli.
Les hypothèses du théorème central-limit étant vérifiées, on peut affirmer que, lorsque n tend
vers l’infini, la loi binomiale B(n,p) tend vers une loi normale . La loi normale qui l’approche le
mieux est celle qui possède la même espérance np et le même écart-type npq .

Or la distribution binomiale est asymétrique sauf lorsque p = 1/2. La distribution normale, elle,
est symétrique. L’approximation sera valable lorsque p n'est pas trop voisin de 0 ou 1 et sera
d’autant meilleure que p est proche de 1/2 et que n est grand.

En pratique:
n ≥ 30

On approche la loi B(n,p) par la loi N(np, npq ) dès que np ≥ 15
nq ≥ 15

Les problèmes rencontrés par cette approximation et leurs solutions :
1) → On remplace une distribution concernant un nombre fini de valeurs par une

distribution sur ℜ tout entier.
→ Étant donné qu'à l'extérieur d'un certain intervalle([m-3σ, m+3σ]) la distribution

normale est presque nulle, cela ne pose pas de problèmes.
2) → On remplace une distribution discrète par une distribution continue.
→ Il nous faut donc appliquer ce qu'on appelle une "correction de continuité" :

Si on nomme X la variable binomiale et Y la variable normale, on remplacera une
valeur k de X par un intervalle de Y centré sur k et d’amplitude 1, ce qui signifie que
1 1
l’on écrit : p( X = k ) = p( k − < Y < k + )
2 2
Dans la pratique lorsque n est très grand, cette correction n’est pas nécessaire. On
l’effectuera cependant si on souhaite une grande précision.
Remarque : Remplacer une loi binomiale par une loi normale simplifie considérablement les
calculs. En effet les tables de la loi binomiale dépendent de deux paramètres et les valeurs de n
dans ces tables sont limitées supérieurement par 20. La loi normale, elle, après standardisation
ne dépend d’aucun paramètre .
5.5.3. Approximation de la loi de Poisson par la loi normale
On démontre qu’on peut aussi approcher la loi de Poisson par la loi normale pour les grandes
valeurs du paramètre de la loi de Poisson.. La seule qui puisse convenir est celle qui a même
espérance et même variance. On approche donc la loi P(λ) par la loi N(λ, λ ) .
En pratique, cela s’applique dès que λ ≥ 16.
On approche la loi P(λ) par la loi N(λ, λ ) dès que λ ≥ 16.

Remarque : La loi de Poisson étant elle aussi une loi discrète, on peut avoir à appliquer la
correction de continuité.

6. QUELQUES CONSEILS POUR RÉSOUDRE LES PROBLÈMES
Voici, lorsqu’elle s’applique, une méthode de travail qui peut guider votre démarche :
1. Suite à l’énoncé du problème, identifier correctement à l’aide de mots la variable
aléatoire que vous allez considérer.
2. Préciser les valeurs possibles que peut prendre cette variable.
3. Identifier correctement la loi de probabilité qu’elle suit en essayant de reconnaître
dans le problème une situation type.
4. Déterminer les paramètres de la loi.
5. Utiliser les formules théoriques ou les tables pour déterminer les probabilités
demandées. Face à de longs calculs et en l’absence de tables correspondant à vos ou
votre paramètre, penser à approcher votre loi par une autre.
Quelques exercices types :
Exercice 1: Supposons qu'une tentative pour obtenir une communication téléphonique

échoue (par exemple, parce que la ligne est occupée) avec la probabilité 0.25 et réussisse avec
la probabilité 0.75. On suppose que les tentatives sont indépendantes les unes des autres.
Quelle est la probabilité d’obtenir la communication si l’on peut effectuer trois tentatives au
maximum?
Solution :
• Nous nous intéressons à la variable X = « nombre de tentatives nécessaires pour
obtenir la communication », ce que l’on peut considérer comme le nombre d’essais à
faire pour obtenir le premier succès. X suit une loi géométrique de paramètre p = 0.75
• On cherche à déterminer p( X ≤ 3) = p( X = 1) + p( X = 2) + p( X = 3)
• → On peut obtenir la communication au 1er essai. On a pour cela une probabilité
p(X = 1) = 0.75.
→ On peut obtenir la communication au 2ème essai. On a pour cela une probabilité p(X
= 2) = 0.25×0.75 = 0.1875.
→ On peut obtenir la communication au 3ème essai. On a pour cela une probabilité p(X
= 3) =0.252×0.75 = 0.0469.
→ Finalement la probabilité d’obtenir la communication en trois essais maximum est
p( X ≤ 3) = 0.75 + 0.1875 + 0.0469 = 0.9844 soit 98.5 %.
Exercice 2 : Un fabricant de pièces de machine prétend qu'au plus 10% de ses pièces sont
défectueuses. Un acheteur a besoin de 120 pièces. Pour disposer d'un nombre suffisant de
bonnes pièces, il en commande 140. Si l'affirmation du fabricant est valable, quelle est la
probabilité que l'acheteur reçoive au moins 120 bonnes pièces?
Solution :
• Appelons X la variable aléatoire correspondant au « nombre de bonnes pièces dans le
lot de 140 pièces ».
• X prend ses valeurs entre 0 et 140. De plus pour chaque pièce, on n’a que deux
éventualités : elle est bonne ou elle est défectueuse. La probabilité qu’une pièce soit
défectueuse est 0.1. Par conséquent elle est bonne avec la probabilité 0.9. On est donc
dans une situation type : X suit la loi binomiale de paramètres n = 140 et p = 0.9.

X ∼> B(140,0.9)
• On veut déterminer la probabilité que l’acheteur reçoive au moins 120 bonnes pièces
sur les 140, soit p( X ≥ 120) . A priori, il nous faudrait calculer la somme des
probabilités p(X = 120) + p(X = 121) +.......+ p(X = 140) ce qui serait
épouvantablement long. On essaie donc d’approcher la loi binomiale par une loi
tabulée :
 n ≥ 30
Comme :  np = 126 donc np > 10 , on pourra approcher la loi binomiale par une loi
 nq = 14 donc nq > 10
normale. On choisit la loi normale qui a la même espérance et le même écart-type.
Donc X qui suit la loi B(140, 0.9) sera approchée par Y qui suit la loi N(126, 3.55).
• Pour remplacer une loi discrète par une loi continue, il est préférable d’utiliser la
correction de continuité : p( X ≥ 120) ≅ p(Y > 119.5) . On se ramène enfin à la loi
Y − 126
normale centrée réduite : T = .
355
.
Y − 126 119.5 − 126
p(Y > 119.5) = p( > ) = p(T > −183
. ) = p(T < 183
. ) = 0.5 + Φ(183
. ) = 0.97
355
. 355
.
Conclusion : l’acheteur a 97 chances sur 100 de recevoir 120 bonnes pièces sur les 140
achetées.
Exercice 3 : Les statistiques antérieures d'une compagnie d'assurances permettent de prévoir

qu'elle recevra en moyenne 300 réclamations durant l'année en cours. Quelle est la probabilité
que la compagnie reçoive plus de 350 réclamations pendant l'année en cours ?
Solution :
• La variable X qui nous intéresse est le « nombre de réclamations reçues pendant une
année ». Il s’agit du nombre de réalisations d’un événement pendant un intervalle de
temps donné. X suit donc une loi de Poisson. Le nombre moyen de réalisations dans
une année est 300. Cette valeur moyenne est aussi le paramètre de la loi de Poisson.
Donc X suit la loi P(300).
• On cherche à déterminer p(X > 350). Il n’y a pas de table de la loi de Poisson pour
cette valeur du paramètre λ. Il nous faut donc approcher X qui suit la loi de Poisson
P(300) par Y qui suit la loi normale de même espérance et de même écart-type, c’est-
à-dire N(300, 300 ).
• Ici aussi, on remplace une loi discrète par une loi continue. Il faut donc appliquer la
correction de continuité : p( X > 350) = p( X ≥ 351) ≅ p(Y > 350.5) . On se ramène
Y − 300
finalement à la loi normale centrée réduite : T = .
300
350.5 − 300
p(Y > 350.5) = p(T > ) = p(T > 2.92) = 0.5 − Φ(2.92) = 0.0017 .
300

La compagnie d’assurances a donc 1.70/00 de chances de recevoir plus de 350 réclamations

en un an.

Exercice :4 Le nombre moyen de clients qui se présentent à la caisse d'un supermarché sur
un intervalle de 5 minutes est de 10. Quelle est la probabilité qu'aucun client ne se présente à la
caisse dans un intervalle de deux minutes ?(deux méthodes possibles)
Solution n°1 :
• Considérons la variable aléatoire X = « nombre de clients se présentant à la caisse
dans un intervalle de deux minutes ». Nous reconnaissons une situation type et la
variable X suit une loi de Poisson. Vu qu’en moyenne 10 clients se présentent en 5
mn, l’intensité du processus α est de 2 clients par minute : α = 2. Or le paramètre de
la loi de Poisson est λ = αt 0 t0 étant ici 2 minutes. D’où λ = 4.
• On cherche à calculer : p(X = 0). D’après la formule du cours :

e −4 4 0
p( X = 0) = = e −4 = 0.018 .
0!
Solution n°2 :
• Considérons à présent la question sous un autre angle en s’intéressant au temps
d’attente Y entre deux clients. Le cours nous dit que la loi suivie par une telle variable
est une loi exponentielle. Son paramètre α est l’intensité du processus de Poisson soit
ici α = 2. Y suit donc la loi Exp(2).
• Sa fonction de densité est f ( x) = 2e −2 x pour x positif exprimé en m n. On en déduit

+∞
+∞
que p( Y ≥ 2) = ∫ 2e −2 x
dx = [− e − 2 x ]2 = e − 4 = 0.018
2
7. DISTRIBUTIONS DÉRIVANT DU MODÈLE GAUSSIEN
Les distributions que nous allons étudier sont importantes non pas pour représenter
des modèles théoriques de séries statistiques comme les précédentes, mais en raison du rôle
qu'elles jouent dans les problèmes d'estimation ou de tests que nous verrons par la suite.
Pour l’instant leurs définitions peuvent sembler complexes, notamment parce que la notion de
« degrés de liberté » n’a pas encore été précisée. Pour le moment, il importe simplement de
connaître leur définition et de savoir lire les tables correspondantes.
7.1. LA DISTRIBUTION DU χ 2 DE PEARSON
Elle a été découverte en 1905 par le mathématicien britannique Karl Pearson (1857-
1936) qui travailla également sur les problèmes de régression avec le généticien Sir Francis
Galton.
Cette distribution (qui se prononce khi-deux) est très importante pour tester
l'ajustement d'une loi théorique à une distribution expérimentale( test du χ 2 ) et pour
déterminer la loi de la variance d’un échantillon.

7.1.1. Définition
Si X1,X2,.....,Xn sont n variables aléatoires indépendantes qui suivent toute la loi

n
normale centrée réduite, alors la quantité X = X12+X22+.....+Xn2 = ∑ X i 2 est une variable
i =1
aléatoire distribuée selon la loi de χ 2 à n degrés de liberté.
On note : X ∼> χ n 2
7.1.2. Forme de la distribution
L’expression de la densité de probabilités étant très compliquée et d’aucun intérêt pour nous,
nous ne la donnons pas ici.
La distribution du χ 2 est continue à valeurs positives et présente un étalement sur le côté

supérieur .
Elle ne dépend que du nombre de degrés de liberté n.
7.1.3. Paramètres descriptifs
E(X) = n V(X) = 2n
7.1.4. Somme de deux variables qui suivent une loi du χ 2
Si X 1 χ2n

Si X 2 χ2p alors X1 +X2 ∼> χ 2 n+ p
 1 2

7.1.5. Approximation par une loi normale
A mesure que n augmente, la loi du χ n 2 tend vers la loi normale, comme on peut le
constater sur le graphique ci-dessous.
En pratique, on peut considérer que pour n ≥ 30 on peut remplacer la loi du khi- deux à n
degrés de liberté χ n 2 par la loi normale N (n, 2n) .
7.1.6. Utilisation de la table de χ 2
Pour des raisons de commodité, au lieu de donner la table des fonctions de répartition
des variables aléatoires χ 2 pour les différentes valeurs de n, on donne, en fonction de n
(nombre de degrés de liberté) et d’une probabilité α que l’on peut choisir, la valeur χ 2 α , n
définie par : P(χ 2 > χ 2 α , n ) = α ;
α est un seuil et a en fait une signification particulière dans les problèmes d’estimation et de
tests. Il sera défini ultérieurement.
7.2. LA DISTRIBUTION DE FISCHER-SNEDECOR
Cette distribution fut découverte par l’anglais Fisher en 1924 puis tabulée par Snédecor en
1934. Elle interviendra lors des comparaisons des variances de deux échantillons (test
d'hypothèse F).
7.2.1. Définition
Si χ12 et χ 22 sont deux variables aléatoires indépendantes qui suivent toutes les deux
χ12
n1
une loi de khi-deux de degrés de liberté respectifs n1 et n2 , alors la quantité F = 2 est une
χ2
n2
variable aléatoire qui suit la loi de Fischer-Snedecor à n1 et n2 degrés de liberté.

On note : F ∼> Fn1 ,n2 . Cette variable ne prend que des valeurs positives.
7.2.2. Forme de la distribution
On n'écrit pas ici l'expression de la fonction de densité, compliquée et inutile pour nous. Les
formes de distribution dépendent de n1 et n2 et sont dissymétriques.
A mesure que les valeurs n1 et n2 augmentent, la loi de Fischer tend vers une loi normale.
7.2.3. Utilisation de la table de la distribution de Fisher
Les valeurs tabulées de la variable F dépendent d’un seuil α que l’on peut choisir et des
nombres de degré de liberté n1 et n2 . La table donne la valeur Fα , n1 ,n2 définie par :
p( F > Fα ,n1 , n 2 ) = α .
Remarque : Il faut faire attention à l’ordre de n1 et n2 . n1 représente le nombre de degrés de

liberté du numérateur et n2 celui du dénominateur et ne peuvent être intervertis.
7.3. LA DISTRIBUTION DE STUDENT ( pseudonyme de V.S GOSSET - 1908)
7.3.1. Définition
Soient X et Y deux variables aléatoires indépendantes, la première étant distribuée

selon une loi normale centrée réduite N(0,1) et la deuxième selon une loi de khi-deux à n degrés
de liberté χ n 2 .

X n
La quantité T = est une variable aléatoire qui suit une loi de Student à n degrés de
Y
liberté.
On écrit T ∼> Tn

7.3.2. Allure de la distribution.
La densité de probabilité est de forme complexe et nous n'en aurons jamais besoin.
La distribution est symétrique par rapport à l'origine et un peu plus aplatie que la distribution
normale centrée réduite.Elle ne dépend que de la valeur n qui est son nombre de degrés de
liberté.
7.3.3. Paramètres descriptifs
n
On a E(T) = 0 si n>1 et Var(T) = si n>2
n−2
7.3.4. Approximation par la loi normale
A mesure que n augmente, la distribution de Student à n degrés de liberté se rapproche de plus

en plus de celle de celle de la loi normale centrée réduite.
En pratique : si T ∼> Tn pour n ≥ 30, on pourra écrire que T ∼> N(0,1).
7.3.5. Tables de la loi de Student
Les valeurs tabulées de la variable T dépendent d’un seuil α que l’on peut choisir et du nombre
de degré de liberté n. La table donne la valeur tα ,n définie par : p( T > t α , n ) = α .

Distr Proba

Transféré par

Droits d'auteur :

Formats disponibles

Distr Proba

Transféré par

Informations du document

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

Distr Proba

Transféré par

Droits d'auteur :

Formats disponibles

FIIFO 3 PROBABILITES - STATISTIQUES

Ce cours présente trois distributions discrètes : la distribution binomiale, la distribution

1. DISTRIBUTION BINOMIALE ( distribution discrète finie)

1.1. VARIABLE DE BERNOULLI OU VARIABLE INDICATRICE

J-P LENOIR Page 37 CHAPITRE 3

1.1.2. Distribution de probabilités

1.1.3. Paramètres de la distribution

E(X) = 0.q + 1.p = p.

1.2. DISTRIBUTION BINOMIALE

1.2.1. Situation concrète

Dans cette situation, on s’intéresse à la variable X = nombre de succès au cours des n

1.2.2. Distribution de probabilités

Cherchons la probabilité d’obtenir k succès, c’est-à-dire p(X = k ).

J-P LENOIR Page 38 CHAPITRE 3

J-P LENOIR Page 39 CHAPITRE 3

Finalement, on obtient pour 0 ≤ k ≤ n :

On dit que la variable aléatoire X suit une loi binomiale de paramètres n et p .

NB : La loi binomiale est tabulée en fonction des 2 paramètres n et p.

1.2.3. Paramètres descriptifs de la distribution

Nous savons que : X = X1 +......+ Xn avec E (Xi) = p pour 1 ≤ i ≤ n .

Les variables Xi sont indépendantes et Var(Xi) = pq pour 1 ≤ i ≤ n .

E(X) = np Var(X) = npq σ(X) = npq

1.2.4. Propriétés de la distribution binomiale

• Forme de la distribution binomiale

La représentation graphique de la distribution de la loi binomiale est habituellement présentée

J-P LENOIR Page 40 CHAPITRE 3

On peut effectuer plusieurs remarques à propos de ces diagrammes.

a) La forme de la distribution est symétrique si p = 1/2, quelque soit n.

• Somme de deux variables binomiales

Cette propriété s’interprète facilement: si X1 représente le nombre de succès en n1

J-P LENOIR Page 41 CHAPITRE 3

J-P LENOIR Page 42 CHAPITRE 3

2. DISTRIBUTION GÉOMÉTRIQUE ( distribution discrète dénombrable)

2.1. SITUATION CONCRÈTE

b) On répète l’épreuve jusqu’à l’apparition du premier succès.

2.2. DISTRIBUTION DE PROBABILITÉS

L’ensemble des valeurs prises par X est : 1, 2, 3, .....

On dit que la variable aléatoire X suit une loi géométrique de paramètre p .

2.3. PARAMÈTRES DESCRIPTIFS DE LA DISTRIBUTION

J-P LENOIR Page 43 CHAPITRE 3

Remarque : On peut interpréter l’expression de l’espérance de façon intuitive. En effet en n

2.4. PROPRIÉTÉ REMARQUABLE DE LA DISTRIBUTION GÉOMÉTRIQUE

3. DISTRIBUTION DE POISSON ( distribution discrète dénombrable)

La loi de Poisson est attribuée à Simeon D. Poisson, mathématicien français (1781-1840).

3.1. SITUATION CONCRÈTE

• soit chercher le nombre de réalisations de l’événement dans un intervalle de

Formulons les hypothèses suivantes relativement à la réalisation de l’événement qui nous

J-P LENOIR Page 44 CHAPITRE 3

(1) Les nombres de réalisations de l’événement au cours d’intervalles de temps

3.2. DISTRIBUTION DE PROBABILITÉS

Nous cherchons à déterminer la loi de probabilité de la variable X = « nombre de réalisations

J-P LENOIR Page 45 CHAPITRE 3

L’hypothèse (1) du processus nous permet d’affirmer que les n variables de

Définition : La distribution de Poisson de paramètre λ est celle d’une variable discrète X

On écrit : X ∼> P(λ).

J-P LENOIR Page 46 CHAPITRE 3

Remarque : Il existe des tables donnant la fonction de densité et la fonction de répartition de la

J-P LENOIR Page 47 CHAPITRE 3

3.3. PARAMÈTRES DESCRIPTIFS DE LA DISTRIBUTION

On aura donc lorsque X ∼> P(λ) :