Loi Usuelles PDF

.
. Lois usuelles
Michaël Genin
Université de Lille 2
EA 2694 - Santé Publique : Epidémiologie et Qualité des soins
michael.genin@univ-lille2.fr
Plan
1. Exemple introductif
Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 1 / 66

Plan
2. Lois usuelles discrètes

Loi uniforme
Loi de Bernoulli
Loi binomiale
Loi de Poisson

Plan

Loi uniforme
Loi de Bernoulli
Loi binomiale
Loi de Poisson
3. Lois usuelles continues

Loi uniforme
Loi exponentielle
Loi normale

Plan

Loi uniforme
Loi de Bernoulli
Loi binomiale
Loi de Poisson

Loi uniforme
Loi exponentielle
Loi normale
4. Théorèmes de convergence

Plan

Loi uniforme
Loi de Bernoulli
Loi binomiale
Loi de Poisson

Loi uniforme
Loi exponentielle
Loi normale
5. Compléments

Exemple introductif
Point étudié
5. Compléments

Exemple introductif
Exemple introductif
Observation d’un phénoméne : Poids de 5000 bébés à la naissance.
Distribution des poids à la naissance
8e-04
6e-04
fréquence
4e-04
2e-04
0e+00
2000 3000 4000 5000
Poids en g

Exemple introductif
Exemple introductif
On voudrait modéliser le phénoméne :
Soit X une variable aléatoire réelle qui associe à un bébé son poids à la naissance.
X :Ω→E ⊂R
ω → X (ω)
Pour modéliser le phénomène, il faut déterminer la loi de probabilité de X ≡

Déterminer sa fonction de densité !!

Exemple introductif
Exemple introductif
Distribution des poids à la naissance
8e-04
6e-04
fréquence
4e-04
2e-04
0e+00
2000 3000 4000 5000
Poids en g

Exemple introductif
Il existe un certain nombre de lois de probabilités usuelles qui permettent de

modéliser des phénomènes aléatoires.
On distingue :
Les lois discrètes associées aux v.a. discrètes
Loi uniforme
Loi de Bernoulli
Loi Binomiale
Loi de Poisson
Les lois continues associées aux v.a. continues
Loi uniforme
Loi exponentielle
Loi normale

Lois usuelles discrètes
Point étudié

Loi uniforme
Loi de Bernoulli
Loi binomiale
Loi de Poisson
5. Compléments

Lois usuelles discrètes Loi uniforme
Point étudié

Loi uniforme
Loi de Bernoulli
Loi binomiale
Loi de Poisson
5. Compléments

Loi uniforme
.
Définition
.
Une distribution de probabilité suit une loi uniforme lorsque toutes la valeurs
prises par la variable aléatoire sont équiprobables. Si k est le nombre de valeurs
diﬀérentes prises par la variable aléatoire,
1
∀i; P(X = xi ) =
. k
.
Exemple
.
Lancer de dé non pipé. Donner la loi de probabilité associée au lancer de dé et la
représenter
. graphiquement.

Loi uniforme
Correction
X 1 2 3 4 5 6
1 1 1 1 1 1
P(X = x)
6 6 6 6 6 6
1.0
0.8
0.6
Lancer de dé
P(X=k)
0.4
0.2
0.0
1 2 3 4 5 6

Lois usuelles discrètes Loi de Bernoulli
Point étudié

Loi uniforme
Loi de Bernoulli
Loi binomiale
Loi de Poisson
5. Compléments

Loi de Bernoulli - Définition
.
Définitions préliminaires
.
Toute expérience aléatoire menant à deux résultats possibles : Succès ou Echec,
est appelée Epreuve de Bernoulli.
ex. : Pile ou Face
Si on répète de manière indépendante n fois une épreuve de Bernoulli, nous

obtenons un schéma de Bernoulli
ex. : 10 lancers indépendants d’une pièce de monnaie
.


.
Définition
.
Soit une épreuve de Bernoulli et soit X une v.a. prenant comme valeur 1 en cas de
succès et 0 en cas d’échec.
X : Ω → E = {0, 1}
ω → X (ω)
. suit une loi de Bernoulli de paramètre p notée : X ∼ B(1, p)

X
.
Loi de probabilité de X
.
P(X = 1) =p
P(X = 0) =1 − p = q ou p + q = 1
. P(X = k) = p k (1 − p)1−k


Exercice
Notons X une variable aléatoire qui suit une loi de Bernoulli de paramètre p.
Calculer E [X ] et V [X ].


Exercice
Notons X une variable aléatoire qui suit une loi de Bernoulli de paramètre p.
Calculer E [X ] et V [X ].
Correction
∑
k
E [X ] = xi P(X = xi ) = 1 × p + 0 × (1 − p)
i=1
E [X ] =p
V [X ] =E [X 2 ] − E [X ]2 = 12 × p + 02 × (1 − p) − p 2
V [X ] =p(1 − p)
.
A retenir : X ∼ B(1, p)
.
. E [X ] = p V [X ] = p(1 − p)

Loi de Bernoulli - Exemples

.
Exemple 1
.
On jette une piéce de monnaie équilibrée. Ω = {Pile, Face}. Soit X une variable
aléatoire discrète
X (ω) = 1 si ω = ”Pile”
X (ω) = 0 si ω = ”Face”
.P(X = 1) = p = 1/2 donc X ∼ B(1, 1/2)

.
Exemple 2
.
Une maladie M a une prévalence de 4%. On choisit au hasard un individu dans la
population. Soit X une variable aléatoire discrète
X (ω) = 1 si ω = ”Malade”
X (ω) = 0 si ω = ”Non malade”

P(X
. = 1) = p = 0.04 donc X ∼ B(1, 0.04)
Lois usuelles discrètes Loi binomiale
Point étudié

Loi uniforme
Loi de Bernoulli
Loi binomiale
Loi de Poisson
5. Compléments

Loi Binomiale - Définition

.
Définition
.
Soit un schéma de Bernoulli et soit X la v.a. qui associe au schéma le nombre de
succès :
X : Ω → E = 1...n
ω → X (ω)
. suit une loi binomiale de paramètres n et p : X ∼ B(n, p)

X
Probabilité de l’obtention de k succès au cours de n épreuves

indépendantes
.
Loi de probabilité
.
∀k ∈ {0, 1, 2, . . . n},
P(X = k) = Cnk p k (1 − p)n−k
Avec
n!
Cnk =
. k!(n − k)!
Loi Binomiale - Définition
.
Propriété
.
La somme de n variables de Bernoulli indépendantes de paramètre p est une
variable aléatoire suivant une loi binomiale de paramètres n et p
Xi ∼ B(1, p), ∀i ∈ {1, 2, . . . , n}, Xi indépendantes
∑
n
Sn = Xi
i=1
. Sn ∼ B(n, p)
.
Remarque
.
Une variable de Bernoulli est un cas particulier d’une variable binomiale.
. X ∼ B(1, p)

Loi Binomiale - Exercice

Exercice
Soit Sn ∼ B(n, p). Calculer E [Sn ] et V [Sn ].

Loi Binomiale - Exercice

Exercice
Soit Sn ∼ B(n, p). Calculer E [Sn ] et V [Sn ].
Correction
[ n ]
∑ ∑
n
E [Sn ] = E Xi = E [Xi ] = np
i=1 i=1
[ n ]
∑ ∑
n
V [Sn ] = V Xi = V [Xi ] = np(1 − p)
i=1 i=1
| {z }
Les Xi sont indépendantes
.
A retenir : Sn ∼ B(n, p)
.
. E [Sn ] = np; V [Sn ] = np(1 − p)

Loi Binomiale - Exemples
.
Exemple 1
.
On jette 10 fois de suite une pièce de monnaie équilibrée. Quelle est la probabilité
d’avoir un total de 8 piles ? Soit X une v.a. qui associe à ces 10 lancers de pièce le
nombre de pile.
X ∼ B(10, 1/2)
( )8 ( )10−8
1 1
P(X = 8) = C10 8
1−
2 2
. P(X = 8) = 0.0439

Loi Binomiale - Exemples
.
Exemple 2
.
On veut modéliser le nombre de garçons dans une famille de 6 enfants. Chaque
naissance i (i ∈ {1, 2, ..6}) peut être considérée comme une variable de Bernoulli
Xi ∼ B(1, p) avec p = 1/2. On suppose chaque naissance indépendante des
autres.
Soit :
∑6
Y = Xi
i=1
Y ∼ B(6, 1/2)
La probabilité d’avoir 4 garçons dans une famille de 6 enfants est :
( )4 ( )6−4
1 1
P(Y = 4) = C64 1− = 0.2344
. 2 2

Lois usuelles discrètes Loi de Poisson
Point étudié

Loi uniforme
Loi de Bernoulli
Loi binomiale
Loi de Poisson
5. Compléments

Loi de Poisson - Définition
Loi des événements rares. . .
.
Définition
.
Soit X une v.a. à valeurs dans N. On dit que X suit une loi de Poisson de
paramètre λ(λ ∈ R+ ), notée P(λ), si :
e −λ λk
∀k ∈ N, P(X = k) =
. k!
.
A retenir : X ∼ P(λ)
.
. E [X ] = V [X ] = λ
Cette loi est souvent utilisée dans la modélisation des files d’attente : nombre de
clients en attente à une caisse de supermarché, nombre de conducteurs passés à
un péage pendant une période de temps. . .

Loi de Poisson - Exemple
Loi de Poisson de paramètre lambda = 2
0.25
0.20
0.15
P(X=k)
0.10
0.05
0.00
0 2 4 6 8 10

Exercice
A un guichet d’une banque, on sait que le nombre moyen de clients par heure est
de 12. On suppose que le nombre de clients par heure est distribué selon une loi
de Poisson.
Quelle est la probabilité pour qu’en une heure, le guichetier s’occupe de plus de 15
clients ?

Exercice
A un guichet d’une banque, on sait que le nombre moyen de clients par heure est
de 12. On suppose que le nombre de clients par heure est distribué selon une loi
de Poisson.
Quelle est la probabilité pour qu’en une heure, le guichetier s’occupe de plus de 15
clients ?
Correction
Soit X ∼ P(λ) avec λ = 12
∑
15
e −12 1215
P(X > 15) = 1 − P(X ⩽ 15) = 1 −
15!
k=0
P(X > 15) = 0.1556

Approximation de la loi binomiale par une loi de Poisson
Avantage calculatoire ⇒ Coeﬃcient binomial

.
Approximation de la loi binomiale par une loi de Poisson
.
Soit une variable aléatoire binomiale X ∼ B(n, p).
Si n ⩾ 50, p ⩽ 0.1 et np ⩽ 10 alors
. B(n, p) ≈ P(np)
.
Exemple
.
Soit X le nombre de cas d’un maladie rare (1/10 000) d’un échantillon de 1000
personnes.
X ∼ B(1000, 0.0001) ≈ P(1000 ∗ 0.0001) = P(10)
Remarque : le nombre moyen espéré de personnes atteintes par la maladie dans
l’échantillon
. est de 10.

Loi de Poisson - Exercice

Exercice
Une maladie rare présente une prévalence de 2/10000.
1. Quelle est la probabilité que dans un échantillon de 10000 personnes, on
observe 0,1 ou 2 malades ?

2. Quelle est la probabilité d’observer au moins 3 malades ?

Loi de Poisson - Exercice

Exercice
Une maladie rare présente une prévalence de 2/10000.
1. Quelle est la probabilité que dans un échantillon de 10000 personnes, on
observe 0,1 ou 2 malades ?

2. Quelle est la probabilité d’observer au moins 3 malades ?
Correction
Soit X la variable aléatoire qui associe à un échantillon de 10 000 personnes le

nombre de malades.
X ∼ B(10000, 2/10000)
Comme n = 10000 > 50, p = 2/10000 > 0.1 et np = 10000 × 2/10000 = 2 < 10
B(10000, 2/10000) ≈ P(2)
1. P(X = 0) = 0.13 ; P(X = 1) = 0.27 ; P(X = 2) = 0.27

2. P(X ≥ 3) = 1 − P(X ≤ 2) = 1 − (0.13 + 0.27 × 2) = 0.33

Lois usuelles continues
Point étudié

Loi uniforme
Loi exponentielle
Loi normale
5. Compléments

Lois usuelles continues Loi uniforme
Point étudié

Loi uniforme
Loi exponentielle
Loi normale
5. Compléments

Loi uniforme - Définition

.
Définition
.
La v.a. X suit une loi uniforme sur l’intervalle [a, b], a < b, notée U[a,b] , si sa
fonction de densité f (x) est donnée par :

 1
si x ∈ [a, b]
f (x) = (b − a)
 0 sinon
.
Loi uniforme entre 2 et 4
0.5
0.4
0.3
f(x)
0.2
0.1
0.0
1 2 3 4 5


Calculer E [X ].


Calculer E [X ].
∫ +∞
E [X ] = xf (x).dx
−∞
∫ a ∫ b ∫ +∞
= xf (x).dx + xf (x).dx + xf (x).dx
−∞
| {z }
a
|b {z }
=0 =0
∫ b
1
= x( ).dx
a b−a
[ 2 ]b
1 x 1 1 2
= = (b − a2 )
(b − a) 2 a (b − a) 2
1
= (b − a)(b + a)
2(b − a)
b+a
E [X ] =
2

Variance de X
V [X ] = E [X 2 ] − E [X ]2
∫ +∞ ( ) ( )2
1 b+a
= x2 .dx −
−∞ b−a 2
On admettra :
.
(b − a)2
V [X ] =
. 12


Fonction de répartition
Rappel : Pour toute loi continue on peut calculer la probabilité que la variable
aléatoire [a, b] présente des valeurs comprises dans un intervalle [a, b]
via la densité de probabilité :
∫ b
P(X ∈ [a, b]) = f (x).dx
a
∫x
via la fonction de répartition F (x) = P(X ≤ x) = −∞
f (t).dt
P(X ∈ [a, b]) = F (b) − F (a)
.
Fonction de répartition - Loi uniforme
. ∫ x ∫ x
1 x x −a
F (x) = f (t).dt = f (t).dt = [t]a =
. −∞ a b−a b−a

Loi uniforme - Exemple
Exercice
On considére que la mesure d’un caractére biologique chez des patients suit une
loi uniforme sur l’intervalle continu [0, 20].
Soit X la v.a.r. qui associe à un patient sa mesure biologique.
X ∼ U[0,20]
1. Quelle est la probabilité d’avoir une mesure entre 14 et 18 ?


Loi uniforme - Exemple
Exercice
On considére que la mesure d’un caractére biologique chez des patients suit une
loi uniforme sur l’intervalle continu [0, 20].
Soit X la v.a.r. qui associe à un patient sa mesure biologique.
X ∼ U[0,20]

P(X ∈ [14, 18]) = F (18) − F (14) = 1/5

P(X ∈ [4, 8]) = F (8) − F (4) = 1/5
⇒ Equiprobabilité !!

Lois usuelles continues Loi exponentielle
Point étudié

Loi uniforme
Loi exponentielle
Loi normale
5. Compléments

Loi exponentielle - Définition

La loi exponentielle modélise la survie au sens large (être humains, appareils,
piéces mécaniques. . . ). Elle a pour paramètre λ > 0 et est notée E(λ)
X : temps de survie :
P(X ≥ x) = e −λx = S(x)

.
.
. ∀x ∈ R+ , P(X ≤ x) = 1 − e −λx
.
Fonction de densité
. {
λe −λx si x ⩾ 0
f (x) =
. 0 si x < 0
.
Moments
.
1 1
E [X ] = V [X ] =
. λ λ2
Loi exponentielle - Définition
Loi exponentielle de paramètre lambda = 1/2
0.30
0.25
0.20
0.15
f(x)
0.10
0.05
0.00
2 4 6 8 10 12 14

Loi exponentielle - Exemple
Le temps de survie de patients atteints d’un certain cancer peut être modélisé par
une loi exponentielle de moyenne 2 ans.
Soit X une v.a.r. qui associe à un patient sa durée de survie en années.

1. Quelle est la probabilité de survivre au bout d’un an ? 2 ans ? 5 ans ?

Loi exponentielle - Exemple
Le temps de survie de patients atteints d’un certain cancer peut être modélisé par
une loi exponentielle de moyenne 2 ans.
Soit X une v.a.r. qui associe à un patient sa durée de survie en années.

1. Quelle est la probabilité de survivre au bout d’un an ? 2 ans ? 5 ans ?
Correction
On sait que E [X ] = 2 ⇒ λ = 1/2, X ∼ E(1/2)
P(X ⩾ 1) = 1 − F (1) = S(1) = 1 − (1 − e −1/2 ) = e −1/2 = 0.61

P(X ⩾ 2) = e −1 = 0.37
P(X ⩾ 5) = e −5/2 = 0.08

Lois usuelles continues Loi normale
Point étudié

Loi uniforme
Loi exponentielle
Loi normale
5. Compléments

Loi normale générale - Définition
Loi normale, Loi gaussienne, Loi de Gauss, Loi de Laplace-Gauss. . .
Loi trés importante en statistique :
De nombreux phénoménes suivent une loi proche

Certaines lois convergent vers une loi Normale sous certaines conditions
Rôle important dans l’estimation statistique

.
Définition
.
Soit X une v.a.r.. X suit une loi normale de paramètres (µ, σ), notée N (µ, σ), si
X admet comme densité :
∀x ∈ R, µ ∈ R, σ ∈ R+∗
( )2
1 x −µ
1 −
f (x) = √ e 2 σ
. σ 2π
Remarques
E [X ] = µ
V [X ] = σ 2
Cette loi est symétrique par rapport à µ : F (−x) = 1 − F (x)

Loi normale N(0,1)
0.4
0.3
f(x)
0.2
0.1
0.0
-3 -2 -1 0 1 2 3

Lois normales N(0,1) et N(0,2)
0.4
N(0,1)
N(0,2)
0.3
0.2
f(x)
0.1
0.0
-5 0 5

Lois normales N(0,1) et N(2,1)
0.4
N(0,1)
N(2,1)
0.3
0.2
f(x)
0.1
0.0
-4 -2 0 2 4 6

.
. ( )2
∫ ∫ 1 t −µ
x x
1 −
F (x) = P(X ≤ x) = f (t).dt = √ e 2 σ
. −∞ −∞ σ 2π
Probléme :
F (x) n’a pas d’expression explicite (analytique) en fonction de x !!
Solution :
Nécessité d’utiliser des tables
Méthode des trapézes : autant de calculs de lois possibles
On utilise une normalisation pour utiliser une seule table

Loi normale - Définition
.
Définition
.
Soit X une variable aléatoire continue de moyenne µ et d’écart-type σ. On appelle
variable centrée-réduite la va X ∗ définie par
X −µ
X∗ =
σ
∗ ∗
E
. [X ] = 0 (Centrée), V [X ] = 1 (Réduite)
Conséquence :
Si X ∼ N (µ, σ) alors X ∗ ∼ N (0, 1).

La fonction de répartition de X ∗ , notée Φ(x), est tabulée
Souvent notée Z ou U

Table de la loi Normale centrée-réduite
Présentation des tables
Table de la fonction de répartition Φ(u) de la loi normale centrée réduite

Cette table indique les probabilités des intervalles sous la forme ] − ∞, u]
pour des valeurs positives de u. ∫u
C’est la fonction de répartition Φ telle que Φ(u) = −∞ f (t) dt
Pour des valeurs négatives de u, on utilise la symétrie de la courbe.
Table de distribution de U, loi normale centrée réduite
On veut déterminer u tel que
P(U ≤ u) = F (u) = 1 − α ou P(U ≥ u) = G (u) = α
La table donne uα en fonction de α

1 2⇡
Pour les valeurs négatives de x, on utilise la propriété suivante :

Loi normale centrée-réduite – Table
F ( x) = 1 F (x)
x 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
Soit X ∼ N (0, 1)2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906
Φ(1.64) = P(X < 1.64) = 0.95 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955
Φ(−1.64) = 1 − Φ(1.64) = 0.05
0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974
Michaël Genin (Université de Lille0.9975
2) 0.9976 0.9977 Lois
0.9977
usuelles0.9978 0.9979 0.9979 0.9980 0.9981
Version - 16 octobre 2015 48 / 66
Loi normale - Exercice
Exercice : Poids des bébés à la naissance
Le poids des bébés à la naissance suit une loi normale de moyenne 3,3 Kg et
d’écart-type 0,6 Kg. On note X la variable aléatoire ”poids des bébés à la
naissance”.
1. Calculer la probabilité que 2, 12 ≤ X ≤ 4, 48

2. Déterminer la limite du poids correspondant aux 10% des bébés les plus gros.


X : poids des bébés à la naissance X ∼ N (µ = 3.3, σ = 0.6)
Z : va centrée réduite
X −µ
Z=
σ
( )
2.12 − 3.3 4.48 − 3.3
P(2.12 < X < 4.48) = P <Z <
0.6 0.6
= P(−1.97 < Z < 1.97)

P(2.12 < X < 4.48) = P(−1.97 < Z < 1.97)

= F (1.97) − F (−1.97)
= F (1.97) − [1 − F (1.97)]
= 2 ∗ F (1.97) − 1
= 2 ∗ 0.97558 − 1
≈ 0.95


l : limite du poids correspondant aux 10% des bébés les plus gros.
P(X ≥ l) = 0.10
P(X < l) = 1 − 0.10 = 0.90
 
 X − 3.3 l − 3.3 
P 
 0.6 < 0.6  = 0.90
| {z } | {z }
Z l∗

La valeur de l ∗ telle que P(Z < l ∗ ) = 0.90 est l ∗ =1.2816
l = 0.6 ∗ 1.2816 + 3.3

l ≈ 4.1kg

Théorèmes de convergence
Point étudié
5. Compléments

Rappel : Approximation de la loi binomiale par la loi de Poisson correcte quand

n ≥ 50, p ≤ 10, np ≤ 10
La loi binomiale et la loi de Poisson peuvent être approchées par une loi normale
.
Approximation de la loi binomiale par la loi normale
.
Si n > 30, np > 5 et n(1 − p) > 5 alors :
√
B(n, p) ≈ N (np, np(1 − p))
Logique
. car E [X ] = np et V [X ] = np(1 − p)
.
Approximation de la loi de Poisson par la loi normale
.
Si n ≥ 30 et λ ≥ 10 alors √
P(λ) ≈ N (λ, λ)
.Logique car E [X ] = V [X ] = λ

Loi binomiale B(5,1/3) Loi binomiale B(10,1/3)
0.30
0.20
0.20
P(X=x)
P(X=x)
0.10
0.10
0.00
0.00
0 2 4 6 8 10 0 2 4 6 8 10
x x
Loi binomiale B(20,1/3) Loi binomiale B(100,1/3)
0.08
0.15
0.06
0.10
P(X=x)
P(X=x)
0.04
0.05
0.02
0.00
0.00
0 5 10 15 20 10 20 30 40 50 60
x x
Approximation d'une loi binomiale B(100,1/3) par une loi normale
N(100*3,sqrt(100*1/3*2/3))
0.08
0.06
P(X=x)
0.04
0.02
0.00
10 20 30 40 50 60
x
Loi de Poisson P(2) Loi de Poisson P(5)
0.15
0.20
0.10
P(X=x)
P(X=x)
0.10
0.05
0.00
0.00
0 2 4 6 8 10 0 5 10 15 20
x x
Loi de Poisson P(15) Loi de Poisson P(50)

0.08
0.04
P(X=x)
P(X=x)
0.04
0.02
0.00
0.00
0 10 20 30 40 0 20 40 60 80 100
x x
Approximation d'une loi de Poisson P(50) par une loi normale
N(50,sqrt(50))
0.05
0.04
0.03
P(X=x)
0.02
0.01
0.00
0 20 40 60 80 100
x
Théorème ”Central - Limite” (T.C.L.)
Théorème très important en statistique

Idée : convergence en loi de la somme de v.a. i.i.d. vers la loi normale.
Utile dans l’approximation d’une loi par une loi normale (Binomiale,
Poisson,...)
Utile, essentiel dans la théorie de l’estimation

Contexte : Epreuves répétées caractérisées par une suite X1 , X2 , ..., Xn de v.a. i.i.d..
E [Xi ] = µ et V [Xi ] = σ 2 .
∑n
Soit Sn = i=1 Xi et Zn la variable centrée-réduite :
Sn − nµ
Zn = √
σ n
.
Théorème
.
∀x, la fonction de répartition Fn (x) = P(Zn ≤ x) est telle que
lim Fn(x) = Φ
n→∞
.avec Φ fonction de répartition de N (0, 1)

Autrement dit, une variable aléatoire résultant de la somme de plusieurs va ayant

même loi et paramètres est distribuée selon une loi normale centrée réduite lorsque
le nombre d’épreuves tend vers l’infini.
Le TCL s’applique quelque soit la loi de probabilité suivie par les va discrètes ou
continues, pourvu que les épreuves soient indépendantes, reproductibles et en très
grand nombre

Compléments
Point étudié
5. Compléments

Compléments
Lois déduites de la loi Normale
Loi du χ2 de Pearson
Soient X1 , X2 , . . . , Xn avec Xi ∼ N (0, 1).
Soit
∑
n
Y = Xi2
i=1
Alors Y suit une loi du Khi-deux de Pearson à n degrés de libertés.
Y ∼ χ2n d.d.l.
Cette loi est tabulée, à la manière de la loi normale. Utilité dans les tests
statistiques !!

Compléments
Lois déduites de la loi Normale
Loi de Student
Soit U ∼ N (0, 1) et V ∼ χ2n d.d.l. , U et V étant indépendantes.
Soit :
U
Tn = √
V
n
Alors Tn suit une loi de Student à n degrés de liberté.
Tn ∼ Tn d.d.l.

Compléments
Loi de Fisher-Snédécor
Soient X1 ∼ χ2ν1 d.d.l. et X2 ∼ χ2ν2 d.d.l. , X1 et X2 étant indépendantes.
Soit :
X1 /ν1
F =
X2 /ν2
F suit une loi de Fisher-Snedecor à ν1 et ν2 degrés de liberté.
F ∼ F(ν1 ,ν2 ) d.d.l.

Loi Usuelles PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Loi Usuelles PDF

Загружено:

Авторское право:

Доступные форматы

.

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 1 / 66

2. Lois usuelles discrètes

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 1 / 66

2. Lois usuelles discrètes

3. Lois usuelles continues

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 1 / 66

2. Lois usuelles discrètes

3. Lois usuelles continues

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 1 / 66

2. Lois usuelles discrètes

3. Lois usuelles continues

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 1 / 66

2. Lois usuelles discrètes

3. Lois usuelles continues

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 2 / 66

Distribution des poids à la naissance

2000 3000 4000 5000

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 3 / 66

On voudrait modéliser le phénoméne :

Pour modéliser le phénomène, il faut déterminer la loi de probabilité de X ≡

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 4 / 66

Distribution des poids à la naissance

2000 3000 4000 5000

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 5 / 66

Il existe un certain nombre de lois de probabilités usuelles qui permettent de

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 6 / 66

2. Lois usuelles discrètes

3. Lois usuelles continues

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 7 / 66

2. Lois usuelles discrètes

3. Lois usuelles continues

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 8 / 66

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 9 / 66

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 10 / 66

2. Lois usuelles discrètes

3. Lois usuelles continues

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 11 / 66

Loi de Bernoulli - Définition

Si on répète de manière indépendante n fois une épreuve de Bernoulli, nous

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 12 / 66

Loi de Bernoulli - Définition

. suit une loi de Bernoulli de paramètre p notée : X ∼ B(1, p)

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 13 / 66

Loi de Bernoulli - Définition

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 14 / 66

Loi de Bernoulli - Définition

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 14 / 66

Loi de Bernoulli - Exemples

.P(X = 1) = p = 1/2 donc X ∼ B(1, 1/2)

X (ω) = 0 si ω = ”Non malade”

2. Lois usuelles discrètes

3. Lois usuelles continues

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 16 / 66

Loi Binomiale - Définition

. suit une loi binomiale de paramètres n et p : X ∼ B(n, p)

Probabilité de l’obtention de k succès au cours de n épreuves

Loi Binomiale - Définition

Xi ∼ B(1, p), ∀i ∈ {1, 2, . . . , n}, Xi indépendantes

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 18 / 66

Loi Binomiale - Exercice

Soit Sn ∼ B(n, p). Calculer E [Sn ] et V [Sn ].

Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre 2015 19 / 66