Variables Aléatoires & Lois de Probabilités Usuelles II- Distribution de Poisson Pr. A. SOULAYMANI I- Définition: On dit qu’une Variable Aléatoire X suit une Loi de Poisson: ♣ Si sa distribution est discontinue ( V.A. Discrète) pouvant prendre toutes les valeurs possible {0, 1, 2, …i, …... n} Loi de Poisson & ♣ Si les probabilités de réalisation de X sont très faibles. Pr. A. SOULAYMANI La rareté du phénomène dans une Distribution de Poisson ne peut être défini que lorsque l’effectif étudié est très élevé. Poisson a montré que la probabilité pour qu’un événement de cette catégorie se réalise k fois est: Loi de Poisson P( X k ) e m m k! Où m représente la moyenne distribution et e = 2,71828. K de cette Pr. A. SOULAYMANI II- Paramètres d’une distribution de Poisson: La rareté du phénomène (p très petit, et q tend vers 1, nous conduit à une valeur moyenne: m np Loi de Poisson Et une variance s2: s m np 2 X Pr. A. SOULAYMANI La loi de poisson est considérée comme la limite de la loi binomiale lorsque le phénomène est très rare et l’effectif est très élevé. Dans ce cas m=np et n tend vers l’infini. Loi de Poisson D’une manière générale, on admet qu’une distribution suit une loi de Poisson dès que: n 50 et np 5 Pr. A. SOULAYMANI Le tableau suivant se rapporte au cas d’une distribution discontinue où p = 0,1 et n = 10. Loi de Poisson m np (0,1).10 1 X=k 0 1 2 3 4 5 Loi binomiale Loi de Poisson 0,348 0,367 0,387 0,368 0,194 0,184 0,057 0,061 0,011 0,015 0,0015 0,003 Cf. Lecture à partir des tables théoriques Pr. A. SOULAYMANI Le tableau montre que même si on n’atteint pas des valeurs de n >= 50, les valeurs de probabilité p(X=k) obtenues par les 2 lois sont très proches. Loi de Poisson La représentation graphique d’une distribution de poisson montre généralement une dissymétrie à gauche ( puisque p <<<< q). Cependant, si la valeur moyenne augmente ( si n augmente) , la distribution devient de + en + symétrique Pr. A. SOULAYMANI P(X=k) 4,00E-01 3,50E-01 p=0,1 3,00E-01 2,50E-01 2,00E-01 1,50E-01 1,00E-01 Loi de Poisson 5,00E-02 0,00E+00 00 11 22 3 3 42 5 3 X m=1 3,67E-01 3,68E-01 1,84E-01 6,10E-03 1,50E-02 3,00E-03 m=2 1,35E-01 2,71E-01 2,70E-01 1,81E-01 9,00E-02 3,60E-02 Pr. A. SOULAYMANI Pour m=10, p=0,1, on aura une distribution relativement symétrique. Loi de Poisson P(X=k) 0 1 2 m=10 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Pr. A. SOULAYMANI III- Utilisation des Tables théoriques: m = np Loi de Poisson K K em m K P( X k ) k! L’utilisation des tables théoriques facilite le calcul des probabilités K 0 1 2 3 4 5 6 m=1 0,368 0,368 0,184 0,061 0,015 0,003 0,001 Pr. A. SOULAYMANI II- Distribution Normale Pr. A. SOULAYMANI I- Introduction à la variation continue: Si l’effectif d’un échantillon augmente infiniment, l’étendue des classes tend vers zéro. Loi de normale De là, la représentation graphique des probabilités prend une allure caractéristique, appelée distribution en cloche. Cette forme particulière de la distribution des probabilité est caractéristique de la variation continue. Pr. A. SOULAYMANI En effet, si l’on considère une V.A. X, très nombreuse et classée par ordre croissant; Loi de normale La différence entre deux valeurs élémentaires successives (x2 – x1) tend vers une quantité infiniment petite dx. L’ensemble des valeurs de x est représenté par la fonction y = f (x) où y représente la densité de probabilités ou de fréquences relatives. Pr. A. SOULAYMANI Loi de normale Ladistribution probabilitéde de la quantité dx étant La la densité de probabilité aurapar définition très réduite et tend vers zéro. l’aspect suivant: Dans ces conditions, toute probabilité ne peut être définie que par un intervalle donné et non pour une valeur particulière de x. La distribution de la densité de probabilité aura l’aspect suivant: Pr. A. SOULAYMANI Compte tenu de la continuité de y=f(x) dans l’intervalle [a-b], la surface totale sous la courbe est: b P(a x b) f ( x)dx 1 La probabilité d’un intervalle [a-a’] est: a a' Loi de normale P(a x a' ) f ( x)dx a a a’ DX b Pr. A. SOULAYMANI II- Paramètres d’une distribution Normale: La moyenne: b E( X ) X b i a pi xi x f ( x) dx Loi de normale a Pr. A. SOULAYMANI La variance: b 1 b 2 b 2 s i a ni ( xi x) i a pi ( xi x) ( xi x) 2 f ( x)dx a N 2 xi b b s x f ( x)dx 2 x xf ( x)dx x 2 x 2 a 2 a b f ( x)dx a Loi de normale x b s x f ( x)dx x 2 x 2 1 2 a Pr. A. SOULAYMANI II- Étude de la Loi Normale: Avec: Soit X, une variable aléatoire, continue. On dit que X suit une loi normale η(x,sx), ou loi ☻ e = 2,72 de Laplace Gauss si: ☻ = 3,14 ♣ apparaissent ☻ses réalisations s2 = Variance de X dans l’intervalle: Loi de normale ☻ s = Ecart – ,type de Xet ♣ Si la densité de probabilité associée à ces réalisations est définie par: y f ( x) 1 s x 2 1/ 2 ( x x ) 2 e s x2 Pr. A. SOULAYMANI On dit que la variable X, suit une loi normale (ou loi de Laplace Gauss de moyenne x et d’écart type s. On résume cette loi par la notation η(x , sx) Loi de normale En pratique, on procède à un changement de cette variable (on dit qu’on norme la variable). Pour cela, on pratique le changement de X par t tel que: t X X sx La nouvelle variable t est dite variable Centrée, réduite, da moyenne t = 0 et sa variance st2=1. Elle est notée ηt (0,1). Pr. A. SOULAYMANI L’allure de la fonction f(t) de la nouvelle variable ηt (0,1) centrée, réduite de moyenne nulle et d’écart type égal à l’unité est le suivant: Y= f(t) :densité de probabilité Avec: 1 F(x) 0,8 t f (t ) f (t ) 0,6 ηt (0,1) f(t) Loi de normale 0,4 f (t ) 0,2 1 e 2 t2 2 t 0 -t 0 +t La fonction f(t) de la variable ηt (0,1) est toujours symétrique: Pr. A. SOULAYMANI P(t ) On démontre que: f (t )dt 1 e 2 t2 2 dt 1 La fonction intégrale P(t) ou a(t) de la loi normale centrée réduite ηt (0,1) est: Loi de normale f(t) P(t0 ) t0 t0 f (t )dt 1 e 2 t2 2 dt t ta tb t0 Pr. A. SOULAYMANI Ainsi, la fonction intégrale P(t0) constitue la fonction f(t) de répartition de t, c’est-à-dire: P(t0) (t0 ) P(T t0 ) Loi de normale ta tb t0 t On peut aussi calculer la probabilité associée à un intervalle. En effet, la surface P(t)comprise entre ta et tb est: P(t ) P(ta T tb ) P(T ta ) P(T tb) P (t ) P (b) P (a) Pr. A. SOULAYMANI f(t) III- Utilisation des Tables théoriques: P(t0) Table de la Loi de normale ta tb t0 t (t0 ) P(T t0 ) t P(1)=P(T<=1)=0,8413 P(1<=T<=2)= P(T<=2)-P(T<=1) = 0,9777 – 0,8413 = 0,1364 Pr. A. SOULAYMANI IV- Exemples: 4-1. Exemple 1: Soit X une variable suivant une loi normale η (m = 1,s =1) 1. ♣ Calculer la probabilité de x telle que : -2 ≤ x ≤ 7. 2. ♣ Déterminer la constante a telle que: P(X≤a) = 0,6. Pr. A. SOULAYMANI IV- Exemples: Soit X une variable suivant une loi normale η (m = 1,s =3) 1. ♣ Calculer la probabilité de x telle que : -2 ≤ x ≤ 7. Réponse: Avant de chercher la probabilité demandée, il faut transformer la variable X en variable centrée et réduite: 2 1 7 1 P(2 x 7) P( t ) 3 3 P(2 x 7) P(1 t 2) P (2) P (1) P(2 x 7) P (2) [1 P (1)] 0,97725 0,1587 0,8185 Pr. A. SOULAYMANI IV- Exemples: Soit X une variable suivant une loi normale η (m = 1,s =1) 2. ♣ Déterminer la constante a telle que: P(X≤a) = 0,6. Réponse: P( x a) P(t am s ) 0,6 a 1 a 1 P(t ) 0,6 0,26 a 1 0,78 3 3 D’où a =1,78 Pr. A. SOULAYMANI 4-2. Exemple 2: Soit la fonction de densité f(x) telle que: f ( x) kx si 1 x 2 et f ( x) 0 si x 1 2 1. ♣ Déterminer la constante k pour que f(x) soit une fonction de densité. 2. ♣ Calculer E(x) et V(x). 3. ♣ Déterminer la fonction de répartition F(x) Pr. A. SOULAYMANI 4-2. Exemple 2: 1. ♣ Déterminer la constante k pour que f(x) soit une fonction de densité. Réponse: f ( x) kx si 1 x 2 et f ( x) 0 si x 1 2 Pour que X soit une fonction de densité, il faut que: 1 2 1 2 f ( x)dx 1 f ( x)dx f ( x)dx f ( x)dx 1 2 2 1 1 f ( x)dx 1 kx dx 1 x2 2 22 12 3 k[ ]1 1 k[ F (2) F (1)] k[ ] 1 k 1 2 2 2 2 D’où k = 2/3 Pr. A. SOULAYMANI 4-2. Exemple 2: 2. ♣ Calcul de la moyenne E(x) E ( x) x 1 2 1 2 f ( x)dx x f ( x)dx x f ( x)dx x f ( x)dx =0 car f ( x) kx si 1 x 2 et f ( x) 0 si x 1 2 Or k = 2/3 2 2 2 2 2 x 2 8 1 14 E ( x) x x dx x dx 3 3 3 3 3 3 3 9 1 1 2 2 3 Pr. A. SOULAYMANI 4-2. Exemple 2: 2. ♣ Calcul de la variance V(x) On sait que V(x) = E(x)2 – [E(x)]2, par conséquent on peut écrire: 2 2 2 x 14 14 V ( x) x x 3 3 4 1 9 9 1 2 2 4 2 2 2 2 1 14 V ( x) 3 4 4 9 4 4 2 D’où V(x) = 2/3[16/4 – 1/4 ]-[14/9]2 = (30/12) – (14/9)2 Pr. A. SOULAYMANI 4-2. Exemple 2: 3. ♣ Fonction de répartition F(x) si x 1 F ( x) 0 x 2 x Si x 2 F ( x) f ( x)dx f ( x)dx f ( x)dx 3 2 1 1 x 1 x 2 x 2 x 2 x 2 12 1 2 1 x 2 1 Si x 2 F ( x) x 3 2 1 3 2 2 3 2 3 2 si x 2 F ( x) 1 Pr. A. SOULAYMANI ♣ représentation graphique de la fonction de répartition ♠ si x < 1 : F(x) = 0 ♠ si 1 <= x < 2 : F(x) = 1/3 x2 – 1/3 (Ex: pour x=3/2, F(x)=5/8. ♠ si x >= 2 : F(x) = 1 F(x) 1 5/12 0 1 3/2 ≥2 … X Pr. A. SOULAYMANI Loi normale 1,2 1 F(x) 0,8 0,6 f(x) 0,4 0,2 0 -4 -2 0 2 4 Pr. A. SOULAYMANI Pr. A. SOULAYMANI