Produit de convolution
Loi de Bernoulli
Loi binomiale
Loi de Poisson
Probabilités
Lois de probabilités discrètes
Julian Tugaut
Télécom Saint-Étienne
Julian Tugaut Probabilités
Sommaire
1 Produit de convolution
2 Loi de Bernoulli
3 Loi binomiale
Exemple
Définition
Décomposition de X
Espérance et variance
Somme de lois binomiales
Diagrammes en bâtons
Tables
Approximations pour n grand
4 Loi de Poisson
Définition
Diagrammes en bâtons
Caractéristiques
Somme de lois de Poisson
Tables
Approximations
Plan
1 Produit de convolution
2 Loi de Bernoulli
3 Loi binomiale
4 Loi de Poisson
Produit de convolution
Loi de Bernoulli
Loi binomiale
Loi de Poisson
Résultat très utile - 1
Proposition
Soit un espace fondamental Ω muni d’une probabilité P. On
considère deux variables aléatoires réelles X1 et X2 . On suppose
que X1 et X2 sont discrètes et indépendantes. Alors, la variable
aléatoire X1 + X2 est discrète et sa loi de probabilité est le produit
de convolution des lois de probabilité de X1 et de X2 :
PX1 +X2 = PX1 ∗ PX2 .
Julian Tugaut Probabilités
Résultat très utile - 2
Rappel
Pour tous les réels a et b, on a δa ∗ δb = δa+b où δx est la
distribution de Dirac en x.
Résultat très utile - 2
Rappel
Pour tous les réels a et b, on a δa ∗ δb = δa+b où δx est la
distribution de Dirac en x.
Rappel
Le produit de convolution est distributif par rapport à l’addition.
Résultat très utile - 2
Rappel
Pour tous les réels a et b, on a δa ∗ δb = δa+b où δx est la
distribution de Dirac en x.
Rappel
Le produit de convolution est distributif par rapport à l’addition.
Exemple
On peut ainsi écrire :
1 3 1 2 1 5 6
δ0 + δ1 ∗ δ0 + δ1 = δ0 + δ1 + δ2 .
4 4 3 3 12 12 12
Plan
1 Produit de convolution
2 Loi de Bernoulli
3 Loi binomiale
4 Loi de Poisson
Produit de convolution
Loi de Bernoulli
Loi binomiale
Loi de Poisson
Loi de Bernoulli - 1
Soit une expérience aléatoire e à deux résultats possibles ω1 et ω2 ,
de probabilités respectives P(ω1 ) = p et P(ω2 ) = 1 − p.
Julian Tugaut Probabilités
Produit de convolution
Loi de Bernoulli
Loi binomiale
Loi de Poisson
Loi de Bernoulli - 1
Soit une expérience aléatoire e à deux résultats possibles ω1 et ω2 ,
de probabilités respectives P(ω1 ) = p et P(ω2 ) = 1 − p.
ω1
p
1−
p ω2
Julian Tugaut Probabilités
Loi de Bernoulli - 2
L’espace fondamental est donc Ω = {ω1 , ω2 }. On définit la variable
aléatoire réelle X comme suit :
X (ω1 ) = 1 et X (ω2 ) = 0 .
Loi de Bernoulli - 2
L’espace fondamental est donc Ω = {ω1 , ω2 }. On définit la variable
aléatoire réelle X comme suit :
X (ω1 ) = 1 et X (ω2 ) = 0 .
En d’autres termes, X est la variable aléatoire indicatrice de
l’évènement {ω1 }. L’ensemble des réalisations de la variable
aléatoire réelle X est X (Ω) = {0, 1}. La loi de probabilité de X est
ici PX = (1 − p)δ0 + pδ1
Loi de Bernoulli - 2
L’espace fondamental est donc Ω = {ω1 , ω2 }. On définit la variable
aléatoire réelle X comme suit :
X (ω1 ) = 1 et X (ω2 ) = 0 .
En d’autres termes, X est la variable aléatoire indicatrice de
l’évènement {ω1 }. L’ensemble des réalisations de la variable
aléatoire réelle X est X (Ω) = {0, 1}. La loi de probabilité de X est
ici PX = (1 − p)δ0 + pδ1 ce qui donne le tableau :
k 0 1
P (X = k) 1 − p p
Produit de convolution
Loi de Bernoulli
Loi binomiale
Loi de Poisson
Loi de Bernoulli - 3
Définition
On dit que la variable aléatoire réelle X suit la loi de Bernoulli de
paramètre p si sa loi de probabilité correspond au Tableau
précédent.
Julian Tugaut Probabilités
Produit de convolution
Loi de Bernoulli
Loi binomiale
Loi de Poisson
Loi de Bernoulli - 3
Définition
On dit que la variable aléatoire réelle X suit la loi de Bernoulli de
paramètre p si sa loi de probabilité correspond au Tableau
précédent.
Notation
La loi de Bernoulli de paramètre p est notée B(p).
Julian Tugaut Probabilités
Loi de Bernoulli - 4
Le calcul des moments d’une variable aléatoire réelle suivant B(p)
donne
E [X n ] = p
pour tout n ∈ N∗ et l’on a également
Loi de Bernoulli - 4
Le calcul des moments d’une variable aléatoire réelle suivant B(p)
donne
E [X n ] = p
pour tout n ∈ N∗ et l’on a également
Var[X ] = p(1 − p) .
Loi de Bernoulli - 4
Le calcul des moments d’une variable aléatoire réelle suivant B(p)
donne
E [X n ] = p
pour tout n ∈ N∗ et l’on a également
Var[X ] = p(1 − p) .
Remarque
L’univers Ω n’est pas nécessairement dénombrable. Il suffit pour
s’en convaincre de considérer Ω := [0; 1] et A := [0; p]. On
considère la probabilité sur [0; 1] qui correspond à la “mesure de
Haar”. En d’autres termes, la probabilité d’un intervalle est la
longueur de celui-ci. Alors, la variable aléatoire X := 1A prend
deux valeurs : 0 et 1. Et, P(X = 1) = p bien que Ω ne soit pas
dénombrable. Ainsi, PX = (1 − p)δ0 + pδ1 .
Plan
1 Produit de convolution
2 Loi de Bernoulli
3 Loi binomiale
Exemple
Définition
Décomposition de X
Espérance et variance
Somme de lois binomiales
Diagrammes en bâtons
Tables
Approximations pour n grand
4 Loi de Poisson
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Problème
Exemple
Dans un atelier, fonctionnent de façon indépendante trois
machines. La probabilité de panne en une journée d’une de ces
machines est 10%. Quelle est la probabilité pour qu’en une journée
deux machines exactement tombent en panne ?
Julian Tugaut Probabilités
Espace fondamental
Espace fondamental
p (r1 , r1 , r1 )
(r1 , r1 )
1−p (r1 , r1 , r2 )
r1 p
p (r1 , r2 , r1 )
1−p
(r1 , r2 )
p
1−p (r1 , r2 , r2 )
Ω
p (r2 , r1 , r1 )
(r2 , r1 )
1−p
1−p (r2 , r1 , r2 )
r2 p
p (r2 , r2 , r1 )
1−p
(r2 , r2 )
1−p (r2 , r2 , r2 )
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Réponse
Réponse à la question
La probabilité que deux machines tombent en panne est égale à
3p 2 (1 − p) avec p = 10%. Ainsi, cette probabilité est égale à 2.7%.
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Définition de la loi binomiale
n
!
X n k
PX = p (1 − p)n−k δk
k=0
k
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Définition de la loi binomiale
n
!
X n k
PX = p (1 − p)n−k δk
k=0
k
On peut observer que l’on a bien une probabilité. En effet, d’après
la formule du binôme de Newton :
n n
!
X X n k
P (X = k) = p (1 − p)n−k = (p + (1 − p))n = 1n = 1 .
k=0 k=0
k
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Définition de la loi binomiale
n
!
X n k
PX = p (1 − p)n−k δk
k=0
k
On peut observer que l’on a bien une probabilité. En effet, d’après
la formule du binôme de Newton :
n n
!
X X n k
P (X = k) = p (1 − p)n−k = (p + (1 − p))n = 1n = 1 .
k=0 k=0
k
Notation
La loi binomiale de paramètres n et p est notée B(n, p).
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Décomposition de X - 1
Si X suit la loi binomiale de paramètres n et p, alors :
X = X1 + · · · + Xn ,
où les variables aléatoires réelles Xi suivent la loi de Bernoulli de
paramètre p et sont mutuellement indépendantes.
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Décomposition de X - 1
Si X suit la loi binomiale de paramètres n et p, alors :
X = X1 + · · · + Xn ,
où les variables aléatoires réelles Xi suivent la loi de Bernoulli de
paramètre p et sont mutuellement indépendantes.
En effet, l’idée fondamentale de la loi binomiale est de répéter
indépendamment des expériences de Bernoulli de même
paramètre p.
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Décomposition de X - 2
Remarque
En particulier, on remarque :
PX = ((1 − p)δ0 + pδ1 ) ∗ · · · ∗ ((1 − p)δ0 + pδ1 ) .
| {z }
n fois
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Décomposition de X - 2
Remarque
En particulier, on remarque :
PX = ((1 − p)δ0 + pδ1 ) ∗ · · · ∗ ((1 − p)δ0 + pδ1 ) .
| {z }
n fois
Remarque
On peut alors écrire B(1, p) = B(p).
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Espérance
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Espérance
La linéarité de l’espérance nous donne
E[X ] = E [X1 + · · · + Xn ] = E[X1 ] + · · · + E[Xn ] = n × p .
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Variance
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Variance
Var[X ] = Var [X1 + · · · + Xn ] = Var[X1 ]+· · ·+Var[Xn ] = n×p(1−p) .
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Somme de lois binomiales - 1
Théorème
Soient r variables aléatoires réelles mutuellement indépendantes
X1 , · · · , Xr . On suppose que pour tout 1 ≤ i ≤ r , la variable
aléatoire réelle Xi suit la loi B (ni , p). Alors, la variable aléatoire
réelle X := X1 + · · · + Xr suit la loi binomiale de paramètres
n := ri=1 ni et p, B ( ri=1 ni , p).
P P
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Somme de lois binomiales - 1
Théorème
Soient r variables aléatoires réelles mutuellement indépendantes
X1 , · · · , Xr . On suppose que pour tout 1 ≤ i ≤ r , la variable
aléatoire réelle Xi suit la loi B (ni , p). Alors, la variable aléatoire
réelle X := X1 + · · · + Xr suit la loi binomiale de paramètres
n := ri=1 ni et p, B ( ri=1 ni , p). En d’autres termes :
P P
L (X1 + · · · + Xr ) = B (n1 + · · · + nr , p) .
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Somme de lois binomiales - 2
Corollaire
Soit X de loi B (m, p) et Y de loi B (n, p). On suppose que X et Y
sont indépendantes. Alors X + Y suit la loi B (m + n, p).
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Somme de lois binomiales - 2
Corollaire
Soit X de loi B (m, p) et Y de loi B (n, p). On suppose que X et Y
sont indépendantes. Alors X + Y suit la loi B (m + n, p).
Remarque
Si X1 suit une loi binomiale de paramètres n1 et p1 et si X2 en suit
une de paramètres n2 et p2 et si de plus X1 et X2 sont
indépendantes, alors on connaı̂t la loi de X1 + X2 bien que ça ne
soit pas une loi binomiale.
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Cas symétrique
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Cas symétrique
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Cas asymétrique
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Cas asymétrique
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Tables - 1
Les valeurs !
n k
pk := p (1 − p)n−k
k
sont tabulées pour p = 0.05, p = 0.1, p = 0.2, p = 0.3, p = 0.4 et
p = 0.5 et pour n = 10, n = 20, n = 30, n = 40 et n = 50.
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Tables - 1
Les valeurs !
n k
pk := p (1 − p)n−k
k
sont tabulées pour p = 0.05, p = 0.1, p = 0.2, p = 0.3, p = 0.4 et
p = 0.5 et pour n = 10, n = 20, n = 30, n = 40 et n = 50. Les
valeurs
k
X
pi = P (X ≤ k) = FX (k)
i=0
sont également tabulées.
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Tables - 2
Si p > 0.5, on utilise le résultat suivant.
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Tables - 2
Si p > 0.5, on utilise le résultat suivant.
Proposition
Si L(X ) = B(n, p) alors L(n − X ) = B(n, 1 − p).
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Tables - 2
Si p > 0.5, on utilise le résultat suivant.
Proposition
Si L(X ) = B(n, p) alors L(n − X ) = B(n, 1 − p).
On peut donc utiliser les tables.
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Tables - 3
Exemple
Soit une variable aléatoire réelle X qui suit la loi B(40, 0.9). Quelle
est la probabilité que X soit égale à 30 ?
Julian Tugaut Probabilités
Exemple
Définition
Produit de convolution Décomposition de X
Loi de Bernoulli Espérance et variance
Loi binomiale Somme de lois binomiales
Loi de Poisson Diagrammes en bâtons
Tables
Approximations pour n grand
Tables - 3
Exemple
Soit une variable aléatoire réelle X qui suit la loi B(40, 0.9). Quelle
est la probabilité que X soit égale à 30 ?
Soit Y := 40 − X . Alors L(Y ) = B(40, 0.1). On peut ainsi calculer
P (X = 30) = P (40 − Y = 30) = P (Y = 10) = 0.0036 ,
d’après les tables.
Julian Tugaut Probabilités
Convergences en loi
En pratique, n > 50. On distingue suivant deux cas.
Convergences en loi
En pratique, n > 50. On distingue suivant deux cas.
1 Si np est petit (typiquement, np ≤ 16), on approxime la loi
binomiale B(n, p) par la loi de Poisson de paramètre np,
P(np).
Convergences en loi
En pratique, n > 50. On distingue suivant deux cas.
1 Si np est petit (typiquement, np ≤ 16), on approxime la loi
binomiale B(n, p) par la loi de Poisson de paramètre np,
P(np).
2 Si np et n(1 − p) sont grands (en pratique, np > 16 et
n(1 − p) > 16), on approche la loi binomiale B(n, p) par la loi
normale N (np, np(1 − p)).
Convergences en loi
En pratique, n > 50. On distingue suivant deux cas.
1 Si np est petit (typiquement, np ≤ 16), on approxime la loi
binomiale B(n, p) par la loi de Poisson de paramètre np,
P(np).
2 Si np et n(1 − p) sont grands (en pratique, np > 16 et
n(1 − p) > 16), on approche la loi binomiale B(n, p) par la loi
normale N (np, np(1 − p)).
Soit X une variable aléatoire la loi B (n, p).
réellequi suit
Alors, on a P (X = k) ≈ Φ k + 2 − Φ k − 12 où la
1
fonction Φ est la fonction de répartition de la loi normale
N (np; np(1 − p)).
Plan
1 Produit de convolution
2 Loi de Bernoulli
3 Loi binomiale
4 Loi de Poisson
Définition
Diagrammes en bâtons
Caractéristiques
Somme de lois de Poisson
Tables
Approximations
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Définition - 1
Définition
Soit λ un paramètre réel strictement positif. On dit que la variable
aléatoire réelle X suit la loi de Poisson de paramètre λ lorsque
l’ensemble des réalisations de X est l’ensemble des entiers ;
X (Ω) = N et lorsque l’on a de plus
λn −λ
P [X = n] = e .
n!
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Définition - 1
Définition
Soit λ un paramètre réel strictement positif. On dit que la variable
aléatoire réelle X suit la loi de Poisson de paramètre λ lorsque
l’ensemble des réalisations de X est l’ensemble des entiers ;
X (Ω) = N et lorsque l’on a de plus
λn −λ
P [X = n] = e .
n!
P∞ λn −λ
En d’autres termes, PX = n=0 n! e δn .
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Définition - 2
Notation
La loi de Poisson est notée P(λ).
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Définition - 2
Notation
La loi de Poisson est notée P(λ).
Exemple
Sous certaines hypothèses, la variable aléatoire réelle qui a pour
réalisation le nombre d’arrivées dans une file d’attente durant un
intervalle de temps d’une heure suit une loi de Poisson de
paramètre λ, où λ est le nombre moyen d’arrivées par heure.
Julian Tugaut Probabilités
Avec λ = 8
Avec λ = 8
Avec λ = 1
Avec λ = 1
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Espérance et variance
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Espérance et variance
E[X ] = λ
et
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Espérance et variance
E[X ] = λ
et
Var[X ] = λ .
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Somme de lois de Poisson - 1
Théorème
Soient n variables aléatoires réelles mutuellement indépendantes
X1 , · · · , Xn telles que la variable aléatoire réelle Xi suit la loi de
Poisson de paramètre λi > 0 pour tout i ∈ [[1; n]]. Alors, la variable
aléatoire réelle X1 + · · · + Xn suit la loi de Poisson de paramètre
λ1 + · · · + λn . En d’autres termes :
L (X1 + · · · + Xn ) = P (λ1 + · · · + λn ) .
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Somme de lois de Poisson - 2
Remarque
Pn
En particulier, on peut noter : E [X1 + · · · + Xn ] = i=1 λi d’après
la linéarité de l’espérance.
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Somme de lois de Poisson - 2
Remarque
Pn
En particulier, on peut noter : E [X1 + · · · + Xn ] = i=1 λi d’après
la linéarité de l’espérance.
Exercice
En utilisant les distributions et le produit de convolution, donner
une preuve du Théorème
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Tables pour λ petit
Pk
Les valeurs pk := P (X = k) et i=0 pi sont tabulées pour
λ ∈ {0.1, · · · , 0.9, 1, · · · , 16}.
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Approximations pour λ grand
En pratique, pour λ > 16, on approche la loi de Poisson de
paramètre λ, P(λ), par la loi normale N (λ, λ).
Julian Tugaut Probabilités
Définition
Produit de convolution Diagrammes en bâtons
Loi de Bernoulli Caractéristiques
Loi binomiale Somme de lois de Poisson
Loi de Poisson Tables
Approximations
Approximations pour λ grand
En pratique, pour λ > 16, on approche la loi de Poisson de
paramètre λ, P(λ), par la loi normale N (λ, λ).
Soit X une variable
aléatoire
suit la loi P(λ). Alors,
réelle qui
1 1
P (X = n) ≈ Φ n + 2 − Φ n − 2 où Φ est la fonction de
répartition de la loi N (λ; λ).
Julian Tugaut Probabilités