Vous êtes sur la page 1sur 46

Ecole Nationale Polytechnique

de Constantine

COURS DE PROBABILITES
(Semestre 2)

Zaher MOHDEB

E-mail: z.mohdeb@gmail.com, zaher.mohdeb@umc.edu.dz

Zaher Mohdeb (E. N. P. de Constantine) 1 / 46


Notion de variables aleatoires reelles

Chapitre 1 Notion de variables al


eatoires r
eelles
1- Introduction et d
efinition
En theorie des probabilites, une variable aleatoire reelle est une
application definie sur lensemble des resultats possibles dune
experience aleatoire note `a valeurs dans IR. Les jeux de hasard tels
que le lancer dun de, dun tirage `a pile ou face, dune roulette,. . .
qui amen`erent `a concevoir les variables aleatoires, en associant `a une
eventulaite un gain. Cette association eventualite-gain a donne lieu
par la suite `a la conception dune fonction de portee plus generale.
La fonction decrivant les valeurs possibles dune variable aleatoire et
leur probabilite est connue sous le nom de la distribution de
probabilite.

Zaher Mohdeb (E. N. P. de Constantine) 2 / 46


Notion de variables aleatoires reelles

Les variables aleatoires peuvent etre discr`etes, qui est, en prenant tous les
elements dune liste finie ou denombrable de valeurs specifiee, dote dune
fonction de masse de probabilite, caracteristique dune distribution de
probabilites ; ou continues, en prenant une valeur numerique dans un
intervalle ou dune famille dintervalles, par lintermediaire dune fonction
de densite de probabilite qui est une caracteristique de la distribution de
probabilites ; ou un melange des deux types.
Ainsi la notion de variable aleatoire permet de creer une relation entre un
espace probabilise et un espace mesurable qui est presque toujours lespace
IR ou IRn . Par cette relation, lespace qui netait que mesurable devient
aussi probabilise. Dans ce cas, la variable aleatoire presente le grand interet
pratique dassocier des nombres a` une experience soumise au hasard dont
les issues sont abstraites. Pour un experientateur, lespace probabilise est
le phenom`ene etudie et lespace mesurable sera lensemble de tous les
resultats chiffres des experiences portant sur le phenom`ene en question.

Zaher Mohdeb (E. N. P. de Constantine) 3 / 46


Notion de variables aleatoires reelles

Definition
Soit X lapplication definie de dans IR, on note X 1 lapplication
de P(IR) dans P() qui `a B IR associe son image reciproque par
X : X 1 (B) = { /X () B}.

Remarque : Il sagit dune application reciproque ensembliste mais


pas de lapplication reciproque dune application bijective.
Proprietes
Soient X une application de dans IR, A, B deux sous-ensembles de
IR et Ai IR, i I IN, alors
 
1) X 1 () = 4) X 1 Ai = X 1 (Ai )
 i I  i I
1
2) X (IR) = 5) X 1
Ai = X 1 (Ai )
i I i I
3) X 1 (CIR B) = C X 1 (B) 6)X 1 (AB) = X 1 (A)X 1 (B) .
Zaher Mohdeb (E. N. P. de Constantine) 4 / 46
Notion de variables aleatoires reelles

Tribu engendr
ee, tribu bor
elienne sur IR
Proposition
( et d
efinition) i) Lintersection dune collection non vide quelconque
de tribus de parties de est elle-meme une tribu.
ii) Pour toute classe C de parties de , lintersection de toutes les
tribus contenant C est donc une tribu : elle est appelee la plus petite
tribu contenant C, ou tribu engendree par C et notee (C) :
\
(C) := A.
A tribu, CA

Definition
On appelle tribu borelienne sur IR (ou tribu des boreliens de IR) la
tribu engendree par les intervalles ouverts de IR et on note B(IR) ou
B
ZaherIR . (E. N. P. de Constantine)
Mohdeb 5 / 46
Notion de variables aleatoires reelles

Proposition
La tribu BIR des boreliens de IR est engendree par
i) la famille des intervalles ouverts bornes,
ii) la famille des intervalles de la forme ] , a[ avec a IR,
iii) la famille des intervalles de la forme ] , a] avec a IR.

Definition
Soit (, A, P) un espace probabilise. On appelle variable aleatoire reelle
efinie sur (, A), lapplication
d  X de dans IR
X : (, A) (IR, BIR ) , telle que limage reciproque par X de tout
intervalle ] , x] est un evenement de A, cest-`a-dire
X 1 (] , x]) A, x IR.

Remarque : Dire que X est une variable aleatoire reelle sur (, A) revient
a` dire B BIR , X 1 (B) A, puisque la famille des intervalles de la
forme ] , x] , avec x IR, engendrent la tribu des boreliens B IR .
Zaher Mohdeb (E. N. P. de Constantine) 6 / 46
Notion de variables aleatoires reelles

Exemple : Soient (, A, P) un espace probabilise et A un evenement de


A. On appelle fonction indicatrice de levenement A la fonction notee 1I A
(ou IA ) definie de (, A) dans (IR, BIR ) par

1 si A,
1IA () =
0 si / A.

La fonction indicatrice 1IA est clairement une variable aleatoire car pour
tout borelien B dans BIR , on a


A si 0
/B et 1 B,
C A si 0B et 1
/ B,

(1IA )1 (B) = { : 1IA () B} =

si 0B et 1 B,
si 0
/B et 1
/B

(1)
et , A, C A et sont des evenements de A.

Zaher Mohdeb (E. N. P. de Constantine) 7 / 46


Notion de variables aleatoires reelles

Ou bien, on peut faire le raisonnement suivant. Soit x un nombre reel


quelconque, on a :

(1IA )1 (] , x]) = { : 1IA () x}



si x < 0,
= C A si 0 x < 1,
si x 1

et , C A et sont des evenements de A.

Zaher Mohdeb (E. N. P. de Constantine) 8 / 46


Notion de variables aleatoires reelles

Proposition
Soit X une variable aleatoire reelle definie sur un espace probabilise
(, A, P) `a valeurs dans un espace probabilisable (IR, BIR ). Alors la
famille des parties {X 1 (B) : B BIR } est une tribu (ou -alg`ebre)
de , appelee tribu engendree par X .
On note (X ) cette tribu de parties de et on remarquera que (X )
est une sous-tribu de la tribu A de .

Exemple : Reprenons lexemple de la fonction indicatrice 1I A definie


de (, A) dans (IR, BIR ).
Dapr`es la relation (1), la tribu engendree par la fonction indicatrice
1IA est donnee par (1IA ) = {, , A, C A}.

Zaher Mohdeb (E. N. P. de Constantine) 9 / 46


Notion de variables aleatoires reelles

2- Variables al eatoires discr` etes


2.1- Pr eliminaires- D efinitions : - Considerons lexperience qui consite a`
jeter trois fois une pi`ece, la probabilite de tomber sur pile etant p a`
chaque fois. Supposons qu`a chaque jet donnant pile, on gagne un Dinar
et qu`a chaque jet donnant face on en perde un.
Interessons nous au gain total, soit X cette quantite. Lespace des
epreuves correspondant est forme des elements suivant :
PPP, PPF , PFP, FPP, PFF , FPF , FFP, FFF .
La quantite X ne peut prendre que les valeurs +3, +1, 1, 3 ; mais nous
ne pouvons dire avec certitude laquelle ; cela depend de resultat de notre
experience.
Posons q = 1 p et resumons dans le tableau suivant la liste des valeurs
de X correspondant a` chacun des evenements avec leurs probabilites
respectives.

Zaher Mohdeb (E. N. P. de Constantine) 10 / 46


Notion de variables aleatoires reelles
PPP PPF PFP FPP PFF FPF FFP FFF
X () 3 1 1 1 1 1 1 3
P({}) p3 p2q p2q p2q pq 2 pq 2 pq 2 q3
X est donc une fonction `a valeurs reelles definie sur lespace de
probabilite correspondant `a lexperience.
Considerons levenement { /X () = 1}, il est forme de trois
elements PPF , FPF , FFP et donc la probabilite de cet evenement est
egale `a 3pq 2 et nous ecrivons en abrege

P(X = 1) = 3pq 2 .

A chaque valeur possible x de X est attache le nombre P(X = x).


X est un exemple de variable aleatoire (en abrege v.a.) discr`ete.

Zaher Mohdeb (E. N. P. de Constantine) 11 / 46


Notion de variables aleatoires reelles

Definition
Une variable aleatoire (v.a.) discr`ete sur un espace probabilise
(, A, P) est une application definie sur prenant un nombre fini ou
denombrable de valeurs reelles {x1 , x2 , . . .} telle que xi X (),
X 1 ({xi }) A.

Definition
Soit X une variable aleatoire reelle discr`ete sur (, A, P) et
X () = {xi , i I }. On appelle tribu engendree par X , notee (X )
(ou AX ), la sous-tribu de A engendree par la famille des
{X 1 ({xi }), i I }.

Remarque : La tribu engendree par X apparat comme lensemble


des evenements qui peuvent etre decrits au moyen de X .

Zaher Mohdeb (E. N. P. de Constantine) 12 / 46


Notion de variables aleatoires reelles

2.2- Loi de probabilit


e dune variable al
eatoire r
eelle
Definition
Soit X une variable aleatoire definie sur lespace probabilise (, A, P) a`
valeurs dans lespace probabilisable (IR, B IR ), (o` u BIR est la tribu des
boreliens de IR), on appelle loi de probabilite (ou distribution) de la
variable aleatoire X , la probabilite P X sur (IR, BIR ) definie par

B BIR , PX (B) = P[X 1 (B)]


notation
= P({ /X () B}) = P(X B) .

Notation : PX ({x}) = P(X = x), PX (B) = P(X B).


Remarque : Si X est une variable aleatoire reelle discr`ete definie sur
(, A, P) telle que X () = {xi , i I IN}, la loi de probabilite de X est
determinee par la donnee de tous les (P(X = x i ), xi X ()).
Zaher Mohdeb (E. N. P. de Constantine) 13 / 46
Notion de variables aleatoires reelles

Definition
La fonction f definie sur IR par f (x) = P(X = x) est appelee fonction
densite discr`ete de X .
Propri et es : La densite discr`ete f dune variable aleatoire X verifie
a) f (x) 0, x IR,
b) {x IR/f (x) 6= 0} est un sous-ensemble fini ou denombrable
{x1X, x2 , . . .} de IR.
c) f (xi ) = 1.
i

Definition
Deux variables aleatoires reelles discr`etes X et Y definies sur le meme
espace probabilite (, A, P) sont dites presque s urement egales si

P({ /X () 6= Y ()}) = 0, on note X =Y p.s.

Zaher Mohdeb (E. N. P. de Constantine) 14 / 46


Notion de variables aleatoires reelles

2.3- Loi usuelles discr`


etes
- Loi de Bernoulli
Definition
Une experience qui a deux resultats possibles (representes en general par
echec et succ`es) est appelee experience de Bernoulli.

Remarque : Si on note echec par e et succ`es par s, lespace


probabilise correspondant a` cette experience est (, A, P), o`
u = {e, s},
A = P() et la probabilite P est determinee par P({s}) = p et
P({e}) = q = 1 p.

Definition
Lapplication X de dans {0, 1} telle que X (e) = 0, X (s) = 1,
P(X = 1) = p et P(X = 0) = 1 p est appelee variable aleatoire de
Bernoulli de param`etre p notee B(p).

Zaher Mohdeb (E. N. P. de Constantine) 15 / 46


Notion de variables aleatoires reelles

- Loi binomiale
Considerons n repetitions independantes dune experience de Bernoulli
(pile-face, succ`es-echec, boule rouge - boule blanche) de probabilites
respectives p et q = 1 p.

si succ`es a` la i eme epreuve avec une probabilite p



1
Xi =
0 si echec a` la i eme epreuve avec une probabilite q = 1 p,
i = 1, 2, . . P
. , n.
Soit Sn = ni=1 Xi : le nombre de succ`es au cours des n repetitions. Il est
clair que Sn peut prendre les valeurs 0, 1, 2, . . . , n. Essayons de determiner
la probabilite P(Sn = k), o` u k {0, 1, . . . , n}.
On a Sn = k, si les k variables Xi prenant la valeur 1, les (n k) autres
prenant la valeur 0. Levenement {S n = k} peut donc etre considere
comme la reunion de Ckn evenements disjoints tels que k et k seulement
des Xi prennent la valeur 1. Ces evenements sont equiprobables et il suffit
de calculer la probabilite de lun deux.
Zaher Mohdeb (E. N. P. de Constantine) 16 / 46
Notion de variables aleatoires reelles

On a aussi, compte tenu de lindependance des X i (car pour tout


i = 1, . . . , n, Xi est lie a` la i ieme repetition et que les n repetitions sont
independantes)

P{(X1 = 1) (X2 = 1) . . . (Xk = 1) (Xk+1 = 0) . . . (Xn = 0)}


= P(X1 = 1)P(X2 = 1) . . . P(Xk = 1)P(Xk+1 = 0) . . . P(Xn = 0)
= p k q nk ,

do`
u
Ckn p k q nk

si k = 0, 1, . . . , n
P(Sn = k) = (2)
0 sinon.
Cette distribution est lune des plus importantes de la theorie des
probabilites, appelee distribution binomilale car son k ieme terme b(k, n, p)
est le k ieme terme du developpement de (p + q)n . On note Sn B(n, p).

Zaher Mohdeb (E. N. P. de Constantine) 17 / 46


Notion de variables aleatoires reelles

Remarques
i ) La loi binomiale decrit des phenom`enes ne pouvant prendre que
deux etats sexcluant mutuellement, par exemple : succ`es ou echec
dans un jeu, bonne pi`ece ou pi`ece defectueuse dans une fabrication,
lot acceptable ou lot refuse, defaillance ou fonctionnement dun
materiel, etc. . .
ii ) Elle est utilisee dans le domaine technique pour determiner la
probabilite de defaillance `a la sollicitation de materiels, en controle
qualite, mais elle ne peut sappliquer rigoureusement que si les
experiences sont non exhaustives, cest la loi du tirage avec remise.
iii ) Les evenements consideres doivent etre independants et la
probabilite de realisation dun evenement doit etre constante.

Zaher Mohdeb (E. N. P. de Constantine) 18 / 46


Notion de variables aleatoires reelles

- Loi hyperg
eom
etrique
Considerons une population de N objets parmi lesquels M sont dun
type et N M dun second type.
Supposons que nous tirions un echantillon aleatoire (tirage sans
remise) de taille n N de la population.
Soit X le nombre dobjets du 1er type dans lechantillon de taille n. Il
est clair que le nombre k dobjets du premier type et donc (n k)
objets du second type dans lechantillon de taille n doivent verifier les
conditions suivantes :

0 k n 0 k n
0 k M 0 k M
0 nk N M nN +M k n.

Zaher Mohdeb (E. N. P. de Constantine) 19 / 46


Notion de variables aleatoires reelles

Donc X est une variable aleatoire dont les valeurs possibles varient entre
max(0, n N + M) et min(n, M), avec
k nk
CM CNM
P(X = k) = n si k = max(0, n N + M), . . . , min(n, M)
C N
0 sinon,

(3)
u n, M, N sont des entiers tels que n N et M N. On dira que X suit
o`
une loi hypergeometrique de param`etres N, n, M
N et on note
X H(N, n, M N ).
Remarque : Notons que si n M et n N M, alors la formule donnee
par (3) secrit
k nk
CM CNM
P(X = k) = si k = 0, 1, . . . , n (4)
CnN
0 sinon.

Zaher Mohdeb (E. N. P. de Constantine) 20 / 46


Notion de variables aleatoires reelles

- Loi de Poisson
Definition
Soit un nombre reel positif. On dit que la variable aleatoire X suit une
loi de Poisson de param`etre , si X est une variable aleatoire discr`ete
prenant la valeur enti`ere n avec la probabilite

e n
P(X = n) = si k = 0, 1, 2, . . . (5)
n!
0 sinon.

On note X P().

Remarques : 1) - Notons que la suite p n = P(X = n) definit bien une loi


de probabilite. En effet, on a : i) pn 0, n IN,

X X e n
X n
ii) pn = =e = e e = 1.
n! n!
n=0 n=0 n=0
Zaher Mohdeb (E. N. P. de Constantine) 21 / 46
Notion de variables aleatoires reelles

2) - Sous certaines conditions, une distribution binomilale peut etre


approchee par une distribution de Poisson (n > 50 et p < 0, 10).
En effet, si X B(n, p), on a

P(X = k) = Ckn p k (1 p)nk


1
= n(n 1) . . . (n k + 1) p k (1 p)nk
k! 
nk k 1
   
1 2
= 1 1 ... 1 p k (1 p)nk .
k! n n n
Posons = np et supposons que reste constant lorsque n
augmente (ce qui sous-entend que p decroit).

Zaher Mohdeb (E. N. P. de Constantine) 22 / 46


Notion de variables aleatoires reelles

On a
      n
1 1 2 k 1 k 1
P(X = k) = 1 1 ... 1 1 .
k! n n n n (1 n )k
 n

Lorque n , 1 e , do`u
n

e k
P(X = k) = Ckn p k (1 p)nk , quand n .
k!
La distribution binomiale B(n, p) peut etre approximee par une
distribution de Poisson de param`etre = np , d`es que n > 50 et
p < 0, 10.

Zaher Mohdeb (E. N. P. de Constantine) 23 / 46


Notion de variables aleatoires reelles

- Loi g
eom
etrique
Supposons quune experience admette deux resultats possibles
appeles succ`es et echec notes respectivement s et e tels que
P(s) = p et P(e) = 1 p = q.
Repetons cette experience (repetitions independantes) et definissons
la variable aleatoire X representant le nombre de repetitions de
lexperience necessaires `a lobtention du premier succ`es.
Pour calculer P(X = k), on note Ak levenement : obtenir un succ`es
`a la k ieme repetition de lexperience. A cause de lindependance des
repetitions de lexperience, il est clair que

P(X = k) = P(A1 . . . Ak1 Ak )


= P(A1 ) . . . P(Ak1 )P(Ak )
= (1 p)k1 p .

Zaher Mohdeb (E. N. P. de Constantine) 24 / 46


Notion de variables aleatoires reelles

Definition
On dit quune variable aleatoire X suit une loi geometrique de
param`etre p et on note X G(p), si

P(X = k) = (1 p)k1 p, k IN = {1, 2, . . .} . (6)

Remarque : Notons que la suite pk = P(X = k), k IN definit


bien une loi de probabilite.
En effet, on a :
i ) pk 0, k IN ,
+ + +
X X
k1
X 1
ii ) pk = (1 p) p = p (1 p)k1 = p = 1.
k=1 k=1 k=1
1 (1 p)

Zaher Mohdeb (E. N. P. de Constantine) 25 / 46


Notion de variables aleatoires reelles

3- Variables al
eatoires continues, fonction de r
epartition
3.1- D
efinition, fonction de r
epartition
Dans la section precedente, nous avons considere des variables aleatoires
discr`etes, mais on peut trouver de nombreuses situations dans lesquelles
les variables aleatoires naturelles a` considerer sont continues, en particulier
les mesures de quantites physiques comme par exemple : les coordonnees
spatiales, le poids, le temps, la temperature, la duree de vie dune batterie
de voiture, lheure darrivee des voitures a` un peage donne dautoroute,
sont mieux decrites par des variables aleatoires continues, cest-`a-dire des
variables aleatoires dont les valeurs possibles sont des intervalles (ou une
reunion dintervalles) de IR.

Zaher Mohdeb (E. N. P. de Constantine) 26 / 46


Notion de variables aleatoires reelles

Definition
Soit (, A, P) un espace probabilise. Une variable aleatoire X continue est
une application de (, A, P) dans IR pour laquelle la fonction F X qui a` x
notation
appartenant a` IR associe P({ /X () x}) = P(X x) est bien
definie et continue.
La fonction FX est appelee fonction de repartition (en abrege f.r.) de la
variable aleatoire X ,

FX (x) = P(X x), x IR .

Zaher Mohdeb (E. N. P. de Constantine) 27 / 46


Notion de variables aleatoires reelles

Propriet
es
i) FX (+) = lim FX (x) = 1 et FX () = lim FX (x) = 0.
x+ x
En effet, on a FX (+) = lim P({ /X () x}) = P() = 1
x+
et FX () = lim P({ /X () x}) = P() = 0.
x

ii) x1 , x2 IR tels que x1 < x2 , on a

P(x1 < X x2 ) = FX (x2 ) FX (x1 ) .

En effet, on a
{ /X () x2 } = { /X () x1 } { /x1 < X () x2 }
= P(X x2 ) = P(X x1 ) + P(x1 < X x2 )
= P(x1 < X x2 ) = FX (x2 ) FX (x1 ).

Zaher Mohdeb (E. N. P. de Constantine) 28 / 46


Notion de variables aleatoires reelles

iii ) P(x1 < X < x2 ) = FX (x2 ) FX (x1 ) , o`u FX (x2 ) = lim FX (x).
<
x x2
En effet, on a { /X () < x2 } = { /X () x1 } {
/x1 < X () < x2 },
comme P(X < x2 ) = lim P(X x) = lim FX (x) = FX (x2 ),
< <
x x2 x x2
do`u
FX (x2 ) = FX (x1 ) + P(x1 < X < x2 ).
iv ) FX est monotone non decroissante.
En effet, soit x1 , x2 IR tels que x1 < x2 , on a
0 P(x1 < X x2 ) = FX (x2 ) FX (x1 ) = FX (x2 ) FX (x1 ).

Zaher Mohdeb (E. N. P. de Constantine) 29 / 46


Notion de variables aleatoires reelles

v ) FX est continue a` droite.


>
En effet, soit (xn )nIN une suite de nombres reels tels que x n x, quand
n +, il sagit de montrer que lim FX (xn ) = FX (x).
n+
On a xn & x et x0 > x1 > x2 > . . . > xn > . . .
Considerons les intervalles ]xi , xi 1 ], i = 1, 2, . . . Ces intervalles sont deux
a` deux disjoints et ]x, x0 ] = ]xi , xi 1 ], donc
i 1
   
FX (x0 ) FX (x) = P X ]x, x0 ] = P X ]xi , xi 1 ]
i 1
X   X
= P X ]xi , xi 1 ] = P(xi < X xi 1 )
i 1 i 1
Xh i
= FX (xi 1 ) FX (xi )
i 1
n h
X i
= lim FX (xi 1 ) FX (xi )
n+
i =1
Zaher Mohdeb (E. N. P. de Constantine) 30 / 46
Notion de variables aleatoires reelles

do`u
h
FX (x0 ) FX (x) = lim FX (x0 ) FX (x1 ) + FX (x1 ) FX (x2 )
n+
i
+ . . . + FX (xn1 ) FX (xn )
h i
= lim FX (x0 ) FX (xn )
n+
= FX (x0 ) lim FX (xn ) ,
n+

ainsi
FX (x) = lim FX (xn ) .
n+

Zaher Mohdeb (E. N. P. de Constantine) 31 / 46


Notion de variables aleatoires reelles

vi) P(X = a) = 0 FX est continue en a.


En effet,
a) Supposons que P(X = a) = 0, montrons que F X est continue en a.
On sait que FX est continue a` droite en tout point de IR, il sagit donc de
montrer que FX est continue a` gauche en a.
On a
lim FX (x) = lim P(X x) = P(X a )
< <
x a x a
= P(X a ) + P(X = a) = P(X a) .
b) Supposons maintenant que FX est continue en a, montrons que
P(X = a) = 0.
On a, dapr`es la continuite de FX en a,
lim FX (x) = FX (a) = P(X a)
<
x a
Zaher Mohdeb (E. N. P. de Constantine) 32 / 46
Notion de variables aleatoires reelles

et

P(X a) = P(X = a) + P(X a )


FX (a) = P(X = a) + lim FX (x)
<
x a
= P(X = a) + FX (a) ,

do`
u P(X = a) = 0.
Remarque
On en deduit que si X est une v.a. reelle continue, alors P(X = x) = 0,
x IR.

Zaher Mohdeb (E. N. P. de Constantine) 33 / 46


Notion de variables aleatoires reelles

Types de fonction de r
epartition
(i) Fonction de r epartition dune variable al eatoire discr` ete
Soit X une variable aleatoire discr`ete definie de (, A, P) dans (IR, B IR )),
avec X () = {x1 , x2 , . . . , xn , . . .}. La fonction de repartition de la variable
aleatoire X secrit
  X
FX (x) = P(X x) = P {X = xi } = P(X = xi ) .
xi x
xi x

FX est donc une fonction en escalier constante sur tout intervalle ne


contenant pas de points de X () et admettant un saut damplitude egal a`
P(X = xi ) en chaque point xi , i = 1, 2, . . . , n, . . . Le saut en un point x i
est egal a`

FX (xi ) FX (xi ) = P(xi < X xi ) = P(X = xi ) .

Zaher Mohdeb (E. N. P. de Constantine) 34 / 46


Notion de variables aleatoires reelles

1 F.r. dune v.a. discrte

0.5

y=F (x)
X

x 0 x x x ....
1 2 3 4

Figure: Fonction de repartition dune variable aleatoire reelle discr`ete.

Zaher Mohdeb (E. N. P. de Constantine) 35 / 46


Notion de variables aleatoires reelles

(ii) Fonction de r
epartition dune variable al
eatoire continue

Definition
Soit F la fonction de repartition dune variable aleatoire reelle X , sil existe
une fonction f positive, integrable au sens de Riemann et telle que
Z x
x IR, F (x) = f (t) dt ,

f est appelee densite de probabilite de la loi de X .

Propri
et
es  
dF (x)
a) F 0 (x) = f (x) , = f (x) ,
dx
Z +
b) f (t) dt = F (+) F () = 1 ,

Zaher Mohdeb (E. N. P. de Constantine) 36 / 46


Notion de variables aleatoires reelles
Z b
c) P(a X b) = P(a < X < b) = f (t) dt,
a
d) P(x < X x + dx) = f (x) dx, Z +
e) Soit g une fonction positive, telle que g (t) dt = 1, alors la
Z x

fonction definie par G (x) = g (t) dt est la fonction de repartition



dune loi dont g est la densite de probabilite.
Exemple : Soit X une variable aleatoire continue dont la loi admet pour
densite de probabilite

c(4x + 2x 2 ) si 0 < x < 2



f (x) =
0 sinon.

1) Determiner la valeur de la constante reelle c.


2) Calculer P(X > 1).

Zaher Mohdeb (E. N. P. de Constantine) 37 / 46


Notion de variables aleatoires reelles

Solution
1) f etant une densite de probabilite de la loi de la variable aleatoire X , on
doit avoir
i) fZ(x) 0, x IR, ce qui entraine que c 0,
+
ii) f (t) dt = 1, ce qui entrane que

2 2
2x 3

8 3
Z
2 2
1=c (4x 2x ) dx = c 2 x = c = c= .
0 3 0 3 8
+ 2
3 1
Z Z
2) P(X > 1) = f (x) dx = (4x 2x 2 ) dx = .
1 8 1 2

Zaher Mohdeb (E. N. P. de Constantine) 38 / 46


Notion de variables aleatoires reelles

3.2- Lois usuelles continues


- Loi uniforme
Definition
- Une loi de probabilite P de support [a, b] (avec a et b deux nombres reels
distincts) definie sur (IR, BIR ) est dite uniforme sur cet intervalle, si elle
admet une densite de probabilite de la forme

1
si x [a b]
f (x) = ba (7)
0 sinon .

On note U([a, b]) la loi uniforme sur [a, b].


- On dira quune v.a. reelle X suit une loi uniforme sur lintervalle [a, b], si
sa loi de probabilite admet une densite de probabilite de la forme (7) et on
note X U([a, b]).

Zaher Mohdeb (E. N. P. de Constantine) 39 / 46


Notion de variables aleatoires reelles

- Loi normale
Definition
- Une loi de probabilite P definie sur (IR, B IR ) est appelee loi normale de
param`etres m et , si elle admet une densite de probabilite de la forme
1 1 x m 2
f (x) = e 2 ( ) , x IR . (8)
2

On note N (m, 2 ) la loi normale de param`etres m et .


- On dira quune v.a. reelle X suit une loi normale N (m, 2 ), si sa loi de
probabilite admet une densite de probabilite de la forme (8) et on note
X N (m, 2 ).
- Si m = 0 et 2 = 1, la loi est dite loi normale centree reduite notee
X N (0, 1).

Zaher Mohdeb (E. N. P. de Constantine) 40 / 46


Notion de variables aleatoires reelles

Remarques : i) La loi normale est egalement appelee loi de


Laplace-Gauss o` u simplement loi gaussienne.
X m
ii) Si X N (m, 2 ), alors Y = N (0, 1).

En effet, soit FY la fonction de repartition de la v.a. Y . Pour tout y IR,
on a
X m
 
FY (y ) = P(Y y ) = P y = P(X y +m) = FX (y +m) ,

o`
u FX est la fonction de repartition de la v.a. X . La densite de probabilite
fY de la loi de Y est donnee par
d d
fY (y ) = FY (y ) = FX (y + m) = FX0 (y + m) = fX (y + m) ,
dy dy
u fX est la densite de probabilite de la loi normale N (m, 2 ), do`
o` u
1 y2
fY (y ) = e 2 , y IR .
2
Zaher Mohdeb (E. N. P. de Constantine) 41 / 46
Notion de variables aleatoires reelles

- Loi de Cauchy
Definition
- Une loi de probabilite P definie sur (IR, B IR ) est appelee loi de Cauchy de
param`etres reels a et b (avec a > 0), si elle admet une densite de
probabilite de la forme
 
1 a
f (x) = , x IR . (9)
a2 + (x b)2

Remarque : La courbe de la fonction de densite dune loi de Cauchy


rappelle celle dune loi normale, a` savoir une forme de cloche, mais avec
un etalement plus large. En effet, on peut le constater sur les courbes de la
representation (2) suivante pour une loi de Cauchy avec a = 1 et b = 0 et
une loi normale centree reduite N (0, 1).

Zaher Mohdeb (E. N. P. de Constantine) 42 / 46


Notion de variables aleatoires reelles

0.4
y=f (x)
1
0.35

0.3

0.25

0.2
y

0.15

0.1 y=f (x)


2

0.05

10 5 0 5 10
x

x2
Figure: Courbe de la densite dune loi normale N (0, 1) : f1 (x) = 1 e 2 ,
2
1
ainsi que celle de la densite dune loi de Cauchy : f 2 (x) = (1+x 2) .

Zaher Mohdeb (E. N. P. de Constantine) 43 / 46


Notion de variables aleatoires reelles

- Loi exponentielle
Definition
- Une loi de probabilite P definie sur (IR, B IR ) est appelee loi exponentielle
de param`etre reel > 0, si elle admet une densite de probabilite de la
forme
e x si x > 0

f (x) = (10)
0 sinon .

Remarques :
- La loi de probabilite exponentielle peut etre associee aux processus de
Poisson. En effet, un tel processus gen`ere des evenements dont les temps
doccurrence sont independants et distribues suivant une loi exponentielle.
- La loi de probabilite exponentielle de param`etre est egalement utilisee
en fiabilite. Le param`etre represente le taux de defaillance dun appareil
et son inverse 1/ designe le temps moyen de bon fonctionnement.
Zaher Mohdeb (E. N. P. de Constantine) 44 / 46
Notion de variables aleatoires reelles

- Loi Gamma
Definition
- Soient a et b deux nombres reels strictement positifs. Une loi de
probabilite P definie sur (IR, BIR ) est appelee loi Gamma de param`etres a
et b, si elle admet une densite de probabilite de la forme
a
b x a1 e bx si x > 0
f (x) = (a) (11)
0 sinon ,

o`
u (.)Rest la fonction Gamma dEuler definie, pour a > 0, par
+
(a) = 0 e x x a1 dx.
Cette loi de probabilite est identifiee par la notation (a, b).

Zaher Mohdeb (E. N. P. de Constantine) 45 / 46


Notion de variables aleatoires reelles

Remarques :
i) Dans le cas particulier a = 1, on retrouve la loi exponentielle de
param`etre = b.
ii) La loi (a, b) peut etre utilisee pour modeliser un certain nombre de
phenom`enes aleatoires. Par exemple :
- Dans la theorie des files dattente, la loi gamma represente la loi de
probabilite doccurrence de a evenements (a etant un entier), dans un
processus poissonnien. Si le temps T , entre les defaillances successives
dun syst`eme, suit une loi exponentielle, le temps cumule dapparitions de
b defaillances suit une loi (a, b),
- En fiabilite, la loi (a, b) peut etre utilisee pour modeliser les temps de
defaillance dun materiel.

Zaher Mohdeb (E. N. P. de Constantine) 46 / 46