Vous êtes sur la page 1sur 24

Chapitre 2: Variables aléatoires

1- Variable aléatoire discrète:


1.1-Notion d’une variable aléatoire discrète
Définition:
Une grandeur numérique X prenant, lors d’une expérience aléatoire, des valeurs x1, x2, ..., xn avec des :
p1, p2, ..., pn est une variable aléatoire discrète.
Exemple:
• Un jeu de hasard consiste à lancer un dé équilibré à 6 faces. Le lanceur gagne la somme double de la
valeur de la face obtenue si celle-ci est paire, sinon, il perd le double de la valeur indiquée par le dé,
• On appelle le gain, positif ou négatif, du joueur après un lancer,
Ici, l’ensemble des issues possibles est Ω 1; 2; 3; 4; 5; 6
On a défini avec une variable aléatoire réelle telle que: 1 2; 2 4; 3 6;
4 8; 5 10; 6 12.

ENSAS 2018-2019 1
1.2-Loi de probabilité d’une variable aléatoire discrète
Définition :
La loi de probabilité de la variable aléatoire X est la fonction f qui a chaque valeur associe sa probabilité.

Remarque :
En général, on présente la loi d’une variable aléatoire X sous la forme d’un tableau, qui récapitule les valeurs
prises par X ainsi que les probabilités associées.
Dans tout le reste du chapitre, on considèrera la variable aléatoire discrète de loi :

Exemple :
On reprend l’énoncé de l’exemple précédent. La loi de X est donnée par :

Remarque :
On note que pour chacun de ces tableaux, la somme des probabilités élémentaires fait 1, en accord avec
l’un des axiomes des probabilités !

ENSAS 2018-2019 2
1.3- Fonction de répartition d’une variable aléatoire discrète

Définition:
Soit X une variable aléatoire. La loi de probabilité de X est définie par la fonction , appelée
fonction de répartition de la variable X, définie par:
: ℝ→ [0, 1]
x → P( ≤ x).
• On dit que deux variables aléatoires et ont la même loi si elles ont la même fonction de
répartition = .

Remarque:
La fonction de répartition d'une variable aléatoire
discrète est une fonction "en escalier" croissante
de 0 à 1.

ENSAS 2018-2019 3
1.4-Espérance d’une variable aléatoire
Définition:
Soit X une variable aléatoire discrète, on appelle espérance de la variable aléatoire X le réel
noté E(X) qui vaut :

Remarque:
Ce nombre important en probabilités représente la valeur moyenne de la variable aléatoire X.

Définition:
Soit X une variable aléatoire discrète d’espérance E(X).
On appelle variance de la variable aléatoire X le réel noté V (X) qui vaut :

• On appelle écart-type de X le réel noté (X) défini par :

ENSAS 2018-2019 4
Théorème (De Koenig):

Propriété
• La variance et l’écart-type d’une variable aléatoire réelle X sont des nombres positifs.
• L’écart-type mesure la dispersion des valeurs d’une variable aléatoire par rapport à son espérance.
• Si X est exprimé dans un certaine unité, (X) l’est dans la même unité.

I.5 -Transformation affine d’une variable aléatoire

Propriété
Soit X une variable aléatoire discrète admettant une espérance et une variance, alors pour tous a; b ∈ R,
la variable aléatoire aX + b admet une espérance, une variance et un écart-type définis par :

ENSAS 2018-2019 5
1.6- Lois fondamentales discrètes
1.6.1- Loi de Bernoulli
Définition :
• Une expérience de Bernoulli est une expérience qui n’a que deux issues possibles, l’une appelée
« succès» qui a pour probabilité p, l’autre appelée « échec » qui a pour probabilité q = 1 − p.

• Définir une loi de Bernoulli de paramètre p, c’est associer une loi de probabilité discrète à cette
expérience aléatoire en faisant correspondre la valeur 1 à l’apparition d’un succès et 0 à celle d’un échec.

Exemple:
Si on lance un dé et qu’on nomme « succès » l’apparition de la face 6, on obtient la loi de Bernoulli
suivante :

ENSAS 2018-2019 6
Propriété:
Soit X une variable aléatoire suivant une loi de Bernoulli B(p), alors :
L’espérance de X vaut E(X) = p.
La variance de X vaut V (X) = pq.

1.6.2- Loi binomiale :


Définition:
La loi binomiale de paramètres n et p, notée B(n; p) est la loi de probabilité du nombre de succès
dans la répétition de n expériences de Bernoulli de paramètre p identiques et indépendantes.
Elle est définie par :

Exemple:
• On lance 2 fois un dé bien équilibré. On s’intéresse à l’apparition de la face 6. Chaque lancer est une
expérience de Bernoulli de paramètre . On obtient donc une loi binomiale, (2; )

ENSAS 2018-2019 7
Propriété:
Soit X une variable aléatoire suivant une loi Binomiale B(n, p), alors :
L’espérance de X vaut E(X) = np.
La variance de X vaut V (X) = npq.

1.6.3- loi de Poisson


Définition:
La variable aléatoire X suit une loi de Poisson de paramètre , notée ( ) avec > 0 lorsque sa loi de
probabilité vérifie : "
!
, ∀ ∈ ℕ
!
Exemple :
On considère la variable aléatoire X mesurant le nombre de clients se présentant au guichet 1 d’un
bureau de poste par intervalle de temps de durée 10 minutes entre 14h30 et 16h30.
On suppose que X suit la loi de Poisson de paramètre = 5.
Pour = 5, on a:

ENSAS 2018-2019 8
On peut aussi représenter graphiquement la loi ( ) :

Propriété :
Soit X une variable aléatoire suivant une loi de Poisson de paramètre , alors l’espérance et la
variance sont égales et valent E(X) = V (X) = .

ENSAS 2018-2019 9
2- Variable aléatoire continue:
2.1-Notion d’une variable aléatoire continue
Définition:
Une variable aléatoire continue est une variable qui prend ses valeurs dans un intervalle de ℝ.

Exemple:
Exemple de variables aléatoires continues :
Variable T correspondant à la taille d’un élève,
Variable L correspondant à longueur d’un train,
Variable A correspondant au temps d’attente à une caisse . . .
2.2- Fonction de répartition
Définition
Soit X une variable aléatoire, on appelle fonction de répartition de X la fonction définie sur ℝ par
' ( ≤ ')
Propriétés :
La définition nous permet d’écrire :
• )≤ ≤* ≤* ≤) * ()).
• >* 1 (*)
ENSAS 2018-2019 10
Remarque:
La fonction de répartition d'une variable aléatoire continue est une fonction continue, croissante
de 0 à 1.

ENSAS 2018-2019 11
2.3-Densité et loi de probabilité

Définition:
Dans le cas où est dérivable, la fonction f dérivée de F est appelée densité de probabilité de X et
pour tout x de ℝ, , ' -(')
Conséquences :
• étant une fonction croissante, f est positive.
0
• )≤ ≤* * ) .1 - ' /'
23
• . 3 - ' /' 1
Graphiquement, l’aire entre la courbe de f, qui est une fonction positive, et l’axe des abscisses
vaut 1
2.4- Espérance et variance
Définition:
Soit X une variable aléatoire continue et f sa densité.
23
• L’espérance de X est le réel défini par la relation : 4 . 3 '- ' /'
23
• La variance de X est le réel défini par la relation: 5 . 3
' 4( ) ²- ' /'
• L’écart-type de X est le réel défini par la relation: 7
5( )
ENSAS 2018-2019 12
2.5-Lois fondamentales continues
2.5.1- Loi normale (Laplace-Gauss):

Définition:
On appelle loi Normale de paramètres 8 ∈ ℝ et ∈ ℝ+ la loi d’une variable aléatoire continue
prenant toutes les valeurs réelles, de densité de probabilité la fonction définie pour tout x ∈ ℝ par:
1 < =
²
- ' 7
; >
2:
On note : ⟶ @(8; )

Exemple:
Exemples de courbes pour quelques
valeurs de 8 et :

ENSAS 2018-2019 13
Propriétés:
• On admet que si est une variable aléatoire suivant la loi normale @(8; ) alors:
4 8; 5(X)= ²
Ainsi les paramètres d’une loi normale sont en fait son espérance mathématique et son écart-type.

• Pour tous a et b réels tels que a < * :


0
1 < = ;
)≤ ≤* 7 B ; > /'
2: 1
• On peut démontrer en introduisant la loi normale réduite:
8 ≤ ≤8+ ≈ 0,68
8 2 ≤ ≤ 8 + 2 ≈ 0,95

ENSAS 2018-2019 14
Stabilité d’une loi normale:

• Soit et ; deux variables aléatoires normales indépendantes de paramètres respectifs 8 ;


et 8; ; ; alors la somme + ; est une variable aléatoire normale de paramètres
8 + 8; ; ;+
;
7 ;

2.5.2- Loi normale centrée réduite E(F; G):

Définition:
• La variable aléatoire H qui suit la loi normale de paramètres m = 0 et = 1 est dite variable
aléatoire centrée réduite. Sa densité de probabilité est définie sur ℝ par:
1 I
- ' ;<
2:
7
• On note : Z ⟶ @(0; 1)

Fonction de répartition J :
On note : la fonction de répartition d’une variable aléatoire suivant
la loi N(0; 1).
O N I
On a donc pour tout K ∈ ℝ; : K H≤L <
. 3 7 ;M I /'

ENSAS 2018-2019 15
Propriétés:
Soit Z la variable aléatoire centrée et réduite.
H≥L 1 : L
Si u est positif: : L 1 : L
Pour tous ); * ∈ ℝ: ) ≤ H ≤ * : * : )
Pour tout K ≥ 0; L ≤ H ≤ L =2: L -1
Utilisation de la table de la loi normale centrée réduite
• Le formulaire ne donne que les valeurs de la loi normale centrée réduite et pour des valeurs
positives.
• En voici un extrait pour comprendre la méthode de lecture :
H ≤ 0,31 : 0,31 0,6217
H ≥ 0,31 = 1 : 0,31 1 0,6217 0,3738
H ≥ 0,31 =1 : 0,31 =: 0,31 =0,6217
0,11 ≤ H ≤ 0,32 : 0,32 : 0,11 =0,6255-0,5438=0,0817

ENSAS 2018-2019 16
Lien avec la loi normale

Propriété:
=
Si une variable aléatoire X suit la loi normale @(8; ) , alors la variable aléatoire H suit la
>
loi normale centrée réduite @(0; 1) En particulier, on a E(Z) = 0 et (Z) = 1.
Remarque:
Il nous suffit d’étudier la loi normale centrée réduite puis de procéder à un changement de
variable pour obtenir n’importe quelle loi normale
Exemple:
• Une variable X suit la loi normale @(12; 3) donc :m = 12 et = 3.
= ;
On pose: H >
= S
• Calcul de ≤ 16 :
;
≤ 16 ⟺ H ≤ S ⟺ H ≤ 1,33
Donc: ≤ 16 = H ≤ 1,33 : 1,33 0,9082
• Calcul de 9 < ≤ 15 1<H≤1 2: 1 1 0,6828

ENSAS 2018-2019 17
2.5.3- Loi du V² de Pearson:
La loi de Pearson ou loi de khi-2 trouve de nombreuses application dans le cadre des tests.

Définition:
• Soient ; ;; …; normales centrées réduites, on appelle X² la variable aléatoire définie par:
W variables
X² = ²+ ; ²+…+ W ² = ∑WZ[ Z ²
• On dit que X² suit une loi de Pearson à \ degrés de liberté.
• La fonction densité de probabilité est de la forme:
^ _²
( )
-(X²)=] \ X² I I

Avec : ] 1 7
;M
23
• La constante ] \ est telle que :. 3 - ' 1
• Pour X²≤ 0 ; -(X²)=0
• Pour \ > 1, on utilise la table du khi-2

Remarque:
la distribution du khi-2 est dissymétrique et tend à devenir symétrique lorsque n augmente en se
rapprochant de la distribution normale, à laquelle elle peut être assimilée lorsque \ > 30,
ENSAS 2018-2019 18
Espérance et variance :

• L’espérance de la variable X² est : E(X² ) = n


• La variance de la variable est : V(X² ) = 2n

Utilisation de la table de la loi khi-2

Exemple:

Pour une distribution de ` 3 et pour


P=0,05 on a:
P(X²< a ) 0,05
D’après la table: a =0,352

ENSAS 2018-2019 19
2.5.4- Loi de Student-Fisher:

Définition:

• Soit b une variable aléatoire suivant une loi normale réduite @ 0,1 et 5 une variable aléatoire suivant
d
une loi de Pearson à n degrés de liberté XW; , b et 5 étant indépendantes, on dit alors que cW 7 suit
e
^
une loi de Student-Fisher à n degrés de liberté.
^gN
f² I
• La fonction densité de probabilité est de la forme:- c ](\) 1 + W
23
• La constante ] \ est telle que :. 3
- ' 1

Remarque:
la distribution Student-Fisher est symétrique et tend vers
une loi normale lorsque n augmente indéfiniment.

ENSAS 2018-2019 20
Espérance et variance :

• L’espérance de la variable cW est : E(cW ) = 0


W
• La variance de la variable cW est : V (cW )= W ; hi \ > 2
Utilisation de la table de Student

Exemple: j l < k F, |n (unilatéral)


j k<l<k F, mn ⟹ G p F, mn Pour q y st uvwu ∶ k G, …|{y
⟹ p(bilatéral)=0,05
Pour q r st uvwu ∶ k y, zz{n ENSAS 2018-2019 21
2.5.5- Loi de Fisher-Snedecor:

Définition:
• Soit b † 5 deux variables aléatoires indépendantes suivant une loi de Pearson respectivement à n et
m degrés de liberté,
d/W
• On dit que : suit une loi de Fisher-Snedecor à (n, m) degrés de liberté.
ˆ/=
• Pour , la fonction densité de probabilité est de la forme:
W (W2=)
- ] W,= ; 8+\ ;
• Pour ≤ 0, - =0

Espérance et variance :
=
• L’espérance de la variable est : E( ) = = ;
si 8 > 2
;=²(W2= ;)
• La variance de la variable est : V ( )= hi 8 >4
=(= ;)²(= ‰)

ENSAS 2018-2019 22
Utilisation de la table de Fisher-Snedecor

Exemple:
G
j <‹<Š G p = 0,95
Š
Pour \ `1 3 † 8 `2 4 Œ\ )L•) ∶ - 9,98

ENSAS 2018-2019 23
2.6- Le théorème central limite

On se place dans une situation d’épreuves répétées , caractérisées par une suite
; ; ; …; W de n variables aléatoires indépendantes et de même loi ( Espérance
4( Z ) 8 et variance 5( Z ) ² , on définit ainsi la nouvelle variable aléatoire:

N 2 I 2⋯2 ^ •^
• La moyenne: W =
W
=
W

4( W) 8 etV( W) W

Pour t ⟶ ∞ ∶
• ’t suit une loi normale N(m; “/ 7 t)

ENSAS 2018-2019 24