Chapitre 4 Variables Al Atoires Version 3

SemeStre 3
ProbabiLitéS et
StatiStiqueS
LeS variabLeS aLéatoireS

diScrèteS
ENCG AGADIR 2019-2020 1
Plan du chapitre
Introduction
I. Généralités sur les variables aléatoires discrètes
II. Caractéristiques des variables aléatoires discrètes
1. Loi de probabilité
2. Fonction de Répartition
3. Variable aléatoire et loi de probabilité à 2 dimensions
4. Espérance mathématique E(X)
5. Variance V(X)
6. Ecart-type
VI. Lois discrètes usuelles
1. Loi de Bernoulli (p)
2. Loi Binomiale (n,p)
3. Loi Hypergéométrique H (N, n, Np)
4. Loi de Poisson P (λ)

Introduction
 Une variable aléatoire, notée V.A. n’est autre qu’une grandeur

numérique attachée au résultat d’une expérience aléatoire. Chacune de
ses valeurs est associée à une probabilité d’apparition.
 A un ensemble Ω d'événements élémentaires : {e1, ... , ei, ... , en},

faisons correspondre un nombre X prenant l'une des valeurs : x1,
…,xi,…,xn, lorsque l'événement élémentaire correspondant se réalise.
Le nombre X est appelé variable aléatoire.

Introduction
 Une variable aléatoire est définie si l'on connait les probabilités :

p(x1), ... , p(xi), ... , p(xn) correspondant aux différentes valeurs
possibles de X.
Ces probabilités sont évidemment telles que :

p(x 1 )  ...  p(x i )  ...  p(x n )  1
La correspondance xi , p  xi  est appelée : loi de probabilité (ou

distribution de probabilité) de la variable aléatoire X.

Généralités sur les variables aléatoires discrètes
Si X(Ω) est fini ou dénombrable, X est dite V.A. discrète (VAD).
Une variable aléatoire discrète est une application de Ω dans ℤ
(ensemble des entiers relatifs).
Remarque
Les valeurs prises par une variable aléatoire discrète peuvent être des
couples voire même des triplets, des quadruplets, etc. Dans le cas où
la VAD a des valeurs sous forme de triplets, alors elle est une
application de Ω dans ℤ3.

Loi de probabilité
On appelle Loi de Probabilité d’une variable aléatoire

discrète, la donnée, pour chaque valeur xi prise par X, de la
Probabilité de l’événement (X= xi), notée pi : P(X= xi )=pi .
Remarque
n
Si X(Ω) est fini alors p
i 1
i 1

Si X(Ω) est dénombrable infini alors p
i 1
i 1

Exemple 1:
Soit une urne contenant des boules blanches et des boules rouges. On
tire, au hasard, une boule dans l'urne, et on considère les deux
événements élémentaires :
e1 : la boule est blanche
e2 : la boule est rouge.
Attachons à e1 et e2 un nombre X qui prend la valeur X=0 si e1 est
réalisé, et la valeur X=1 si c'est e2.
Alors X est une variable aléatoire discrète, dont la loi de probabilité
est donnée par les deux probabilités : p(X=0) et p(X=1)
Avec p(X=0) + p(X=1) = 1
Propriétés
La VA est définie par les propriétés suivantes :
 xi  X , Pxi   0 ; 1  

n
  Pxi   1
i 1
n
 P X  xk    Pxi   Px1   Px2   ...  Pxk 
i 1

Exemple 2:
Dans le cas d’une pièce de monnaie.
X est la variable aléatoire qui prend 1 si Pile et 0 si Face.
Alors, p(X=1) =1/2 et p(X=0)=1/2 et p(X=1) + p(X=0) = 1
V.A L.P
Evénements X p(x)
Pile 1 0,5
Face 0 0,5

Exemple 3:
On lance deux fois une pièce de monnaie. On définit la variable
aléatoire X par le nombre de faces obtenues pendant les deux jets
V.A L.P
Evénements X p(x)
PP 0 1/4
PF 1
FP 1
}1/2
FF 2 1/4
p(X=0) + p(X=1) +p(X=2) = 1

Remarque
La représentation graphique d’une VAD est un diagramme en bâtons

Remarque
La loi de probabilité d’une variable aléatoire peut être représentée
dans un tableau qui contient les valeurs de l’univers image et les
probabilités qui leur correspondent.
Ω E1 E2 E3 … Ek
X(Ω) x1 x2 x3 … xk
P(X=xi) ou P(xi) p(x1) p(x2) p(x3) … p(xk) 1

Application 1
On jette deux dés et on s’intéresse à la somme des nombres figurant
sur les dés.
TAF
1. Définir Ω
2. Définir la V.A. X
3. Présenter le tableau de la loi de probabilité correspondant
4. Présenter le graphique correspondant

Application 1 : solution
1-
Ω l’univers de l’expérience : jet de deux dés simultanément.
Ω² = Ω × Ω où Ω = {1,2,3,4,5,6}
Ω = {(1,1), (1,2), (1,3), ...,(6,4), (6,5), (6,6)}
Card(Ω) = 6 × 6 = 36

2-
X est définie comme la somme des nombres affichés sur les
dés après leur jet.
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Ainsi X= {2,3,4,5,6,7,8,9,10,11,12}
3-
(1,6)
(1,5) (2,6)
(1,4) (2,5) (3,6)
(1,3) (2,4) (3,4) (4,6)
(1,2) (2,3) (3,4) (4,5) (5,6)
Ω (1,1) (2,2) (3,3) (4,3) (5,5) (6,6)
(2,1) (3,2) (4,3) (5,4) (6,5)
(3,1) (4,2) (5,3) (6,4)
(4,1) (5,2) (6,3)
(5,1) (6,2)
(6,1)
X(Ω) 2 3 4 5 6 7 8 9 10 11 12
P(X=xi)
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 1
ou P(xi)
12
1 2 3 2 1
 Pxi      ...    1
i 2 36 36 36 36 36
4- le graphique correspondant

Caractéristiques des variables aléatoires discrètes
Fonction de Répartition
Définition :
On définit la Fonction de Répartition F d’une variable

aléatoire X comme étant la fonction :
F: R 0 ; 1  
x  F x  P X  x
F nous permet de définir la loi de probabilité de X

Propriétés
 F(X < x1 ) = P(X < x1 ) = 0 (x1 est la plus petite valeur de la VA)
 F(x1 ) = P(X  x1 ) = P(x1 )
 F(x2 ) = P(X  x 2 ) = P(x1 ) + P(x2 )

 F(xk ) = P(X  x k ) = P(x1 ) + P(x2 ) + ... + P(x k ) = 1
 F(X > x k ) = P(X > x k ) = 1 (x k est la plus grande valeur de la VA)

Reprenant l’exemple 3
On lance deux pièces de monnaie.

Soit l’univers Ω ={(p,p) ; (p,f) ; (f,p) ; (f,f)} muni de
P(Ω)
Soit X la VA qui vaut 0 si on obtient (p,p), 1 si on obtient
(p,f) ou (f,p) et 2 si on obtient (f,f).
On a : X(Ω)={0,1,2}.
Alors
Ω (p,p) (p,f) (f,p) (f,f)
X(Ω) 0 1 1 2
P(X=xi) ou P(xi) 1/4 1/4 1/4 1/4 1
Reprenant l’exemple 3
La fonction de répartition est de :
0 si x  0

1
 si 0  x  1

F x    4
3 si 1  x  2
4

1 si x  2


Variable aléatoire et loi de probabilité à 2 dimensions
Soient X et Y deux variables aléatoires définis sur E. Si à

chacune des valeurs possibles des couples (x,y), on associé
la probabilité de l’événement correspondant, alors on
obtient la loi de probabilité conjointe des VA X et Y ou loi
de VA à deux dimensions.


Fonction de distribution de probabilités jointes :
Dans le cas bivarié, il s’agit de définir la fonction de
distribution de probabilités jointes, c’est-à-dire qui donne la
probabilité de réalisation simultanée de deux variables
aléatoires.
Désignons par Pij, la probabilité que X et Y prennent
respectivement les valeurs déterminées xi et yi, c’est-à-dire :
Pij =P(X=xi, Y=yj), avec   Pij  1
i j
(la somme des probabilités attachées aux valeurs possibles du

couple (x,y) est égale à 1).

la loi de probabilité marginale de X :
Pi    Pij  P  X  xi 
i
la loi de probabilité marginale de Y :

P j   Pij  P Y  y j 
j
Avec   P  P  P
i j
ij
i
i
j
j 1
Tableau de distribution de probabilités jointes.

Exemple :
On jette deux dés équilibrés et on définie les VA :
X le nombre de points amenés par le premier dé
Y le la somme des points obtenus par les deux dés
On obtient la loi conjointe suivante :

Exemple :
loi
X Y 2 3 4 5 6 7 8 9 10 11 12 marginale
de X
1 1/36 1/36 1/36 1/36 1/36 1/36 0 0 0 0 0 6/36
2 0 1/36 1/36 1/36 1/36 1/36 1/36 0 0 0 0 6/36
3 0 0 1/36 1/36 1/36 1/36 1/36 1/36 0 0 0 6/36
4 0 0 0 1/36 1/36 1/36 1/36 1/36 1/36 0 0 6/36
5 0 0 0 0 1/36 1/36 1/36 1/36 1/36 1/36 0 6/36
6 0 0 0 0 0 1/36 1/36 1/36 1/36 1/36 1/36 6/36
loi
marginale 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 1
de Y

Fonction de répartition des probabilités jointes :
La fonction de répartition est obtenue par :
i j
F x i , y j   P X  xi , Y  y j     f  x k , y h 
k 1 h 1
Exemples:
Pour l’exemple précédent calculons :
 F(3, 4) = P(x≤3, y≤4)=6/36
 F(5, 8) = P(x≤5, y≤8)=24/36
 F(6,12) = P(X≤6, Y≤12)= 36/36
Fonction de répartition marginale:
La fonction de répartition est obtenue par :
F x  x i   P  X  x i     f a , y j 
a  xi j
F y  y i   P Y  y i     f x , b  i
i b  yi
Exemples:
 Fx(3) = P(x≤3)=18/36=1/2
 Fx(4) = P(x≤4)=24/36=2/3
 Fy(4) = P(y≤4)= 6/36=1/6
 Fy(6) = P(y≤6)= 15/36=5/12
Probabilité conditionnelle:
Soit Pij≠0, la probabilité conditionnelle Y=yi sachant que
X=xi est égale à : Pij
Pj / i  P Y  y j / X  xi  
Pi 
La probabilité conditionnelle X=xi sachant que Y=yi est égale

à: Pij
Pi / j  P X  x i / Y  y j  
P j
Exemples:
 F(Y=8/X=3) = P38/P3.=(1/36)/(6/36)=1/6
 F(X=3/Y=6) = P36/P.6=(1/36)/(5/36)=1/5
Principe d’indépendance:
X et Y sont indépendantes si :
Pij  Pi   P j
Dans ce cas les lois conditionnelles sont égales aux lois
marginales:
Pij Pi   P j
Pj / i    P j
Pi  Pi 
Pij Pi   P j
Pi / j    Pi 
P j P j
Exercice :
Soit dans un univers probabiliste deux événements A et B tel
que P(A)=0,25 , P(B/A)=0,5 et P(A/B)=0,25
Soient X et Y deux variables aléatoires indicatrices de A et B
respectivement, c’est-à-dire :
X=1 Si A se produit, X = 0 si A ne se produit pas
Y=1 si B se produit, Y=0 si B ne se produit pas
T.A.F :
a) Élaborer le tableau de distribution de probabilité jointe
b) X et Y sont-elles indépendantes ?

Exercice : solution
a) Tableau de distribution de probabilité jointe
__
X Y 1 (B) 0 (B) fi.
1(A)
__ 0,125 0,125 0,25
0(A) 0,375 0,375 0,75
f.j 0,5 0,5 1

Exercice : solution
b) X et Y sont-elles indépendantes ?
Il s’agit de vérifier si : Pij  Pi   P j
P11  0 ,125  P1  P1  0 , 25  0 ,5

P12  0,125  P1  P 2  0, 25  0,5
P21  0,375  P2   P1  0 ,75  0 ,5
P22  0 ,375  P2   P 2  0,75  0,5
Par conséquent, X et Y sont indépendantes
Espérance mathématique E(X)
L’espérance mathématique E(X) de la variable discrète X est la
moyenne arithmétique des valeurs possibles pondérées par les
probabilités.
n
E ( X )   xi Pi avec Pi  P  X  xi 
i 1
Remarque :
n
k k
E ( X )   x Pi i
k un entier naturel
i 1
Application
Soit X une VA définie par :
xi 0 1 2
pi =P(X=xi) 0,25 0,5 0,25
Calculer E(X) et E(X²)

Application : Solution
xi 0 1 2
pi = P(X=xi) 0,25 0,5 0,25
xi * pi 0 0,5 0,5 ∑=1
xi ² 0 1 4
xi²*pi 0 0,5 1 ∑=1,5
n
E ( X )   xi Pi  1
i 1
n
2 2
E ( X )   x Pi  1,5 i
i 1 ENCG AGADIR 2019-2020 37
Application
On jette une pièce de monnaie. Soit X la VA qui prend 1 si
pile et 0 si face. Aussi, si pile on gagne 3000 dh et si 0 on
perd 2000 dh. Pour jouer, il faut dépenser 200 dh.
Vous acceptez le jeu on non ?

Application: solution
Événements X P(X) Y (Résultat)
P 1 1/2 3000
F 0 1/2 -2000
n
 1  1
E ( X )   Pi x i   1     0    1/ 2
i 1  2  2
 1  1
E ( Y )   3000      2000    500
 2  2
L’espérance du résultat (500) est supérieure à ce qu’on paie
pour jouer (200). Alors j’accepte le jeu
Propriétés de l’espérance mathématique
 E ( aX  b )  aE ( X )  b
 E ( X  Y )  E ( X )  E (Y )
 E ( X  Y )  E ( X )  E (Y )
 E g  x    g x  pi i

La Variance V(X)
La variance d’une VA, notée V(X), est l’espérance des
réalisations de la VA en écart à leur espérance.
n 2
V(X) =  x i - E(X)  Pi = E x i - E(X)  2


i 1
= E(X2 ) - (E(X))2 (formule de König - Huygens )
La variance de la variable aléatoire est un indicateur de

dispersion, car plus la valeur de la variance est élevée plus les
valeurs de la variable aléatoire sont très éloignées de la
valeur de l’espérance.
La Variance de V(X)
Propriétés de la Variance
V ( X )  0
 V a  X   V ( X )
 V aX   a V ( X )
2
 En général : V  X  Y   V ( X )  V (Y )

Ecart-type
On appelle écart-type d’une variable aléatoire discrète, notée

σ(X), la racine de la Variance :
 (X )  V (X )
Remarques:
  (aX )  a  ( X )
X  E( X )
Z  est dite variable aléatoire centrée réduite.
 (X )
Avec E(Z)=0 et V(Z)=1
Covariance de 2 variables aléatoires
On définit la covariance de X et Y par :
Cov  X , Y   E  X  E  X Y  E Y 

  pij  xi  E  X  y j  E Y 
iI jJ

Covariance de 2 variables aléatoires
Propriétés
 Cov  X , Y   E  X  Y   E  X  E Y 
 Cov  X , X   V  X 
 Cov  X , Y   0 Si X etY sont indépendan tes
 V  X  Y   V  X   V Y   2Cov  X , Y 

Coefficient de corrélation linéaire
On définit le coefficient de corrélation r de X et Y par :
Cov  X , Y 
r
V ( X )  V (Y )
Avec 1  r  1

Lois discrètes usuelles
LOI DE BERNOULLI (p)
Définition :
Une variable aléatoire X suit une loi de Bernoulli de paramètre p
si sa fonction de probabilité est de la forme :
1 avec probabilité p
X 
0 avec probabilité q  1 p
où p et q représentent respectivement les probabilités de succès et
d’échec symbolisés par les valeurs 1 et 0. On écrit :
PX  x   p q x 1 x
; x  0,1
On note : X ↝ (p)
LOI DE BERNOULLI (p)
Espérance :
L'espérance mathématique de la loi de Bernoulli est le
paramètre p de la loi:
EX   p
Variance :
La variance de la loi de Bernoulli est :
V ( X )  pq
On note : X ↝ (p)
Remarque :
La loi de Bernoulli est utilisée lorsqu’une expérience
aléatoire n’a que deux résultats possibles qualitative Ou
quantitative. ENCG AGADIR 2019-2020 48
Remarque importante :
On appelle processus de Bernoulli toute modélisation par une
suite X1,X2,X3, . . ., Xn de V.A. (indépendantes et
identiquement distribuées), chacune de loi (p).
Dans ce cas, on peut citer différents types de comptages,
menant à des lois différentes:
loi binomiale : comptage des succès en s’arrêtant à un
nombre de répétitions fixé à l’avance.
loi géométrique : comptage des échecs avant d’atteindre le
premier succès.
loi binomiale négative : comptage des échecs avant
d’atteindre le r-ième succès.
 loi de poisson : comptage de nombre d’occurrences dans
un laps de temps. ENCG AGADIR 2019-2020 49
Loi Binomiale (n,p)
Définition :
Une variable aléatoire X suit une loi binomiale de paramètres
n et p (X ↝ (n,p)) si sa fonction de probabilité est de la
forme :
P X  x   C p q x
n
x 1 x
; x  0,1,2,..., n
où :
p : la probabilités de succès
q : la probabilités de succès d’échec
x
Cn : est le nombre de combinaisons de x objets parmi n
n : nombre d’épreuves indépendantes (répétitions)
Cette loi permet de calculer la probabilité d’obtenir x succès
parmi n épreuves indépendantes (avec remise).
Loi Binomiale (n,p)
Exemple 1 :
On lance 10 fois une pièce de monnaie. Soit la variable

aléatoire X représentant le nombre de piles apparues. Quelle
est la probabilité d’obtenir exactement 8 fois piles ?

Loi Binomiale (n,p)
Exemple 1 :
On lance 10 fois une pièce de monnaie. Soit la variable
aléatoire X représentant le nombre de piles apparues. La
probabilité d’obtenir exactement 8 fois piles est donc égale à
8 2
1 1
P  X  8   C      0,044
8
10
2 2
Remarque :
Si X1↝ (n1,p) et X2↝ (n2,p) alors la variable Y=X1+X2
Y↝ (n1+ n2,p)
Exemple 2:
On lance un dé 10 fois de façon indépendantes. Quelle est la
probabilité d’avoir 4 fois le coté 6 pendant les 10 lancés ?

Exemple 2: Solution
Soit X le nombre de fois où on obtient le coté 6 pendant 10
lancés. Les deux événements sont mutuellement exclusifs
(avoir 6 ou ne pas avoir 6) et la probabilité d’avoir le coté 6
est de 1/6 constante (événements indépendants). Alors les
condition d’application de la loi Binomiale sont vérifiées.
Alors X ↝ (n,p) avec n=10 et p=1/6 ;(X ↝ (10,1/6)
4 6
1 5
P  X  4   C      0,1125
4
10
6 6
Exemple 3:
Sachant que la probabilité pour qu’un étudiant soit diplômé
est de p=0,4.
Calculer pour un groupe de 5 étudiants la probabilité pour
que :
a. Aucun ne soit diplômé ;
b. 1 et un seul soit diplômé ;
c. Au moins 2 soient diplômés ;
d. Les 5 soient diplômés.

Exemple 3: solution
Soit X la V.A. qui désigne le nombre d’étudiants diplômés
parmi 5. nous avons 2 solutions :Être diplômé ou ne pas être
diplômé. Aussi les événements sont indépendants (p=0,4 est
constante).
Alors X ↝ (5, 0,4)
0 5
a ) P X  0   C 0
5 0 , 4  0 , 6   0 , 08
1 4
b ) P  X  1   C 5 0 , 4  0 , 6   0 , 26
1
c ) P X  2   1  P X  2 
 1  P ( X  0 )  P ( X  1)   0 , 66
5 0
d ) P  X  5   C 5 0 , 4  0 , 6   0 , 01
5

Loi Binomiale (n,p)
Espérance :
L'espérance mathématique de la loi de Binomiale de
paramètre n et p : n n
E  X    E  X i   p  np
i 1 i 1
Variance :
n n
V ( X )   V  X i    pq  n pq
i 1 i 1
On note : X ↝ (n,p)
Loi Hypergéométrique H (N, n, Np)
Définition :
Soit une population de N objets parmi lesquels une
proportion p possède un certain caractère, on prélève un
échantillon de n individus, sans remise, dans cette
population.
Soit X le nombre d'objets qui possèdent cette propriété. On a
: x n x
C Np C N  Np
PX  x   n
C N
On note : X ↝ H (N, n, Np)

Loi Hypergéométrique H (N, n, Np)
Espérance :
L'espérance mathématique de la loi Hypergéométrique :
E  X   np
Variance :
N n
V ( X )  npq
N 1
La loi Hypergéométrique est la loi du tirage exhaustif
N n
et le rapport est appelé taux d’exhaustivité.
N 1
Exemple :
L’oral d’un concours comporte au total 100 sujets. Les
candidats tirent au sort trois sujets et choisissent alors le sujet
traité parmi ces trois sujets. Un candidat se présente en ayant
révisé 60 sujets sur les 100.
1. Quelle est la probabilité pour que le candidat ait révisé :

(a) les trois sujets tirés;
(b) exactement deux sujets sur les trois sujets;
(c) aucun des trois sujets.
2. Donner la loi de probabilité de cette VA et calculer son
espérance et sa variance

Exemple : solution
Soit la VA : X «nombre de sujets révisés parmi les 3»
Alors X={0,1,2,3}.
La loi de X est une loi hypergéométrique puisque
l’événement [X = k], pour k compris entre 0 et 3, se produit
si le candidat tire k sujets parmi les 60 révisés, et 3−k sujets
parmi les 40 non révisés.
N=100
p=60/100=0,6
NP=60
n=3 ENCG AGADIR 2019-2020 61
Exemple : solution
1. Les trois sujets tirés ont été révisés :
C 603 C 100
33
P X  3   3
 60
 0 , 2116
C 100
2. Deux des trois sujets tirés ont été révisés :
2 3 2
C C
P X  2   60 100  60
3
 0 , 4378
C 100
3. Aucun des trois sujets :

0 3 0
C C
P X  0  60
3
100  60
 0,0611
C 100

2) la loi de probabilité de X
X=xi 0 1 2 3
P(X=xi) 0,0611 0,2895 0,4378 0,2116 ∑=1
E  X   np  3  0,6  1,8
N n 100  3
V ( X )  npq  3  0,6  0,4
N 1 100  1
 0,7054

La loi de Poisson P (λ)
Définition :
Une v.a. X suit une loi de Poisson P (λ) de paramètre λ > 0 si
c’est une variable à valeurs entières, X(Ω) = ℕ et tel que :
x=0,1,2, … et :
x

P X  x   e 
;   np
x!
On note : X ↝ P (λ)
Espérance et variance :
L'espérance mathématique de la loi Hypergéométrique :
E  X   V (X )  
Propriétés :
 X1↝ P (λ1) et X2 ↝ P (λ 2), X1 et X2 étant indépendantes,
alors : X1 + X2 ↝ P (λ1 +λ 2).
 La loi de poisson correspond à la lois des événement rares
(probabilité Faible)
Domaine d’application:
La loi de Poisson est utilisée dans les cas suivants :

Nombre de pannes d’un système arrivées dans un laps de
temps
Nombre d’appels téléphoniques enregistrés par un central
Nombre d’accidents survenus à un assuré
Nombre d’arrivées à un guichet
modéliser la probabilité de défaut d'un crédit
...

Exemple :
Dans une grande ville, on compte en moyenne 5 décès par
accident d’auto chaque mois. Sachant que le nombre
d’accidents par mois est une v.a de Poisson de paramètre
λ=5, calculer la probabilité pour que dans un mois,
1.il y ait zéro accident
2.il y ait un accident
3.il y ait au moins 6 accidents

Exemple :
Soit X le nombre d’accidents par mois avec X↝ P (5)
0
5
1) P X  0  e5  0,0067
0!
1
5
2) P X  1  e 5
 0,0337
1!
3) P X  6  1  P X  6  1  P0  P1  P2  P3  P4  P5 
 1  0,616  0,384

Exemple :
Une centrale téléphonique reçoit des appels en raison
de 300 appels par heure en moyenne. En supposant
que le nombre d’appels pendant un intervalle de temps
donné est une v.a de Poisson, calculer la probabilité
pour que pendant deux minutes la centrale reçoive
exactement 3 appels (resp. au moins 1 appel, au moins
3 appels).

Exemple :solution
Soit X le nombre d’accidents par mois avec X↝ P (10)
3
10
1) P  X  3   e 10
 0 , 0076
3!
2 ) P  X  1  1  P  X  1  1  P  X  0 
0
 10 10
 1 e  0 ,999
0!
3 ) P  X  3   1  P  X  3   1  P0  P1  P2 
 1  0 , 0027  0 ,9972

Approximation de la loi Binomiale par la loi de Poisson :
Si n est grand et qu’en même temps p est petit, la loi binomiale

tendra vers la loi de poisson de paramètre λ= np.
En effet, si n est grand et p très petit, on aura :
E  X     np et VX   npq  np, q étant proche de 1
N.B. Habituellement, on accepte de substituer la loi de poisson à
la loi binomiale lorsqu’on à la fois :
- 1er cas : n>50 et p<10%
- 2ème cas : n≥30 ; np<5 et nq<5

Exemple:
10% d’outils produits par un certain procédé de
fabrication ont été défectueux. Trouver la probabilité
pour que 5 outils exactement soient défectueux sur un
échantillon de 10 choisit au hasard, en utilisant :
a) la loi binomiale
b) l’approximation de la loi binomiale par la loi de
Poisson.

Exemple: solution
a)la loi binomiale (p=0,1; q=0,9, n=10)
P  X  2   C (0,1) (0,9)  0,1937

2
10
2 8
b) l’approximation de la loi binomiale par la loi de

Poisson. (λ=np=10*0,1=1)
2
1
PX  2  e 1
 0,1839
2!

Merci de votre attention

Chapitre 4 Variables Al Atoires Version 3

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 4 Variables Al Atoires Version 3

Transféré par

Droits d'auteur :

Formats disponibles

SemeStre 3

LeS variabLeS aLéatoireS

ENCG AGADIR 2019-2020 2

 Une variable aléatoire, notée V.A. n’est autre qu’une grandeur

 A un ensemble Ω d'événements élémentaires : {e1, ... , ei, ... , en},

ENCG AGADIR 2019-2020 3

 Une variable aléatoire est définie si l'on connait les probabilités :

Ces probabilités sont évidemment telles que :

La correspondance xi , p  xi  est appelée : loi de probabilité (ou

ENCG AGADIR 2019-2020 4

ENCG AGADIR 2019-2020 5

On appelle Loi de Probabilité d’une variable aléatoire

ENCG AGADIR 2019-2020 6

La VA est définie par les propriétés suivantes :

 xi  X , Pxi   0 ; 1  

ENCG AGADIR 2019-2020 8

ENCG AGADIR 2019-2020 9

p(X=0) + p(X=1) +p(X=2) = 1

ENCG AGADIR 2019-2020 10

ENCG AGADIR 2019-2020 11

ENCG AGADIR 2019-2020 12

ENCG AGADIR 2019-2020 13

Ω = {(1,1), (1,2), (1,3), ...,(6,4), (6,5), (6,6)}

ENCG AGADIR 2019-2020 14

ENCG AGADIR 2019-2020 17

On définit la Fonction de Répartition F d’une variable

F nous permet de définir la loi de probabilité de X

ENCG AGADIR 2019-2020 19

On lance deux pièces de monnaie.

La fonction de répartition est de :

ENCG AGADIR 2019-2020 21

Variable aléatoire et loi de probabilité à 2 dimensions

Soient X et Y deux variables aléatoires définis sur E. Si à

ENCG AGADIR 2019-2020 22

Variable aléatoire et loi de probabilité à 2 dimensions

(la somme des probabilités attachées aux valeurs possibles du

Variable aléatoire et loi de probabilité à 2 dimensions

la loi de probabilité marginale de Y :

ENCG AGADIR 2019-2020 25

Variable aléatoire et loi de probabilité à 2 dimensions

ENCG AGADIR 2019-2020 26

ENCG AGADIR 2019-2020 27

La probabilité conditionnelle X=xi sachant que Y=yi est égale

ENCG AGADIR 2019-2020 32

ENCG AGADIR 2019-2020 33

Il s’agit de vérifier si : Pij  Pi   P j

P11  0 ,125  P1  P1  0 , 25  0 ,5

Calculer E(X) et E(X²)

ENCG AGADIR 2019-2020 36

ENCG AGADIR 2019-2020 38

ENCG AGADIR 2019-2020 40

V(X) =  x i - E(X)  Pi = E x i - E(X)  2

= E(X2 ) - (E(X))2 (formule de König - Huygens )

La variance de la variable aléatoire est un indicateur de

ENCG AGADIR 2019-2020 42

On appelle écart-type d’une variable aléatoire discrète, notée

On définit la covariance de X et Y par :

Cov  X , Y   E  X  E  X Y  E Y 

ENCG AGADIR 2019-2020 44

ENCG AGADIR 2019-2020 45

On définit le coefficient de corrélation r de X et Y par :

ENCG AGADIR 2019-2020 46

On lance 10 fois une pièce de monnaie. Soit la variable