Vous êtes sur la page 1sur 46

Université Cadi Ayyad

Faculté des Sciences et techniques


Marrakech

Statistiques Probabilistes
(Généralités sur les variables aléatoires)

Animé par :
Pr AIT BABRAM Mohamed

Semestre 3 2008/2009
FSTG Marrakech
Plan du chapitre
¾ Variables aléatoires discrètes
ƒ Loi de probabilité
ƒ Fonction de répartition
Variables Aléatoires

ƒ Caractéristiques
ƒ Indépendance
ƒ Covariance
¾ Variables aléatoires continues
ƒ Fonction de répartition
Pr. AIT BABRAM Mohamed

ƒ Loi ou densité de Probabilité


ƒ Caractéristiques
ƒ Indépendance
ƒ Covariance
FSTG Marrakech
Introduction aux variables aléatoires
Définition : Étant donnés un univers Ω muni d’une probabilité P. On
appelle variable aléatoire, toute application X permettant d’associer à
chaque événement élémentaire ω une valeur numérique X(ω) (code !)
Variables Aléatoires

Toutes les valeurs (codes)


L’univers Ω
que peut prendre X sur Ω.

X: Ω X(Ω)
Le code numérique
Événement élémentaire ω X(ω) de l’éventualité ω
Pr. AIT BABRAM Mohamed

Définition : Soit X une variable aléatoire définie sur un espace


probabilisé (Ω,P). On dit que X est discrète (resp. continue) si et
seulement si l’ensemble X(Ω) des valeurs que peut prendre la variable
aléatoire est dénombrable (resp. un intervalle).
FSTG Marrakech
Introduction aux variables aléatoires
Exemple (variable aléatoire discrète) : On lance deux dés. On note
par X l’application qui, à chaque lancer, on associe la somme des
résultats obtenus.
Ω = {ω1 , ω2 , ω3 , ... , ω35 , ω36 }
Variables Aléatoires

ω1 = (1,1) ; ω2 = (1,2) ; ω3 = (1,3) ; ω4 = (1,4) ; ω5 = (1,5) ; ω6 = (1,6)


ω7 = (2,1) ; ω8 = (2,2) ; ω9 = (2,3) ; ω10 = (2,4) ; ω11 = (2,5) ; ω12 = (2,6)
ω13 = (3,1) ; ω14 = (3,2) ; ω15 = (3,3) ; ω16 = (3,4) ; ω17 = (3,5) ; ω18 = (3,6)
ω19 = (4,1) ; ω20 = (4,2) ; ω21 = (4,3) ; ω22 = (4,4) ; ω23 = (4,5) ; ω24 = (4,6)
ω25 = (5,1) ; ω26 = (5,2) ; ω27 = (5,3) ; ω28 = (5,4) ; ω29 = (5,5) ; ω30 = (5,6)
Pr. AIT BABRAM Mohamed

ω31 = (6,1) ; ω32 = (6,2) ; ω33 = (6,3) ; ω34 = (6,4) ; ω35 = (6,5) ; ω36 = (6,6)

X(ω26) = X(ω31) = 7
X(ω33) = X(ω28) = 9
X(ω10) = X(ω5) = 6
FSTG Marrakech
Introduction aux variables aléatoires
Exemple (variable aléatoire continue) : A la sortie d’une machine
d’emballage, on pèse les paquets de farine. On note par X l’application
qui, à chaque paquet, on lui associe son poids en gramme. On a
constaté que les poids varie entre 300 g et 450 g.
Variables Aléatoires

Ω = {P1, P2 , P3 ,..., Pn ,...}


Le poids du i-ème paquet

X: Ω [300,450]
Pi X(Pi)
Pr. AIT BABRAM Mohamed

Remarque : On peut se permettre de considérer la variable aléatoire X


comme discrète. Mais vue, le nombre faramineux de pesés qu’on peut
éventuellement observer, il est commode, empiriquement, de regarder
la variable X comme continue.
FSTG Marrakech

Variables aléatoires discrètes


Variables Aléatoires

¾Loi de probabilité
¾Fonction de répartition
¾Indépendance
¾Espérance
¾Variance et Covariance
¾Variable centré réduite
Pr. AIT BABRAM Mohamed
FSTG Marrakech
Loi de probabilité
Soit X une variable aléatoire discrète définie sur un espace probabilisé
(Ω,P). On note par :
X (Ω ) = {a1, a2 , a3 , a4 , ... , an−1, an , ...}
Définition : On appelle loi de probabilité ou fonction de distribution
Variables Aléatoires

de X, l’application qui, à chaque valeur possible ai de la variable


aléatoire X, associe la probabilité P(X = ai).
Loi de probabilité de X
Pr. AIT BABRAM Mohamed

Remarque : Les quantités P(X = ai) représentent les probabilités des


événements définis par :
(X = ai ) = {ω ∈ Ω : X (ω ) = ai }
FSTG Marrakech
Loi de probabilité
Exemple : On lance deux dés. On note par X l’application qui, à
chaque lancer, on associe la somme des résultats obtenus. La loi de
probabilité de X est donnée par le tableau suivant :

X (Ω ) = {2, 3, ... ,11,12}


Variables Aléatoires

6/36

5/36

4/36

3/36
Pr. AIT BABRAM Mohamed

2/36

1/36

2 3 4 5 6 7 8 9 10 11 12
Diagramme en bâtons de X
FSTG Marrakech
Loi de probabilité
Remarque : Toute loi de probabilité vérifie la propriété suivante :

∑ P (X
i
= ai ) = 1
Variables Aléatoires

Remarque : Dans le cas où une variable aléatoire discrète X peut


prendre une infinité de valeurs, on présente la loi de probabilité par une
formule !!! .

Exemple : Sur une ligne de bus, 20 % des voyageurs n’ont pas payé
de ticket. Chaque matin, contrôleur vérifie les billets jusqu’à ce qu’il
tombe sur fraudeur. On note par X la variable aléatoire définie par :
X : Le nombre de personne qu’il a fallu contrôler pour en trouver une
Pr. AIT BABRAM Mohamed

situation irrégulière.
On admettra alors que pour tout k, entier non nul, on a

P ( X = k ) = (0 , 2 )(0 ,8 )
( k −1 )
FSTG Marrakech
Loi de probabilité
Exemple : Reprenons l’exemple de l’urne qui contient 3 boules
noires et 4 boules rouges. Procédons nous aux trois modes
d’expérience. On considère les variables aléatoires suivantes :
X1 : le nombre de boules rouges obtenu.
X2 : le nombre de boules noires obtenu.
Variables Aléatoires

X i (Ω 1 ) = X i (Ω 2 ) = X i (Ω 3 ) = {0 , 1, 2}
La probabilité d’avoir
2 boules rouges est
égale à celle d’avoir 0
boules noires
Pr. AIT BABRAM Mohamed

La probabilité d’avoir
1 boule rouges est
égale à celle d’avoir 1
boules noires
FSTG Marrakech
Loi de probabilité
Remarque : On note que, pour l’exemple précédent, on a 6 cas de
figures. Une illustration graphique de ces différentes fonctions de
distribution est comme suite :
12/21 24/49 24/42
Ω1 Ω2 Ω3
Variables Aléatoires

16/49
P(X1=k) 6/21 12/42
9/49
3/21 6/42

0 1 2 0 1 2 0 1 2

12/21 24/49 24/42


Pr. AIT BABRAM Mohamed

Ω1 Ω2 Ω3

16/49
P(X2=k)
6/21 12/42
9/49
3/21 6/42

0 1 2 0 1 2 0 1 2
FSTG Marrakech
Fonction de répartition
Soit X une variable aléatoire discrète définie sur un espace probabilisé
(Ω,P). On note par :
X (Ω ) = {a1, a2 , a3 , a4 , ... , an−1, an , ...}
Variables Aléatoires

Définition : On appelle fonction de répartition de X, l’application F


qui, à chaque réel x, associe la probabilité pour que la variable X
prenne une valeur inférieure ou égale à x.

F (x) = P( X ≤ x) pour tout x ∈ R

Remarque : La quantité P(X ≤ x) représente la probabilité pour que


Pr. AIT BABRAM Mohamed

l’événement suivant soit réalisé :

( X ≤ x) = {ω ∈Ω : X (ω) ≤ x}
FSTG Marrakech
Fonction de répartition
Propriétés : Soit X une variable aléatoire discrète définie sur un
espace probabilisé (Ω,P). On a les assertions suivantes :

¾ F est une fonction croissante;


Variables Aléatoires

¾ 0 ≤ F(x) ≤ 1;

¾ Lim
x→+∞
F(x) =1;

¾ Lim
x→-∞
F(x) =0;

¾ P( a < X ≤ b ) = F(b) – F(a);


Pr. AIT BABRAM Mohamed

Remarque : Dans le cas où la variable aléatoire X est


discrète, il est important dans la dernière propriété de veiller
! aux inégalités ( l’une stricte et l’autre large).
FSTG Marrakech
Fonction de répartition
Remarque : Si on connaît la loi de probabilité d’une variable aléatoire
discrète X, on peut facilement déterminer sa fonction de répartition F et
réciproquement.
Exemple : Dans une population d’étudiants :
10 % sont abonnés à 3 hebdomadaires,
Variables Aléatoires

20 % sont abonnés à 2 hebdomadaires,


40 % sont abonnés à 1 hebdomadaires.
On note par X la variable aléatoire définie par :
X : Le nombre d’abonnement de chaque étudiant.
X(Ω) P( X = k ) F(0) = 0,3 P( 2 < X ) = 1 – F(2)
F(0,5) = 0,3
0 0,3 P( 2 ≤ X ) = 1 – F(1)
Pr. AIT BABRAM Mohamed

F(1) = 0,7
1 0,4 P( 0 < X < 3 ) = F(2) – F(0)
F(1,2) = 0,7
2 0,2
P( 1 ≤ X < 3 ) = F(2) – F(0)
F(2) = 0,9
3 0,1
F(3) = 1 P( 0 < X < 2 ) = F(1) – F(0)

Loi de probabilité de X F(3,1) = 1 P( 0 < X ≤ 2 ) = F(2) – F(0)


FSTG Marrakech
Fonction de répartition
Propriétés : Soient X une variable aléatoire discrète et F sa fonction
de répartition. Alors on a les relations suivantes :
1. P( X < ai ) = F(ai) – P( X = ai );
2. P( ai < X ) = 1 – F(ai);
Variables Aléatoires

3. P( ai ≤ X ) = 1 – F(a(i – 1));
4. P( ai < X < aj ) = F(a(j – 1)) – F(ai);
5. P( ai ≤ X < aj ) = F(a(j – 1)) – F(a(i – 1));
6. P( ai ≤ X ≤ aj ) = F(aj) – F(a(i – 1));
7. P( ai < X ≤ aj ) = F(aj) – F(ai);

Remarque : attention, dans la proposition précédente, on a supposé, a


Pr. AIT BABRAM Mohamed

priori, que les valeurs possibles de la variable aléatoire X sont


ordonnées dans un ordre croissant :

a1 < a2 < ... < ai < a(i+1) < ...< a( j−1) < a j < ....
FSTG Marrakech
Fonction de répartition
Remarque : Étant donnés a et b deux scalaires, tels que :

ai < a < a(i +1) a j < b < a( j +1)


Variables Aléatoires

1. P( X < a ) = F(ai) = F(a);


2. P( a ≤ X ) = 1 – F(ai) = 1 – F(a);
3. P( a < X ) = 1 – F(ai) = 1 – F(a);
4. P( a < X < b ) = F(aj) – F(ai) = F(b) – F(a);
Pr. AIT BABRAM Mohamed

5. P( a ≤ X < b ) = F(aj) – F(ai) = F(b) – F(a);


6. P( a ≤ X ≤ b ) = F(aj) – F(ai) = F(b) – F(a);
7. P( a < X ≤ b ) = F(aj) – F(ai) = F(b) – F(a);
FSTG Marrakech
Fonction de répartition
Remarque : Dans le cas d’une variable aléatoire discrète X avec un
nombre fini n de valeurs, une illustration graphique de la fonction de
répartition F est donnée par le diagramme suivant :
F
Variables Aléatoires

F(an) = 1
F(a(n – 1))
F(a(n – 2))

F(a3)
F(a2)
Pr. AIT BABRAM Mohamed

F(a1) = P(X = a1)

X(Ω)
a1 a2 a3 a4 a(n – 2) a(n – 1) an

∑ P (X = aj)
i
F (a i ) =
j =1
FSTG Marrakech
Fonction de répartition
Exemple : On reprend l’exemple de la population d’étudiants. Une
représentation graphique de la fonction de répartition F de la variable
aléatoire X « le nombre d’abonnement de chaque étudiant » est
donnée par le diagramme suivant :
Variables Aléatoires

1
0,9

0,7
Pr. AIT BABRAM Mohamed

0,3

X(Ω)
0 1 2 3
FSTG Marrakech
Indépendance de deux variables
Soient X et Y deux variables aléatoires discrètes définies sur un
espace probabilisé (Ω,P). On pose :

X (Ω ) = {a1, a2 , a3, a4 , ... , an−1, an , ...}


Variables Aléatoires

Y(Ω ) = {b1, b2 , b3, b4 , ... , bn−1, bn , ...}


Définition : On dit que les deux variables aléatoires X et Y sont
indépendantes si et seulement si pour tous couples ( ai , bj ) de
valeurs possibles pour X et Y, les événements ( X = ai ) et ( Y = bj )
sont indépendants. Ce qui est équivalent à :

P(X = ai et Y = b j )= P( X = ai )× P(Y = b j )
Pr. AIT BABRAM Mohamed

Remarque : La définition précédente est équivalente à : X et Y sont


indépendantes si et seulement si pour tous couples ( ai , bj ) de
valeurs possibles pour X et Y, on a :
P (X ≤ ai et Y ≤ b j )= P ( X ≤ ai )× P (Y ≤ b j ) = FX (ai )FY (b j )
FSTG Marrakech
Indépendance de deux variables
Exemple : Un assureur a fait une étude sur ses clients pratiquant le
ski. Il a établi la loi de probabilité des variables aléatoires suivantes :
ƒ X : le nombre d’accidents de voiture des clients.
ƒ Y : le nombre de semaines passées à la montagne.
Variables Aléatoires

A partir des résultats de cette étude on a construit le tableau suivant :

P ( Y = 2 ) = 0,45
Pr. AIT BABRAM Mohamed

P ( X = 2 ) = 0,1

P( X = 1 et Y = 2 ) = P ( X = 2 ) P ( Y = 2 ) = (0,1)(0,45) = 0,045
FSTG Marrakech
Espérance
Soit X une variable aléatoire discrète définie sur un espace probabilisé
(Ω,P). On note par :
X (Ω ) = {a1, a2 , a3 , a4 , ... , an−1, an , ...}
Définition : On appelle l’espérance mathématique de X, qu’on note
Variables Aléatoires

par E(X), la valeur définie par :


X = E ( X ) = ∑ ai P ( X = ai )
i

Remarque : Lorsque le nombre de valeurs possibles de la variable


aléatoire X est fini ( Card ( X(Ω) ) < ∞ ), l’espérance de X est donc la
moyenne arithmétique des valeurs de X pondérées par leur
probabilités.
Pr. AIT BABRAM Mohamed

Remarque : On note qu’il existe une forte analogie entre la notion


d’espérance d’une variable aléatoire discrète X et la notion de la
moyenne d’un caractère statistique Y discret. En effet :

E( X) = ∑ ai × P( X = ai ) y = ∑ yi × fi
i i
FSTG Marrakech
Espérance
Remarque : L’espérance de la somme de deux variables aléatoires X
et Y est donnée par la formule suivante :

E ( X + Y ) = E ( X ) + E (Y )
Remarque : D’une manière générale, l’espérance d’une somme de
Variables Aléatoires

variables aléatoires ( Xi )i=1est donnée par la formule suivante :


n

⎛ n ⎞ n
E ⎜ ∑ X i ⎟ = ∑ E (X i )
⎝ i =1 ⎠ i =1
Remarque : L’espérance du produit de deux variables aléatoires X et
Y indépendantes est donnée par la formule suivante :

E ( X × Y ) = E ( X )× E (Y )
Pr. AIT BABRAM Mohamed

Remarque : L’espérance du produit de variables aléatoires


indépendants deux à deux ( Xi )i=1est égale au produit des espérances :
n

⎛ n ⎞ n
E ( X 1× X 2 × ... × X n ) = E ⎜⎜ ∏ X i ⎟⎟ = ∏ E ( X i )
⎝ i =1 ⎠ i =1
FSTG Marrakech
Espérance
Propriété : Étant X une variable aléatoire discrète et a et b deux réels.
On a la propriété de linéarité suivante :
E(aX + b) = aE( X ) + b
Remarque : L’espérance d’une somme de variables ( Xi )in=1 est égale à
la somme des espérances :
Variables Aléatoires

E (X 1 + X 2 + ... + X (n −1 ) + X n ) = ∑ E ( X i )
n

i =1
Exemple : On reprend l’exemple de lancer de deux dés. On note par :
X : la somme des résultats obtenus.

6/36
Pr. AIT BABRAM Mohamed

5/36
4/36
X = E(X ) = 7
3/36
2/36
1/36

2 3 4 5 6 7 8 9 10 11 12
FSTG Marrakech
Variance et covariance
Soit X une variable aléatoire discrète définie sur un espace probabilisé
(Ω,P). On note par :
X (Ω ) = {a1, a2 , a3 , a4 , ... , an−1, an , ...}
Définition : On appelle variance de X, qu’on note par V(X), la valeur
Variables Aléatoires

définie par :
(
V ( X ) = E [X − E ( X )]2
) = ∑ (a i − X ) P (X
2
= ai )
i
Remarque : Pour le calcul numérique de la variance, on utilise souvent
la formule suivante :
( )
V ( X ) = E X 2 − X 2 = ∑ (ai ) P( X = ai ) − X 2
2

i
Pr. AIT BABRAM Mohamed

Remarque : On note qu’il existe une forte analogie entre la notion de


variance d’une variable aléatoire discrète X et la notion de variance
d’un caractère statistique Y discret. En effet :

V( X) =∑ (ai ) × P( X =ai ) − X2 V(Y) = ∑ ( yi ) × fi − y2


2 2

i i
FSTG Marrakech
Variance et covariance
Soient X et Y deux variables aléatoires discrètes définies sur un
espace probabilisé (Ω,P). On note par :
X (Ω ) = {a1, a2 , a3 , a4 , ... , ai−1, ai , ...} Y(Ω ) = {b1, b2, b3, b4, ... , bj−1, bj , ...}

Définition : On appelle covariance de X et Y, qu’on note par


Variables Aléatoires

Cov(X,Y), la valeur définie par :


Cov( X , Y ) = E([X − E( X )][Y − E(Y )]) = ∑∑ (ai − X )(b j − Y )P(X = ai et Y = b j )
i j

Remarque : Pour le calcul numérique de la covariance, on utilise


souvent la formule suivante :

Cov( X , Y ) = E( XY ) − XY = ∑∑ (ai )(b j )P(X = ai et Y = b j ) − XY


Pr. AIT BABRAM Mohamed

i j
Remarque : On peut montrer facilement que si les deux variables
aléatoires X et Y sont indépendantes, alors leur covariance est nulle.
En effet :

P(X = ai et Y = bj )= P( X = ai )×P(Y = bj ) Cov( X , Y ) = 0


FSTG Marrakech
Variance et covariance
Propriété : Étant X une variable aléatoire discrète et a et b deux réels.
On a les propriétés suivantes :
V (aX + b) = a2V ( X ) et σ (aX + b ) = a σ ( X )
Remarque : La variance de la somme de deux variables aléatoires X
et Y est donnée par la formule suivante :
Variables Aléatoires

V ( X 1 + X 2 ) = V ( X 1 ) + V ( X 2 ) + 2Cov ( X 1 , X 2 )
Remarque : D’une manière générale, la variance d’une somme de
variables aléatoires ( Xi )i=1est donnée par la formule suivante :
n

⎛ n ⎞ n i −1
V ⎜ ∑ X i ⎟ = ∑ V ( X i ) + 2 ∑ ∑ Cov (X i , X )
n

j
⎝ i =1 ⎠ i =1
Pr. AIT BABRAM Mohamed

i =1 j =1

Remarque : La variance d’une somme de variables aléatoires


indépendants deux à deux ( Xi )i=1est égale à la somme des variances :
n

⎛ n ⎞ n
V ⎜ ∑ X i ⎟ = ∑ V (X i )
⎝ i =1 ⎠ i =1
FSTG Marrakech
Variance et covariance
Remarque : Soit X une variable aléatoire discrète et k une constante
donnée. On a la propriété suivante :

Cov ( X , k ) = Cov (k , X ) = 0
Variables Aléatoires

Remarque : Soient X et Y deux variables aléatoires. On a la propriété


suivante :
Cov ( X , Y ) = Cov (Y , X )

Remarque : Soient X et Y deux variables aléatoires et a, b, a’ et b’ des


constantes données. On a la propriété suivante :
Pr. AIT BABRAM Mohamed

Cov(aX + b, a' Y + b') = aa' Cov( X , Y )


FSTG Marrakech
Application
Exemple : Une petite agence loue des voitures à la journée. Elle
dispose d’un parc de 6 véhicules. On pose
X : le nombre de voiture louées par jour
Après une étude sur une grande période, le responsable a établi que
la loi de la variable aléatoire X est donnée par le tableau suivant :
Variables Aléatoires

k P(X = k) ƒ Déterminer l’espérance, la variance et l’écart type


de X.
0 0,05
Le bénéfice B (en dirhams) rapporté par la location
1 0,10
des voitures est B = 450 X – 375
2 0,37
ƒ Déterminer l’espérance, la variance et l’écart type
3 0,27 de B.
4 0,17
E ( X ) = 2,54 voitures / jour
Pr. AIT BABRAM Mohamed

5 0,03 V( X ) =1,3884
6 0,01 σ ( X ) ≈ 1,18 voitures / jour
E(B) = 450E( X ) − 375= 768 dhs / jour
V (B) = (450) V ( X ) = 281151
2

σ (B) = 450σ ( X ) ≈ 530,24 dhs / jour


FSTG Marrakech
Variable centrée réduite associée à X
Soit X une variable aléatoire discrète de moyenne m et d’écart type σ.
Définition : On appelle variable centrée associée à X, la variable
aléatoire XC définie par :
XC = X − m E( X C ) = E( X − m) = E( X ) − m = 0
Variables Aléatoires

Définition : On appelle variable réduite associée à X, la variable


aléatoire XR définie par :
⎛X ⎞ V (X )
V (X R ) = V ⎜
X
XR = ⎟= =1
σ ⎝σ ⎠ σ
2

Définition : On appelle variable centrée réduite associée à X, la


Pr. AIT BABRAM Mohamed

variable aléatoire T définie par :


⎛ X − m ⎞ E (X ) m
E (T ) = E ⎜ ⎟= − =0
X −m ⎝ σ ⎠ σ σ
T =
σ ⎛ X − m ⎞ V (X )
V (T ) = V ⎜ ⎟= =1
⎝ σ ⎠ σ 2
FSTG Marrakech
Application
Exemple : Reprenons l’exemple de l’agence de location des voitures.
On pose
T : la variable centrée réduite associée à la variable aléatoire B.
ƒ Donner une interprétation des probabilités P( T > 2 ) et P( T > 5 ) .
Variables Aléatoires

ƒ Exprimer en fonction de T, la probabilité pour que B ne s’écarte pas de son


espérance de plus de la moitié de son écart type .
ƒ Déduire une interprétation de la variable T.

⎛ ⎡ B − E (B ) ⎤ ⎞
P (T > 2 ) = P ⎜⎜ ⎢ ⎥ > 2 ⎟⎟ = P (B > E (B ) + 2σ (B ))
⎝ ⎣ σ (B ) ⎦ ⎠

P( T > 2 ) : la probabilité pour que le bénéfice B dépasse de plus de 2 fois son écart type.
Pr. AIT BABRAM Mohamed

P(- σ/2 < B – E(B) < σ/2) : la probabilité pour que le bénéfice B ne s’écarte pas de son
espérance de plus de la moitié de son écart type.

⎛ σ (B) σ (B) ⎞ ⎛ 1 1⎞
P⎜ − < B − E(B) < =
⎟ ⎜P − < T < ⎟
⎝ 2 2 ⎠ ⎝ 2 2⎠
FSTG Marrakech

Variables aléatoires continues


Variables Aléatoires

¾Fonction de répartition
¾Loi ou densité de probabilité
¾Espérance, Variance et Écart type
¾Indépendance
¾Covariance
¾Variable centré réduite
Pr. AIT BABRAM Mohamed
FSTG Marrakech
Fonction de répartition
Soit X une variable aléatoire continue définie sur un espace probabilisé
(Ω,P). On pose :
X (Ω ) ⊂ R
Définition : On appelle fonction de répartition de X, l’application F
Variables Aléatoires

qui, à chaque réel x, associe la probabilité pour que la variable X


prenne une valeur inférieure ou égale à x.

F (x) = P( X ≤ x) pour tout x ∈ R


Remarque : L’ensemble X(Ω) des valeurs possibles de la variable X
peut être borné ou non. Dans le cas où X(Ω) est borné ( X (Ω) ⊂ [a, b] ),
la fonction de répartition de X peut s’écrire :
Pr. AIT BABRAM Mohamed

⎧1 Si x ≥ a

F(x) = ⎨P(a ≤ X ≤ x) Si x ∈[a, b[
⎪0 Si x < a

FSTG Marrakech
Fonction de répartition
Propriétés : Soit X une variable aléatoire continue définie sur un
espace probabilisé (Ω,P). On a les assertions suivantes :

¾ F est une fonction strictement croissante;


Variables Aléatoires

¾ 0 ≤ F(x) ≤ 1;

¾ Lim
x→+∞
F(x) =1;

¾ Lim
x→-∞
F(x) =0;

¾ P(a<X≤b) = P(a≤X<b) = P(a<X<b) = P(a≤X≤b) = F(b)-F(a);


Pr. AIT BABRAM Mohamed

Remarque : Dans le cas où la variable aléatoire X est continue, il


n’est important dans la dernière propriété de veiller aux inégalités.
FSTG Marrakech
Fonction de répartition
Exemple : Dans une caisse de Marjane, entre 9 et 10 heures le matin,
le temps que met la caissière pour servir un clients (en minutes) est
une variable aléatoire X dont la fonction de répartition F définie par :

⎧0 Si x < 0
F (x ) = ⎨
Variables Aléatoires

− (0 ,1) x
⎩1 − e Si x ≥ 0
Un client vient de se présenter à la caisse. Déterminer les probabilités :
ƒ P1 : la probabilité pour que le client suivant se présente dans 5 mn;
ƒ P2 : la probabilité pour que le client suivant se présente dans moins de 3 mn;
ƒ P3 : la probabilité pour que le client suivant se présente dans plus de 3 mn
moins de 10;
Pr. AIT BABRAM Mohamed

P1 = P ( X = 5 ) = 0 (Puisque la variable aléatoire X est continue)

P2 = P ( X < 3) = P ( X ≤ 3) = F (3) ≈ 0,259


P3 = P(3 < X < 10) = F (10) − F (3) ≈ 0,373
FSTG Marrakech
Fonction de répartition
Remarque : Dans le cas où X(Ω) est borné ( X (Ω) ⊂ [a, b] ), une
illustration graphique de la fonction de répartition F et F’ est donnée par
le diagramme suivant :
F
1
Variables Aléatoires

Le graphe de la fonction de répartition

a b
F’ La surface est égale à 1
Pr. AIT BABRAM Mohamed

Le graphe de la densité de probabilité

a b
FSTG Marrakech
Loi ou densité de probabilité
Soit X une variable aléatoire continue définie sur un espace probabilisé
(Ω,P).
Définition : On appelle loi ou densité de probabilité de X,
l’application f définie par :
dF(x)
Variables Aléatoires

f ( x) = F ' ( x) = pour tout x ∈ R


dx

Remarque : Dans le cas où X(Ω) est borné ( X (Ω) ⊂ [a, b] ), la fonction


densité de probabilité de X peut s’écrire :

Si x ≥ a
Pr. AIT BABRAM Mohamed

⎧0 f
⎪ dF ( x )
f (x) = ⎨ Si x ∈ [a, b[
⎪ dx
⎩0 Si x < a
a b
FSTG Marrakech
Loi ou densité de probabilité
Remarque : Le graphe de la fonction densité de probabilité est
entièrement situé au dessus de l’axe des abscisses :
f ( x) ≥ 0 ∀ x∈R
Variables Aléatoires

Remarque : La fonction de répartition F est une primitive de la fonction


densité de probabilité f :

F (b ) − F (a ) = ∫ f (t )dt
b
∀ a, b ∈ R
a

+∞
∫ f (t )dt = 1 F ( x ) = ∫−∞ f (t )dt
x
∀x∈R
Pr. AIT BABRAM Mohamed

−∞

Remarque : La remarque précédente nous permet de ramener le calcul


des probabilités à celui de surfaces (intégrales) :

P (a < X ≤ b ) = F (b ) − F (a ) = ∫ f (t )dt
b

a
FSTG Marrakech
Loi ou densité de probabilité
Remarque : Graphiquement parlant, on peut résumer les propriétés d’une
fonction densité de probabilité par :

+∞
Courbe de f Aire = P(− ∞ < X < +∞) = ∫ f (t )dt = 1
Variables Aléatoires

−∞

Aire = P( X < x ) = F (x ) = ∫ f (t )dt


x
Courbe de f
−∞
Pr. AIT BABRAM Mohamed

Aire = P (a < X < b ) = F (b ) − F (a ) = ∫ f (t )dt


b

Courbe de f a

a b
FSTG Marrakech
Loi ou densité de probabilité
Exemple : La quantité de café (en kg) vendu par semaine par un
torréfacteur est une variable aléatoire X prenant ses valeurs dans
l’intervalle [10,70] de densité de probabilité f définie par :
⎧ (10 − x )( x − 70 )
⎪ Si x ∈ [10 , 70 ]
f (x ) = ⎨
Variables Aléatoires

36 000
⎪⎩ 0 Ailleurs
f
Pr. AIT BABRAM Mohamed

10 70
Calculer la probabilité pour que ce torréfacteur vende la semaine
prochaine :
ƒ Moins de 20 kg de café (événement A);
ƒ Plus de 30 kg de café (événement B);
ƒ Entre 20 et 30 kg de café (événement C). Suite Exemple
FSTG Marrakech
Loi ou densité de probabilité
La fonction de répartition F associée à la variable aléatoire X est
donnée par :
⎧1 Si x ≥ 70
⎪ x
F ( x ) = ⎨ ∫ f (t )dt Si 10 < x < 70
⎪0
10
Variables Aléatoires

⎩ Si x ≤ 10

⎧1 Si x ≥ 70
⎪⎪ − x 3 + 120 x 2 − 2100 x + 10 000
F (x ) = ⎨ Si 10 < x < 70
⎪ 108 000
⎪⎩0 Si x ≤ 10
F
Pr. AIT BABRAM Mohamed

Suite Exemple
10 70
FSTG Marrakech
Loi ou densité de probabilité
Une illustration graphique du calcul des probabilités de l’exemple est
donnée par le schéma suivant :

P (A) = f (t )dt = F (20 ) − F (10 ) = F (20 ) ≈ 0 ,074


20

10
Variables Aléatoires

f
Pr. AIT BABRAM Mohamed

10 20 30 70

P(C ) = ∫ f (t )dt = F (30) − F (20) ≈ 0,185 P(B) = ∫ f (t)dt = F(70) − F(30) =1− F(30) ≈ 0,741
30 70

20 30
FSTG Marrakech
Espérance, variance et écart type
Soit X une variable aléatoire continue de densité de probabilité f,
prenant ses valeurs dans un intervalle [a,b] ( X(Ω) = [a,b] ).
Remarque : les deux bornes ou l’une des deux bornes a et b peuvent
éventuellement infinies.
X (Ω ) = [a , +∞ [ X (Ω ) = ]− ∞ , b ] X (Ω ) = ]− ∞ , +∞ [
Variables Aléatoires

ou ou

Définition : On appelle espérance de X, qu’on note par E(X), la valeur


définie par :
X = E (X ) = ∫ tf (t )dt
b

Définition : On appelle variance de X, qu’on note par V(X), la valeur


définie par :

∫ (t − X ) f (t )dt = ∫
Pr. AIT BABRAM Mohamed

V (X ) = t 2 f (t )dt − X 2
b 2 b

a a

Définition : On appelle écart type de X, qu’on note par σ(X), la valeur


définie par :
σ (X ) = V (X )
FSTG Marrakech
Espérance, variance et écart type
Remarque : Pour mieux comprendre et retenir les formules qui figurent
dans les définitions précédentes, il est conseillé de les comparer avec
les formules analogues déjà établies dans le cas d’une variable
aléatoire discrète.
Remarque : Il faudrait noter que toutes que toutes les propriétés déjà
Variables Aléatoires

établies dans le contexte de variables aléatoires discrètes concernant


les notions espérance mathématique, variance et écart type, sont aussi
valables dans le cas de variables aléatoires continues.

Exemple : Reprenons l’exemple du torréfacteur et déterminons


l’espérance mathématique, la variance et l’écart type de la variable
aléatoire X.
Pr. AIT BABRAM Mohamed

X = E( X ) = ∫ t
70 (10−t)(t − 70) dt = 40 kg V( X ) = ∫ t 2
70 (10−t)(t − 70) dt − 402 =180kg2
10 36000 10 36000

σ( X) = V( X) =13,42kg
FSTG Marrakech
Espérance, variance et écart type
Remarque : Pour clore cette section sur les valeurs caractéristiques
d’une variable aléatoire continue, nous présentons ce tableau
récapitulatif qui met l’accent sur l’analogie en les différentes propriétés
que ça soit dans le cas continu ou le cas discret.
Variables Aléatoires
Pr. AIT BABRAM Mohamed
FSTG Marrakech
Indépendance de deux variables
Soient X et Y deux variables aléatoires continues définies sur un
espace probabilisé (Ω,P).

Définition : On dit que les deux variables aléatoires X et Y sont


indépendantes si et seulement si pour tous couples ( x , y ) de valeurs
Variables Aléatoires

possibles pour X et Y, les événements ( X ≤ x ) et ( Y ≤ y ) sont


indépendants. Ce qui est équivalent à :

P( X ≤ x et Y ≤ y ) = P( X ≤ x )× P(Y ≤ y ) = FX (x )× FY ( y )

Exemple : Un appareil fonctionne grâce à deux éléments identiques


mais indépendants dont les durées de vie T1 et T2 en années sont telles
Pr. AIT BABRAM Mohamed

que P( T1 > 10) = P( T2 > 10) = 0,04. Il suffit que l’un au moins des deux
éléments tombe en panne pour que l’appareil ne fonctionne plus.
Déterminer la probabilité P pour que cet appareil pendant plus que 10 ans.

P = P(T1 > 10 et T2 > 10) = P(T1 > 10)× P(T2 > 10) = (0,04) = 0,0016
2
FSTG Marrakech
Covariance
Soient X et Y deux variables aléatoires continues, de densités de
probabilités respectives f et g.
Définition : On appelle covariance de X et Y, qu’on note par
Cov(X,Y), la valeur définie par :

Cov ( X , Y ) = E([X − E( X )][Y − E(Y )])


Variables Aléatoires

Remarque : Pour le calcul numérique de la covariance, on utilise


souvent la formule suivante :

Cov( X,Y ) = E( XY) − X Y


Pr. AIT BABRAM Mohamed

Remarque : On montrer que si les deux variables aléatoires X et Y


sont indépendantes, alors leur covariance est nulle. En effet :

P( X ≤ x et Y ≤ y) = P( X ≤ x)×P(Y ≤ y) Cov ( X , Y ) = 0