Vous êtes sur la page 1sur 20

Ecole Hassania des Travaux Publics

Variables aléatoires

Professeur Mohammed Idrissi Kaitouni

Internal
I- Définitions

▪ Soient (Ω,T) et (E,Ɓ) deux espaces probabilisables. On dit que :

X : (Ω, T) → (E, Ɓ) est un aléa, si et seulement si : ∀ B ∈ Ɓ , X-1(B) ∈ T

▪ Lorsque Ɓ est la tribu de borel (engendrée par les intervalles de ℝ )

et E = ℝ , X s’appelle variable aléatoire.

▪ Soit X : (Ω,T, P) → (ℝ, Ɓ)

La loi de probabilité de X est :

Px (B) = P(X-1(B)) ∀B∈Ɓ

▪ On définit la fonction de répartition de X par :

FX : ℝ → [0,1]

x ↦ FX(x) = P[X<x] = P(X-1(]-∞ , x[) = P{w∈ Ω / X(w)<x}

Propriétés de la fonction de répartition :

1. lim FX = 0 en -∞ et lim FX = 1 en +∞

Il suffit de considérer la suite :

An = {w∈ Ω / X(w)<n} = [X<n]

An est une suite croissante vers Ω

Et alors lim P [X<n] = P(Ω)=1

Pour la limite en -∞ il suffit de considérer une suite décroissante

vers ∅ .

2. Soient a et b avec a ≤ b

FX(b) – FX (a) = P[X<b] - P[X<a] = P[a ≤ X < b] ≥ 0


2

Internal
Donc FX est croissante.

3. FX (a) - FX (a-) = P [a- ≤ X < a] = P(∅)=0

Donc FX est continue à gauche.

FX (a+) - FX (a) = P [a ≤ X < a+] = P [X=a]

Donc si P [X=a]=0 alors FX est continue à droite de a donc continue

en a.

si P [X=a]≠0 alors FX est discontinue à droite avec un saut de

discontinuité = P [X=a] .

Internal
II- Variables aléatoires discrètes

Soit la variable aléatoire X : (Ω,T, P) → (ℝ, Ɓ)

On dit que X est discrète si :

X(Ω) = {x1 , x2 , … , xn , …} est dénombrable ou fini.

1) Loi binomiale

Exemple : Une usine dispose de n = 30 machines.

On suppose qu’une machine peut tomber en panne indépendamment des

autres avec une probabilité p = 0,1.

On contrôle les n machines une par une et soit X la variable binomiale qui

mesure le nombre K des machines en panne sur les n = 30.

X(Ω) = {0 , 1,2, … , n=30}

P0 = P[X=0] = P[M et M et … et M] M signifie que la machine marche

= P(M)n (à cause de l’indépendance)

= (1-p)n = 0,930

P1 = P[X=1] = P[P et M et … et M] + … + P[M et … et M et P]

= p(1-p)n-1 + … + p (1-p)n-1 = np(1-p)n-1

= 30 x 0,1 x 0,929

PK = P[X=k] = 𝐶𝑛𝑘 pk(1-p)n-k ∀ k = 0, … , n


4

Internal
Remarquons que :

∑𝑛𝑘=0 P[X=k] =∑𝑛𝑘=0 𝐶𝑛𝑘 pk(1-p)n-k = (p+(1-p))n = 1

Cette loi binomiale est notée B(n,p).

On définit l’espérance mathématique appelée aussi la moyenne de la variable

discrète X :

E(X) = ∑𝑘 xk P[X= xk]

Pour la loi binomiale :

E(X) = ∑𝑛0 k P[X=k] = ∑k 𝐶𝑛𝑘 pk(1-p)n-k

𝑛!
=∑k pk (1-p)n-k
𝑘!(𝑛−𝑘)!

(𝑛−1)!
= np ∑ (𝑘−1)! ((𝑛−1)−(𝑘−1))!
pk (1-p)n-k

= np ( p +(1-p))n-1

= np

Finalement, l’espérance de la loi binomiale est np.

Pour l’exemple, E(X) = 30 x 0,1 = 3

Donc il faut s’attendre en moyenne à 3 machines en panne sur les 30.

Par conséquent, on peut prévoir un stock de sécurité de 3 machines.

Internal
2) Loi géométrique

Soit une épreuve E qui donne lieu à 2 évènements A ou 𝐴̅ avec P(A) = p

On teste E une première fois. Si on obtient A on arrête, sinon on recommence

jusqu’à l’obtention de A.

Soit n le nombre de fois pour obtenir A.

P[X=n] = P[𝐴̅ 𝑒𝑡 … 𝐴̅ et A] = (1-p)n-1 . p (On suppose l’indépendance pour

cette loi)

1 𝑝
∑∞ ∞
𝑛=1 P[X=n] = ∑𝑛=1 (1-p)
n-1
.p=p = =1
1(1−𝑝) 𝑝

E(X) =∑∞
𝑛=1 P[X=n]

1 1 1 1
∑ n (1-p)n-1 . p = ∑ -[(1-p)n]’ p = -[ ]’ .p = -( )’ . p= .p=
1−(1−𝑝) 𝑝 𝑝2 𝑝

1
Finalement, l’espérance mathématique de la loi géométrique notée G(p) est .
𝑝

1
Supposons par exemple que p = 0,2 . Alors, E(X) = = 5 fois comme
0,2

moyenne pour obtenir A.

1
Si p = 0,1 alors E(X) = = 10 fois .
0,1

Internal
3) Loi de Poisson

On définit la loi de Poisson de paramètre λ

P[X = n] = (e-λ. λn) / n ! avec n ∈ ℕ

∑ P[X = n] = = e-λ ∑𝑛 (λn/ n !)

= λ e-λ . eλ = λ .

Finalement, le paramètre λ de la loi de Poisson P(λ) représente son

espérance mathématique.

Internal
III- Variables continues et absolument continues

Soit X : (Ω,T, P) → (ℝ, Ɓ)

▪ On dit que la variable aléatoire X est continue si sa fonction de

répartition FX est continue.

On a déjà vu que FX est continue si et seulement si : P [X = a] = 0

∀a∈ℝ.

▪ On dit que X est absolument continue si elle possède une densité de

probabilité f ≥ 0 par rapport à la mesure de Lebsgue, ce qui signifie

l’existence d’une fonction positive f telle que :


𝑎
P [a ≤ X ≤ b] = ∫𝑎 𝑓(𝑥) 𝑑𝑥

𝑥
avec FX(x) = ∫−∞ 𝑓(𝑡) 𝑑𝑡

𝑏
Remarquons que P [X = a] = ∫𝑎 𝑓(𝑥) 𝑑𝑥 = 0 donc une variable

absolument continue est continue et remarquons que FX → 1 en +∞


+∞
cad ∫−∞ 𝑓(𝑥) 𝑑𝑥 = 1 .

1) Loi uniforme

Elle est définie par la densité :

1
f(x) = { si a ≤ x ≤ b , 0 sinon
𝑏−𝑎

Internal
On définit l’espérance mathématique d’une variable absolument

continue par :

+∞
E(X) = ∫−∞ 𝑥 . 𝑓(𝑥) 𝑑𝑥

Pour la loi uniforme :

b
+∞ 1 b2 – a2 a+b
E(X) = ∫−∞ 𝑥 . 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑥
𝑏−𝑎
𝑑𝑥 =
2(𝑏−𝑎)
=
2
𝑎

Pour sa fonction de répartition :

F(x) = 0 si x ≤ a

x x
1 𝑎 1 𝑥− 𝑎
F(x) = ∫ 𝑑𝑡 = ∫−∞ 0+∫ 𝑑𝑡 = 0 +
𝑏−𝑎 𝑏−𝑎 𝑏−𝑎
−∞ 𝑎

𝑥− 𝑎
F(x) = si a ≤ x ≤ b
𝑏−𝑎

b
𝑎 1 𝑥
F(x) = ∫−∞ 0 +∫ 𝑑𝑡 + ∫𝑏 0 = 0 + 1 + 0 = 1 si x ≥ b
𝑏−𝑎
𝑎

Remarquons que F est croissante sur ℝ et qu’elle est continue sur ℝ et

en particulier en 𝑎 et en b.

2) Loi normale

Elle est définie par sa densité de GAUSS :

(𝑥−𝑚)2
1 −
f(x) = 𝑒 2𝜎2 ∀ x ∈ ℝ avec m une constante réelle et σ
𝜎 √2𝜋

un réel strictement positif.


9

Internal
Remarquons que la courbe de f est symétrique par rapport à la droite

verticale x = m et elle varie selon le tableau :

x m +∞

f’ -

f 1
→ 0
𝜎 √2𝜋

+∞
Vérifions que ∫−∞ 𝑓(𝑥) 𝑑𝑥 = 1

Il suffit d’utiliser le changement de variable :

𝑥 −𝑚 𝑑𝑥
y= → dy =
𝜎 √2 𝜎 √2

+∞
+∞ 1 2
∫−∞ 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑒 −𝑦 . σ √2 𝑑𝑦
𝜎 √2𝜋
−∞

1 +∞ 2 1
= ∫ 𝑒 −𝑦 𝑑𝑦 = . √𝜋 = 1
√𝜋 −∞ √𝜋

Calculons l’espérance de la loi normale :

+∞ (𝑥−𝑚)2
+∞ 1 −
E(X) = ∫−∞ 𝑥𝑓(𝑥) 𝑑𝑥 = ∫ 𝑥
𝜎 √2𝜋
𝑒 2𝜎2 𝑑𝑥
−∞

10

Internal
𝑥−𝑚
En utilisant le changement y= :
2𝜎 2

+∞ 1 2 1 2
E(X) = ∫−∞ 𝜎 √2 𝑦 . 𝑒 −𝑦 . σ √2 𝑑𝑦 + m ∫ 𝑒 −𝑦 . σ √2 𝑑𝑦
𝜎 √2𝜋 𝜎 √2𝜋

=0+mx1=m

Finalement, l’espérance de la loi normale est m. En effet, ceci est

cohérent avec le fait que la courbe de GAUSS est symétriquement

répartie autour de m.

On définit la médiane me d’une variable absolument continue X de


1
densité f comme étant la solution de l’équation F(x) = .
2

Pour la loi normale, il est facile de voir que la médiane est m.

▪ 1 3
On définit les quartiles par Fx(Q1) = et Fx(Q3) =
4 4

▪ 1 ,…, 9
On définit les déciles par : Fx(D1) = Fx(D9) =
10 10

▪ 1 ,…, 99
On définit les percentiles par : Fx(P1) = Fx(P99) =
100 100

On définit le mode d’une variable aléatoire (discrète ou continue)

comme étant la valeur x où la densité f est maximale, ou bien la

probabilité Pk est maximale.

11

Internal
IV- Indicateurs de dispersion

Soit X une variable aléatoire discrète qui prend ses valeurs x k avec les

probabilités pk = P[X = xk] , ou bien une variable absolument continue, de

densité f(x). On suppose que X possède une espérance mathématique E(X).

On définit l’Ecart Absolu moyen, lorsqu’il existe, de la variable X par :

EAM(X) = ∑𝑘|𝑥𝑘 − 𝐸(𝑥)| ⋅ P[X = xk]

Si X est absolument continue :

+∞
EAM(X) = ∫−∞ |𝑥 − 𝐸(𝑥)| f(x) dx

On définit l’écart type de X par :

2
σ(x) = √∑(𝑥𝑘 − 𝐸(𝑥)) P[X = xk]

Ou bien

+∞
2
σ(x) = √∫ (𝑥 − 𝐸(𝑥)) f(x) dx
−∞

La variance est V(X) = (σ(x))2

Ainsi :

2
V(X) = ∑ (𝑥𝑘 − 𝐸(𝑥)) ⋅ Pk
𝑘

= ∑k 𝑥𝑘 2 Pk − 2𝐸(𝑥) ∑k 𝑥𝑘 Pk + (𝐸(𝑥))2 ∑k Pk

12

Internal
=
∑k 𝑥𝑘 2 Pk − 2(𝐸(𝑥))2 +2(𝐸(𝑥))2

V(X) = 𝐸(𝑥2 ) − (𝐸(𝑥))2

Avec 𝐸(𝑥2 ) = ∑k 𝑥𝑘 2 Pk

▪ Pour la loi binomiale :

V(X) = E(X2) – (E(X))2

𝑛!
V(X) = ∑𝑛𝑘=1 k2 pk (1-p)n-k -(np)2
𝑘! (𝑛−𝑘)!

(𝑘−1+1) 𝑛!
= ∑ k2 pk (1-p)n-k -(np)2
(𝑘−1)! (𝑛−𝑘)!

(𝑛−2) !
= n (n-1) p2 ∑ pk-2 (1-p)(n-2-(k-2))
(𝑘−2)! (𝑛−2−(𝑘−2))!

(𝑛−1) !
+ n p∑ pk-1 (1-p)(n-1-(k-1)) - (n p)2
(𝑘−1)! (𝑛−1−(𝑘−1))!

= n (n-1) p2 (p+(1-p))n-2 + np (p+(1-p)) n-1 - (np)2

= n (n-1) p2 + np – n2 p2

V(X) = np (1-p)

Finalement, la variance de la loi binomiale B(n,p) est np (1-p).

▪ Pour la loi de Poisson :

V(X) = E(X2) – (E(X))2

= ∑ (n2 e-λ . λn ) / n ! - λ2

13

Internal
= ∑ ((n-1+1) e-λ . λn ) / (n-1)! - λ2

= λ2 ∑ (e-λ . λn-2 ) / (n-2)! + λ ∑ (e-λ . λn-1 ) / (n-1)! - λ2

= λ2 +λ - λ2

V(X) = λ

Finalement, la variance de la loi de Poisson est égale à λ qui représente aussi

son espérance mathématique.

▪ Pour la loi géométrique :

V(X) = E(X2) – (E(X))2


1
V(X) = ∑𝑛 n2 (1-p)n-1 p - ( )2
𝑝

𝟏−𝒑
V(X) =
𝐩𝟐

▪ Pour la loi uniforme :

V(X) = E(X2) – (E(X))2

b 1 𝑎+𝑏 2
V(X) = ∫𝑎 x2 𝑑𝑥 – ( )
𝑏−𝑎 2

𝑏3−𝑎3 𝑎+𝑏 2
= –( )
3(𝑏−𝑎) 2

𝑏2 + 𝑎𝑏 + 𝑎2 𝑎2 + 2𝑎𝑏 + 𝑏2
= –
3 4

(𝒃−𝒂)𝟐
V(X) =
𝟏𝟐

14

Internal
▪ Pour la loi normale :

V(X) = E(X2) – (E(X))2

(𝑥−𝑚)2
+∞ 1 −
V(X) = ∫−∞ x 2
𝑒 2𝜎2 𝑑𝑥 – m2
𝜎 √2𝜋

Par une intégration par partie :

V(X) = σ2 + m2 – m2

V(X) = σ2

Finalement, la variance de la loi Normale N(m,σ) est σ2, alors que son

écart type n’est autre que le paramètre σ.

15

Internal
V- Loi centrée réduite

Soit X une variable aléatoire qui a une espérance mathématique

E(X) = m et une variance V(X) = σ2 .

On définit les variables centrées Xc et réduite Xr associées à X par :

𝐗 – 𝐄(𝐗)
Xc = X – E(X) et Xr =
𝝈(𝑿)

En utilisant : E(aX + b) = a E(X) + b et V(aX + b) = a2 V(X)

E(Xc) = E(X) - E(X)

E(Xc) = 0

E(X) E(X)
E(Xr) = -
𝜎(𝑋) 𝜎(𝑋)

E(Xr) = 0

1 .
V(Xr) = V(X)
𝜎2(𝑋)

V(Xr) = 1

▪ Pour la loi binomiale :


𝑋−𝑛𝑝
Xr =
√𝑛𝑝(1−𝑝)

▪ Pour la loi normale, N(m,σ):


𝑋−𝑚
Xr =
𝜎

𝑥2
1 −
avec une densité f(x) = 𝑒 2
√2𝜋

Cette loi normale centrée réduite est notée N(0,1).

Elle possède une table qui donne sa fonction de répartition F(x).


16

Internal
Cette table sera consultée et évite le calcul des intégrales pour les problèmes

modélisés par une loi normale N(m,σ), à condition d’utiliser le changement

X−m
de variable pour obtenir la loi centrée réduite N(0,1) et consulter
𝜎

sa table comme le montre l’exemple suivant :

Une machine fabrique des tiges. Le réglage de cette machine permet

d’obtenir des tiges dont la longueur est une variable normale de moyenne

10 cm et d’écart type 2 cm.

Ces tiges seront livrées à un client qui exige que la longueur d’une tige soit

comprise entre 8 et 12 cm pour qu’il l’accepte.

Lorsque la longueur d’une tige dépasse les 12cm, elle est coupée avec un

coût de 2 Dh par tige coupée. Lorsque la longueur est inférieure à 8 cm, la

tige est rejetée.

On considère une production de 1000 tiges.

On suppose que le coût de revient d’une tige est de 5 Dh et que son prix de

vente est de 10 Dh

A rejeter A couper
8cm 12 cm

17

Internal
▪ La proportion des tiges à couper est :

P[X>12] = 1 – P[X<12]
12−10
= 1 – P[Xr < ]
2

= 1 - P[Xr < 1]

= 1 – 0,8413

P[X>12] = 0,1587

Donc sur 1000 tiges produites, il y a 1000 x 0,1587 = 159 tiges à couper.

▪ La proportion des tiges à rejeter est :


8−10
P[X<8] = P[Xr < ]
2

= P[Xr < −1]

= 1 - P[Xr < 1]

= 1 – 0,8413

P[X<8] = 0,1587

Donc 159 tiges à rejeter.

Finalement, La marge bénéficiaire sur cette production est :

159 x (10-5-2) + (1000 – 159 -159) x (10-5)-159x5

= 477 + 3410 – 795

= 3092 Dh

Remarque

La table de la loi normale centrée réduite ne contient que les valeurs x

positives.

18

Internal
Si x est négative, alors :

F(-x) = 1 – F(x)

F(-x) P[X>x] = 1-F(-x)

-x x

19

Internal
20

Internal