Vous êtes sur la page 1sur 41

Chapitre 3 :

Variables aléatoires.
(Séances 6- 7 et 8)

FSJES-Souissi, Année universitaire : 2019-2020


Groupes : …. Equipe pédagogique : ….
◼ Définition d’une variable aléatoire.
◼ Loi d’une variable aléatoire discrète.

◼ Loi d’une variable aléatoire continue.

◼ Fonction d’une variable.

◼ Couples de variables aléatoires


discrètes.
3.1 Définition d’une variable aléatoire.

Toute mesure d’une grandeur dont les


valeurs dépendent du hasard est dite
variable aléatoire (v.a.) . Elle est
généralement notée X
X est une application de S vers ℝ

X : S ℝ
s X(s)
Définition
Une variable aléatoire est une variable
qui prend une valeur déterminée pour
chaque résultat d’une épreuve aléatoire.
Exemple
Considérons le jeu du hasard suivant. On jette un dé.
Si on obtient un 4, on gagne 100DH; si on obtient 6,
on gagne 20DH; si on obtient un 3 ou un 2, on perd
50DH. Si on obtient un autre résultat, on ne perd rien
mais on ne gagne rien non plus.

Résultat 1 2 3 4 5 6

gain
0 -50 -50 100 0 20

Nous notons cette variable par X et ses valeurs


{ X } = { -50, 0, 20, 100 }
Remarques
◼ On peut distinguer entre les variables aléatoires
quantitatives et les v.a qualitatives.
Exemple d’une v.a qualitative : Interroger des gens
sortants d’un supermarché sur leur CSP (catégorie
socio- professionnelle).
{X} = {ouvrier, cadre moyen, ….}.
Exemple d’une v.a quantitative: jeu du hasard de l’Exp.

◼Souvent, pour les v.a quantitatives n’ayant que deux


valeurs possibles, on utilise un codage 0/1. On parle
alors de v.a de Bernoulli ou de v.a indicatrice.
Variable aléatoire discrète.
Les variables aléatoires discrètes sont
celles qui ne prennent que des valeurs
numériques isolées.
Autrement dit, elle prennent un nombre
fini de valeurs ou, tout au plus, un
nombre infini dénombrable de valeur (par
exemple {X}={0,1,2,3,4,…}).
Variable aléatoire continue.
Les variables aléatoires continues prennent
leurs valeurs dans un (ou plusieurs)
intervalles.

Par exemple, la température, le poids, le


revenu, le rendement d’un actif financier.
3.2 Loi d’une variable aléatoire discrète
Reprenons l’exemple du jeu de dé et calculons
la probabilité de gagner 100DH :

IP(X=100)=IP(obtenir un 4)= 1/6

De même

IP(X=-50)=IP(obtenir un 2 ou un 3)
=IP(obtenir un 2)+IP(obtenir un 3)
=1/6 + 1/6
=1/3
On peut calculer ainsi les probabilités des
autres gains.

X -50 0 20 100

IPX 1/3 1/3 1/6 1/6


Définition
La distribution de probabilité ou loi de la
variable aléatoire discrète X est
l’ensemble des couples (xi, ℙ(X=xi)), pour
toute valeur xi prise par la variable aléatoire.

Propriété
Quelle que soit la v.a discrète X, la somme
des probabilités associées à toutes les
valeurs possibles est égale à 1

 IP(X = x ) = 1
xi  X
i
Exercice: reprenons l’exemple du jeu de
dé.
Calculer la probabilité d’avoir un gain
strictement positif. ℙ(X>0)=?

ℙ(X>0) = ℙ(X=20 ou X=100)


= ℙ(X=20) + ℙ(X=100)
= 1/6 + 1/6
= 1/3
Caractéristiques d’une v.a discrète:

◼ Fonction de répartition
◼ Espérance mathématique
◼ Variance
◼ L’écart-type
Fonction de répartition
La fonction de répartition de la variable
aléatoire X est définie par :
F(x) = ℙ(X < x)

Remarque
Il s’agit de quelque sorte, de probabilité
cumulées. Nous pouvons écrire :

F(x) =  IP(X = x )
xi  x
i
EXERCICE
Reprenons l’exp. jeu de dé, trouver les
valeurs de la fonction de répartition F(.)
de la variable X.
Propriétés de la fonction de répartition F :

◼ Nous avons x  R, 0  FX ( x)  1

◼ C’est une fonction en escaliers

◼ Si on connaît la fonction de répartition,


on peut connaître la loi de probabilité

P( X = xi ) = F ( xi +1 ) − F ( xi )
L’espérance mathématique d’une v.a
discrète.

Elle est notée E(X) , elle représente une


moyenne des valeurs possibles x1,x2,…,xn
de X, chacune des valeurs xi est pondérée
par sa probabilité pi=IP(X=xi).
n n
E(X) =  x IP(X = x ) = x .p
i=1
i i
i=1
i i

C’est un indicateur de centralité


Exercice
Donner le gain espéré du jeu de dé.
La variance
La variance d’une variable aléatoire discrète X,
notée V(X) ou  X , est la moyenne pondérée des
2

carrés des écarts ( xi – E(X)), les coefficients de


pondération étant les différentes probabilités pi .
C’est un indicateur de dispersion.

n
V(X) = 
i=1
(xi − E(X))2.IP(X = xi )

n
= 
i=1
pi . (xi − E(X))2
Calculer la variance du gain.
L’écart-type

C’est la racine carrée de la variance. On le note

 X = V (X ) =  2
X
Propriétés de l’espérance et de la variance
d’une variable aléatoire

V(X) = E(X2) - E2(X)

Changement Changement Transformation


d’origine d’échelle générale
E(X+c)=E(X)+c E(aX)= a E(X) E(aX+c)= a E(X)+c
Var(X+c)=var(X) Var(aX)=a2 Var(X) Var(aX+c)=a2 Var(X)
(X+c)=(X) (aX)= |a| (X) (aX+c)= |a| (X)

a et c étant deux constantes de ℝ


Couples de variables aléatoires discrètes

◼ Loi conjointe à deux dimensions

◼ Lois marginales

◼ Lois conditionnelles
Loi conjointe de deux variables aléatoires
Soient X et Y deux variables aléatoires
discrètes dont l’ensemble des valeurs
possibles sont respectivement:
pour X : x1,x2,…,xm et pour Y: y1,y2,…,yn

On définit la loi de probabilité conjointe des


deux variables X et Y par:

IP(X,Y)(xi,yj)= IP( X=xi , Y=yj)


= IP((X=xi ) et (Y=yj))

pour i=1,..,m et j=1,..,n


◼ Notation

IP(X,Y)(xi ,yj )= pij

◼ Propriétés
(i, j), 0  IP(X,Y )(X = xi , Y = y j )  1

m n

 IP
i=1 j=1
(X,Y )(X = xi , Y = y j ) = 1
CT. barème 1) 10pt 2) 5pt 3) 4+1pt
Considérons une urne contenant 3 boules
rouges, 5 boules vertes et 2 blanches. On tire
simultanément 4 boules. Soient les 2
variables aléatoires X et Y définies par:
X= le nombre de boules vertes tirées
Y= le nombre de boules rouge tirées
1) Déterminer la loi de probabilité conjointe P(X,Y)
2) Donner les lois marginales de X et Y
3) Calculer E(X) et V(X). X et Y sont elle
indépendante?
Les distributions marginales
◼ La distribution marginale de X est définie
par:
xi  DX ,

IPX (X = xi ) =  IP
y jD Y
(X,Y )(X = xi , Y = y j )

◼ La distribution marginale de Y est définie


par:
y j  D Y ,

IPY (Y = y j ) =  IP
xiDX
(X,Y )(X = xi , Y = y j )
Exemple

Y 0 1 2 PX
X
1 0,19 0,05 0,01 0,25
2 0,04 0,27 0,09 0,40
3 0,00 0,15 0,20 0,35

PY 0,23 0,47 0,30


Les lois conditionnelles
Soit le couple de variables aléatoires (X,Y)
ayant une loi de probabilité conjointe IP(X,Y)
et des lois de probabilité marginales IPX,IPY.
Supposons que IPX(X=xi )0, alors la
probabilité conditionnelle de Y=yj sachant
que X=xi s’est réalisé, est définie par:

IP(X,Y )(X = xi , Y = y j )
PY X (Y = y j X = xi ) =
IPX (X = xi )
Propriétés

Propriété 1
Quelles que soient les variables aléatoires X
et Y, on a :

IP(X = xi et Y = y j ) = IP(Y = y j X = xi ) IP(X = xi )

IP(X = xi et Y = y j ) = IP(X = xi Y = y j ) IP(Y = y j )


Propriété 2 (indépendance des v.a)
Deux variables aléatoires X et Y sont
indépendantes si et seulement si, quelque
soient les valeurs xi et yj :

IP(X = xi et Y = y j ) = IP(X = xi ) IP(Y = y j )

Propriété 3 (fonction de deux v.a)


Soit Z= f (X,Y), une fonction des variables
aléatoires X et Y. L’espérance de Z est donné
par : E(Z) = E( f (X, Y)) =
   
xi X
f (x , y ) IP(X = x et Y = y )
y j Y
i j i j
Covariance et corrélation de deux v.a.
Définition
On appelle covariance entre deux variables
aléatoires X et Y la quantité définie par :

Cov (X, Y ) = E (X − E(X))(Y − E(Y)


= E(XY) - E(X)E(Y)

=    x y
xi  X y j Y
i j (xi , y j ) − E(X) E(Y)
Définition
On appelle coefficient de corrélation linéaire
entre deux variables aléatoires X et Y la
quantité définie par :

Cov(X, Y )
ρ(X, Y) =
 (X) (Y)
3.2 Loi d’une variable aléatoire continue
Considérons un individu qui joue au bowling.

Soit D la variable aléatoire mesurant la


distance entre le bord gauche de la cible et le
point d’impact ( au plus 50 cm)

1m
Supposons que la personne est suffisamment
maladroite pour qu’il a autant de chances que
la distance D soit n’importe qu’elle valeur entre
0 et 50 cm.

Donc {D}=[0,50]

La variable aléatoire D à une infinité de valeurs


possibles dans [0,50] toutes équiprobables :
Soit x[0,50], IP(D=x)=1/ = 0
Les probabilité de tous les point de [0,50] est
nulle.

Nous avons donc

IP (0  D  50) =  IP(D = x) =  0 = 0
0 x 5 0

Ce qui est manifestement faux puisque nous


savons que
IP (0  D  50) = 1
Densité de probabilité d’une v.a continue
Définition
On appelle densité de probabilité d’une v.a
continue X, une fonction positive f(x) telle
b
que :

IP (a  X  b) = f(x)dx
a
Propriété
L’aire totale sous la courbe est égale à 1 :
+

 f(x)dx = IP (-  X  +) = 1


−
Caractéristiques de la loi d’une v.a continue

◼ Fonction de répartition

◼ Espérance mathématique

◼ Variance et écart-type
Fonction de répartition d’une v.a continue
Définition
Soit X une v.a continue de densité de proba.
f(x). Sa fonction de répartition F(.) est définie
a
par :

F(a) = IP (X  a) = f(x)dx ,
-
a  IR
Propriétés
◼ 0≤ F(a) ≤1  a IR
b


a
f(x)dx = IP (a  X  b) = F(b) - F(a)
Espérance et variance d’une v.a continue
Définition
On appelle espérance d’une v.a continue X la
quantité définie par : +
E(X) = 
-
x f(x) dx.

Définition
On appelle variance d’une v.a continue X la
quantité définie par : +
V(X) = 
-
(x - E(X))2 f(x) dx.
La variance peut également s’exprimer sous
une forme équivalente, plus simple pour le
calcul :
+
V(X) = 
-
x 2 f(x) dx - (E(X))2.

L’écart-type est donné par :

 (X ) = V (X )