Vous êtes sur la page 1sur 6

TS

Variables aléatoires finies

1 Définitions
Définition 1.1
Une variable aléatoire est une fonction X qui, à chaque événement élémentaire d’une
expérience aléatoire, associe un nombre réel :
X : Ω −→ R
ω 7−→ X (ω)
On note X (Ω) l’ensemble de valeurs prises par X .
On dit que la variable aléatoire est finie si l’ensemble de ses valeurs X (Ω) est un ensemble
fini.
Remarque 1.1
• On peut voir une variable aléatoire finie comme une grandeur numérique X pre-
nant différentes valeurs x 1 , x 2 , ..., x n avec les probabilités p 1 , p 2 , ..., p n lors d’une
expérience aléatoire.
• L’ensemble des valeurs p 1 = P(X = x 1 ), p 2 = P(X = x 2 ), ..., p n = P(X = x n ) définit
une loi de probabilité sur X (Ω) = {x 1 ,x 2 , . . . ,x n }.
• Les événements {X = x 1 }, {X = x 2 }, ..., {X = x n } sont les événements élémentaires de
cette loi.
• On résume souvent la loi de probabilité de la variable aléatoire X dans un tableau :
xi x1 x2 . . . xn
p i = P(X = x i ) p 1 p 2 . . . p n

Définition 1.2
L’espérance mathématique de la variable aléatoire X est le nombre, noté E(X ), défini par :
n
X
E(X ) = p i xi = p 1 x1 + p 2 x2 + . . . + p n xn
i =1

Remarque 1.2
E(X ) est la valeur moyenne de la variable aléatoire après un grand nombre de répétitions
de l’expérience aléatoire.
Si on s’intéresse à un jeu, c’est le gain moyen après un grand nombre de parties (un jeu est
dit équitable si E(X ) = 0).
Propriété 1.1 (Linéarité de l’espérance)
Soient a et b deux réels. On a :
E(a X + b) = aE(X ) + b

maths.muller@gmail.com VARIABLES ALÉATOIRES FINIES 1/??


Définition 1.3
La variance de la variable aléatoire X est le nombre, noté V(X ) (ou Var(X )), défini par :

n
p i (x i − E(X ))2 ) = p 1 (x 1 − E(X ))2 + p 2 (x 2 − E(X ))2 + . . . + p n (x n − E(X ))2
X
V(X ) =
i =1

C’est à dire :
V(X ) = E (X − E(X ))2
£ ¤

Propriété 1.2

V(X ) = E(X 2 ) − (E(X ))2


C’est à dire :
n
p i x i2 − (E(X ))2 = p 1 x 12 + p 2 x 22 + . . . + p n x n2 − (E(X ))2
X
V(X ) =
i =1

Définition 1.4
L’écart-type de X est :
p
σ(X ) = V(X )

Remarque 1.3
L’écart-type est un indicateur de dispersion : plus il est élevé et plus les valeurs de X sont
hétérogènes (dispersées).
Il caractérise la fiabilité d’un processus, ou encore un risque.

Propriété 1.3
Soient a et b deux réels. On a :
• V(a X + b) = a 2 V(X )
• σ(a X + b) = |a|σ(X )

2 Exemple détaillé
On considère le jeu suivant :
On lance trois fois de suite une pièce équilibrée.
• À chaque fois que "pile" sort, on gagne 2(.
• À chaque fois que "face" sort, on perd 1(.

maths.muller@gmail.com VARIABLES ALÉATOIRES FINIES 2/??


Pour modéliser cette situation on va faire un arbre :

1er tirage 2e tirage 3e tirage Résultat Gain


P PPP 6
P
F PPF 3
P
P PFP 3
F
F PFF 0
P FPP 3
P
F FPF 0
F
P FFP 0
F
F FFF -3

L’univers est Ω = {P P P ; P P F ; P F P ; P F F ; F P P ; F P F ; F F P ; F F F }
À chaque événement élémentaire ω de Ω on associe un nombre réel, noté X (ω) (par exemple
X (P F P ) = 3) qui représente le gain du lancé.
On définit ainsi une variable aléatoire X prenant ses valeurs dans X (Ω) = {−3 ; 0 ; 3 ; 6}.
On note par exemple {X = 3}, ou plus simplement X = 3, l’événement {P P F ; P F P ; F P P }.
On définit alors la loi de probabilité de X :
1 3 3 1
P (X = −3) = , P (X = 0) = , P (X = 3) = et P (X = 6) =
8 8 8 8
que l’on peut résumer dans un tableau pour déterminer l’espérance et la variance de X :

xi -3 0 3 6 Total

1 3 3 1
p i = P(X = x i ) 1
8 8 8 8
3 9 6 12
p i xi − 0 E(X ) = = 1,5
8 8 8 8

x i2 9 0 9 36

9 27 36 72
p i x i2 0 E(X 2 ) = =9
8 8 8 8
1 3 3 1 12
L’espérance de X est E(X ) = × (−3) + × 0 + × 3 + × 6 = = 1,5
8 8 8 8 8
En moyenne on gagne 1,5( par partie.
Pour que ce jeu soit équitable il faudrait, par exemple, faire payer un droit de 1,5( pour
jouer une partie.

La variance de X vaut : V(Xp) = E(X 2p


) − (E(X ))2 = 9 − 1,52 = 6,75
D’où l’écart-type : σ(X ) = V(X ) = 6,75 ' 2,6

maths.muller@gmail.com VARIABLES ALÉATOIRES FINIES 3/??


3 Loi binomiale
Rappel : On dit qu’une expérience aléatoire est une épreuve de Bernoulli de paramètre p
si elle a exactement deux issus :
• Une, qualifiée de succès, avec une probabilité p
• L’autre, qualifiée d’échec, avec une probabilité q = 1 − p

Définition 3.1
On suppose que l’on répète n fois de manière indépendante la même épreuve de Bernoulli
de paramètre p. Celle-ci a donc deux issues :
• Succès, avec une probabilité p
• Échec, avec une probabilité q = 1 − p
Soit X la variable aléatoire qui dénombre les succès.
Alors on dit que X suit la loi binomiale de paramètres n et p, et on note : X B(n,p).

Exemple 3.1
On répète n = 3 fois de manière indépendante une épreuve de Bernoulli de paramètre
p = 0,4. Celle-ci a donc deux issues :
• Succès (S), avec une probabilité p = 0,4
• Échec (E), avec une probabilité 1 − p = 0,6
Soit X la variable aléatoire dénombrant les succès.
X suit la loi binomiale B(n = 3 ; p = 0,4).
On peut représenter cette situation par un arbre :

1er 2e 3e Résultat X
0,43
0,4 S SSS 3
0,4 S 0,42 × 0,6
0,6 E SSE 2
S 2
0,4 × 0,6
0,4 0,6
0,4 S SES 2
E 0,4 × 0,6 2
0,6 E SEE 1
2
0,4 × 0,6
0,4 S ESS 2
0,6 0,4 S 0,4 × 0,6 2
0,6 E ESE 1
E 0,4 × 0,6 2

0,6
0,4 S EES 1
E 0,6 3
0,6 E EEE 0

On peut donner la loi de probabilité de X dans un tableau :


k 0 1 2 3

P(X = k) 0,63 = 0,216 3 × 0,4 × 0,62 = 0,432 3 × 0,42 × 0,6 = 0,288 0,43 = 0,064

maths.muller@gmail.com VARIABLES ALÉATOIRES FINIES 4/??


Propriété 3.1
Si X B(n,p), alors pour tout entier k entre 0 et n, on a :
à !
n k
P(X = k) = p (1 − p)n−k
k

Remarque 3.1
à !
n
La notation se lit "k parmi n" et donne le nombre de combinaisons de k éléments
k
parmi n. C’est le nombre de façon de choisir k éléments parmi n.
On rencontre aussi la notation Ckn et ses valeurs se calculent grâce à la calculatrice :
OPTN PROB n nCr k ce qui donne : nCk.
On a la formule : Ã !
n n!
=
k k!(n − k)!

où n! désigne la factorielle de n et vaut : n! = 1 × 2 × 3 × . . . × n.


On l’obtient à la calculatrice avec : OPTN PROB n x ! ce qui donne : n!.

Remarque 3.2
La calculatrice donne directement les résultats liés à la loi binomiale dans le menu :
OPTN STAT DIST BINM , puis :
• P (X = k) : Bpd dont la syntaxe est BinomialPD(k,n,p)
• P (X 6 k) : Bcd dont la syntaxe est BinomialCD(k,n,p)

Propriété 3.2
Si X suit la loi binomiale B(n,p), alors :
• E(X ) = np
• V(X ) = np(1
p − p)
• σ(X ) = np(1 − p)

Remarque 3.3
E(X ) est le nombre moyen de succès après plusieurs tirages de X .

maths.muller@gmail.com VARIABLES ALÉATOIRES FINIES 5/??


Exemple 3.2 (Exercice type corrigé)
Énoncé :
Les résultats seront donnés arrondis à 10−3
Dans une usine de composants électroniques, la probabilité qu’un composant soit défec-
tueux est de 3%.
On prélève 100 composants pour mettre dans un colis. Le nombre de composants est suf-
fisamment important pour que ce prélèvement soit considéré avec remise.
Soit X la variable aléatoire qui dénombre les composants défectueux dans ce prélèvement.
1) Montrer que X suit une loi binomiale dont on déterminera les paramètres.
2) a) Quelle est la probabilité d’obtenir aucun composant défectueux ?
b) Quelle est la probabilité d’obtenir exactement 2 composants défectueux ?
c) Quelle est la probabilité d’obtenir au plus 5 composants défectueux ?
d) quelle est la probabilité d’obtenir au moins 2 composants défectueux ?
e) quelle est la probabilité d’obtenir entre 2 et 5 composants défectueux ?
3) En moyenne, combien de composants défectueux obtiendra-t-on dans un colis ?
Solution :
1) On répète n = 100 fois, de manière indépendante, la même épreuve de Bernoulli
de paramètre p = 0,03.
X dénombrant les succès, X suit la loi binomiale B(n à =!100 ; p = 0,03).
100
On a alors, pour k entier entre 0 et 100 : P(X = k) = × 0,03k × 0,97100−k .
k
à !
100
2) a) P(X = 0) = × 0,030 × 0,9710 ≈ 0,048
0
(à la calculatrice
à ! : BinomialPD(0,100,0.03))
100
b) P(X = 2) = × 0,032 × 0,978 ≈ 0,225
2
c) P(X 6 5) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5) que
l’on peut calculer comme précédemment, mais on peut le faire directement à
la calculatrice :
BinomialCD(5,100,0.03) donne : P(X 6 5) ≈ 0,919
d) P(X > 2) = P(X = 2)+P(X = 3)+. . .+P(X = 100) qui est quasi impossible à calcu-
ler... Par contre on remarque qu’en passant à l’événement contraire, les choses
sont plus simples :
P(X > 2) = 1 − P(X < 2) = 1 − P(X 6 1), avec P(X 6 1) ≈ 0,195 calculé à la calcu-
latrice avec BinomialCD(1,100,0.03), on trouve : P(X > 2) ≈ 0,805
Lorsqu’on doit calculer des probabilités d’événements du type "au moins" ou
"au plus", penser à l’événement contraire.
e) P(2 6 X 6 5) = P(X 6 5) − P(X < 2) = P(X 6 5) − P(X 6 1) ≈ 0,725
3) E(X ) = np = 100 × 0,03 = 3
En moyenne il y aura 3 composants défectueux par colis.

maths.muller@gmail.com VARIABLES ALÉATOIRES FINIES 6/??

Vous aimerez peut-être aussi