Vous êtes sur la page 1sur 45

Analyse combinatoire

Chapitre 3: Variables aléatoires


Consulter la page
https://www.facebook.com/ecours/

10:58 1
Variables aléatoires

La variable aléatoire est une grandeur numérique dont la


valeur dépend de l’issue d’une expérience aléatoire.
Loi de probabilité d'une variable aléatoire discrète
Une loi de probabilité discrète est caractérisée par la variable
aléatoire X et par les probabilités associées: Pr(X = xi ) = pi

La loi de probabilité de X:

p1 + p2 + … + pn = 1

Valeur xi x1 x2 … xn
P(X = x i) p1 p2 … pn
10:58 https://www.facebook.com/ecours/ 2
variable aléatoire discrète
Exemple
On lance une pièce de monnaie non équilibrée. La
probabilité P(Pile)=0,6 et P(Face)=0,4.
Si Pile On gagne 10 et Si Face on perd 10 DH.
On associe à chacun des événements correspondants, le
gain en 10 Dirhames avec positif ou négatif.
la loi de probabilité de la variable aléatoire, X
xi 10 - 10
P(X = x i) 0,6 0,4
n

∑ p = 0,4 + 0,6 = 1
1
i

10:58 https://www.facebook.com/ecours/ 3
L'espérance de la loi de probabilité d’une variable aléatoire discrète

L’espérance mathématique d’ une variable aléatoire X est défini par:


n
E(X) = µ = ∑1
p i x i = p 1 x 1 + p 2 x 2 ......... + p n x n

p i = p (X = x i )
Exemple
xi 10 - 10
P(X = x i) 0,6 0,4
L'espérance mathématique E de p est .
2
E(X) = µ = ∑ pi x i = 0.6 ×10 + −0.4 ×10
1

E(X) = µ = 2
10:58 https://www.facebook.com/ecours/ 4
La variance et l’écart-
l’écart-type de la loi de probabilité
Définition
La variance de X est :
n n
V(X)= ∑ pi (xi − µ) V(X) = ∑ pi x i − µ 2
2 2

1 1
L’écart-type de X, est la racine carrée de la variance :
σ ( X ) = V(X)
xi 10 - 10
P(X = x i) 0,6 0,4
2
V(X)= ∑ pi (xi − µ) = 0.6× (10− 2) + 0.4× (−10− 2)
2 2 2

1
V(X) = 96
σ (X ) = V(X) = 9 . 798
10:58 https://www.facebook.com/ecours/ 5
L'espérance de la loi de probabilité d’une variable aléatoire discrète

L’espérance mathématique d’ une variable aléatoire X est défini par:


n
E(X) = µ = ∑1
p i x i = p 1 x 1 + p 2 x 2 ......... + p n x n

p i = p (X = x i )
Exemple
xi 10 - 10
P(X = x i) 0,6 0,4
L'espérance mathématique E de p est .
2
E(X) = µ = ∑ pi x i = 0.6 ×10 + −0.4 ×10
1

E(X) = µ = 2
10:58 https://www.facebook.com/ecours/ 4
La variance et l’écart-
l’écart-type de la loi de probabilité
Définition
La variance de X est :
n n
V(X)= ∑ pi (xi − µ) V(X) = ∑ pi x i − µ 2
2 2

1 1
L’écart-type de X, est la racine carrée de la variance :
σ ( X ) = V(X)
xi 10 - 10
P(X = x i) 0,6 0,4
2
V(X)= ∑ pi (xi − µ) = 0.6× (10− 2) + 0.4× (−10− 2)
2 2 2

1
V(X) = 96
σ (X ) = V(X) = 9 . 798
10:58 https://www.facebook.com/ecours/ 5
Loi de Bernoulli - Loi binomiale
Loi de Bernoulli
Lors d’une expérience aléatoire, on s’intéresse uniquement à la
réalisation d’un certain événement S (appelé « succès ») ou à sa non
réalisation (appelé « échec »)
On appelle loi de Bernoulli de paramètre p la loi de probabilité définie
sur Ω={0;1} par p( 1)=p et p(0)=1−p. B (p)

xi 1 0
E(X ) = p ×1 + q × 0 = p
pi p q n n
V= ∑ p (x
1
i i − µ) =
2
∑ p (x
1
i i − E )2

V = p(1− p)2 + q(0 − p)2


V = p(1− p)2 + (1− p)( p)2 = (1− p)( p(1− p) + p2 ) = (1− p)( p − p2 + p2 )
V = p (1 − p ) = pq
10:58 https://www.facebook.com/ecours/ 6
Loi binomiale

n=3
n=2
n=1
3S

2S

1S

10:58 https://www.facebook.com/ecours/ 0S 9
Axiome
On obtient donc la loi binomiale de paramètres de paramètres n=3 et p=1/6:

X prend les nombres 0, 1, 2 et 3: Nombres d’apparition du nombre 2


Notations
X est la variable aléatoire comptant le nombre de succès, alors
La probabilité qu’il y ait k succès est donc de :
n k
P ( X = k ) =   p (1 − p )
n−k

k 
n n!
  = C n =
k

avec
10:58 k  p! × (n − k )!
https://www.facebook.com/ecours/ 10
L'espérance mathématique et La variance
Théorème
B(n,p) est la loi binomiale de paramètres n et p.
L'espérance mathématique E de B(n,p) est E=np ;
La variance V de B(n,p) est V=npq.
On obtient pour la loi binomiale de paramètres de
paramètres n=3 et p=1/6:

1 3 1
E = np = 3 × = =
6 6 2
1 5 15 5
V = npq = 3 × × = =
6 6 36 12

10:58 https://www.facebook.com/ecours/ 11
Exemple: Une urne contient 10 boules (indiscernables au toucher) :
4 boules sont rouges et les autres sont noires. On tire successivement 3 boules de
l’urne en remettant la boule à chaque tirage.
Déterminer et représenter la loi de probabilité de la variable aléatoire X qui
représente le nombre de boules rouges obtenues.
La probabilité d’obtenir une boule rouge est de 4/10=0,4
On a une loi binomiale B(3,0.4)
3 0
P ( X = 0 ) =   0 .4 (1 − 0 .4 ) = 0 .6 3 ≈ 0 .216
3
n k
0 P ( X = k ) =   p (1 − p )n−k

k
 
P ( X = 1) =   0 .41 × (0 .6 ) = 3 × 0 .4 × 0 .6 2 = 0 .432
3
2
n n!
= =
k
1  
 k  Cn p! × (n − k )!
 
 
P ( X = 2 ) =   0 . 4 2 × (0 . 6 ) = 3 × 0 . 4 2 × 0 . 6 = 0 . 288
3
1

2
3 3
P ( X = 3) =   0 .4 (1 − 0 .4 ) = 0 .4 3 = 0 .64
0

3
On obtient alors le tableau de la loi de probabilité
xi 0 1 2 3
pi 0.216 0.432 0.288 0.64
10:58 https://www.facebook.com/ecours/ 12
n k
Pour une loi binomiale B(4,0.4) P ( X = k ) =   p (1 − p )
n−k

k
4
P( X = 0 ) =   × 0 . 4 0 × (1 − 0 . 4 )4 = 0 .6 4 = 0 . 1296 NNNN
0
4 1
P( X = 1) =   0 . 4 × (0 . 6 )3 = 4 × 0 . 4 × 0 . 6 3 = 0 . 3456 RNNN
1
4 2
P( X = 2 ) =   0 .4 × (0 .6 )2 = 6 × 0 .4 2 × 0 .6 2 = 0 .3456 RRNN
2
4 3
P( X = 3) =   0 .4 × (0 .6 )1 = 4 × 0 .4 3 × 0 .61 = 0 .1536 RRRN
3
4
P( X = 4 ) =   × 0 .4 4 × (1 − 0 .4 )0 = 0 .4 4 = 0 .0256 RRRR
4
On obtient alors le tableau de la loi de probabilité

xi 0 1 2 3 4
pi 0.1296 0.3456 0.3456 0.1536 0.0256

10:58 https://www.facebook.com/ecours/ 13
Variables aléatoires continues
Définition
Une variable aléatoire X est continue s’il existe une fonction
de densité f(x) telle que sa fonction de répartition F(x) est
égale à : x
P(X ≤ x) = F(x) = ∫ f (t)dt
-∞
x2
P(x1 ≤ X ≤ x 2 ) = F(x) = ∫ f (t)dt
x1

La fonction f(x) est appelée densité de probabilité et on a :


f (t) = F' (x)
F(x) = ∫ f (t)dt
10:58 https://www.facebook.com/ecours/ 14
Loi binomiale

n=3
n=2
n=1
3S

2S

1S

10:58 https://www.facebook.com/ecours/ 0S 9
Variables aléatoires continues
Exemple
La fonction de densité d’une variable aléatoire X est donnée
par :
f(x)=

X est une variable aléatoire continue et l’on vérifie aisément


que f(x) ≥ 0. De même:

10:58 https://www.facebook.com/ecours/ 16
Variables aléatoires continues

La fonction de répartition
La fonction de répartition F est donnée par:

10:58 https://www.facebook.com/ecours/ 17
L'espérance mathématique et La variance
Théorème
B(n,p) est la loi binomiale de paramètres n et p.
L'espérance mathématique E de B(n,p) est E=np ;
La variance V de B(n,p) est V=npq.
On obtient pour la loi binomiale de paramètres de
paramètres n=3 et p=1/6:

1 3 1
E = np = 3 × = =
6 6 2
1 5 15 5
V = npq = 3 × × = =
6 6 36 12

10:58 https://www.facebook.com/ecours/ 11
Variables aléatoires continues

10:58 https://www.facebook.com/ecours/ 19
n k
Pour une loi binomiale B(4,0.4) P ( X = k ) =   p (1 − p )
n−k

k
4
P( X = 0 ) =   × 0 . 4 0 × (1 − 0 . 4 )4 = 0 .6 4 = 0 . 1296 NNNN
0
4 1
P( X = 1) =   0 . 4 × (0 . 6 )3 = 4 × 0 . 4 × 0 . 6 3 = 0 . 3456 RNNN
1
4 2
P( X = 2 ) =   0 .4 × (0 .6 )2 = 6 × 0 .4 2 × 0 .6 2 = 0 .3456 RRNN
2
4 3
P( X = 3) =   0 .4 × (0 .6 )1 = 4 × 0 .4 3 × 0 .61 = 0 .1536 RRRN
3
4
P( X = 4 ) =   × 0 .4 4 × (1 − 0 .4 )0 = 0 .4 4 = 0 .0256 RRRR
4
On obtient alors le tableau de la loi de probabilité

xi 0 1 2 3 4
pi 0.1296 0.3456 0.3456 0.1536 0.0256

10:58 https://www.facebook.com/ecours/ 13
Variables aléatoires continues

10:58 https://www.facebook.com/ecours/ 21
Variables aléatoires continues

a) Les probabilités

10:58 https://www.facebook.com/ecours/ 22
a) Les probabilités

10:58 https://www.facebook.com/ecours/ 23
Variables aléatoires continues : L'espérance
mathématique et La variance
Si X est une variable aléatoire continue prenant ses valeurs
sur un intervalle (a, b), alors l’espérance mathématique de X,
notée E(X), est définie par :

La variance est définie par :

10:58 https://www.facebook.com/ecours/ 24
La loi uniforme
Une variable aléatoire X est définie sur l’intervalle [a, b] avec
une fonction de densité constante .

Par intégration, nous obtenons la fonction de répartition F :

Densité uniforme
 1
 b − a a≤ x≤b
f ( x) = 

 0 sinon
10:58 https://www.facebook.com/ecours/ 25
La loi uniforme
Une variable aléatoire X est définie sur l’intervalle [a, b] avec
une fonction de densité constante .

 1
 b − a a≤ x≤b
f ( x) = 

 0 sinon

−∞ a b +∞
f ( x) = 0 f ( x) =
1 f ( x) = 0
b−a

10:58 https://www.facebook.com/ecours/ 26
Variables aléatoires continues

10:58 https://www.facebook.com/ecours/ 18
La loi uniforme
Une variable aléatoire X est définie sur l’intervalle [a, b] avec
une fonction de densité constante .
c a ≤ x ≤ b

f (x) = 
 0 sinon

f ( x)dx = 1 ⇒ ∫ c dx = 1 ⇒ [cx] = 1
+∞ b

b
a
−∞ a

[cx] = 1 ⇒ c(b − a) = 1 ⇒ c =
b 1
(b − a )
a

 1
 b − a a≤ x≤b
f ( x) = 
Densité uniforme 
 0 sinon
10:58 https://www.facebook.com/ecours/ 28
L’espérance et la variance de la loi uniforme
L’espérance mathématique et la variance de la loi uniforme
est égale à :

b
+∞ b x 1 x  2

∫−∞ x f ( x)dx = ∫a (b − a )
dx = 1 ⇒  
 2 (b − a )  a
b
1 x 
( )
2
1 1
 ×  = b −a = (b − a)(b + a)
2 2

 2 (b − a ) a 2(b − a) 2(b − a)
a+b
E ( x) =
2

10:58 https://www.facebook.com/ecours/ 29
Exercice 1 Soit une variable aléatoire qui suit la
loi uniforme sur . Calculer:
a) La fonction densité
b) Les probabilités et
c) L’espérance mathématique et la variance

10:58 https://www.facebook.com/ecours/ 30
 1
• loi uniforme sur :  b − a a≤ x≤b
f ( x) = 

a) La fonction densité  0 sinon

1
 20 − 5 ≤ x ≤ 15
f ( x) = 

0 sinon
b)
−5
f ( x ) dx = ∫ f ( x ) dx + ∫ f ( x )dx
2 2
P ( X ≤ 2) = ∫
−∞ −∞ −5

2  − 5 7
2
−5 1 2 1 2 x
P ( X ≤ 2 ) = ∫ 0 dx + ∫ dx = ∫ dx = = − =
−∞ − 5 20 − 5 20 20 −5 20  20  20

P ( −1 ≤ X ≤ 1) = ∫ f ( x ) dx = ∫
1 1 1
dx
−1 −1 20

1  −1 2
1
x 1
P ( X ≤ 2) = = − = =
10:58 20  20  20 10
20 −1https://www.facebook.com/ecours/ 31
L’espérance et la variance de la loi uniforme
L’espérance mathématique et la variance de la loi uniforme
est égale à : 1
− 5 ≤ x ≤ 15  20
f ( x) = 

0 sinon
− 5 + 15
E ( x) = =5
2

Var ( x ) =
(15 + 5)
2
=
400
= 33.34
12 12

10:58 https://www.facebook.com/ecours/ 32
La loi exponentielle
une variable aléatoire X suit une distribution exponentielle
de paramètre λ>0 si sa densité est donnée par:
λ e − λ x x≥0
f ( x) = 
0 x<0

−∞ f ( x) = 0
0
f ( x ) = λ e − λx +∞

10:58 https://www.facebook.com/ecours/ 33
La loi exponentielle
une variable aléatoire X suit une distribution exponentielle
de paramètre λ>0 si sa densité est donnée par: λe−λx x ≥ 0
f ( x) = 
La fonction de répartition F 0 x<0
x 0 x
x ≥ 0 F (x) = ∫ f ( y )dy = ∫ 0 dy + ∫ λ e − λ y dy
−∞ −∞ 0
x
F (x) = ∫ λ e − λ y dy = − e − λ y = − e −λx − ( − e 0 ) = − e −λx + 1
x
0 0

F ( x ) = 1 − e −λx
1 − e − λx x≥0
F ( x) = 
0 x<0

0
−∞ F ( x) = 0 F ( x ) = 1 − e − λx +∞

10:58 https://www.facebook.com/ecours/ 34
La loi exponentielle

Espérance et Variance
Son espérance et sa variance sont respectivement données par:

1 1
E( x ) = V( x)=
λ λ 2

Exemple: Considérons la variable aléatoire X « durée de vie (en


heures) d’un composant électronique de type donné ». Supposons
que la densité de probabilité de X soit donnée par:

10:58 https://www.facebook.com/ecours/ 35
Exemple: Considérons la variable aléatoire X « durée de vie (en
heures) d’un composant électronique de type donné ». Supposons
que la densité de probabilité de X soit donnée par:

− λx 1
f ( x) = λe ⇒ λ =
100
1 1
E ( x) = = 100 V ( x) = = 100 2
λ λ2

10:58 https://www.facebook.com/ecours/ 36
Exemple: Considérons la variable aléatoire X « durée de vie (en
heures) d’un composant électronique de type donné ». Supposons
que la densité de probabilité de X soit donnée par:

Utilisation de la fonction de la densité de probabilité


 1 −100
1
x
 e
x≥0
f ( x ) = 100

0 x<0
1
1 − 100 x
f ( x ) dx = ∫
2 0 2
P ( X ≤ 2) = ∫ 0 dx + ∫ e dx
−∞ −∞ 0 100
2
1 1 2 1
2 1 − x − x − −
P( X ≤ 2) = ∫
0 100
e 100 dx = − e 100 = 1 − e 100 = 1 − e 50

10:58
0
https://www.facebook.com/ecours/ 37
Utilisation de la fonction de répartition:

 −
1
x
F ( x ) = 1 − e x≥0
100

0 x<0

f ( x ) dx = ∫ f ( x )dx + ∫ f ( x )dx
2 0 2
P ( X ≤ 2) = ∫
−∞ −∞ 0


2
 −
0

∫ f (x ) dx = F ( 2) − F (0) = 1 − e
2
P ( X ≤ 2) = 100
−  1 − e 100 
 
0

2 1
− −
P( X ≤ 2) = 1 − e 100
− (0) = 1 − e 50

10:58 https://www.facebook.com/ecours/ 38
a) Les probabilités

10:58 https://www.facebook.com/ecours/ 23
La loi normale centrée réduite
La loi normale centrée réduite correspond à la loi normale ayant
comme paramètres µ= 0 et σ = 1
Le passage de la variable aléatoire t =
X − µ s’effectue par la
transformation σ
t ≈ N ( 0 ;1 )
Par convention, la fonction à densité s'écrit à présent
.
t2
1 −
f ( x) = e 2

10:58 https://www.facebook.com/ecours/ 40
Utilisation du tableau de la loi normale
réduite pour calculer une probabilité
Exemple
Une pièce mécanique sur laquelle on veut vérifier une cote x de
10,00 mm ± 0,05 mm 9 , 95 ≤ x ≤ 10 , 05
Après plusieurs contrôles on trouve une valeur moyenne de 10,00
mm et un écart type de 0,15 mm.
Calculer le pourcentage de pièces dont la cote x est dans l'intervalle
[9,95 mm ; 10,05 mm]

9,95 mm
15,00 mm

10:58 10,05 mm
https://www.facebook.com/ecours/ 41
Etape 1 : changement de variable x -> t
Passage de La loi normale vers La loi normale centrée réduite

µ = 10,00 mm σ = 0,15 mm

9 , 95 ≤ x ≤ 10 , 05 t1 ≤ t ≤ t 2
X −µ
t=
σ
 9,95 − µ X − µ 10,05 − µ 
P ( 9 ,95 ≤ x ≤ 10 ,05 ) = P  ≤t= ≤ 
 σ σ σ 
 9,95 − 1 0 ,00 10,05 − 1 0 ,00 
P ( 9 ,95 ≤ x ≤ 10 ,05 ) = P  ≤t≤ 
 0,15 0,15 

P(9,95 ≤ x ≤ 10,05) = P(−0,33 ≤ t ≤ 0,33) = F (0,33) − F (−0,33)


P(9,95 ≤ t ≤ 10,05) = P(0,33) − P(−0,33)
10:58 https://www.facebook.com/ecours/ 42
10,05 −10,00
t1 = = 0,33 = 0,3 + 0,03
0,15

P(0,33) = 0,6293 − 0,33 ≤ t ≤ 0,33


calcul de probabilité sur l'intervalle -t1 < t < +t1
P ( − 0 ,33 ≤ t ≤ 0 ,33 ) = P ( 0 ,33 ) − P ( − 0 ,33 )
P ( − 0 ,33 ) = 1 − P ( 0 ,33 )
P ( − 0 , 33 ≤ t ≤ 0 , 33 ) = 2 P ( 0 , 33 ) − 1

10:58
P ( − 0 ,33 ≤ t ≤ https://www.facebook.com/ecours/
0 ,33 ) = 2 ( 0 , 6293 ) − 1 = 0 , 2586 = 25 ,86 %
43
X −µ
T=
σ

p (0,93) = 0,8238 p (1,19) = 0,8830 p (1,5) = 0,9332


10:58 https://www.facebook.com/ecours/ 44
10:58 https://www.facebook.com/ecours/ 45