Académique Documents
Professionnel Documents
Culture Documents
Issam Elhattab
2015 - 2016
3 Fonction de répartition
Variable aléatoire
Définition
Une variable aléatoire X est une fonction définie sur Ω à valeurs dans
l’ensemble V = X(Ω),
X : Ω −→ V
w 7−→ X(w).
Exemple
L’objectif
L’objectif est de déterminer toutes les valeurs possibles d’une v.a discrète d’une part, et, les
probabilités que cette v.a. prenne chacune de ces valeurs d’autre part.
Introduction
On lance 2 pièces de monnaie bien équilibré :
Soit X la variable aléatoire qui associe à chaque événement le nombre de résultats face obtenus.
Donc V = {0, 1, 2}.
Soit Ex l’événement composé des résultats associés à la valeur x ∈ V. On a donc :
On a
1
P(E0 ) = P(X = 0) = ;
4
1
P(E1 ) = P(X = 1) = ;
2
1
P(E2 ) = P(X = 2) = .
4
I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 7 / 27
Loi d’une v.a. discrète
Définition
La loi de probabilité d’une variable aléatoire discrète est définie par
l’ensemble des couples :
Exemple
Reprenons l’expérience qui consiste à lancer 2 pièces de monnaie bien équilibrées et
intéressons nous au nombre X de résultats face obtenus. La loi de cette variable est :
1 1 1
(0, p1 = ), (1, p2 = ), (2, p3 = ) .
4 2 4
Fonction de répartition
Fonction de répartition
Définition
De manière générale, la fonction de répartition F d’une v.a. X est la fonction qui associe à un
réel x la probabilité pour que X prenne une valeur inférieur à x. Autrement dit,
0 si x < x1 ;
...
X
F(x) = pi = p1 + · · · + pi si xi ≤ x < xi+1 ;
...
xi ≤x
p1 + · · · + pk = 1 si xk ≤ x.
Exemple
Reprenons la distribution de
0 si x < 0;
probabilité du nombre de faces
0.25 si 0 ≤ x < 1;
(0, p1 = 41 ), (1, p2 = 21 ), F(x) =
0.75 si 1 ≤ x < 2;
(2, p3 = 41 ) . On a donc :
1 si 2 ≤ x.
Espérance
Définition
L’espérance mathématiques de X, notée E(X), est définie par :
k
X
E(X) = pi xi .
i=1
k
X
E g(X) = pi g(xi ).
i=1
Exemple
Reprenons la distribution de probabilité du nombre de faces (x1 = 0, p1 = 41 ),
1 1
(x2 = 1, p2 = 2 ), (x3 = 2, p3 = 4 ) .
1 On a donc :
3
X 1 1 1
E(X) = pi xi = × 0 + × 1 + × 2 = 1.
i=1
4 2 4
x=0 → g(0) = 0;
x=1 → g(1) = 10;
x=2 → g(2) = 20.
D’où
3
X 1 1 1
E g(X) = pi g(xi ) = × g(0) + × g(1) + × g(2) = 10.
i=1
4 2 4
Variance
Soit X une v.a. de distribution de probabilité :
Définition
La variance mathématiques de X, notée Var(X), est définie par :
h i2
Var g(X) = E g(X) − E(g(X))
k
X 2
= pi g(xi ) − E g(X) .
i=1
Exemple
Reprenons la distribution de probabilité du nombre de faces (x1 = 0, p1 = 41 ),
1 1
(x2 = 1, p2 = 2 ), (x3 = 2, p3 = 4 ) .
1 On a donc :
3
X 2 1 1 1 1
Var(X) = pi xi − E(X) = × (0 − 1)2 + × (1 − 1)2 + × (2 − 1)2 = .
i=1
4 2 4 2
3
X 2
Var g(X) = pi g(xi ) − E g(X)
i=1
1 1 1
= × (g(0) − 10)2 + × (g(1) − 10)2 + × (g(2) − 10)2 = 50.
4 2 4
Propriétés
Soit X et Y deux variables aléatoires, et, a et b deux réels, on a,
1
Application économique
Dans une banque, un système de guichet automatique a été mis en place et permet de faire des
opérations bancaires courantes : extrait de compte, remise de chèque, retrait. Le nombre de
clients utilisant le guichet automatique dans un intervalle de temps de 5 minutes est une v.a. X
telle que :
P(X = 0) = 0.3, P(X = 1) = 0.3, et P(X = 2) = 0.4.
Introduction
Schéma de Bernoulli
On appelle “Schéma de Bernoulli” ou “expérience aléatoire dichotomique”, notée E,
l’expérience aléatoire qui donne lieu à deux événements complémentaires S et S avec les
probabilités respectives P(S) = p et P(S) = q où q = 1 − p et 0 < p < 1. On appelle S succès
et S échec.
Exemple
Les expériences suivantes sont des expériences aléatoires dichotomiques :
Lancement d’une pièce de monnaie ;
Inspecter un appareil ;
Loi de Bernoulli
Définition
On considère le schéma de Bernoulli E. Soit X le nombre d’apparition de S. Il est clair que X est
1 si S se réalise;
une v.a. telle que : X =
0 sinon.
Cette v.a. est appelée une variable de Bernoulli ou encore variable indicatrice. La loi de
probabilité de la v.a. X est définie par {(0, q), (1, p)} ou encore le tableau suivant
xi 0 1
pi q p
Moments
E(X) = p, Var(X) = pq.
Loi binomiale
Définition
On considère l’expérience aléatoire qui consiste à répéter n fois le schéma de Bernoulli E de
manière identique (p reste constant) et indépendante. Le nombre d’apparitions de l’événement S
est une variable aléatoire X dont la loi est : {(0, qn ), (1, npqn−1 ), . . . , (n, pn )} ou encore le
tableau suivant :
Une telle loi, notée B(n, p), est appelée loi binomiale de paramètres n et p.
n!
Rappel : Cnr = pour tout r = 1, . . . , n, et 0! = 1.
r!(n − r)!
Moments
E(X) = np, Var(X) = npq.
Théorème
La somme de n v.a. de Bernoulli indépendantes, de même paramètre p, suit la loi
binomiale B(n, p).
Théorème
1 Soit X1 et X2 deux v.a. indépendantes suivant respectivement les lois binomiales
B(n1 , p) et B(n2 , p). Alors X1 + X2 suit la loi binomiale B(n1 + n2 , p).
2 De manière plus générale ; si X1 , X2 , . . . , Xk sont des v.a. binomiales
k k
!
X X
indépendantes de loi B(ni , p), alors Xi suit la loi B ni , p
i=1 i=1
Application :
Des sondages permettent de constater que 10% de la population est constituée de gauchers. On
considère donc, dans cet exercice, que la probabilité qu’un individu pris au hasard soit gaucher
est égale à 0.1 et celle qu’il soit droitier est égale à 0.9. Calculer la probabilité qu’un groupe de
10 individus contient :
1 au moins un gaucher ;
2 au plus cinq gauchers.
Solution
Au i-ème individu (i allantde 1 à 10), on associe une variable de Bernoulli de
1 si le i-ème individu est gaucher;
paramètre p = 0.1 : Xi =
0 sinon.
X10
Soit X = Xi , donc le groupe de 10 individus contient X gauchers.
i=0
1 On a : P(X ≥ 1) = 1 − P(X = 0). Or P(X = 0) = (1 − p)n = (1 − 0.1)10 . Par suite
P(X ≥ 1) = 1 − 0.910 .
5
X
r r
2 P(d’avoir au plus cinq gauchers) = P(X ≤ 5) = C10 p (1 − p)10−r =?.
r=0
Loi géométrique
Définition
Soit une expérience aléatoire consiste à répéter l’expérience E de manières indépendantes
jusqu’à l’apparition de l’événement S. Soit X le nombre d’essais nécessaire pour réaliser S,
autrement dit X est le rang du premier succès. Il est clair que X est une variable aléatoire dont
les valeurs possibles sont les entiers non nuls 1, 2, . . . , n, . . . , ∞. Cette variable aléatoire est
appelée une variable géométrique de paramètres p et notée G(p). La loi de probabilité de la v.a.
X est définie par {(1, p), (2, pq), (3, pq2 ), . . . , (n, pqn−1 ), . . .} ou encore le tableau suivant
Moments
1
1
E(X) = .
p
2
q
Var(X) = .
p2
Loi de Poisson
Définition
Un autre exemple de lois discrète, où le nombre de valeurs possibles est infini, est la loi de
Poisson. Cette loi de probabilité est souvent utilisée pour décrire le nombre
d’occurrences d’un événement dans un intervalle de temps ou de l’espace.
Soit X une variable aléatoire dont les valeurs possibles sont les entiers 0, 1, 2, . . . , ∞ avec les
probabilités respectives données par :
e−λ λk
P(X = k) = , k = 0, 1, 2, . . . , ∞,
k!
où λ est un paramètre réel positif et e est le nombre de Néber (exponentiel). Cette variable
aléatoire est dite suit loi de Poisson de paramètres λ notée P(λ).
Moments
1
E(X) = λ.
2
Var(X) = λ.
Exercice
Soit X une variable aléatoire de loi de Poisson de paramètre λ. On rappelle que pour tout x ∈ R,
n
la série de terme général un = xn! , n ≥ 0, est convergente, de somme ex :
∞ k
X x
= ex , ∀x ∈ R.
k=0
k!
1 Vérifiez que
∞
X
P(X = k) = 1.
k=0