Académique Documents
Professionnel Documents
Culture Documents
ECGEB152 Statistique
Anna Kiriliouk
Chapitre 5.0: 1 / 69
Chapitre 5.1: Variables aléatoires discrètes
Définition
Une fonction X qui associe une valeur numérique unique X (!) 2 R à
chaque résultat ! 2 ⌦, est appelé une variable aléatoire. Si elle ne peut
prendre qu’un nombre fini ou dénombrable des valeurs, elle est appelée
une variable aléatoire discrète (v.a.d.). Elle est dit continue si elle peut
prendre toute valeur possible dans un intervalle donné.
Définition
Le support S d’une v.a.d. X est l’ensemble de toutes ses valeurs possibles.
X ( désapprouve fortement ) = 2
X ( désapprouve ) = 1
X ( indifférent ) = 0
X ( approuve ) = 1
X ( approuve fortement ) = 2
On remarque que
X
P(X 2 A) = P(X = x).
x2A
2G P
O
9 P pb
PLIÉ P EH
à c D Xlut O
EX O es est associée
Variable aléatoire discrète : exemple (échelle de Likert)
Supposons que l’on demande à un individu ce qu’il pense du gouvernement. Il peut
choisir une des réponses suivantes :
Sa probabilité est
2
P(A) = P (désapprouve fortement, désapprouve) = = 0.4
5
1
= P(X = 1) + P(X = 2) = + P ({! 2 ⌦ : X (!) = 2})
2
1 3
= + P ({(f , f )}) =
2 4
de de X
Distibution probabilité
Pas Ê I
FRA l f f z
si S Xi XD
ESPN ÊPCX xj ÊPlEwer g
Ej
alors Es En forment
Une portion de M
Distribution de probabilité
Définition
La correspondance entre le support S d’une v.a.d. X et les probabilités de
chacune de ces valeurs forme une distribution de probabilité, c’est-à-dire,
l’ensemble des paires {(x, P(X = x)), x 2 S} est appelé distribution de
probabilité de X .
fX (x) = P(X = x)
X (rr) = 2,
PquFproboble X (rb), X (ru), X (br), X (ur) = 1,
e fière 2ème
X (bb), X (bu), X (uu), X (ub) = 0
2 20⇥19
= 0.0384
pffrbsru.br ur
100⇥99
2 20 8 0
100 x 99
Formule hypergéométrique : distribution hypergéométrique
O
Considérons une urne avec N objets, dont M possèdent une certaine
O
caractéristique et N M objets ne la possèdent pas. On fait un tirage
sans remise de n objets, avec n N.
O
Soit X la v.a.d. comptant le nombre d’objets possédant la
caractéristique parmi les n prélevés.
Le support de X est S = {0, 1, . . . , n} et les probabilités associées sont
x ⇥ Cn
CM x
N M
P (X = x) = n , x 2S
CN
On répète une expérience aléatoire n fois, telle que les résultats des
expériences successives soient indépendants et la probabilité d’observer
un certain événement est de p 2 (0, 1) pour chaque répétition.
Soit X la v.a.d. comptant le nombre de fois que l’on a observé
l’événement sur n répétitions.
Alors S = {0, 1, . . . , n} et
D
On dit que Y suit une distribution binomiale. schém pedfrouli
Ces deux distributions paramétriques (hypergéométrique et
binomiale) sont utiles pour décrire les probabilités correspondants aux
tirages aléatoires (sans et avec remise).
Définition
La fonction de répartition d’une v.a.d. X est définie comme
X
FX (t) = P(X t) = P(X = x)
x2S, xt
F (t )
1
0.75
0.25
t
0 1 2
0 1 2 3 4 5 6
f0.0041 0.0410
F x
Ë I I I I I
O Z z z 4 5 y
Chapitre 5.2: Résumer une distribution de probabilité
discrète
x 0 1 2 3
fX (x) 1/8 3/8 3/8 1/8
On écrit µ = E (X ).
g 0 5 10 20
fG (g ) 3/8 1/4 1/4 1/8
FG (g ) 3/8 5/8 7/8 1
Supposons que l’on doit payer 7 euros pour participer à ce jeux. Est-ce
que vous joueriez ?
Résultats S
PCK É E
bb 10
ïü
Par
g
g 0 5 10 15
fgcg É 1
E G Ox Ex 10 LAE
195 6.5 euro
zo
Transformation d’une v.a.d. s
des
Soit X une v.a.d. avec support S et distribution fX (x).
Soit g : S ! S 0 une fonction et soit Y = g (X ).
Alors Y est une v.a.d. avec support S 0 et distribution X cg.ly
X
1
fY (y ) = P(Y = y ) = P(X = g (y )) = fX (x)
x2g 1 (y )
P glX y PlgtglXD
Si on revient à l’exemple où X est le nombre de filles dans une famille
de trois enfants, on
gYypeut
S définir Y = g (X ) = 3 X , le nombre de
garçons, et on trouve
s fY (y ) = P(3 X = y ) = P(X = 3
ÉDy ) = fX (3 y)
0,1 2,3
y 0 1 2 3
fY (y ) 1/8 3/8 3/8 1/8
Vérification
S s
y 0 1 g
0.5
Pacy 0.5
pff O P X2 O
p X O 0.5
E 1 0.3 0 0 5 1 0 2
Ici on a
0.1
D EN f Ex
Et en généra C
Egal GLEEXD
Ê io.s.JP
x x
Varan ELK µ
Eda f XD
0.5 f0.1 0.5 0.01 0.49
t 0.7
Espérance d’une transformation d’une v.a.d : exemple
Soit la distribution de probabilité de la v.a.d. X
x 1 0 1
P(X = x) 0.3 0.5 0.2
y 0 1
P(Y = y ) 0.5 0.5
Preuve : si Y = g (X ) = a + bX , alors
X
E [g (X )] = (a + bx)P(X = x) a PCK x b PCKx
x2S
X X
=a P(X = x) + b xP(X = x) = a + bE (X )
mets
x2S x2S
Î a
Va pa
to
commencer e
il faut donc par
première question
La dispersion : une mesure de risque
Un acheteur d’oranges peut choisir entre deux marques différentes, “1” et “2”.
Soient X1 et X2 deux v.a.d. représentant le nombre d’oranges non comestibles dans
un sac de cinq oranges respectivement de la marque “1” et de la marque “2”.
L’acheteur a établi les distributions de probabilité suivantes :
x 0 1 2 3 4 5
P(X1 = x) 0.6 0.3 0.1 0 0 0
P(X2 = x) 0.9 0 0 0 0 0.1
Quelle marque l’acheteur préfèrera-t-il acheter ? L’espérance n’est pas utile dans
cet exemple car E (X1 ) = E (X2 ) = 0.5.
C’est-à-dire, en moyenne, on doit s’attendre à un nombre identique d’oranges
impropres à la consommation dans les sacs de cinq oranges de chacune des deux
marques.
Il est donc nécessaire de se donner un autre paramètre descriptif des distributions
de probabilité : le risque mesuré par la dispersion.
2 xpourvar.statJ
avec µ = E (X ). On écrit X = Var(X ).
ÈKjx5fjR
2
X = (xj µ)2 fX (xj ) s
j=1
Éxffj
Définition
p
L’écart-type X = Var(X ) est la racine carrée de la variance de X . Elle
est exprimé dans la même unité que celle de la v.a.d. X .
Chapitre 5.2: Résumer une distribution de probabilité discrète 31 / 69
La variance d’une v.a.d. : propriétés D
x pCX
Et XD Es PCK xD
CEST
Puisque (x µ)20 et P(X = x) 0, Var(X ) 0.
Formule de König : Var(X ) = E (X 2 ) µ2 . de
Preuve :
formule calcul
⇥ 2
⇤ ⇥ 2 2
⇤
Var(X ) = E (X µ) = E X 2µX + µ
⇥ 2⇤ E 2
⇥ 2⇤ 2 2
de l'espérance= E X 2µ 2µ
linéarité
⇥ 2⇤ y [X ] + µ = E X + µ
2
=E X µ
Etc c
ELLE
ECO 0
tarlext E ex ETAT
f cu END
ce E X E xD tard
E Xx EH Y
tard
La variance et l’écart-type d’une v.a.d. : exemple
Èxapat
Application à l’exemple de l’achat d’oranges :
x
Donc
Théorème
Soit X une v.a.d. Alors une v.a.d. standardisée Z est obtenue en posant
X µX
Z= axtt
X
où
Preuve : On trouve a Yo f o
✓ ◆ ✓ ◆
X µX µX µX
µZ = E (Z ) = E = = 0,
X X X X
2 1
Z = Var(Z ) = Var (X / X µX / X ) = Var (X / X) = 2
Var(X ) = 1
X