Chapitre 5: variables aléatoires discrètes

ECGEB152 Statistique

Anna Kiriliouk

Chapitre 5.0: 1 / 69
Chapitre 5.1: Variables aléatoires discrètes

1 Variables aléatoires discrètes

La définition d’une variable aléatoire
La distribution de probabilité d’une v.a.d.

2 Résumer une distribution de probabilité discrète

3 Distributions de probabilité paramétriques

4 Distributions de probabilité bivariées

Chapitre 5.1: Variables aléatoires discrètes 2 / 69

Variable aléatoire discrète

On a appris à calculer les probabilités d’événements dans des espaces

échantillon généraux.
Une autre approche consiste à associer une valeur numérique unique à
chaque résultat possible d’une expérience sans passer par une
énumération parfois difficile des événements de l’espace échantillon.

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.

Dans ce cours, on se limite aux variables aléatoires discrètes.

Chapitre 5.1: Variables aléatoires discrètes 3 / 69

par
Le support d’une variable aléatoire discrète

Définition
Le support S d’une v.a.d. X est l’ensemble de toutes ses valeurs possibles.

Puisque la v.a.d. est une fonction, chaque fois que l’expérience

aléatoire est réalisée, une et seulement une valeur de la v.a.d. est
observée.
La v.a.d. associe à chaque événement simple {!} une valeur x 2 S.
Une variable statistique est connu avec certitude (elle à été observée).
Une variable aléatoire n’est pas connu à priori : il est impossible de
prédire quelle valeur x sera prise par X , car cela dépend du résultat !
de l’expérience aléatoire.

Chapitre 5.1: Variables aléatoires discrètes 4 / 69

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 :

⌦ = {désapprouve fortement, désapprouve, indifférent,

approuve, approuve fortement}

Pour encoder les réponses, on associe aux réponses possibles

l’ensemble numérique S = { 2, 1, 0, 1, 2}.
La v.a.d. X peut être définie comme

X ( désapprouve fortement ) = 2
X ( désapprouve ) = 1
X ( indifférent ) = 0
X ( approuve ) = 1
X ( approuve fortement ) = 2

Chapitre 5.1: Variables aléatoires discrètes 5 / 69

Les probabilités associées à une v.a.d.
Une v.a.d. X : ⌦ ! S associe un événement simple ! 2 ⌦ à une
valeur x 2 S ⇢ R.
Inversement, chaque x 2 S est associée à l’événement
{! 2 ⌦ : X (!) = x} ⇢ ⌦.
On écrit

P(X = x) := P({! 2 ⌦ : X (!) = x}),

De même, chaque A ⇢ S est associé à l’événement

{! 2 ⌦ : X (!) 2 A} ⇢ ⌦ et on écrit

P(X 2 A) := P({! 2 ⌦ : X (!) 2 A}),

On remarque que
X
P(X 2 A) = P(X = x).
x2A

Chapitre 5.1: Variables aléatoires discrètes 6 / 69

 Lancer une pièce D
p f3
P pb P f3 f
X p X f L S

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 :

⌦ = {désapprouve fortement, désapprouve, indifférent,

approuve, approuve fortement}

On associe aux réponses possibles l’ensemble S = { 2, 1, 0, 1, 2}.

Supposons que les cinq résultats sont équiprobables.
On est intéressé par l’ensemble A = { 2, 1} ⇢ S correspondant à un étudiant
qui n’apprécie pas le cours. individu le gouvernemen
L’ensemble A est associé à l’événement
qui napprécie pas
{! 2 ⌦ : X (!) 2 { 2, 1}} = {désapprouve fortement, désapprouve}

Sa probabilité est
2
P(A) = P (désapprouve fortement, désapprouve) = = 0.4
5

Chapitre 5.1: Variables aléatoires discrètes 7 / 69

Variable aléatoire discrète : exemple (lancer deux pièces)
Soit X le nombre de faces obtenu après deux lancers d’une pièce équilibrée.
L’espace échantillon est ⌦ = {(p, p), (f , p), (p, f ), (f , f )}.
La v.a.d. Y associe à chaque ! 2 ⌦ une valeur dans S = {0, 1, 2}.
La probabilité d’observer une fois face est de

P(X = 1) = P ({! 2 ⌦ : X (!) = 1})

1
= P ({(p, f ), (f , p)}) = P ({(p, f )}) + P ({(f , p)}) =
2
La probabilité d’observer au moins une fois face est de
X
P(X 1) = P(X 2 {1, 2}) = P(X = x)
x2{1,2}

1
= P(X = 1) + P(X = 2) = + P ({! 2 ⌦ : X (!) = 2})
2
1 3
= + P ({(f , f )}) =
2 4

Chapitre 5.1: Variables aléatoires discrètes 8 / 69

 R 0 1,2
X

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 .

Une v.a.d. X doit toujours satisfaire les conditions suivantes :

1 0  P(X = x)  1 pour chaque x 2 R.
P
x2S P(X = x) = 1.
2

3 / S, alors {! 2 ⌦ : X (!) = x} = ? et P(X = x) = 0.

Si x 2
On note souvent la probabilité P(X = x) comme une fonction de X ,

fX (x) = P(X = x)

Chapitre 5.1: Variables aléatoires discrètes 9 / 69

 Nombre d éléments de R
Exemple : formule hypergéométrique 3 3 9
sans remise
On tire successivement deux boules au hasard d’un urne contenant 100 boules,
dont 10 blanches, 20 rouges et 70 bleues.
L’espace échantillon est ⌦ = { rr, rb, ru, bb, bu, br, uu, ub, ur }, avec r = “tirer
une boule rouge”, b = “tirer une boule blanche” et u = “tirer une boule bleue“.
Soit X : ⌦ ! S la v.a.d. représentant le nombre de boules rouges tirées, associant
à chacun des éléments de ⌦ une valeur de S = {0, 1, 2},

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

La distribution de probabilité est

80
Too ÂÎ
y
x P(X = x)
80⇥79
0 100⇥99
= 0.6384
1 2⇥20⇥80
= 0.3232 c PIK p
100⇥99

2 20⇥19
= 0.0384
pffrbsru.br ur
100⇥99

Chapitre 5.1: Variables aléatoires discrètes 10 / 69

Formule hypergéométrique
Cà Cà 20
PEX se
99
2

2 20 8 0

100 x 99
Formule hypergéométrique : distribution hypergéométrique

On reconnait la formule hypergéométrique dans l’exemple précédent.

On peut définir une variable aléatoire discrète qui compte le nombre
d’objets possédant une certaine caractéristique lors d’un tirage
aléatoire sans remise.

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

Chapitre 5.1: Variables aléatoires discrètes 11 / 69

Exemple : schéma de Bernoulli
Supposons que l’on lance une pièce équilibré deux fois et on pose X =
le nombre de fois que l’on observe face.
La distribution de probabilité est
x P(X = x)
0 0.25
1 0.5
2 0.25
Si la pièce n’est pas nécessairement équilibrée, on peut poser
Y
P(pile) = p et P(face) = 1Ea p où p 2 (0, 1) est un paramètre.
L’espace échantillon est le même, mais la distribution de probabilité est
x P(X = x)
ftp.fhlpphcpfhlfipD Schéma de
D 0 (1 p) 2
Bernoulli D 2
1 2p(1 p)
5 01h23 X schéma de
2 p2
avec
Bernoulli
Chapitre 5.1: Variables aléatoires discrètes
pearl et n
12 / 69
2
Schéma de Bernoulli : distribution binomiale

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

P(X = x) = Cnx p x (1 p)n x

, x 2 {0, . . . , n},

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).

Chapitre 5.1: Variables aléatoires discrètes 13 / 69

La fonction de répartition

Définition
La fonction de répartition d’une v.a.d. X est définie comme
X
FX (t) = P(X  t) = P(X = x)
x2S, xt

Propriétés de la fonction de répartition :

1 Elle est définie pour chaque t 2 R.
2 FX ( 1) = 0 et FX (1) = 1.
3 Si t1  t2 , alors FX (t1 )  FX (t2 ).
4 Soit S = {x1 , . . . , xn } et x1  . . .  xn .
1 Pour t 2 ( 1, x1 ), FX (t) = 0.
2 Pour t 2 [xk , xk+1 ), FX (t) = FX (xk ) = FX (xk 1 ) + P(X = xk ) =
P(X = x1 ) + . . . + P(X = xk ), si k = 1, . . . , n 1.
3 Pour t 2 [xn , 1), FX (t) = FX (xn ) = 1.

Chapitre 5.1: Variables aléatoires discrètes 14 / 69

La fonction de répartition
Dans l’exemple du lancer de deux pièces équilibrées :

F (t )
1

0.75

0.25
t
0 1 2

Chapitre 5.1: Variables aléatoires discrètes 15 / 69

 lancer 6 fois et on sait
Exemple une
pièce
P face 0.6 chaque lancer
que pour
A 6 fois avec probabilité
expérience répétée
de succès p 0.6
représente le
nomore de faces
Soit X leu.a.at qui
obtenus
binomiale avec paramètres
X suit une destitution
0.6
A 6 et p

Probabilité d avoir observé trois fois face

3
Ici D pppppppppppfs
D 26 64
3 P wed X tw 33
PEX
P pppfff ppf pff 3
P 3 C x 0.6 x 0.2765
troisfoispile

0 1 2 3 4 5 6

0.0041 0.0369 OUR

f 0,2765

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

1 Variables aléatoires discrètes

La définition d’une variable aléatoire
La distribution de probabilité d’une v.a.d.

2 Résumer une distribution de probabilité discrète

3 Distributions de probabilité paramétriques

4 Distributions de probabilité bivariées

Chapitre 5.2: Résumer une distribution de probabilité discrète 16 / 69

Introduction aux paramètres

En statistique descriptive, on utilise des statistiques (moyenne,

médiane, mode, variance, écart-type, ...) pour résumer une distribution
statistique.
En probabilités, ces résumés seront appelés des paramètres.
Les statistiques sont notés à l’aide des lettres latines, les paramètres
via des lettres grecques. s
On va étudier les deux paramètres les plus courants :
1 L’espérance (mathématique), qui représente la valeur typique de la
µ variable aléatoire. Elle peut être interprétée comme une “moyenne” à
long terme.
02 2 La variance, qui indique la dispersion des valeurs de la variable
aléatoire.

Chapitre 5.2: Résumer une distribution de probabilité discrète 17 / 69

Espérance mathématique : exemple
X suit une destitution binomiale n 3 p f
Soit X le nombre de filles dans une famille d’exactement 3 enfants.
Supposons que à la naissance, un enfant a autant de chance d’être un
garçon qu’une fille, et le sexe des nouveaux-nés est indépendant l’un
de l’autre.
La distribution de probabilité de X est

x 0 1 2 3
fX (x) 1/8 3/8 3/8 1/8

Supposons maintenant que l’on observe X pour chacune des n familles

(avec n élevée) qui ont exactement 3 enfants.
La définition fréquentiste de la probabilité suggère qu’à peu près n/8
familles ne compteront aucune fille, 3n/8 familles une seule fille, 3n/8
familles deux filles et n/8 familles trois filles.

Si f représente des fréquences X O fe 1 f 2 z f I 5

Chapitre 5.2: Résumer une distribution de probabilité discrète 18 / 69
Espérance mathématique : exemple

Le nombre total de filles sera à peu près

n 3n 3n n
l 0⇥
8
+1⇥
8
+2⇥
8
+3⇥
8
et le nombre moyen de filles dans ces familles de 3 enfants sera
l
✓ ◆
1 n 3n 3n n 3 6 3
0⇥ +1⇥ +2⇥ +3⇥ = 0 + + + = 1.5
n 8 8 8 8 8 8 8

Ici, 1.5 est l’espérance de X .

Si on réalise cette expérience avec un très grand nombre de familles de
trois enfants, le nombre moyen de filles observé ne serait pas
exactement 1.5, bien qu’il approcherait cette valeur.

Chapitre 5.2: Résumer une distribution de probabilité discrète 19 / 69

Espérance
Définition
Si X est une v.a.d. avec support S et distribution de probabilité fX (x),
alors son espérance (mathématique) est définie comme
X X
E (X ) = x P(X = x) = x fX (x)
x2S x2S

On écrit µ = E (X ).

L’espérance n’est pas nécessairement une valeur appartenant à S ; en

effet, il est impossible qu’une famille de trois enfants compte
exactement 1.5 fille.
Si S = {x1 , . . . , xk }, on peut aussi écrire l’espérance comme
k
X
µ= xj fX (xj )
j=1

Chapitre 5.2: Résumer une distribution de probabilité discrète 20 / 69

Espérance : exemple (gain espéré)

Considérons le jeu suivant. On tire une des huit cartes (retournées et

indistinguables) suivantes : 7, 8, 9, 10, valet, dame, roi, as.
L’as rapporte 20 euros, le roi 10 ainsi que la dame, le valet 5peuro
ainsi que
le 10, et les autres cartes ne rapportent rien.
Soit G , le gain, une v.a.d. Quelles sont fG et FG ?
Le support de G est S = {0, 5, 10, 20}. La fonction de probabilité et la
fonction de répartition de G sont

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 ?

Chapitre 5.2: Résumer une distribution de probabilité discrète 21 / 69

Espérance : exemple (gain espéré)
E G 6.25

En jouant au jeu, on peut espérer de gagner

3 1 1 1
E (G ) 7=0⇥ + 5 ⇥ + 10 ⇥ + 20 ⇥ 7= 0.75
8 4 4 8
euro
L’espérance du gain est donc 0.75 euros.
mm
Ce jeu n’est pas équitable car l’espérance du gain est négative.
Le “jeu” peut être n’importe quelle expérience aléatoire où l’argent qui
la subit supporte un coût.
On dit qu’une expérience aléatoire est équitable si le coût supporté
par l’argent égale son espérance de gain (exemples : assurances, paris,
investissements).

Chapitre 5.2: Résumer une distribution de probabilité discrète 22 / 69

Espérance : exemple

Un sac contient 10 boules : 3 bleues et 7 vertes. Un joueur se présente

et tire au hasard, successivement et sans remise, deux boules du sac.
I Si la 1ère boule tirée est bleue, il gagne 10 euro.
I Si la 2ème boule tirée est verte, il gagne 5 euro (cette somme peut
éventuellement se cumuler avec la première).
I Dans les autres cas, il ne gagne rien.
Avant chaque partie, le joueur doit payer un montant de 8 euro.
Ce jeu est-il équitable ? Non car E
G 6.5
Combien peut espérer gagner l’organisateur du jeu après 50 parties ?
Réponses : 50 1.5
le jeux n’est pas équitable. L’organisateur gagnera en moyenne 75 euros.
L'organisateur gagne en moyenne t.tw par participant
l'espérance dugain de lorgansateur E 50ff G
E 400 50g Ï 400 50 EEG 400 325 75
Chapitre 5.2: Résumer une distribution de probabilité discrète 23 / 69
 V du 5 0,5 10,15
a
G gain jeu
verte bleus
bleue t pffzièrebleuznsezième

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

Chapitre 5.2: Résumer une distribution de probabilité discrète 24 / 69

Espérance d’une transformation d’une v.a.d
Théorème
Si X est une v.a.d. avec support S et distribution fX (x) et g : S ! S 0 est
une fonction, alors l’espérance de g (X ) est
X
E [g (X )] = g (x)P(X = x)
x2S

Démonstration : soit S 0 le support de Y = g (X ). Alors

X X
E [g (X )] = yP(Y = y ) = yP(X = g 1 (y ))
y 2S 0 y 2S 0
X X X X
= y P(X = x) = g (x)P(X = x)
y 2S 0 x2g 1 (y ) y 2S 0 x2g 1 (y )
X
= g (x)P(X = x)
x2S

Chapitre 5.2: Résumer une distribution de probabilité discrète 25 / 69

 cas spécial gtx E
g EN PHD
X
Y go
PCK D
E got EN
Égal
Êx PCK x

Vérification
S s
y 0 1 g
0.5
Pacy 0.5

pff O P X2 O
p X O 0.5

PCK D PAIE 1 PCEX zzusrxe.si

0.2 cO 3 o.s
px s

Y 0 0.5 1 0.5 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

Vara EUX NI E X END

f X to.SI

Ê io.s.JP
x x

0.12 0,5 t 1.12 0.2

C 0.95 0.3
0,49

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

On peut calculer E (X ) = 0.1. La distribution de probabilité de

Y = g (X ) = X 2 peut être obtenu par calcul direct,

y 0 1
P(Y = y ) 0.5 0.5

et E (Y ) = 0.5. On remarque donc que E (X 2 ) 6= [E (X )]2 .

Par application de la formule de transformation, on trouve également

E (Y ) = ( 1)2 ⇥ 0.3 + 02 ⇥ 0.5 + 12 ⇥ 0.2 = 0.5.

Chapitre 5.2: Résumer une distribution de probabilité discrète 26 / 69

Applications particulières de la formule de transformation
1 La linéarité de l’espérance : si E (X ) existe, alors pour tout
constante a, b 2 R,
get
g ECN
E (a + bX ) = a + bE (X ).

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

2 L’additivité des espérances : si g1 (X ) et g2 (X ) sont deux fonctions

de X et si E (X ) existe, alors

E [g1 (X ) + g2 (X )] = E [g1 (X )] + E [g2 (X )].

Chapitre 5.2: Résumer une distribution de probabilité discrète 27 / 69

Propriétés de l’espérance : exemple

On pose deux questions indépendantes à un candidat d’un jeu télévisé.

Il peut choisir l’ordre dans lequel il répond à ces deux questions,
numérotées 1 et 2.
Les gains sont V1 et V2 respectivement et on suppose que le candidat
connaît p1 et p2 , les probabilités de répondre correctement
respectivement à la première et à la deuxième question.
S’il répond correctement à la première question posée, il peut
continuer. Sinon il doit s’arrêter.
Par quelle question doit-il commencer à répondre pour maximiser son
gain prospectif ?

Chapitre 5.2: Résumer une distribution de probabilité discrète 28 / 69

Propriétés de l’espérance : exemple
Si le candidat commence par répondre à la question 1, la distribution de
probabilité de G1 (le gain total dans ce cas) est
g1 0 V1 V1 + V2
P(G1 = g1 ) 1 p1 p1 (1 p2 ) p1 p2
Le gain moyen attendu sera donc
V1 p1 (1 p2 ) + (V1 + V2 )p1 p2

Si le candidat commence par répondre à la question 2, la distribution de

probabilité de G2 (le gain total dans ce cas) est
g2 0 V2 V2 + V1
P(G2 = g2 ) 1 p2 p2 (1 p1 ) p2 p1
Le gain moyen attendu sera donc
V2 p2 (1 p1 ) + (V1 + V2 )p1 p2

Il commencera par la question 1 si

V1 p1 (1 p2 ) + (V1 + V2 )p1 p2 V2 p2 (1 p1 ) + (V1 + V2 )p1 p2 ,
GIZEH 1 1
ou si V1 p1 (1 p1 ) V2 p2 (1 p2 ) .
Chapitre 5.2: Résumer une distribution de probabilité discrète 29 / 69
Exemple 0.7 0.5 5 10
p pa

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.

Chapitre 5.2: Résumer une distribution de probabilité discrète 30 / 69

La variance et l’écart-type d’une v.a.d.
Définition
La variance d’une v.a.d. X avec support S est
⇥ ex X
⇤
Var(X ) = E (X µ)2 = (x µ)2 P(X = x),
x2S

2 xpourvar.statJ
avec µ = E (X ). On écrit X = Var(X ).

Si S = {x1 , . . . , xk }, on peut aussi écrire la variance comme

k
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

Propriétés de la variance : pour une constante c 2 R,

1 Var(c) = 0,
2 Var(cX ) = c 2 Var(X ),
3 Var(X + c) = Var(X )

Etc c

Chapitre 5.2: Résumer une distribution de probabilité discrète 32 / 69

 E X E 2µA EH
ELK 2µF EX µ
1
ÇI PH x
zPCX
ELL
gens
ga
t

ELLE
ECO 0

tarlext E ex ETAT
f cu END
ce E X E xD tard

Vaut c E Xtc E Htc

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

E (X12 ) = 02 ⇥ 0.6 + 12 ⇥ 0.3 + 22 ⇥ 0.1 = 0.7

E (X22 ) = 02 ⇥ 0.9 + 52 ⇥ 0.1 = 2.5.

Donc

Var(X1 ) = 0.7 0.52 = 0.45, Var(X2 ) = 2.5 0.52 = 2.25

8 1 0.67 2 1.5 0
On observe que la distribution de probabilité de X2 est bien plus
dispersée que celle de X1 .
On court donc un plus grand risque en achetant des oranges de la
marque “2”.
Les variances X2 1 et X2 2 sont exprimées en oranges2 tandis que les
écart-types X1 et X2 sont exprimées en oranges.

Chapitre 5.2: Résumer une distribution de probabilité discrète 33 / 69

Variable aléatoire standardisée réduite
centrée
Définition
Une variable aléatoire standardisée Z est une variable aléatoire avec
E (Z ) = 0 et Var(Z ) = 1.

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

Chapitre 5.2: Résumer une distribution de probabilité discrète 34 / 69

Wooclap
E X O
Vance 22 Var
X px EA O
4E µ
GEEK