Chap 2

I. Définition II. Caractéristiques des v.a. discrètes III.
Lois de probabilité usuelles
Techniques quantitatives d’économie et de gestion
Chapitre II
Les variables aléatoires discrètes
1 / 53
I. Définition II. Caractéristiques des v.a. discrètes III. Lois de probabilité usuelles
Introduction
I Chapitre II Les variables aléatoires discrètes

I I Définition
I II Caractéristiques des variables aléatoires
I III Lois de probabilité usuelles
I Chapitre III Les variables aléatoires continues
I I Définition
I II Caractéristiques des variables aléatoires
I III Lois de probabilité usuelles
⇒ On ne considèrera dans ces deux chapitres que des situations où
l’on peut parfaitement observer la population
2 / 53
I. Définition
3 / 53
I. Définition
Supposons que l’on s’intéresse à la taille d’une population
composée de 100 individus.
3 / 53
I. Définition
Taille Effectif
163 7
166 24
169 38
172 24
175 7
Total 100
1. Calculez des fréquences relatives des différentes tailles
3 / 53
I. Définition
Taille Effectif (ni ) Fréquence relative (fi = ni /N)

163 7 7/100= 0,07
166 24
169 38
172 24
175 7
Total 100
4 / 53
I. Définition
163 7 0,07
166 24 0,24
169 38 0,38
172 24 0,24
175 7 0,07
Total 100 1
5 / 53
I. Définition
163 7 0,07
166 24 0,24
169 38 0,38
172 24 0,24
175 7 0,07
Total 100 1

2. Représentez graphiquement la distribution de la population en
fonction de sa taille
5 / 53
I. Définition
6 / 53
I. Définition
Si on tire au sort un individu de cette population.

⇒ Quelle est la probabilité que ce dernier fasse 163cm ?
7 / 53
I. Définition

7
P{taille = 163} = 100 = 7%.
7 / 53
I. Définition

7
P{taille = 163} = 100 = 7%.
À retenir :
Les fréquences relatives d’une population permettent de retrouver
les probabilités des résultats possibles d’un tirage aléatoire avec
remise des membres de cette population.
⇒ f(163)=P{taille=163}
7 / 53
I. Définition
Une variable aléatoire (v.a.)
8 / 53
I. Définition
Une variable aléatoire (v.a.) est une fonction numérique pouvant
prendre plusieurs valeurs possibles,
8 / 53
I. Définition
prendre plusieurs valeurs possibles, chaque valeur étant affectée
d’une probabilité.
8 / 53
I. Définition
En général, une v.a. est notée en majuscules.
8 / 53
I. Définition
Retour exemple : X = « Taille d’un individu tiré au sort »
8 / 53
I. Définition
Soit DX l’ensemble des valeurs possibles d’une v.a. X :

⇒ Dans notre exemple, DX =
8 / 53
I. Définition
Soit DX l’ensemble des valeurs possibles d’une v.a. X :

⇒ Dans notre exemple, DX = {163, 166, 169, 172, 175}
8 / 53
I. Définition
Une v.a. X est discrète si
9 / 53
I. Définition
Une v.a. X est discrète si l’ensemble de ses valeurs possibles DX

comprend un nombre fini
9 / 53
I. Définition

comprend un nombre fini ou infini dénombrable d’éléments.
Ex : DX =
9 / 53
I. Définition

Ex : DX = {0, 1} ou DX = {0, 1, 2, 3, ...} .
9 / 53
I. Définition

Ex : DX = {0, 1} ou DX = {0, 1, 2, 3, ...} .
Une v.a. X est continue si
9 / 53
I. Définition

Ex : DX = {0, 1} ou DX = {0, 1, 2, 3, ...} .
Une v.a. X est continue si l’ensemble de ses valeurs possibles DX

comprend un nombre infini non-dénombrable d’éléments.
Ex :
9 / 53
I. Définition

Ex : DX = {0, 1} ou DX = {0, 1, 2, 3, ...} .

Ex : DX = [0, 1]
9 / 53
I. Définition

Ex : DX = {0, 1} ou DX = {0, 1, 2, 3, ...} .

Ex : DX = [0, 1] ou DX = [0, +∞[.
9 / 53
I. Définition

Ex : DX = {0, 1} ou DX = {0, 1, 2, 3, ...} .

Ex : DX = [0, 1] ou DX = [0, +∞[.
Dans ce chapitre, on ne s’intéressera qu’aux v.a. discrètes.
9 / 53
II. Caractéristiques des variables aléatoires discrètes
10 / 53
II. Caractéristiques des variables aléatoires discrètes
On peut décrire un v.a. à l’aide de :

1. Sa fonction de distribution
2. Sa fonction de répartition
3. Son espérance mathématique
4. Sa variance et son écart-type
10 / 53
1. Fonction de distribution
1. La fonction de distribution
11 / 53
Soit X une v.a. discrète et DX l’ensemble de ses valeurs possibles.
11 / 53
On appelle fonction de distribution, la fonction numérique f définie

telle que
11 / 53
On appelle fonction de distribution, la fonction numérique f définie

telle que : f (x) = P{X = x}, ∀x ∈ DX .
⇒ Retour à notre exemple
11 / 53
12 / 53
Taille Effectif (ni ) f (x) = P{X = x}

163 7 0,07
166 24 0,24
169 38 0,38
172 24 0,24
175 7 0,07
Total 100 1
12 / 53
13 / 53
Une fonction de distribution doit toujours vérifier deux conditions :
14 / 53

1. f (x) = P{X = x} ≥ 0 ∀x
14 / 53

1. f (x) = P{X = x} ≥ 0 ∀x
P P
2. f (x) = P{X = x} = 1
x∈DX x∈DX
Remarque :
14 / 53

1. f (x) = P{X = x} ≥ 0 ∀x
P P
2. f (x) = P{X = x} = 1
x∈DX x∈DX
Remarque :
I Connaître les probabilités des différentes valeurs possibles d’une
v.a. X revient à dire
14 / 53

1. f (x) = P{X = x} ≥ 0 ∀x
P P
2. f (x) = P{X = x} = 1
x∈DX x∈DX
Remarque :
I Connaître les probabilités des différentes valeurs possibles d’une
v.a. X revient à dire que l’on connaît la loi de probabilité de X.
14 / 53
2. Fonction de répartition
2. La fonction de répartition
15 / 53
On appelle fonction de répartition, la fonction numérique F définie

telle que :
15 / 53

telle que : F(x) = P{X ≤ x}, ∀x ∈ DX .
15 / 53

Quelle est la probabilité qu’un individu tiré au sort dans la

population fasse 166 cm ou moins ?
15 / 53


F (166) =
15 / 53


F (166) =P{X ≤ 166} =
15 / 53


F (166) =P{X ≤ 166} =
P{X = 163} + P{X = 166} =
15 / 53


F (166) =P{X ≤ 166} =
7 24
P{X = 163} + P{X = 166} = 100 + 100 = 31%.
Remarque : 0 ≤ F (x) ≤ 1
15 / 53
Taille Effectif (ni ) f (x) = P{X = x} F (x) = P{X ≤ x}

163 7 0,07 0,07
166 24 0,24 0,07+0,24=0,31
169 38 0,38 0,31+0,38=0,69
172 24 0,24 0,69+0,24=0,93
175 7 0,07 0,93+0,07=1
Total 100 1
16 / 53
3. L’espérance mathématique
17 / 53
Indicateur de tendance centrale.
17 / 53
C’est la somme des valeurs possibles, pondérées par leur
probabilité :
17 / 53
C’est la somme des valeurs
P possibles, pondérées par leur
probabilité :E (X ) = x.f (x)
x∈DX
17 / 53
P possibles,Ppondérées par leur
probabilité :E (X ) = x.f (x) = x.P{X = x}
x∈DX x∈DX
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+175 × P{X = 175}
=
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+175 × P{X = 175}
= 163 × 0.07+
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+175 × P{X = 175}
= 163 × 0.07+166 × 0.24+
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+175 × P{X = 175}
= 163 × 0.07+166 × 0.24+169 × 0.38+
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+175 × P{X = 175}
= 163 × 0.07+166 × 0.24+169 × 0.38+
172 × 0.24+
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+175 × P{X = 175}
= 163 × 0.07+166 × 0.24+169 × 0.38+
172 × 0.24+175 × 0.07 =
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+175 × P{X = 175}
= 163 × 0.07+166 × 0.24+169 × 0.38+
172 × 0.24+175 × 0.07 = 169
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+175 × P{X = 175}
= 163 × 0.07+166 × 0.24+169 × 0.38+
172 × 0.24+175 × 0.07 = 169
Interprétation ?
17 / 53
x∈DX x∈DX
Retour à notre
P exemple,
E (X ) = x.P{X = x} =
x∈DX
163 × P{X = 163}+166 × P{X = 166}+169 × P{X = 169}+
172 × P{X = 172}+175 × P{X = 175}
= 163 × 0.07+166 × 0.24+169 × 0.38+
172 × 0.24+175 × 0.07 = 169
Interprétation ?
En moyenne, on tirera au sort un individu de 169 cm. 17 / 53
Propriétés de l’opérateur espérance.

Soient X, Y, deux v.a et k une réelle constante, alors
18 / 53

1. E(k) =
18 / 53

1. E(k) = k
18 / 53

1. E(k) = k
2. E(k.X) =
18 / 53

1. E(k) = k
2. E(k.X) = k.E(X)
18 / 53

1. E(k) = k
2. E(k.X) = k.E(X)
3. E(X + k) =
18 / 53

1. E(k) = k
2. E(k.X) = k.E(X)
3. E(X + k) = E(X) + k
18 / 53

1. E(k) = k
2. E(k.X) = k.E(X)
3. E(X + k) = E(X) + k
4. E(X + Y) =
18 / 53

1. E(k) = k
2. E(k.X) = k.E(X)
3. E(X + k) = E(X) + k
4. E(X + Y) = E(X) + E(Y)
18 / 53

1. E(k) = k
2. E(k.X) = k.E(X)
3. E(X + k) = E(X) + k
4. E(X + Y) = E(X) + E(Y)
5. E(X.Y) =
18 / 53

1. E(k) = k
2. E(k.X) = k.E(X)
3. E(X + k) = E(X) + k
4. E(X + Y) = E(X) + E(Y)
5. E(X.Y) = E(X).E(Y) si X et Y sont indépendantes.
18 / 53
4. La variance et l’écart-type
19 / 53
Indicateurs de dispersion.
19 / 53
On appelle variance de la v.a. X la valeur V (X ) = σ 2 (X )
19 / 53
On appelle variance de la v.a. X la valeur V (X ) = σ 2 (X ) définie

telle que : V (X ) = E [(X − E (X ))2 ]
19 / 53
On appelle variance de la v.a. X la valeur 2 ) définie

2
PV (X ) = σ (X
telle que : V (X ) = E [(X − E (X )) ]= [x − E (X )]2 .P{X = x}
x∈DX
19 / 53

2
PV (X ) = σ (X
x∈DX
Autre formule pour la variance (formule de Koenig)

V (X ) = E (X 2 ) − E (X )2
19 / 53

2
PV (X ) = σ (X
x∈DX
Autre formule pour la varianceP(formule de Koenig)

V (X ) = E (X 2 ) − E (X )2 = x 2 .P{X = x} − E (X )2
x∈DX
19 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} =
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2 =
P 2
x .P{X = x} − E (X )2
x∈DX
=
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2 =
P 2
x .P{X = x} − E (X )2
x∈DX
=1632 × P{X = 163}+
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2 =
P 2
x .P{X = x} − E (X )2
x∈DX
=1632 × P{X = 163}+1662 × P{X = 166}+
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2 =
P 2
x .P{X = x} − E (X )2
x∈DX
=1632 × P{X = 163}+1662 × P{X = 166}+1692 × P{X = 169}+
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2 =
P 2
x .P{X = x} − E (X )2
x∈DX
=1632 × P{X = 163}+1662 × P{X = 166}+1692 × P{X = 169}+
1722 × P{X = 172}+
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2 =
P 2
x .P{X = x} − E (X )2
x∈DX
=1632 × P{X = 163}+1662 × P{X = 166}+1692 × P{X = 169}+
1722 × P{X = 172}+1752 × P{X = 175} -
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2 =
P 2
x .P{X = x} − E (X )2
x∈DX
=1632 × P{X = 163}+1662 × P{X = 166}+1692 × P{X = 169}+
1722 × P{X = 172}+1752 × P{X = 175} - 1692 =
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2 =
P 2
x .P{X = x} − E (X )2
x∈DX
=1632 × P{X = 163}+1662 × P{X = 166}+1692 × P{X = 169}+
1722 × P{X = 172}+1752 × P{X = 175} - 1692 = 9,36
20 / 53
Retour à notre
P exemple, 2
V (X ) = [x − E (X )] .P{X = x}
x∈DX
=[163 − 169]2 × P{X = 163}+[166 − 169]2 × P{X = 166}+
[169 − 169]2 × P{X = 169}+[172 − 169]2 × P{X = 172}+
[175 − 169]2 × P{X = 175} = 9,36
Calcul alternatif :
V (X ) = E (X 2 ) − E (X )2 =
P 2
x .P{X = x} − E (X )2
x∈DX
=1632 × P{X = 163}+1662 × P{X = 166}+1692 × P{X = 169}+
1722 × P{X = 172}+1752 × P{X = 175} - 1692 = 9,36
Interprétation ?
20 / 53
On appelle écart-type de la v.a. X σ(X )
21 / 53
On appelle
p écart-type de la v.a. X σ(X ) défini tel que :
σ(X ) = V (X ).
Retour à notre exemple, σ(X )=
21 / 53
On appelle
σ(X ) = V (X ).
√
Retour à notre exemple, σ(X )= 9, 36=
21 / 53
On appelle
σ(X ) = V (X ).
√
Retour à notre exemple, σ(X )= 9, 36=3,06
Interprétation ?
21 / 53
On appelle
σ(X ) = V (X ).
√
Retour à notre exemple, σ(X )= 9, 36=3,06
Interprétation ?
En moyenne, l’individus tiré au sort fera entre (E (X ) − σ(X ) =)
165,94 et (E (X ) + σ(X ) =) 172,06 cm.
21 / 53
Propriétés de l’opérateur variance

22 / 53

1. V(k) =
22 / 53

1. V(k) =0
22 / 53

1. V(k) =0
2. V(k.X) =
22 / 53

1. V(k) =0
2. V(k.X) =k 2 .V (X )
22 / 53

1. V(k) =0
2. V(k.X) =k 2 .V (X )
3. V(X + k) =
22 / 53

1. V(k) =0
2. V(k.X) =k 2 .V (X )
3. V(X + k) = V(X)
4. Si X et Y sont indépendantes :
22 / 53

1. V(k) =0
2. V(k.X) =k 2 .V (X )
3. V(X + k) = V(X)
I V(X + Y) =
22 / 53

1. V(k) =0
2. V(k.X) =k 2 .V (X )
3. V(X + k) = V(X)
I V(X + Y) = V(X) + V(Y) et
I V(X - Y) =
22 / 53

1. V(k) =0
2. V(k.X) =k 2 .V (X )
3. V(X + k) = V(X)
I V(X + Y) = V(X) + V(Y) et
I V(X - Y) = V(X) + V(Y).
22 / 53
Evaluation en TD
Semaine du 21 février.
Programme : TD1 et TD2.
23 / 53
Rappels
Une variable aléatoire (v.a.) est
24 / 53
Rappels

I une fonction numérique pouvant prendre plusieurs valeurs
possibles,
24 / 53
Rappels

possibles, chaque valeur étant affectée d’une probabilité.
I est discrète si
24 / 53
Rappels

I est discrète si l’ensemble de ses valeurs possibles DX comprend
un nombre fini ou infini dénombrable d’éléments.
Ex : DX =
24 / 53
Rappels

I est discrète si l’ensemble de ses valeurs possibles DX comprend
un nombre fini ou infini dénombrable d’éléments.
Ex : DX = {0, 1} ou DX = {0, 1, 2, 3, ...} .
24 / 53
Rappels
On peut décrire une v.a. discrète à partir de :

1. Sa fonction de distribution :
25 / 53
Rappels

1. Sa fonction de distribution : f (x) = P{X = x}, ∀x ∈ DX .
2. Sa fonction de répartition :
25 / 53
Rappels

2. Sa fonction de répartition : F (x) = P{X ≤ x}, ∀x ∈ DX .
25 / 53
Rappels

3. Son espérance mathématique (indicateur de tendance
central) :
25 / 53
Rappels

P (indicateur de tendance
central) : E (X ) = x.f (x)
x∈DX
25 / 53
Rappels

P (indicateur
P de tendance
central) : E (X ) = x.f (x) = x.P{X = x}
x∈DX x∈DX
4. Sa variance et son écart-type
25 / 53
Rappels

P (indicateur
P de tendance
x∈DX x∈DX
4. Sa variance et son écart-type (Indicateurs de dispersion) :
25 / 53
Rappels

P (indicateur
P de tendance
x∈DX x∈DX
I V (X ) = E [(X − E (X ))2 ]
25 / 53
Rappels

P (indicateur
P de tendance
x∈DX x∈DX
I V (X ) = E [(X − E (X ))2 ]= [x − E (X )]2 .P{X = x}
P
x∈DX
p
I σ(X ) = V (X )
25 / 53
III. Lois de probabilité usuelles

Certaines v.a. discrètes suivent des lois de probabilité bien connues
26 / 53
III. Lois de probabilité usuelles

Certaines v.a. discrètes suivent des lois de probabilité bien connues
Les connaître permet de déterminer plus rapidement sa fonction de

distribution, son espérance mathématique ainsi que sa variance.
On verra dans cette section les lois

1. Uniforme
2. de Bernouilli
3. Binomiale
4. de Pascal
5. de Poisson
26 / 53
Uniforme
La loi discrète uniforme
27 / 53
Uniforme
Une v.a. X suivant un loi discrète uniforme est une v.a. dont les
réalisations ont toutes la même probabilité de se réaliser.
27 / 53
Uniforme
⇔ Loi de la v.a. X définie sur DX = {1, 2, ..., n} telle que f (x) = n1 .
27 / 53
Uniforme
On écrira X ∼ U(n).
27 / 53
Uniforme
Exemple ?
27 / 53
Uniforme
Exemple ?
Soit X=« Le résultat d’un lancer de dé ».
27 / 53
Uniforme
Exemple ?
Soit X=« Le résultat d’un lancer de dé ».
⇒ X ∼ U(6).
27 / 53
Uniforme
28 / 53
Uniforme
On peut démontrer que

I E (X ) =
P
x.P{X = x} =
x∈DX
28 / 53
Uniforme

I E (X ) = x. n1 =
P P
x.P{X = x} =
x∈DX x∈DX
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
x∈DX x∈DX x∈DX
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
1
n × (1 + 2 + ... + n) =
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
1 1 n(n+1)
n × (1 + 2 + ... + n) = n × 2 =
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
1 1 n(n+1) n+1
n × (1 + 2 + ... + n) = n × 2 = 2
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
1 1 n(n+1) n+1
× (1 + 2 + ... + n) = ×
n n = 2 2
P 2
I V (X ) = x .P{X = x} − E (X )2 =
x∈DX
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
1 1 n(n+1) n+1
× (1 + 2 + ... + n) = ×
n =
n 2 2
P 2
I V (X ) = x .P{X = x} − E (X )2 =
P 2 1x∈DX
x . n − E (X )2 =
x∈DX
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
1 1 n(n+1) n+1
× (1 + 2 + ... + n) = ×
n =
n 2 2
P 2
I V (X ) = x .P{X = x} − E (X )2 =
P 2 1x∈DX
x . n − E (X )2 = n1 ×
P 2
x − E (X )2 =
x∈DX x∈DX
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
1 1 n(n+1) n+1
× (1 + 2 + ... + n) = ×
n = n 2 2
P 2
I V (X ) = x .P{X = x} − E (X )2 =
P 2 1x∈DX
x . n − E (X )2 = n1 × x − E (X )2 = n1 × (12 + 22 +
P 2
x∈DX x∈DX
... + n2 ) − ( n+1
2 )
2 =
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
1 1 n(n+1) n+1
× (1 + 2 + ... + n) = ×
n = n 2 2
P 2
I V (X ) = x .P{X = x} − E (X )2 =
P 2 1x∈DX
x . n − E (X )2 = n1 × x − E (X )2 = n1 × (12 + 22 +
P 2
x∈DX x∈DX
1 n(n+1)(2n+1) (n+1)2
... + n2 ) − ( n+1
2 )
2 = n × 6 − 4 =
28 / 53
Uniforme

I E (X ) = x. n1 = n1
P P P
x.P{X = x} = x=
1 1 n(n+1) n+1
× (1 + 2 + ... + n) = ×
n = n 2 2
P 2
I V (X ) = x .P{X = x} − E (X )2 =
P 2 1x∈DX
x . n − E (X )2 = n1 × x − E (X )2 = n1 × (12 + 22 +
P 2
x∈DX x∈DX
1 n(n+1)(2n+1) (n+1)2 n2 −1
... + n2 ) − ( n+1
2 )
2 = n × 6 − 4 = 12
28 / 53
Uniforme
Retour à notre exemple : X ∼ U(6).

I E (X ) =
29 / 53
Uniforme

I E (X ) = 6+12 =
29 / 53
Uniforme

I E (X ) = 6+1 7
2 = 2 =3,5
29 / 53
Uniforme

I E (X ) = 6+1 7
2 = 2 =3,5
I V (X ) =
29 / 53
Uniforme

I E (X ) = 6+1 7
2 = 2 =3,5
I V (X ) = 62 −1
12 =
29 / 53
Uniforme

I E (X ) = 6+1 7
2 = 2 =3,5
62 −1
I V (X ) = 12 = 35
12 = 2, 92
I σ(X ) =
29 / 53
Uniforme

I E (X ) = 6+1 7
2 = 2 =3,5
62 −1
I V (X ) = = 35 = 2, 92
12
p 12
I σ(X ) = = V (X )=1,7.
29 / 53
Bernouilli
La loi de Bernoulli
Exemples ?
30 / 53
Bernouilli
La loi de Bernoulli
Exemples ?
I Le résultat d’un lancer de pièce
30 / 53
Bernouilli
La loi de Bernoulli
Exemples ?
I Obtenir 6 au lancer de dé
I Le résultat d’un contrôle qualité en fin de chaîne de production
pour un produit
30 / 53
Bernouilli
La loi de Bernoulli
Exemples ?
pour un produit
Loi des v.a. X telle que DX = {0,1}
30 / 53
Bernouilli
La loi de Bernoulli
Exemples ?
pour un produit
Loi des v.a. X telle que DX = {0,1} avec

I Quand X=1, un certain événement se produit, on parle de
« succès »
30 / 53
Bernouilli
La loi de Bernoulli
Exemples ?
pour un produit

« succès »
On pose P{X = 1} = p
I Quand X=0, un certain événement ne se produit pas, on parle
d’ « échec »
30 / 53
Bernouilli
La loi de Bernoulli
Exemples ?
pour un produit

« succès »
d’ « échec »
On a donc P{X = 0} =
30 / 53
Bernouilli
La loi de Bernoulli
Exemples ?
pour un produit

« succès »
d’ « échec »
On a donc P{X = 0} =1 - p
30 / 53
Bernouilli
La loi de Bernoulli
On écrira X ∼ B(p)
31 / 53
Bernouilli
La loi de Bernoulli
On peut démontrer que :

I f (x) =
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) =
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 =
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 = 1-p
I f (1) =
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 = 1-p
I f (1) = p 1 (1 − p)1−1 =
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 = 1-p
I f (1) = p 1 (1 − p)1−1 = p
I E(X) =
P
x.P{X = x} =
x∈DX
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 = 1-p
I f (1) = p 1 (1 − p)1−1 = p
I E(X) =
P
x.P{X = x} = 0 × (1 − p) + 1 × p =
x∈DX
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 = 1-p
I f (1) = p 1 (1 − p)1−1 = p
I E(X) =
P
x.P{X = x} = 0 × (1 − p) + 1 × p = p
x∈DX
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 = 1-p
I f (1) = p 1 (1 − p)1−1 = p
I E(X) =
P
x.P{X = x} = 0 × (1 − p) + 1 × p = p
x∈DX
I V(X) =E (X 2 ) − E (X )2 = x 2 .P{X = x} − E (X )2 =
P
x∈DX
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 = 1-p
I f (1) = p 1 (1 − p)1−1 = p
I E(X) =
P
x.P{X = x} = 0 × (1 − p) + 1 × p = p
x∈DX
I V(X) =E (X 2 ) − E (X )2 = x 2 .P{X = x} − E (X )2 =
P
x∈DX
(1 − p) × 02 + p × 12 − 2
p =
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 = 1-p
I f (1) = p 1 (1 − p)1−1 = p
I E(X) =
P
x.P{X = x} = 0 × (1 − p) + 1 × p = p
x∈DX
I V(X) =E (X 2 ) − E (X )2 = x 2 .P{X = x} − E (X )2 =
P
x∈DX
(1 − p) × 02 + p × 12 − 2
p =p − p2 =
31 / 53
Bernouilli
La loi de Bernoulli

I f (x) = p x (1 − p)1−x
I f (0) = p 0 (1 − p)1−0 = 1-p
I f (1) = p 1 (1 − p)1−1 = p
I E(X) =
P
x.P{X = x} = 0 × (1 − p) + 1 × p = p
x∈DX
I V(X) =E (X 2 ) − E (X )2 = x 2 .P{X = x} − E (X )2 =
P
x∈DX
(1 − p) × 02 + p × 12 − 2
p =p − p 2 = p(1-p)
31 / 53
Binomiale
La loi binomiale
32 / 53
Binomiale
La loi binomiale
Exemples ?
32 / 53
Binomiale
La loi binomiale
Exemples ?
C’est la loi du nombre de succès obtenus lors de n épreuves

indépendantes.
32 / 53
Binomiale
La loi binomiale
Exemples ?

indépendantes.
Une v.a. Y suit une loi binomiale si elle est le résultat d’une
succession n épreuves.
32 / 53
Binomiale
La loi binomiale
Exemples ?

indépendantes.
I Ces épreuves doivent être statistiquement indépendantes
32 / 53
Binomiale
La loi binomiale
Exemples ?

indépendantes.
I À chaque épreuve i,
32 / 53
Binomiale
La loi binomiale
Exemples ?

indépendantes.
I À chaque épreuve i, un certain événement se produit ou pas
avec Xi ∼ B(p).
32 / 53
Binomiale
La loi binomiale
Exemples ?

indépendantes.
avec Xi ∼ B(p).
n
I Y =
P
Xi , avec DY =
i=1
32 / 53
Binomiale
La loi binomiale
Exemples ?

indépendantes.
avec Xi ∼ B(p).
n
I Y =
P
Xi , avec DY ={0, 1, ..., n}
i=1
32 / 53
Binomiale
La loi binomiale
Exemples ?

indépendantes.
avec Xi ∼ B(p).
n
I Y =
P
Xi , avec DY ={0, 1, ..., n}
i=1
On écrira Y ∼ Bin(n, p).

32 / 53
Binomiale
La loi binomiale
Exemple :
Soit Y=« le nombre de 6 obtenus en trois lancers de dé ».
1. Déterminez la loi suivie par Y ainsi que son ensemble de
définition DY ?
33 / 53
Binomiale
La loi binomiale
Exemple :
définition DY ?
Y ∼ Bin(3, 16 ), avec DY = {0, 1, 2, 3} .
33 / 53
Binomiale
La loi binomiale
Fonction de distribution de Y :
34 / 53
Binomiale
La loi binomiale
On peut démontrer que f (y ) = P{Y = y } =
34 / 53
Binomiale
La loi binomiale
On peut démontrer que f (y ) = P{Y = y } = Cny p y (1 − p)n−y
34 / 53
Binomiale
La loi binomiale
Avec Cny = y !(n−y
n!
)! , pour prendre en compte les différentes
combinaisons possibles de succès et d’échecs quand Y=y.
34 / 53
Binomiale
La loi binomiale
n!

Combien de combinaisons possibles pour faire une fois six en trois
lancers ?
34 / 53
Binomiale
La loi binomiale
n!

lancers ?
34 / 53
Binomiale
La loi binomiale
n!

lancers ?
I SEE
34 / 53
Binomiale
La loi binomiale
n!

lancers ?
I SEE
I ESE
34 / 53
Binomiale
La loi binomiale
n!

lancers ?
I SEE
I ESE
I EES
34 / 53
Binomiale
La loi binomiale
n!

lancers ?
I SEE
I ESE
I EES
⇒ C31 =
34 / 53
Binomiale
La loi binomiale
n!

lancers ?
I SEE
I ESE
I EES
3!
⇒ C31 = 1!(3−1)! =
34 / 53
Binomiale
La loi binomiale
n!

lancers ?
I SEE
I ESE
I EES
3! 3×2×1
⇒ C31 = 1!(3−1)! = 1×(2×1) =
34 / 53
Binomiale
La loi binomiale
n!

lancers ?
I SEE
I ESE
I EES
3! 3×2×1
⇒ C31 = 1!(3−1)! = 1×(2×1) =3
34 / 53
Binomiale
La loi binomiale
35 / 53
Binomiale
La loi binomiale
On peut démontrer que f (y ) = P{Y = y } =
35 / 53
Binomiale
La loi binomiale
n!
)!
Retour exemple :
définition DY ?
2. On lance 3 fois de suite un dé, quelle est la probabilité de faire
deux 6 ?
35 / 53
Binomiale
La loi binomiale
n!
)!
Retour exemple :
définition DY ?
deux 6 ?
f (y ) = P{Y = 2} =
35 / 53
Binomiale
La loi binomiale
n!
)!
Retour exemple :
définition DY ?
deux 6 ?
f (y ) = P{Y = 2} = C32 ( 16 )2 ( 56 )1 =
35 / 53
Binomiale
La loi binomiale
n!
)!
Retour exemple :
définition DY ?
deux 6 ?
f (y ) = P{Y = 2} = C32 ( 16 )2 ( 56 )1 = 2!(3−2)!
3!
( 16 )2 ( 56 )1 =
35 / 53
Binomiale
La loi binomiale
n!
)!
Retour exemple :
définition DY ?
deux 6 ?
f (y ) = P{Y = 2} = C32 ( 16 )2 ( 56 )1 = 2!(3−2)!
3!
( 16 )2 ( 56 )1 =
3×2×1 1 2 5 1
2×1×1 ( 6 ) ( 6 ) =
35 / 53
Binomiale
La loi binomiale
n!
)!
Retour exemple :
définition DY ?
deux 6 ?
f (y ) = P{Y = 2} = C32 ( 16 )2 ( 56 )1 = 2!(3−2)!
3!
( 16 )2 ( 56 )1 =
3×2×1 1 2 5 1 5
2×1×1 ( 6 ) ( 6 ) = 3× 63
= 0, 069
3. Représentez graphiquement la fonction de distribution de Y
35 / 53
Binomiale
La loi binomiale
36 / 53
Binomiale
La loi binomiale
Si Y ∼ Bin(n, p), on peut démontrer que :
37 / 53
Binomiale
La loi binomiale

I E(Y) = n.p
37 / 53
Binomiale
La loi binomiale

I E(Y) = n.p
I V(Y) = n.p.(1-p)
37 / 53
Binomiale
La loi binomiale
Exemple :
définition DY ?
2. On lance 3 fois de suite un dé. Quelle est la probabilité de faire
deux 6 ?
3. Représentez graphiquement sa fonction de distribution.
4. Calculez l’espérance mathématique et l’écart-type de Y.
38 / 53
Binomiale
La loi binomiale
Exemple :
définition DY ?
deux 6 ?
E(Y) = n.p
38 / 53
Binomiale
La loi binomiale
Exemple :
définition DY ?
deux 6 ?
1
E(Y) = n.p=3 × 6
38 / 53
Binomiale
La loi binomiale
Exemple :
définition DY ?
deux 6 ?
E(Y) = n.p=3 × 61 =0,5
38 / 53
Binomiale
La loi binomiale
Exemple :
définition DY ?
deux 6 ?
E(Y) = n.p=3 × 61 =0,5
V(Y) = n.p.(1-p)
38 / 53
Binomiale
La loi binomiale
Exemple :
définition DY ?
deux 6 ?
E(Y) = n.p=3 × 61 =0,5
1
V(Y) = n.p.(1-p) = 3 × 6 × 56 =
38 / 53
Binomiale
La loi binomiale
Exemple :
définition DY ?
deux 6 ?
E(Y) = n.p=3 × 61 =0,5
1
V(Y) = n.p.(1-p) = 3 × 6 × 56 = 12
5
=0,42
38 / 53
Binomiale
La loi binomiale
Exemple :
définition DY ?
deux 6 ?
E(Y) = n.p=3 × 61 =0,5
V(Y) = n.p.(1-p) = 3 × 16 × 56 = 12
5
=0,42
q
5
p
σ(Y ) = V (Y ) = 12 =0,64
38 / 53
Binomiale
La loi binomiale
Remarques :
39 / 53
Binomiale
La loi binomiale
Remarques :
I À partir d’une v.a. suivant une loi binomiale, on peut étudier
les proportions de « succès » : π = Y /n
39 / 53
Binomiale
La loi binomiale
Remarques :
I E (π) = E (Y /n) =
39 / 53
Binomiale
La loi binomiale
Remarques :
I E (π) = E (Y /n) = n1 E (Y )
I V (π) = V (Y /n) =
39 / 53
Binomiale
La loi binomiale
Remarques :
I E (π) = E (Y /n) = n1 E (Y )
I V (π) = V (Y /n) = n12 V (Y )
I Soient A ∼ Bin(nA , p) et
39 / 53
Binomiale
La loi binomiale
Remarques :
I E (π) = E (Y /n) = n1 E (Y )
I V (π) = V (Y /n) = n12 V (Y )
I Soient A ∼ Bin(nA , p) et B ∼ Bin(nB , p),
39 / 53
Binomiale
La loi binomiale
Remarques :
I E (π) = E (Y /n) = n1 E (Y )
I V (π) = V (Y /n) = n12 V (Y )
alors A + B ∼
39 / 53
Binomiale
La loi binomiale
Remarques :
I E (π) = E (Y /n) = n1 E (Y )
I V (π) = V (Y /n) = n12 V (Y )
alors A + B ∼ Bin(nA + nB , p)
39 / 53
Pascal
La loi de Pascal (ou loi géométrique)
40 / 53
Pascal

Exemples ?
40 / 53
Pascal

Exemples ?
C’est la loi du nombre d’épreuves nécessaires à la réalisation d’un

événement de probabilité p.
40 / 53
Pascal

Exemples ?

Considérons une expérience constituée d’une série d’épreuves
indépendantes.
40 / 53
Pascal

Exemples ?

indépendantes.
I À chaque épreuve i,
40 / 53
Pascal

Exemples ?

indépendantes.
avec Xi ∼ B(p).
40 / 53
Pascal

Exemples ?

indépendantes.
avec Xi ∼ B(p).
I Une v.a. Z suit une loi de Pascal si elle décrit le nombre
d’essais effectués pour obtenir un premier succès
40 / 53
Pascal

Exemples ?

indépendantes.
avec Xi ∼ B(p).
I DZ =
40 / 53
Pascal

Exemples ?

indépendantes.
avec Xi ∼ B(p).
I DZ ={1, 2, ...}
I On écrira Z ∼ Geom(p)
40 / 53
Pascal

Exemples ?

indépendantes.
avec Xi ∼ B(p).
I DZ ={1, 2, ...}
Fonction de distribution de Z : 40 / 53
Pascal

Exemples ?

indépendantes.
avec Xi ∼ B(p).
I DZ ={1, 2, ...}
Fonction de distribution de Z : f (z) = P{Z = z} = (1 − p)z−1 p 40 / 53
Pascal
Exemple : Soit Z=« le nombre de lancers de dé nécessaires pour

obtenir un 6 ».
1. Déterminez la loi suivie par Z ainsi que son ensemble de
définition DZ ?
41 / 53
Pascal

obtenir un 6 ».
définition DZ ?
Z ∼ Geom(1/6), avec DZ = {1, 2, 3, ...}.
41 / 53
Pascal

obtenir un 6 ».
définition DZ ?
Z ∼ Geom(1/6), avec DZ = {1, 2, 3, ...}.
2. Quelle est la probabilité dde faire trois lancers pour obtenir un
6?
41 / 53
Pascal

obtenir un 6 ».
définition DZ ?
Z ∼ Geom(1/6), avec DZ = {1, 2, 3, ...}.
6?
P{Z = 3} = ( 65 )2 ( 16 )1
41 / 53
Pascal

obtenir un 6 ».
définition DZ ?
Z ∼ Geom(1/6), avec DZ = {1, 2, 3, ...}.
6?
P{Z = 3} = ( 65 )2 ( 16 )1
3. Représentez graphiquement sa fonction de distribution
41 / 53
Pascal
42 / 53
Pascal
On a toujours :
I E (Z ) = p1
43 / 53
Pascal
On a toujours :
I E (Z ) = p1
I V (Z ) = 1−p
p2
43 / 53
Pascal

Exemple :
Soit Z=« le nombre de lancers de dé nécessaires pour obtenir un
6 ».
définition DZ ?
2. Quelle est la probabilité de faire trois lancers pour obtenir un
6?
4. Calculez l’espérance mathématique et l’écart-type de Z.
44 / 53
Pascal

Exemple :
6 ».
définition DZ ?
6?
E (Z ) = p1 =
44 / 53
Pascal

Exemple :
6 ».
définition DZ ?
6?
E (Z ) = p1 = 1/6
1
=
44 / 53
Pascal

Exemple :
6 ».
définition DZ ?
6?
E (Z ) = p1 = 1/6
1
=6
44 / 53
Pascal

Exemple :
6 ».
définition DZ ?
6?
E (Z ) = p1 = 1/6
1
=6
1−p
V (Z ) = p2
=
44 / 53
Pascal

Exemple :
6 ».
définition DZ ?
6?
E (Z ) = p1 = 1/6
1
=6
5
1−p 6
V (Z ) = p2
= 1 2
(6)
=
44 / 53
Pascal

Exemple :
6 ».
définition DZ ?
6?
E (Z ) = p1 = 1/6
1
=6
5
1−p
V (Z ) = p2
= 6
1 2
(6)
= 56 × 62 =30
44 / 53
Pascal

Exemple :
6 ».
définition DZ ?
6?
E (Z ) = p1 = 1/6
1
=6
5
1−p
V (Z ) = p2
= 6
1 2
(6)
= 56 × 62 =30
p
σ(Z ) = V (Z ) =
44 / 53
Pascal

Exemple :
6 ».
définition DZ ?
6?
E (Z ) = p1 = 1/6
1
=6
5
1−p
V (Z ) = p2
== 56 × 62 =30
6
1 2
(6)
p √
σ(Z ) = V (Z ) = 30=5,4
44 / 53
Pascal
Informations sur les TD

Message pour les étudiants inscrits dans les groupes
I GR03 : Mercredi 8h-10h (34 inscrits)
I GR04* : Lundi 19h-21h (36 inscrits)
I GR07 : Lundi 8h-10h (33 inscrits)
45 / 53
Pascal
Informations sur les TD

Message pour les étudiants inscrits dans les groupes
I GR03 : Mercredi 8h-10h (34 inscrits)
I GR07 : Lundi 8h-10h (33 inscrits)
Voici les groupes ayant des effectifs beaucoup plus réduits dans
lesquels vous pourriez vous inscrire :
I GR05 : lundi 8h-10h (23 inscrits)
I GR06* : Mardi 8h-10h (17 inscrits)
45 / 53
Poisson
La loi de Poisson
46 / 53
Poisson
La loi de Poisson
Exemple ?
46 / 53
Poisson
La loi de Poisson
Exemple ?
Soit X « le nombre de crevaisons subies par une compagnie de taxis

sur une semaine ».
46 / 53
Poisson
La loi de Poisson
Exemple ?

sur une semaine ».
C’est la loi du nombre de mêmes événements indépendants se

réalisant durant un certain lapse de temps.
46 / 53
Poisson
La loi de Poisson
Exemple ?

sur une semaine ».

On a DX =
46 / 53
Poisson
La loi de Poisson
Exemple ?

sur une semaine ».

On a DX ={0, 1, 2, ...}
46 / 53
Poisson
La loi de Poisson
Exemple ?

sur une semaine ».

On a DX ={0, 1, 2, ...}
On écrira X ∼ P(λ)
46 / 53
Poisson
La loi de Poisson
On a toujours :
47 / 53
Poisson
La loi de Poisson
On a toujours :
I E (X ) = λ
47 / 53
Poisson
La loi de Poisson
On a toujours :
I E (X ) = λ
I V (X ) = λ
47 / 53
Poisson
La loi de Poisson
On a toujours :
I E (X ) = λ
I V (X ) = λ
I f(x)=
47 / 53
Poisson
La loi de Poisson
On a toujours :
I E (X ) = λ
I V (X ) = λ
x
I f(x)=P{X = x} = e −λ . λx!
47 / 53
Poisson
La loi de Poisson
Exemple : Une compagnie de taxis subit en moyenne 9 crevaisons

par semaine. Soit X=« le nombre de crevaisons en une semaine ».
48 / 53
Poisson
La loi de Poisson

1. Déterminez la loi suivie par X ainsi que son ensemble de
définition DX .
48 / 53
Poisson
La loi de Poisson

définition DX .
On a X ∼ P(9) avec DX = {0, 1, 2, ...}.
48 / 53
Poisson
La loi de Poisson

définition DX .
On a X ∼ P(9) avec DX = {0, 1, 2, ...}.
2. Quelle est la probabilité que le nombre de crevaisons soit de 3
pour la semaine qui commence ?
48 / 53
Poisson
La loi de Poisson

définition DX .
On a X ∼ P(9) avec DX = {0, 1, 2, ...}.
P{X = 3} =
48 / 53
Poisson
La loi de Poisson

définition DX .
On a X ∼ P(9) avec DX = {0, 1, 2, ...}.
3
P{X = 3} = e −9 . 93! =
48 / 53
Poisson
La loi de Poisson

définition DX .
On a X ∼ P(9) avec DX = {0, 1, 2, ...}.
3
P{X = 3} = e −9 . 93! = 0,015
48 / 53
Poisson
La loi de Poisson
49 / 53
Poisson
La loi de Poisson
définition DX .
4. Calculez l’écart-type des crevaisons sur une semaine.
50 / 53
Poisson
La loi de Poisson
définition DX .
V(X) =
50 / 53
Poisson
La loi de Poisson
définition DX .
V(X) =λ=
p9
σ(X ) = V (X ) =
50 / 53
Poisson
La loi de Poisson
définition DX .
V(X) =λ=
p9 √
σ(X ) = V (X ) = 9=3
50 / 53
Poisson
La loi de Poisson
Remarque :
Soit Y ∼ Bin(n, p).
51 / 53
Poisson
La loi de Poisson
Remarque :
Si n est « assez grand »( n > 30)
51 / 53
Poisson
La loi de Poisson
Remarque :
Si n est « assez grand »( n > 30) et pour p voisin de 0 (p ≤ 0, 1)
tels que V (Y ) = np(1 − p) ≤ 10,
51 / 53
Poisson
La loi de Poisson
Remarque :
tels que V (Y ) = np(1 − p) ≤ 10, on peut approcher la loi
binomiale Bin(n, p)
51 / 53
Poisson
La loi de Poisson
Remarque :
tels que V (Y ) = np(1 − p) ≤ 10, on peut approcher la loi
binomiale Bin(n, p) par la loi de Poisson P(λ), où λ = E (Y ) = np.
51 / 53
Poisson
Synthèse - Les principales lois discrètes
Loi DX f(x) E(X) V(X)

1 n+1 n2 −1
Uniforme {1, 2, ..., n} n 2 12
Bernouilli {0, 1} p x (1 − p)1−x p p(1 − p)
Binomiale {0, 1, 2, ..., n} Cnx p x (1 − p)n−x np np(1 − p)
1 1−p
Géométrique {1, 2, ...} (1 − p)x−1 p p p2
x
Poisson {0, 1, 2, ...} e −λ . λx! λ λ
52 / 53
Poisson
Conclusion
53 / 53

Chap 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chap 2

Transféré par

Droits d'auteur :

Formats disponibles

I. Définition II. Caractéristiques des v.a. discrètes III.

Lois de probabilité usuelles

Techniques quantitatives d’économie et de gestion

I Chapitre II Les variables aléatoires discrètes

1. Calculez des fréquences relatives des différentes tailles

Taille Effectif (ni ) Fréquence relative (fi = ni /N)

1. Calculez des fréquences relatives des différentes tailles

1. Calculez des fréquences relatives des différentes tailles

1. Calculez des fréquences relatives des différentes tailles

Si on tire au sort un individu de cette population.

Si on tire au sort un individu de cette population.

Si on tire au sort un individu de cette population.

En général, une v.a. est notée en majuscules.

En général, une v.a. est notée en majuscules.

Retour exemple : X = « Taille d’un individu tiré au sort »

En général, une v.a. est notée en majuscules.

Retour exemple : X = « Taille d’un individu tiré au sort »

Soit DX l’ensemble des valeurs possibles d’une v.a. X :

En général, une v.a. est notée en majuscules.

Retour exemple : X = « Taille d’un individu tiré au sort »

Soit DX l’ensemble des valeurs possibles d’une v.a. X :

Une v.a. X est discrète si

Une v.a. X est discrète si l’ensemble de ses valeurs possibles DX

Une v.a. X est discrète si l’ensemble de ses valeurs possibles DX

Une v.a. X est discrète si l’ensemble de ses valeurs possibles DX

Une v.a. X est discrète si l’ensemble de ses valeurs possibles DX

Une v.a. X est continue si

Une v.a. X est discrète si l’ensemble de ses valeurs possibles DX

Une v.a. X est continue si l’ensemble de ses valeurs possibles DX

Une v.a. X est discrète si l’ensemble de ses valeurs possibles DX

Une v.a. X est continue si l’ensemble de ses valeurs possibles DX

Une v.a. X est discrète si l’ensemble de ses valeurs possibles DX

Une v.a. X est continue si l’ensemble de ses valeurs possibles DX

Une v.a. X est discrète si l’ensemble de ses valeurs possibles DX

Une v.a. X est continue si l’ensemble de ses valeurs possibles DX

Dans ce chapitre, on ne s’intéressera qu’aux v.a. discrètes.

II. Caractéristiques des variables aléatoires discrètes

II. Caractéristiques des variables aléatoires discrètes

On peut décrire un v.a. à l’aide de :

Soit X une v.a. discrète et DX l’ensemble de ses valeurs possibles.

Soit X une v.a. discrète et DX l’ensemble de ses valeurs possibles.

On appelle fonction de distribution, la fonction numérique f définie

Soit X une v.a. discrète et DX l’ensemble de ses valeurs possibles.

On appelle fonction de distribution, la fonction numérique f définie

Taille Effectif (ni ) f (x) = P{X = x}

Une fonction de distribution doit toujours vérifier deux conditions :

Une fonction de distribution doit toujours vérifier deux conditions :

Une fonction de distribution doit toujours vérifier deux conditions :

Une fonction de distribution doit toujours vérifier deux conditions :

Une fonction de distribution doit toujours vérifier deux conditions :

On appelle fonction de répartition, la fonction numérique F définie

On appelle fonction de répartition, la fonction numérique F définie

On appelle fonction de répartition, la fonction numérique F définie

Quelle est la probabilité qu’un individu tiré au sort dans la

On appelle fonction de répartition, la fonction numérique F définie

Quelle est la probabilité qu’un individu tiré au sort dans la

On appelle fonction de répartition, la fonction numérique F définie

Quelle est la probabilité qu’un individu tiré au sort dans la

On appelle fonction de répartition, la fonction numérique F définie

Quelle est la probabilité qu’un individu tiré au sort dans la

On appelle fonction de répartition, la fonction numérique F définie

Quelle est la probabilité qu’un individu tiré au sort dans la

Taille Effectif (ni ) f (x) = P{X = x} F (x) = P{X ≤ x}