Académique Documents
Professionnel Documents
Culture Documents
3.1 GÉNÉRALITÉS
3.1.1 Définitions
Soit (U, Р (U), p) un espace probabilisé fini. Une variable aléatoire X est une application qui à tout
événement élémentaire de l’univers U associe un nombre réel.
Remarque :
Une variable aléatoire X est une application et non une variable.
Dire que X est une variable aléatoire signifie que ses valeurs sont aléatoires ; elles dépendent du
résultat de l’expérience aléatoire.
Exemple 3.1 :
On lance une pièce de monnaie bien équilibrée deux fois de suite.
L’univers U est constitué de 4 événements élémentaires :
U = PP, PF, FP, FF
Soit X le nombre de côtés face obtenu. Ainsi, X est une variable aléatoire qui prend les valeurs 0, 1 et 2.
Par conséquent, X(U) = {0, 1, 2}.
(X = 0) désigne l’événement le côté face n’est pas sorti, et X–1 (0) l’ensemble des antécédents de 0 par
X. On a alors : (X = 0) = X–1 (0) = PP. (X = 0) est un événement élémentaire.
(X = 1) représente l’événement le côté face est sorti une fois, et X–1 (1) l’ensemble des antécédents
de 1 par X. On a donc : (X = 1) = X–1 (1) = PF, FP. (X = 1) n’est pas un événement élémentaire.
(X = 2) symbolise l’événement le côté face est sorti deux fois, et X–1 (2) l’ensemble des antécédents
de 2 par X. Ainsi : (X = 2) = X–1 (2) = FF. (X = 2) est aussi un événement élémentaire.
sur un intervalle I de ℝ tel que X(U) I. On peut alors définir les variables aléatoires finies suivantes :
X+Y (addition)
aX (multiplication par un scalaire)
XY (multiplication)
f oX (transfert)
Il est à noter que l’on ne parle pas de composition mais de transfert. La raison est que, la fonction f qui
permet de passer d’une variable aléatoire finie à une autre (i.e. de X à foX), n’est pas en soi une variable
aléatoire : ce n’est qu’une fonction de transfert.
Exemple 3.2 :
Soit X la variable aléatoire définie dans l’exemple 3.1. Déterminer la loi de probabilité de X.
Puisque la pièce est bien équilibrée, les événements élémentaires sont équiprobables. La loi de
probabilité de X est donnée par le tableau suivant :
xi x1 = 0 x2 = 1 x3 = 2
pi = p(X = xi) p1 = 1 p2 = 1 p3 = 1
4 2 4
(X = 0) est l’événement le côté face n’est pas sorti, alors p1 = p(X = 0) = p({PP}) = 1
4
(X = 1) est l’événement le côté face est sorti une fois, donc p2 = p(X = 1) = p({PF, FP}) = p({PF}) + p({FP}) = 1
2
(X = 2) est l’événement le côté face est sorti deux fois, ainsi p3 = p(X = 2) = p({FF}) = 1 .
4
b) Représentation graphique
On peut représenter graphiquement la loi de probabilité d’une variable aléatoire finie X sous la forme d’un
diagramme en bâtons.
Exemple 3.3 :
Soit X la variable aléatoire définie dans l’exemple 3.1. Donner la représentation graphique de la loi de
probabilité de X.
La représentation graphique de la loi de probabilité de X est le diagramme en bâtons ci-dessous :
Le graphe de F est une courbe en escalier (i.e. constante par morceaux) qui pour x = xi subit un saut de pi.
b) Propriétés
La fonction de répartition F jouit des propriétés suivantes :
F est croissante sur ℝ ;
F est continue à droite en tout point de ℝ ;
lim F(x) = 0 et lim F(x) = 1 ;
x x +
p(a X b) = F(b) – F(a).
Exemple 3.4 :
Soit X la variable aléatoire définie dans l’exemple 3.1. Déterminer la fonction de répartition de X puis
tracer son graphe. Calculer : F(0.5), F(1.9), p(0 X 1), p(X 1), p(1 X 2).
La fonction de répartition F associée à X est définie par F(a) = p(X a) = p(X x i ) . On a :
xi a
Pour a 0 : F(a) = p(X a) = p(X 0) = p() = 0
L’espérance mathématique, ou moyenne, de X est le nombre réel, noté E(X) ou m, défini par :
n
E(X) = m = x i pi
i 1
Remarque : Cette définition est à rapprocher de la définition de la moyenne d’une série statistique : la
fréquence fi de la valeur observée xi de la variable statistique X est remplacée par la probabilité pi de la
valeur xi pour la variable aléatoire X.
Soit X une variable aléatoire définie sur l’univers fini U et r un entier naturel non nul.
On appelle moment d’ordre r de X la quantité définie par :
n
mr = E(Xr) = x i pi
r
i 1
i 1
Remarque :
L’espérance de la variable aléatoire X est son moment d’ordre 1.
Le moment centré d’ordre r de X est le moment d’ordre r de la variable aléatoire X – m.
3.2.2 Propriétés
Soit X, Y deux variables aléatoires définies sur l’univers fini U, a et b des réels, alors :
E(aX + b) = aE(X) + b
E(X + Y) = E(X) + E(Y)
3.2.3 Théorème de transfert
Soit X une variable aléatoire définie sur l’univers fini U, et g une application définie sur X(U). Alors :
Remarque : Pour déterminer l’espérance de la variable aléatoire g(X), il est inutile de calculer la loi de g(X),
il suffit de connaitre celle de X.
Exemple 3.5 :
Soit X la variable aléatoire définie dans l’exemple 3.1. Déterminer l’espérance et le moment d’ordre 2 de X.
L’espérance de la variable aléatoire X est :
3
E(X) = x i .p(X x i ) = (0 1 + 1 1 + 2 1 ) = 1
i 1 4 2 4
Le moment d’ordre 2 de X est :
3
E(X2) = x i2 .p(X x i ) = (0 1 + 1 1 + 4 1 ) = 3 .
i 1 4 2 4 2
i 1
V(X) = 3 – 1 = 1
2 2
L’écart-type de la variable aléatoire X est :
(X) = V(X) = 1 .
2
3.4 COUPLES DE VARIABLES ALÉATOIRES FINIES
3.4.1 Loi conjointe - Lois marginales
Définition : Soit X, Y deux variables aléatoires définies sur l’univers fini U. Les variables aléatoires X et Y
ont respectivement pour ensemble de valeurs distinctes :
X(U) = {x1, x2, ..., xn} et Y(U) = {y1, y2, ..., ym}
La loi du couple (X, Y) ou loi de probabilité conjointe est définie par :
les valeurs (xi, yj) du couple (X, Y) pour chaque xi X(U) et chaque yj Y(U)
les probabilités correspondantes pij = p(X = xi ,Y = yj) = p[(X = xi) (Y = yj)].
On écrit en général la loi du couple (X, Y) sous la forme d’un tableau à double entrée :
Y y1 y2 … ym pi. = p(X = xi)
X
x1 p11 p12 … p1m p1.
x2 p21 p22 … p2m p2.
… … … … … ...
xn pn1 pn2 … pnm pn.
p.j = p(Y = yj) p.1 p.2 ... p.m 1
Si on connaît la loi d’un couple aléatoire, on peut en déduire ses lois marginales. La réciproque est fausse.
Exemple 3.7 :
Soit le couple (X, Y) dont la loi de probabilité est donnée par le tableau suivant :
X Y 0 1 2 3
0 0 1/8 2/8 1/8
1 1/8 2/8 1/8 0
Donner les lois marginales de X et Y.
D’une part, on a :
4
p1. = p(X = 0) = p1j = 0 + 1 + 2 + 1 = 1
j 1 8 8 8 2
4
p2. = p(X = 1) = p2j = 1 + 2 + 1 + 0 = 1
j 1 8 8 8 2
Ainsi, la loi marginale de la variable aléatoire X est :
xi 0 1
pi. = p(X = xi) 1/2 1/2
D’autre part, on a :
2
p.1 = p(Y = 0) = p i1 = 0 + 1 = 1
i 1 8 8
2
p.2 = p(Y = 1) = p i2 = 1 + 2 = 3
i 1 8 8 8
2
p.3 = p(Y = 2) = p i3 = 2 + 1 = 3
i 1 8 8 8
2
p.4 = p(Y = 3) = p i4 = 1 + 0 = 1
i 1 8 8
Alors la loi marginale de la variable aléatoire Y est :
yj 0 1 2 3
p.j = p(Y = yj) 1/8 3/8 3/8 1/8
On appelle fonction de répartition marginale de X, la fonction FX de ℝ dans [0, 1] définie pour chaque
xℝ par :
FX (x) = p(X x)
La fonction FX (x) se calcule en cumulant les probabilités selon la formule suivante :
0 pour x x 1
i
FX (x) = pk . pour x i x x i 1 ; i 1, ..., n 1
k 1
1 pour x x n
On appelle fonction de répartition marginale de Y, la fonction FY de ℝ dans [0, 1] définie pour chaque
yℝ par :
FY (y) = p(Y y)
La fonction FY (y) se calcule en cumulant les probabilités selon la formule suivante :
0 pour y y1
j
FY (y) = p. k pour y j y y j 1 ; j 1, ..., m1
k1
1 pour y ym
Exemple 3.8 :
Une urne contient 4 boules blanches et 3 boules noires. On tire au hasard, successivement et sans remise
2 boules de cette urne. Soit X, Y deux variables aléatoires telles que :
Ali Bouchetob Probabilités RE2 = SD (Batna)
Chapitre 3 – Variables aléatoires finies 27
(X = 0, Y = 0) est l’événement "tirer une boule noire puis une noire", ainsi p11 = p(X = 0, Y = 0) = 3 2 = 1
7 6 7
(X = 0, Y = 1) est l’événement "tirer une boule noire puis une blanche", donc p12 = p(X = 0, Y = 1) = 3 4 = 2
7 6 7
(X = 1, Y = 0) est l’événement "tirer une boule blanche puis une noire", alors p21 = p(X = 1, Y = 0) = 4 3 = 2
7 6 7
(X = 1, Y = 1) est l’événement "tirer une boule blanche puis une blanche", d’où p22 = p(X = 1, Y = 1) = 4 3 = 2
7 6 7
Le tableau suivant donne la loi du couple (X, Y), ainsi que les lois marginales de X et Y :
X Y 0 1 p(X = xi)
0 1/7 2/7 3/7
1 2/7 2/7 4/7
p(Y = yj) 3/7 4/7 1
On calcule la fonction de répartition conjointe FXY (x, y) à partir de la loi de probabilité conjointe du couple
(X, Y) en cumulant les probabilités selon la formule FXY (x, y) = pij . On obtient alors :
xi x yj y
3.4.3 Indépendance
a) Définition
Soit X, Y deux variables aléatoires définies sur l’univers fini U. X et Y sont indépendantes si et seulement si
quels que soient i{1, ..., n} et j{1, ..., m} :
p(X = xi, Y = yj) = p(X = xi).p(Y = yj)
b) Propriétés
Soit X, Y deux variables aléatoires indépendantes définies sur l’univers fini U. Alors :
E(XY) = E(X).E(Y)
V(X+Y) = V(X) + V(Y)
Exemple 3.9 :
Soit les données de l’exemple 3.7. X et Y sont-elles des variables aléatoires indépendantes ?
X et Y ne sont pas indépendantes puisque :
p(X = 0, Y = 0) = 0 p(X = 0).p(Y = 0) = 1 1 = 1 .
2 8 16
3.4.4 Lois conditionnelles
a) Définition
Soit X, Y deux variables aléatoires définies sur l’univers fini U. Pour yj fixé, la loi conditionnelle de la
variable X sachant (Y = yj) est donnée par :
p(X x i , Y yj ) p ij
p (Y yj ) (X x i ) = =
p( Y yj ) p. j
De même, pour xi fixé, la loi conditionnelle de la variable Y sachant (X = xi) est donnée par :
p(X x i , Y yj ) pij
p(X xi ) (Y yj ) = =
p(X x i ) pi .
b) Propriétés
n
y j : p (Y yj ) (X xi ) 1
i 1
m
x i : p (X xi ) (Y yj ) 1
j 1
p(X 1, Y 0) 1
p(Y 0 ) (X 1) = = 2 = 1
p(Y 0) 10 5
p(X 1, Y 1) 3
p(Y 1 ) (X 1) = = 2 = 3
p(Y 1) 10 5
p(X 0, Y 1) 1 5 1
p(X 0 ) (Y 1) = = =
p(X 0) 5 3 3
p(X 1, Y 1) 3 5 3
p(X 1 ) (Y 1) = = =
p(X 1) 10 2 4
E(X) = n 1 et V(X) = n 1 .
2
2 12
Exemple 3.12 :
On lance un dé ordinaire non truqué. X est la variable aléatoire égale au nombre qui apparait sur la face
supérieure. Calculer l’espérance E(X) et la variance V(X).
L’univers U est constitué de 6 événements élémentaires :
U = 1, 2, 3, 4, 5, 6
L’ensemble des valeurs prises par X est :
X(U) = 1, 2, 3, 4, 5, 6
Vu que le dé est non truqué, chaque événement élémentaire est équiprobable. On a alors :
et pour variance :
V(X) = E(X2) – [E(X)]2 = p – p 2 = p(1– p) = pq
Exemple 3.13 :
On tire au hasard une boule d’une urne contenant 10 boules dont 4 rouges. X est la variable aléatoire
comptabilisant le nombre de boules rouges obtenu. Calculer l’espérance E(X) et la variance V(X).
Cette expérience aléatoire possède deux issues : obtenir une boule rouge (succès) ou non (échec). X suit
donc une loi de Bernoulli de paramètre p = 4/10 = 2/5. Alors :
E(X) = p = 2
5
V(X) = p(1– p) = 6 .
25
La loi de probabilité de la variable aléatoire X est appelée loi binomiale de paramètres n et p, caractérisée
par X(U) = {0, 1, ..., n}.
Cette loi a pour espérance (ou moyenne) :
n n
E(X) = m = x i .pi = k Ckn pk qn k = np
i 1 k 0
et pour variance :
n n
V(X) = (x i m) pi = (k np)2 Ckn pk qn k = np(1 – p) = npq
2
i 1 k 0
Exemple 3.14 :
Une pièce de monnaie bien équilibrée est lancée 6 fois. Quelle est la probabilité d’obtenir 2 faces.
L’expérience est une suite de 6 lancers dont les résultats sont indépendants les uns des autres. Un résultat
peut être soit face (succès) soit pile (échec). Soit X la variable aléatoire comptabilisant le nombre de côtés
face à la fin de ces lancers. La pièce de monnaie étant bien équilibrée, p = q = 1 . Par conséquent, X suit
2
E(X) = n r
N
et pour variance :
V(X) = n r (1 r ) N n
N N N1
Ali Bouchetob Probabilités RE2 = SD (Batna)
Chapitre 3 – Variables aléatoires finies 34
Exemple 3.15 :
On voudrait former un comité de 2 personnes choisies parmi 5 candidats : 3 hommes et 2 femmes. Soit X
la variable aléatoire qui représente le nombre de femmes dans le comité. Quelle est la probabilité de
choisir une femme ? Calculer E(X) et V(X).
La variable aléatoire X suit une loi hypergéométrique de paramètres N = 5, n = 2 et r = 2.
La probabilité de choisir une femme est :
C12 C13
p(X = 1) = = 3
C25 5
On déduit facilement les valeurs de l’espérance et de la variance :
E(X) = n r = 2 2 = 4
N 5 5
V(X) = n r (1 r ) N n = 2 2 3 3 = 9 .
N N N1 5 5 4 25