Chapitre 1: Rappels Sur Les Probabilités Cours 1: Variables Aléatoires Discrètes, Lois Discrètes Classiques

Plan
Rappels sur les variables aléatoires

Lois classique discrétes
Chapitre 1 : Rappels sur les probabilités

Cours 1 : Variables aléatoires discrètes, Lois
discrètes classiques
Mohamed Dakkon
F.S.J.E.S - Tétouan
Année universitaire 2020-2021.
Module:Echantillonnage et Estimation
Mohamed Dakkon Module: Échantillonnage et Estimation

Plan
1 Rappels sur les variables aléatoires

Définition
Loi d’une variable aléatoire
Paramètres classiques d’une loi
Quelques propriétés
2 Lois classiques discrètes
Loi de Bernoulli
Loi binomiale
Loi hypergéométrique ou loi du tirage exhaustif
Loi de Poisson

Définition
Plan
Loi d’une variables aléatoires discréte
Paramétres classiques d’une loi discréte
Experience aléatoire, Univers, Événement
Expérience aléatoire (dite aussi épreuve) : c’est une

expérience dont les résultats sont dûs au hasard et même si
elle est répétée dans les mêmes conditions ne donne pas
les mêmes résultats.
Univers Ω(ensemble fondamental) : c’est l’ensemble de
tous les résultats possible d’une expérience aléatoire.
Événement : c’est tout sous-ensemble de Ω.

Définition
Plan
Définition d’une variable aléatoire
Définition
Une variable aléatoire est une application de l’univers dans R
X:Ω→R
ω 7→ X(ω)
Une variable aléatoire est généralement désignée par une lettre

majuscule X,Y, etc. La variable aléatoire est dite discréte si
l’ensemble X(Ω) est discret, c’est à dire qui ne prend que des
valeurs ponctuelles, isolées, typiquement N ou Z.

Définition
Plan
Définition d’une variable aléatoire (v.a.)
Exemples de v.a.
Le résultat d’un lancé de dé. On a alors,
X(Ω) = {1, 2, 3, 4, 5, 6}
Soit le jeu consistant à lancer une pièce et gagner 10 Dhs si
pile, rien sinon. Soit X = le gain à l’issue d’un lancé.
X : Ω → {0, 1}
Le nombre de piles obtenus sur 4 lancés d’une pièce.
X(Ω) = {0, 1, 2, 3, 4}

Définition
Plan
Loi d’une variable aléatoire discrète
Définition
On appelle loi d’une variable aléatoire discrète la donnée de
tous les P(X = xi ) lorsque xi prend toutes les valeurs possibles
dans X(Ω).
On note invariablement P[{X = x}] ; P[X = x] ; ou parfois PX (x)

pour la probabilité que X prenne la valeur x

Définition
Plan
Loi d’une variable aléatoire discrète
Donner la loi d’une variable aléatoire revient alors à donner les

probabilités des événements élémentaires qu’elle induit, et on
présente souvent ces données sous forme d’un tableau.
En notant d’une manière générale X(Ω) = {x1 , x2 , ......, xN }
pour une variable aléatoire à N valeurs possibles (qui ne sont
pas forcément 1, 2, ..., N), on a :
xi x1 x2 .... xN
P[X = xi ] p1 p2 ... pN
où l’on note respectivement

p1 = P[X = x1 ], p2 = P[X = x2 ], ....., pN = P[X = xN ].

Définition
Plan
Espérance
Définition
L’espérance mathématique E[X] d’une variable aléatoire X
joue le rôle dévolu à la moyenne en statistique : elle correspond
à la valeur moyenne espérée par un observateur lors d’une
réalisation de la variable aléatoire X. On a :
N
X N
X
E[X] = xi .pi = xi .P[X = xi ]
i=1 i=1
lorsque X peut prendre N valeurs différentes x1 , ....., xN avec

comme probabilités élémentaires pi = P[X = xi ].

Définition
Plan
Variance
Définition
La variance mesure ainsi la déviation moyenne autour de la
moyenne espérée E[X], et est définie par
V[X] = E[(X − E[X])2 ] = N 2

P
i=1 pi .(xi − E[X])
Proposition
La variance elle est toujours positive puisqu’il s’agit de
l’espérance d’un carré.
Autre expression de la variance :
V(X) = E[X2 ] − (E[X])2

Définition
Plan
Écart-type
Définition
Pour mesurer la dispersion d’une variable aléatoire X, on
considère souvent en statistique l’écart-type, lié à la variance
par : p
σ(X) = V(X)

Définition
Plan
Propriétés de l’espérance et de la variance
Proposition (Linéarité de l’espérance)

Si X et Y sont deux variables aléatoires définies sur le même
univers et a, b deux réels,
E[aX + bY] = aE[X] + bE[Y].
En particulier, E[aX] = aE[X].
Proposition (Non-linéarité de la variance)

Pour toute variable aléatoire X et a, b deux réels,
V(aX + b) = a2 V(X).

Définition
Plan
Proposition (Inégalité de Markov)

Soit X une variable aléatoire positive d’espérance finie, alors
pour tout a > 0
1
P[X ≥ a] ≤ E[X]
a
Proposition (Inégalité de Bienaymé-Tchebychev)

Soit X une variable aléatoire réelle de variance finie, alors pour
tout a > 0
1
P[|X − E[X]| ≥ a] ≤ 2 V(X)
a

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi de Bernoulli B(1, p)
Definition
On réalise une expérience aléatoire qui a deux résultats
possibles :
Soit le succès qui a une probabilité p de se réaliser, soit l’échec
qui a une probabilité q = 1 − p.
La variable aléatoire X = nombre de succès obtenus suit la loi
de Bernoulli notée B(1, p) et définie par : P(X = 0) = 1 − p et
P(X = 1) = p.

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi de Bernoulli
Definition
On dit que X suit la loi de Bernoulli de paramètre p ssi :
P[X = 1] = p,
P[X = 0] = 1 − p.
Exemple
On joue au Pile ou Face avec proba p de tomber sur Pile (et
donc 1 − p de tomber sur Face).
Soit :
1, si on obtient Pile ,
X= ; alors X suit une Bernoulli
0, sinon,
B(1, p).
Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Paramètres d’une Bernoulli
Théorème (Espérance et variance)

Si X suit une loi de Bernoulli B(1, p), alors
E[X] = p,
V[X] = p(1 − p).

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi binomiale
Definition
On réalise n fois successivement et d’une manière
indépendante une expérience aléatoire qui a deux résultats
possibles, le succès (associé au résultat pour lequel nous
voulons déterminer la probabilité) qui a une probabilité p de se
réaliser et l’échec qui a une probabilité q = 1 − p de se réaliser.
La v.a. X = nombre de succès obtenus au cours des n épreuves
suit la loi binomiale notée B(n, p) définie par :
P : {0, 1, ....., n} −→ [0, 1]
Alors, X est une variable aléatoire discrète avec une loi de

probabilité que l ’on appelle binômiale de paramètres n et p, où
n = le nombre d’épreuves (d’essais)
p = probabilité de succès à chaque épreuve
Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi binomiale
Exemple de base
n fois au pile ou face. Pour 1 ≤ i ≤ n, on pose :

On joue
1, si on obtient Pile au i-ème lancer,
Xi =
0, sinon,
Soit Y le nombre de "Piles" obtenus au cours des n lancers
indépendants de la pièce.
Alors, Y = X1 + X2 + ... + Xn et Y suit une loi binomiale B(n, p).

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Autre manière de voir une loi binomiale
Théorème
Si Y peut s’écrire ainsi :
Y = X1 + ... + Xi + ... + Xn ,
où les Xi sont des variables aléatoires de Bernoulli

indépendantes de paramètre p, correspondant au succès d’une
seule épreuve de pile ou face avec i = 1, 2, ..., n.
Alors Y suit une loi binomiale B(n, p).

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Calcul des probabilités d’une loi binomiale
Pour déterminer les probabilités des événements élémentaires

d’une variable aléatoire suivant une loi binomiale, il nous faut
tout d’abord déterminer le nombre de possibilités d’obtenir k
succès au cours de n épreuves.
Il s’agit de déterminer le nombre de combinaisons (non
ordonnées) de k objets pris parmi n, avec bien sûr k ≤ n. Les
combinaisons sont non ordonnées car seul importe d’avoir k
objets (succès pour nous) et non pas à quel(s) tirage(s) ces
succès ont eu lieu. On connaît le nombre de possibilités de k
succès et n-k échec, (Ckn ) il suffit de les multiplier par les
probabilités de succès et d’échec pour obtenir la loi binomiale.
On a donc :

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Calcul des probabilités d’une loi binomiale

Proposition
Les probabilités élémentaires d’une variable aléatoire X suivant
une loi binomiale B(n, p) sont données pour tout nombre de
succès k = 1, 2, ..., n par :
n!
P[X = k] = Ckn .pk .(1 − p)n−k avec Ckn =
k!(n − k)!
(qui représente la probabilité d’obtenir k succès en n essais)
On a bien, en utilisant la formule du binôme de Newton,

n
X n
X
P[X = k] = Ckn .pk .(1 − p)n−k = 1
k=0 k=0
Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Paramètres d’une binomiale
Théorème : (Espérance et variance)

Si X → B(n, p) alors :
E[X] = np,
V[X] = np(1 − p)

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Somme de variables soumises à des lois binômiales
Théorème :
Soit X1 , X2 , ...., Xn n variables aléatoires discrètes
indépendantes les unes des autres.
Si X1 → B(n1 , p), X2 → B(n2 , p), ...., et Xn → B(nn , p),
Alors
Y = X1 + X2 + ... + Xn → B(n1 + n2 + .... + nn , p).

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Définition
Dans une population de taille N, on a deux types d’éléments,
N1 éléments de type I et N2 éléments de type II. On effectue n
tirages sans remise (=prélèvement d’un seul coup de n
éléments). La v.a. discrète X = nombre d’éléments de type I
obtenus après les n tirages suit la loi hypergéométrique notée
N1
H(N, n, p) avec p = , définie par : P : {0, 1, · · · , n} −→ [0, 1]
N
CkN1 Cn−k
N2
k 7−→ P(X = k) = avec N1 = pN , N2 = qN
CnN

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Espérance et Variance
Si X → H(N, n, p) alors,
E(X) = np
Cette espérance est indépendante de la taille N de la

population.
N−n
V(X) = np(1 − p)
N−1
N−n
N−1 est le facteur d’exhaustivité.

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Domaine d’utilisation
La loi hypergéométrique est utilisée, en particulier dans les
contrôles de qualité où on retire, de la population étudiée, les
éléments défaillants.

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi de Poisson
Loi de Poisson
Cette loi peut modéliser les événements rares. Par exemple, elle
peut modéliser le nombre d’appels reçus par un standard
téléphonique, le nombre de voyageurs se présentant à un
guichet dans la journée, etc. Elle s’exprime à l’aide de la
fonction exponentielle et dépend d’un paramètre λ > 0, qui
correspond au nombre moyen d’occurrence du phénomène
observé pendant la durée donnée.

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi de poisson
Definition
Une variable aléatoire X suit une loi de Poisson de paramètre
λ > 0, notée P(λ) lorsque X(Ω) = N et pour tout k ∈ N
λk
P[X = k] = e−λ .
k!
Théorème : (Espérance et variance)

Si X → P(λ) alors,
E[X] = λ,
V[X] = λ
Bon exercice : démontrer cette propriété !

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi de Poisson
Exemple
Une compagnie d’assurances reçoit, en moyenne 4, 5
réclamations par jour.
Déterminer la probabilité que, durant une certaine journée, le
nombre de réclamations reçues soit inférieur ou égal à 2.

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi de Poisson
Exemple (suite)
Soit X = nombre de réclamations reçues dans une journée.
On suppose que X → P(λ = 4, 5).
P[X ≤ 2] = P(X = 0) + P(X = 1) + P(X = 2)
e−4,5 (4,5)0 e−4,5 (4,5)1 e−4,5 (4,5)2

= 0! + 1! + 2!
= 0, 0111 + 0, 0500 + 0, 1125
= 0, 1736.

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi de Poisson
Exemple 2
Un standard téléphonique reçoit en moyenne 0,7 appel à la
minute.
Quelle est la probabilité pour que, entre 09 h 59 et 10 h, il
reçoive :
a) 0 appel
b) 1 appel
c) plus d’un appel

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Loi de Poisson
Exemple 2 (suite)
Soit X la loi de survenance des appels qui suit la loi de Poisson
P(0, 7).
a) P(”0 appel”) = P(X = 0) = e−0,7 ∗ (0, 7)0 /0! = 0, 4966
b) P(”1 appel”) = P(X = 1) = e−0,7 ∗ (0, 7)1 /1! = 0, 3476
c) P(”plus d0 un appel”) = P(X > 1) = 1 − P(X ≤ 1) =
1 − (P(X = 0) + P(X = 1)) = 0, 1558

Loi de Bernoulli
Plan
Loi Binomiale
Loi de Poisson
Fin

Chapitre 1: Rappels Sur Les Probabilités Cours 1: Variables Aléatoires Discrètes, Lois Discrètes Classiques

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

Chapitre 1: Rappels Sur Les Probabilités Cours 1: Variables Aléatoires Discrètes, Lois Discrètes Classiques

Transféré par

Droits d'auteur :

Formats disponibles

Plan

Rappels sur les variables aléatoires

Chapitre 1 : Rappels sur les probabilités

Mohamed Dakkon Module: Échantillonnage et Estimation

1 Rappels sur les variables aléatoires

Mohamed Dakkon Module: Échantillonnage et Estimation

Experience aléatoire, Univers, Événement

Expérience aléatoire (dite aussi épreuve) : c’est une

Mohamed Dakkon Module: Échantillonnage et Estimation

Définition d’une variable aléatoire

Une variable aléatoire est généralement désignée par une lettre

Mohamed Dakkon Module: Échantillonnage et Estimation

Définition d’une variable aléatoire (v.a.)

Mohamed Dakkon Module: Échantillonnage et Estimation

Loi d’une variable aléatoire discrète

On note invariablement P[{X = x}] ; P[X = x] ; ou parfois PX (x)

Mohamed Dakkon Module: Échantillonnage et Estimation

Loi d’une variable aléatoire discrète

Donner la loi d’une variable aléatoire revient alors à donner les

où l’on note respectivement

Mohamed Dakkon Module: Échantillonnage et Estimation

lorsque X peut prendre N valeurs différentes x1 , ....., xN avec

Mohamed Dakkon Module: Échantillonnage et Estimation

V[X] = E[(X − E[X])2 ] = N 2

Autre expression de la variance :

V(X) = E[X2 ] − (E[X])2

Mohamed Dakkon Module: Échantillonnage et Estimation

Mohamed Dakkon Module: Échantillonnage et Estimation

Propriétés de l’espérance et de la variance

Proposition (Linéarité de l’espérance)

E[aX + bY] = aE[X] + bE[Y].

En particulier, E[aX] = aE[X].

Proposition (Non-linéarité de la variance)

Mohamed Dakkon Module: Échantillonnage et Estimation

Proposition (Inégalité de Markov)

Proposition (Inégalité de Bienaymé-Tchebychev)

Mohamed Dakkon Module: Échantillonnage et Estimation

Loi de Bernoulli B(1, p)

Mohamed Dakkon Module: Échantillonnage et Estimation

Paramètres d’une Bernoulli

Théorème (Espérance et variance)

V[X] = p(1 − p).

Mohamed Dakkon Module: Échantillonnage et Estimation

Alors, X est une variable aléatoire discrète avec une loi de

 n fois au pile ou face. Pour 1 ≤ i ≤ n, on pose :

Mohamed Dakkon Module: Échantillonnage et Estimation

Autre manière de voir une loi binomiale

où les Xi sont des variables aléatoires de Bernoulli

Mohamed Dakkon Module: Échantillonnage et Estimation

Calcul des probabilités d’une loi binomiale

Pour déterminer les probabilités des événements élémentaires

Mohamed Dakkon Module: Échantillonnage et Estimation

Calcul des probabilités d’une loi binomiale

(qui représente la probabilité d’obtenir k succès en n essais)

On a bien, en utilisant la formule du binôme de Newton,

Paramètres d’une binomiale

Théorème : (Espérance et variance)

Mohamed Dakkon Module: Échantillonnage et Estimation

Somme de variables soumises à des lois binômiales

Y = X1 + X2 + ... + Xn → B(n1 + n2 + .... + nn , p).

Mohamed Dakkon Module: Échantillonnage et Estimation

Loi hypergéométrique ou loi du tirage exhaustif

Mohamed Dakkon Module: Échantillonnage et Estimation

n fois au pile ou face. Pour 1 ≤ i ≤ n, on pose :