Ecole Supérieure des Sciences de Gestion d’Annaba

Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

PROGRAMME PROBABILITES 2
Semestre 3
Chapitre 1 : Introduction à l’étude des variables aléatoires réelles discrètes à 1 dimension
Chapitre 2 : Introduction à l’étude des lois de probabilité des variables aléatoires réelles discrètes à 1 dimension
Chapitre 3 : Introduction à l’étude des variables aléatoires réelles continues à 1 dimension
Chapitre 4 : Introduction à l’étude des lois de probabilité des variables aléatoires réelles continues à 1 dimension

|P a g e 1
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Chapitre 1 : Introduction à l’étude des variables aléatoires réelles discrètes à 1 dimension

1. DEFINITION DE LA VARIABLE ALEATOIRE REELLE

Notation

 X : variable aléatoire réelle (application)

  : résultat élémentaire possible lié à une expérience aléatoire donnée

  : ensemble fondamental des résultats possibles liés à une expérience aléatoire donnée

 IR : ensemble des réels

X :   IR
    x  X ( )  IR

IR
  X ( )
X
2. DEFINITION DE L’ENSEMBLE DES VALEURS POSSIBLES
Notation
 X () : ensemble des valeurs possibles (image de  par l’application X )
 x : valeur possible prise par la variable aléatoire X

X ()  xi : xi  X (i )  IR i  , i  1,2,..., n

Exemple 1
On jette au hasard une pièce de monnaie et on associe aux résultats possibles les valeurs suivantes :
 Le nombre 0 si le côté FACE se réalise
 Le nombre 1 si le côté FACE ne se réalise pas
Préciser  et X ()
Solution
1. Précision de 

  Face, Face 
 1 , 2 
2. Précision de X ()
X ()   X (1 ), X (2 ) 
  x1 , x2 
  0,1 
Remarque : la variable aléatoire réelle X transforme l’ensemble des évènements de nature qualitative, évènements
non mesurables (tel que observer côté Face d’une pièce de monnaie,…) en un ensemble d’évènements numériques
mesurables

Evènement
Le transformateur Valeur possible
élémentaire
 X X ( )  x

|P a g e 2
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Nature de X ()

 X () : peut être un ensemble fini de valeurs posibles

X ()   xi : xi   ,   IN  IN

X ()   xi :  xi   ,  ,   Z   Z

IN : ensemble des entiers naturels

Z : ensemble des entiers relatifs
Dans ce cas, la variable aléatoire réelle X est dite variable aléatoire réelle discrète
 X () : peut être un ensemble infini dénombrable de valeurs posibles

X ()   xi : xi   ,   Z  Z

Dans ce cas, la variable aléatoire réelle X est dite aussi variable aléatoire réelle discrète
 X () : peut être un ensemble infini non dénombrable de valeurs posibles

X ()  IR  X ()  a, b   IR

Dans ce cas, la variable aléatoire réelle X est dite variable aléatoire réelle continue
Notation de la variable aléatoire réelle

Notée par une lettre majuscule : X , Y , Z ,...

Notation de la valeur possible de la variable aléatoire réelle
Notée par une lettre minuscule : x, y, z,...

3. DEFINITION DE L’APPLICATION RECIPROQUE DE LA VARIABLE ALEATOIRE REELLE

Notation
1
 X : application réciproque

 E : ensemble quelconque de valeurs possibles

X 1 : E  
x  X ( )  E    
X 1 ( E )  X 1
( x) : x  E et x  X ( ) 

 X 1
 X ( ) E


X 1 ( E ) définit un évènement c’est à dire un ensemble de résultats possibles

|P a g e 3
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Quelques cas concernant le passage de l’ensemble des valeurs possibles à l’évènement (ensemble de résultats
possibles)
1. If E  X ()  X 1 X ()   (l’évènement certain)
2. If E  X ()    X 1 ( )   (l’évènement impossible)
3. If E  a, b  X ()  X 1  a, b    a  X  b
4. If E   , x  X 1   , x    X  x
5. If E  x,  X 1  x,    X  x
6. If E  x  X 1  x    X  x  (l’évènement élémentaire)

Exemple 2
On jette au hasard 2 dés et on désigne par l’ensemble des valeurs possibles E : « l’ensemble relatif à la somme des
points obtenus est tel que cette somme est supérieure ou égale à 10 »
1. Précisez l’ensemble E
2. Précisez l’évènement X 1 ( E )
Solution
1. Précision de l’ensemble E
E   x1 , x2 , x3 
 10 ,11,12 
2. Précision de l’évènement X 1 ( E )
X 1 ( E )  X 1  10 ,11,12  
 1 , 2 , 3 4 , 5 , 6 
  (4,6) , (6,4) , (5,5) (5,6) , (6,5) , (6,6) 

Propriétés de l’application réciproque

1.
 k  k
 
X 1   E i    X 1 ( E i ) (l’image de l’intersection d’ensembles de valeurs possibles par l’application
 i 1  i 1
réciproque donne l’évènement composé)
2.
 k  k

X 1   E i    X 1 ( E i )  (l’image de l’union d’ensembles de valeurs possibles par l’application
 i 1  i 1
réciproque donne l’union d’évènements)

|P a g e 4
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

4. ETUDE THEORIQUE DE LA VARIABLE ALEATOIRE REELLE DISCRETE

4.1 Définition de la loi de probabilité (ou distribution de probabilité)
Notations :
 X () : ensemble de valeurs possibles
 P : fonction de masse
 ( , A) : espace probabilisable
 , A , P  : espace de probabilité (ou modèle probabiliste qui décrit le déroulement de l’expérience
aléatoire)
 A : ensemble des évènements
  X  x  : évènement élémentaire
1. Le support

X ()  x : x  X 1 ( )    
2. La fonction de masse
P : A  0,1
X  x A  P( X  x)  0,1

L’application P vérifie les axiomes de KOLMOGOROFF, à savoir :

1. 0  P( X  x)  1 X  x A
2. P ()  1
3. X  x   X  x     P  X  x  
k k

i j  i   P( X  xi ) i j
 i 1  i 1

Représentation graphique de la loi de probabilité

La loi de probabilité de la variable aléatoire réelle discrète est représentée graphiquement à l’aide d’un diagramme en
bâtons. Dans un repère orthonormé, on porte :
 En abscisse : les valeurs possibles de la variable aléatoire réelle
 En ordonnée : les probabilités associées aux évènements élémentaires
Le couple : valeur possible et probabilité correspondante est représenté graphiquement à l’aide d’un bâton dont la
hauteur est proportionnelle à la probabilité.
Rappel :
Il existe 3 types de tirage :
 Le tirage simultané : c’est un tirage sans remise non ordonné (l’ordre dans lequel apparaissent les résultats n’a
pas d’importance)
 Le tirage successif avec remise : c’est un tirage ordonné (les tirages sont indépendants)
 Le tirage successif sans remise : c’est un tirage ordonné (l’ordre dans lequel apparaissent les résultats est
important ; les tirages sont dépendants)

|P a g e 5
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

4.2 La fonction de répartition

a. Définition

Notation : F (x)

F ( xi )  P  X 1    , xi  
 P ( X  xi )
 P   X  xi   X  xi  
 P ( X  xi 1 )  P ( X  xi )
 F ( xi1 )  P ( X  xi )

Nous avons donc établi une relation de récurrence :


F ( xi )  P X 1    , xi 
 F ( xi1 )  P ( X  xi )
b. Propriétés
1. 0  F ( x)  1 x  X ()

2. Si x j  xi  F ( x j )  F ( xi ) xi , x j  X () i  j (fonction croissante)

3. lim F ( x)  0 (possède une asymptote inférieure d’équation F ( x)  0)

x 

4. lim F ( x)  1 (possède une asymptote supérieure d’équation F ( x)  1)

x 

Représentation graphique de la fonction de répartition

La fonction de répartition de la variable aléatoire réelle discrète est représentée graphiquement à l’aide d’un
diagramme cumulé en bâtons. Dans un repère orthonormé, on porte :
 En abscisse : les valeurs possibles de la variable aléatoire réelle
 En ordonnée : les valeurs correspondantes de la fonction de répartition
Exemple 3
Soit l’espace de probabilité , A , P  ; un sac contient 12 articles dont 3 défectueux. On tire au hasard

simultanément 3 articles du sac et on désigne par la variable aléatoire réelle X le nombre d’articles défectueux
obtenus lors du tirage.
1. Déterminer la loi de probabilité de la variable aléatoire réelle X
2. Représenter graphiquement la loi de probabilité
3. Calculer la fonction de répartition
4. Représenter graphiquement la fonction de répartition
5. Calculer les probabilités suivantes en utilisant la fonction de répartition :

P( X  1) ; P( X  3) ; P(1  X  3) ; P(3  X  1)

|P a g e 6
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Solution
1. Détermination de la loi de probabilité de la variable aléatoire réelle X
a. Le support
X (  )   0 ,1, 2 , 3 
b. La fonction de masse

P ( X  0)  P X 1 0  
3 0
C C
 3
9 3
C12
84

220


P ( X  1)  P X 11  
C 2C 1
 93 3
C12
108

220

P ( X  2)  P X 1 2   
1 2
CC
 3
9 3
C12
27

220

P ( X  3)  P X 1  3  
0 3
C C
 3
9 3
C12
1

220

On vérifie que la somme est égale à 1.

2. Représentation graphique de la loi de probabilité

Diagramme en bâtons de la distribution de probabilité
des articles défectueux
0.5
P ( X  x)
0.4

0.3

0.2

0.1

0 X x
0 1 2 3

|P a g e 7
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

3. Calcul de la fonction de répartition

 
F ( x)  P X 1   , x  
 P ( X  x)
 F ( x  1)  P ( X  x)


F (0)  P X 1   ,0   
 P ( X  0)
 F (0  1)  P ( X  0)
 F (1)  P ( X  0)
 0  84 / 220
 84 / 220


F (1)  P X 1   ,1   
 P ( X  1)
 F (1  1)  P ( X  1)
 F (0)  P ( X  1)
 84 / 220  108 / 220
 192 / 220


F (2)  P X 1   ,2   
 P ( X  2)
 F (2  1)  P ( X  2)
 F (1)  P ( X  2)
 192 / 220  27 / 220
 219 / 220


F (3)  P X 1   ,3   
 P ( X  3)
 F (3  1)  P ( X  3)
 F (2)  P ( X  3)
 219 / 220  1 / 220
1

0 X 0
84 / 220 0  X 1


F ( x)  192 / 220 1 X  2
219 / 220 2 X 3


1 X 3

|P a g e 8
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

4. Représentation graphique de la fonction de répartition

Graphique de la fonction de répartition

F(x)
1

0.8

0.6

0.4

0.2

X=x
-2 -1 0 1 2 3 4

5. Calcul des probabilités à l’aide de la fonction de répartition

P ( X  1)  1  P ( X  1)
 1  P ( X  1)
 1  P ( X  0)
 1  F (0)
 1  84 / 220
 136 / 220

P ( X  3)  P ( X  2)
 F ( 2)
 219 / 220

P (1  X  3)  P ( X  3)  P ( X  1)
 P ( X  2)  P ( X  1)
 P ( X  2)  P ( X  0)
 F ( 2)  F (0)
 219 / 220  84 / 220
 135 / 220

P (3  X  1)  1  P (3  X  1)
 1  P (1  X  3)
 1  135 / 220
 85 / 220

|P a g e 9
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

4.3 Les caractéristiques numériques

a. L’espérance mathématique (ou moyenne théorique)

Notation : E ( X )
 Définition
k
E ( X )   pi .xi
i 1

Remarque : l’espérance mathématique est une constante

 Propriétés
1. a constante non nulle, alors : E (a )  a

2. b constante non nulle, alors : E (bX )  b.E ( X )

3. a et b constantes non nulles, alors : E (a  bX )  a  bE ( X )

La 3ème propriété exprime que l’opérateur espérance est un opéreur linéaire distributif par rapport à la somme
algébrique
b. La variance (ou variance théorique)

Notation : Var ( X ) ou  X2
 Définition


Var( X )  E X  E ( X )
2

En développant cette relation, on obtient :

Var ( X )  E ( X 2 )   E ( X ) 
2

Relation de KÖNING
Selon cette relation, la variance est définie comme étant la différence de 2 carrés :
 E ( X 2 ) : le carré de la moyenne quadratique
k
E ( X 2 )   pi xi2
i 1

  E (X )  2
: le carré de l’espérance mathématique

Remarque : la variance est une constante

 Propriétés
1. Var ( X )  0 x  X ()
2. a constante non nulle, alors : Var (a)  0

3. b constante non nulle, alors : Var(bX )  b 2Var( X )

4. a et b constantes non nulles, alors : Var (a  bX )  b 2Var ( X )

La 4ème propriété exprime que l’opérateur variance est un opéreur linéaire distributif par rapport à la somme
algébrique dans le cas d’une seule variable (le cas univarié).

| P a g e 10
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

L’écart-type

Notation :  X

 x  Var ( X )

Intérêt de calculer l’écart-type

L’écart-type (toujours positif) est un indicateur de qualité de la moyenne ; il mesure sa représentativité.
La moyenne est représentative de X () si l’écart-type est faible.

Pour avoir une idée relative de la qualité de la moyenne, on calcule aussi un coefficient appelé coefficient de
dispersion ou coefficient de variation :
Définition du coefficient de variation

 x .100
Cv 
E( X )

c. La médiane
Notation : Me
1
P( X  x)   x  Me
2
1
F ( Me) 
2

La médiane est obtenue à l’aide de la fonction de répartition.

d. Le mode
Notation : Mo

Mo  xMax P ( X  x )

Le mode représente la valeur x la plus probable de la variable aléatoire.

Exemple 4
On considère l’exemple 3 ; calculer
1. L’espérance mathématique
2. La variance
3. La médiane
4. Le mode
Solution
1. Calcul de l’espérance mathématique
4
165
E ( X )   pi xi 
i 1 220
xi pi pi xi
0 84/220 0
1 108/220 108/220
2 27/220 54/220
3 1/220 3/220
TOTAL 1 165/220
| P a g e 11
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2. Calcul de la variance
Var ( X )  E ( X 2 )   E ( X ) 2
2
225  165 
    0.4602
220  220 
4
225
E ( X 2 )   pi xi2 
i 1 220

xi pi pi xi pi xi2
0 84/220 0 0
1 108/220 108/220 108/220
2 27/220 54/220 108/220
3 1/220 3/220 9/220
TOTAL 1 165/220 225/220

 Calcul de l’écart-type
X  Var ( X )
 0.4602  0.68
 Calcul du coefficient de dispersion

 X *100
Cv 
E( X )
 X *100

E( X )
0.68 *100
  91%
0.75
91%>50% : la moyenne n’est pas de bonne qualité ; elle ne représente pas de manière satisfaisante l’ensemble des
valeurs possibles.
3. Calcul de la médiane
1 110
P ( X  x)    x  Me  1
2 220
xi pi pi xi pi xi2 F ( xi )
0 84/220 0 0 84/220
1 108/220 108/220 108/220 192/220
2 27/220 54/220 108/220 219/220
3 1/220 3/220 9/220 1
TOTAL 1 165/220 225/220

4. Calcul du mode

Mo  xMax P ( X x )  1
C’est la valeur de la variable à laquelle est associée la probabilité maximale. A la valeur 1 est associée la probabilité
108/220.

| P a g e 12
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

5. LES MOMENTS
5.1 Définition du moment simple d’ordre r
Notation :

 mr : moment simple d’ordre r

mr  E ( X r )
k
  pi xir (r  IN* )
i 1

r  1  m1  E ( X )
r  2  m2  E ( X 2 )

5.2 Définition du moment centré d’ordre r

Notation :

 ur : moment centré d’ordre r


u r  E  X  E ( X ) r  (r  IN * )

r  1  u1  0
r  2  u 2  Var ( X )

u2  E( X 2 )   E( X ) 
2

 m 2  m1 
2

La variance est donc définie comme étant la différence de 2 moments :

 Le moment simple d’ordre 2 : m2

 Et le carré du moment simple d’ordre 1 : m1  2

5.3 Définition du moment factoriel d’ordre r
Notation :
 mrF : moment factoriel d’ordre r

m rF  E ( X !)
 E  X ( X  1) ( X  2)...( X  r  1)

  x( x  1) ( x  2)...( x  r  1)P( X

x X (  )
 x)
xr

r  1  m 1F  E ( X )
 m1

m 2F  E X ( X  1)

  E( X 2  X )
r 2
  E( X 2 )  E( X )
  m2  m1  m2  m 2F  m1


| P a g e 13
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

6. LA FONCTION GENERATRICE DES PROBABILITES

Notation :
 G ( ) : fonction génératrice des probabilités
6.1 Définition

G ( )  E ( X )
 
x X (  )
x
P ( X  x)

 1

6.2 La condition de normalisation

  1  G (1)  1
6.3 Définition du moment factoriel d’ordre r à l’aide de la fonction génératrice des probabilités

 d r G ( ) 
m rF   
 d
r
  1
7. LA FONCTION GENERATRICE DES MOMENTS (OU TRANSFORMEE DE LAPLACE)
Notation :
M ( ) : fonction génératrice des moments
7.1 Définition

M ( )  E (eX )
  e P( X
x X (  )
x
 x)

 1
7.2 La condition de normalisation

  0  M (0)  1
7.3 Définition du moment simple d’ordre r à l’aide de la fonction génératrice des moments
 d r M ( ) 
mr   
 d
r
  0
Exemple 5
On considère l’exemple 3 ; calculer à l’aide de la fonction génératrice des probabilités, puis à l’aide de la fonction
génératrice des moments :
1. L’espérance mathématique
2. La variance

| P a g e 14
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Solution
CALCUL DE LA FONCTION GENERATRICE DES PROBABILITES

G ( )  E ( X )
3
   x P ( X  x)
x 0

84 108 27 2 3
   
220 220 220 220

On vérifie que G (1)  1 ; la condition de normalisation étant vérifiée, la fonction obtenue est donc une fonction
génératrice des probabilités.

1. Calcul de l’espérance mathématique

m1  E ( X )
 dG ( ) 

 d   1
 108 54 3 2 
    
 220 220 220  1
165
  0.75
220
2. Calcul de la variance
Var ( X )  E ( X 2 )  E ( X )
2

 m 2  m12
 ( m 2F  m1 )  m12

m 2F  E  X ( X  1)
 d 2 G ( ) 
 
 d
2
  1
 54 6 
  
 220 220  1
60

220
3

11
Remarquez que :
m 2F  E X ( X  1)
 E( X 2 )  E( X )
 m2  m1  m2  m 2F  m1

Var ( X )  (m 2F  m1 )  m12
3 
   0.75   0.752
 11 
 0.4602

| P a g e 15
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

CALCUL DE LA FONCTION GENERATRICE DES MOMENTS

3
M ( )   e X P( X  x)
x 0

84 108e 27e 2 e3

   
220 220 220 220
On vérifie que M (0)  1 ; la condition de normalisation étant vérifiée, la fonction obtenue est donc une fonction

génératrice des moments.

1. Calcul de l’espérance mathématique

m1  E ( X )
 dM ( ) 

 d   0

m1  E ( X )
 108e 54e 2 3e3 
    
 220 220 220  0

m1  E ( X )
165

220
 0.75
2. Calcul de la variance
Var ( X )  E ( X 2 )  E ( X )
2

 
 m2  m1
2

m2  E ( X 2 )
 d 2 M ( ) 
 
 d
2
  0
 108e  108e 2 9e 3 
    
 220 220 220   0
225

220
45

44
 1.0227

Var ( X )  m 2  m1   2

 1.0227  0.75 2
 0.4602

| P a g e 16
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

8. LA LOI DE PROBABILITE D’UNE FONCTION D’UNE VARIABLE ALEATOIRE REELLE

 Soit la variable aléatoire réelle X de loi de probabilité donnée
 Soit la variable aléatoire réelle Y de loi de probabilité inconnue
 Soit l’application  tel que :
 : IR  IR
x  X ()  y  Y ()
y   ( x)

1er cas : la fonction  est une fonction monotone bijective

A chaque évènement élémentaire image Y  yi de  y correspond un et un seul évènement élémentaire antécédent

X  xi  de  x . La loi de probabilité de la variable aléatoire réelle Y est alors définie comme suit :
Le support

Y ( )    ( x )  ( )
La fonction de masse
P (Y  yi )  P ( X  xi )

 P  1 ( yi ) 
Remarque :
Card  y  Card  x
2ème cas : la fonction  est une fonction non monotone surjective
A chaque évènement élémentaire image Y  yi de  y correspond au moins un évènement élémentaire antécédent

X  xi  de  x . La loi de probabilité de la variable aléatoire réelle Y est alors définie comme suit :
Le support

Y ( )    ( x )  ( )
La fonction de masse

P (Y  yi )   P(X
j 1,..., k
 xi , j )


 P  1 ( yi ) 
Remarque :

Card  y  Card  x

Le nombre k ( k  1) désigne le nombre d’antécédents de Y  yi 

| P a g e 17
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Exemple 6

Soit ci-après la distribution de probabilité de la variable aléatoire réelle X

X  x 0 1 2 3 4 TOTAL

P( X  x) 4/9 2/9 1/9 1/9 1/9 1

Soit la variable aléatoire réelle Y tel que :

y   ( x)
 500  200 x
1. Déterminer la loi de probabilité de la variable aléatoire réelle Y
2. Calculer la moyenne et la variance de la variable aléatoire réelle Y
Solution
1. Détermination de la loi de probabilité de la variable aléatoire réelle Y
y   ( x)
 500  200 x
 x   1 ( y )
y 5
  solution unique
200 2

L’application  est donc une application bijective

Le support
Y ()    ( x) ()
 500 , 700 , 900 , 1100 , 1300 
La fonction de masse
P (Y  yi )  P ( X  xi )

 P  1 ( yi ) 
P (Y  500)  P ( X  0)
 4/9
P (Y  700)  P ( X  1)
 2/9

P (Y  900)  P ( X  2)
 1/ 9

P (Y  1100)  P ( X  3)
 1/ 9

P (Y  1300)  P ( X  4)
 1/ 9

Y  yi 500 700 900 1100 1300 TOTAL

pi  P (Y  yi ) 4/9 2/9 1/9 1/9 1/9 1

| P a g e 18
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2. Calcul de la moyenne et de la variance de la variable aléatoire réelle Y

a. Calcul de la moyenne
1ère méthode
5
E (Y )   pi yi
i 1

 6700 / 9

Y  yi 500 700 900 1100 1300 TOTAL

pi  P ( Y  yi ) 4/9 2/9 1/9 1/9 1/9 1
pi yi 2000/9 1400/9 900/9 1100/9 1300/9 6700/9

2ème méthode
E (Y )  E (500  200 X )
 500  200 E ( X )
 4 
 500  200  xP( X  x) 
 x 0 
 4 2 1 1  1 
E (Y )  500  200 0   1   2   3   4 
 9 9 9 9  9 
 11 
 500  200  
9
6700

9
b. Calcul de la variance
1ère méthode
Var (Y )  E (Y 2 )  E (Y )
2

2
5 690 000  6700 
  
9  9 
 78 024.69

E (Y 2 )  y
yY (  )
2
P(Y  y )

5 690 000

9

Y  yi 500 700 900 1100 1300 TOTAL

pi 4/9 2/9 1/9 1/9 1/9 1

pi yi 2000/9 1400/9 900/9 1100/9 1300/9 6700/9

( 5.69 ).106
pi y i2 106/9 0.98.106/9 9002/9 11002/9 13002/9 9

| P a g e 19
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2ème méthode

Var (Y )  Var (500  200 X )

 200 2 Var ( X )

 40000 E ( X 2 )  E ( X )
2


 4 11  
2

 40000   x 2 P ( X  x)    

 x  0  9  


 
2 4
 
2 2 2 1
  2 1
E ( X )  0    1    2    3    42  
2 1
   
9 9 9 9 9
31

9

 31 11  
2

Var (Y )  40000    
 9 9 
 
 78 024.69
Exemple 7
Soit ci-après la distribution de probabilité de la variable aléatoire réelle X
X  xi -2 -1 0 1 2 TOTAL
pi  P ( X  xi ) 2/9 4/9 1/9 1/9 1/9 1

Soit la variable aléatoire réelle Y tel que :

y   ( x)
 x2
1. Déterminer la loi de probabilité de la variable aléatoire réelle Y
2. Calculer la moyenne et la variance de la variable aléatoire réelle Y
Solution
1. Détermination de la loi de probabilité de la variable aléatoire réelle Y
y   ( x)  x  x  2
y

L’application  est donc une application surjective

Le support

Y ()   0 , 1 , 4 
La fonction de masse

P (Y  y i )   P (X  x
j 1,..., k
i, j )

P (Y  0)  P ( X  0)
 1/ 9

P (Y  1)  P   X  1   X  1  
 P ( X  1)  P ( X  1)
 5/9

P (Y  4)  P   X  2   X  2  
 P ( X  2)  P ( X  2)
 3/ 9
Y  yi 0 1 4 TOTAL

pi  P (Y  yi ) 1/9 5/9 3/9 1

| P a g e 20
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2. Calcul de la moyenne et de la variance de la variable aléatoire réelle Y

a. Calcul de la moyenne
1ère méthode
3
E (Y )   pi yi
i 1

 17 / 9

Y  yi 0 1 4 TOTAL
pi  P (Y  yi ) 1/9 5/9 3/9 1
pi yi 0 5/9 12/9 17/9
ème
2 méthode
E (Y )  E ( X 2 )
2
 x
x  2
2
P( X  x)

17

9
X  xi -2 -1 0 1 2 TOTAL

p i  P( X  x i ) 2/9 4/9 1/9 1/9 1/9 1

2
pi x i 8/9 4/9 0 1/9 4/9 17/9

b. Calcul de la variance
1ère méthode
Var (Y )  E (Y 2 )  E (Y )
2

2
53  17 
  
9  9 
188
  2.32
81
53
E (Y 2 )  y
yY (  )
2
P (Y  y ) 
9
Y  yi 0 1 4 TOTAL
pi  P (Y  yi ) 1/9 5/9 3/9 1
pi yi 0 5/9 12/9 17/9
2
pi y i 0 5/9 48/9 53/9

2ème méthode
Var (Y )  Var ( X 2 )
E X    E ( X
2 2 2
)  2

 x 
2
2 17 
 2
P ( X  x)   
x 2 9
X  xi -2 -1 0 1 2 TOTAL
p i  P( X  x i ) 2/9 4/9 1/9 1/9 1/9 1

pi x   2
i
2
32/9 4/9 0 1/9 16/9 53/9

2
53 17 
Var (Y )  
9  9 
188

81
 2.32

| P a g e 21