Chapitre 2 Introduction A L'etude Des Lois de Probabilite Des Variables Aleatoires Relles Discretes A Une Dimension

Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires
Chapitre 2 : Introduction à l’étude des lois de probabilités discrètes à 1 dimension
Les lois de pobabilité discrètes, se subdivisent en 2 ensembles :

 Les lois de probabilité discrètes finies et dont le support est un ensemble fini
 Les lois de probabilité discrètes infinies et dont le support est un ensemble infini mais dénombrable
1. ETUDE DES LOIS DE PROBABILITE DISCRETES FINIES

Les lois de probabilité discrètes finies dans le programme de 2ème année des classes préparatoires en sciences-
économiques et sciences de gestion, sont pour l’essentiel :
 La loi de BERNOULLI
 La loi BINOMIALE
 La loi UNIFORME
 La loi HYPERGEOMETRIQUE
1.1 ETUDE THEORIQUE DE LA LOI DE BERNOULLI

1.1.1 Définition de l’expérience (ou de l’épreuve) de BERNOULLI
L’expérience de BERNOULLI est définie comme étant l’expérience aléatoire qui conduit à 2 résultats possibles mais
incompatibles (c’est-à-dire des résultats qui ne peuvent pas se réaliser en même temps ; ou encore la réalisation d’un
résultat exclut la réalisation de l’autre résultat).
Les 2 résultats possibles sont :
 La réalisation de l’évènement considéré ou la réalisation du succès
 La non réalisation de l’évènement considéré ou la non réalisation du succès (ou réalisation de l’échec)
La variable aléatoire de BERNOULLI peut prendre les valeurs possibles suivantes :
 X  1 Si le succès se réalise
 X  0 Si le succès ne se réalise pas
La variable de BERNOULLI est dite variable cardinale
1.1.2 Définition de la loi de BERNOULLI

a. Le support
X ()   0,1 
b. La fonction de masse
P : A  0,1
X  x A  P( X  x)  0,1
P( X  x)  p x (1  p )1 x
Symbole de la loi
X ~ B(1, p)
|P a g e 1
Notation
 X : désigne la fréquence du succès (ou le nombre de fois que se réalise le succès)
 x : la valeur prise par la variable X
 p : désigne la probabilité de réalisation du succès
 1  p  p : désigne la probabilité de non réalisation du succès
 1 : désigne la fréquence de l’épreuve de BERNOULLI (ou le nombre de fois que se déroule l’épreuve de BERNOULLI) :
dans la loi de BERNOULLI, l’expérience se déroule une seule fois
1.1.3 Les caractéristiques numériques
a. L’espérance mathématique
1
E ( X )   x P( X  x)
x 0
1
  x p x (1  p) 1 x
x 0
 p
b. La variance
Var ( X )  E ( X 2 )  E ( X )
2
1
E ( X 2 )   x 2 P( X  x)
x 0
1
  x 2 p x (1  p) 1 x
x 0
p
Var ( X )  p  p 2
 p (1  p )   X  p (1  p )
1.1.4 La fonction génératrice des probabilités
G ( )  E ( X )
1
   x P( X  x)
x 0
1
   x p x (1  p ) 1 x
x 0
 p  (1  p )
G ( )  p  (1  p)
La condition de normalisation est vérifiée : G (1)  1 ; il s’agit donc bien d’une fonction génératrice des probabilités.
|P a g e 2
1.1.4 La fonction génératrice des moments
M ( )  E (eX )
1
  e P ( X
x 0
x
 x)
1
  e
x 0
x
p x (1  p ) 1 x
 pe  (1  p )
M ( )  p e   (1  p)
La condition de normalisation est vérifiée : M (0)  1 ; il s’agit donc bien d’une fonction génératrice des moments.
|P a g e 3
1.2 ETUDE THEORIQUE DE LA LOI BINOMIALE DE LA VARIABLE ALEATOIRE RELLE

1.2.1 Définition de la variable binomiale
C’est la somme de n variables de Bernoulli mutuellement (c’est-à-dire 2 à 2) indépendantes en probabilité et ceci
lorsqu’on répète l’épreuve de Bernoulli n fois.
Notation
  : indépendance
n
X   Xi
i 1
X i ~ B(1, p )
Xi  X j i j
1.2.2 Définition de la loi de probabilité de la variable binomiale
a. Le support
X ()   0,1,2,..., n 
P : A  0,1
X  x A  P( X  x)  0,1
P( X  x)  Cnx p x (1  p ) n x
Symbole de la loi
X ~ B(n, p)
Notation
 X : désigne la fréquence du succès (ou le nombre de fois que se réalise le succès)
 n  n  IN * 1   : désigne la fréquence de l’épreuve de BERNOULLI ou le nombre de fois que se répète
l’épreuve de BERNOULLI de manière indépendante (tirage avec remise) : dans la loi BINOMILALE, l’expérience se
déroule n fois ( n  1)
Remarque : ( x  n)
1.2.3 Les caractéristiques numériques de la variable binomiale
 n 
E (X )  E Xi 
 i 1 
n
 E (Xi )
i 1
E ( X )  np
|P a g e 4
b. La variance
 n 
Var ( X )  Var   X i 
 i 1 
n
 Var ( X i )
i 1
 n p (1  p )
Var ( X )  np(1  p)   X  np (1  p)
Remarque
n
E ( X 2 )   x 2 P ( X  x)
x 0
 n p  (1  p )  n p 
E ( X 2 )  np (1  p)  np
c. Le mode
Le mode est défini comme étant la valeur possible x de la variable aléatoire réelle X qui vérifie les relations suivantes :
ère
1 relation
P ( X  x)  P ( X  x  1)
2ème relation
P ( X  x)  P ( X  x  1)
 Si l’on considère la 1ère relation : P( X  x)  P( X  x  1) , nous avons :
 P( X  x)
 P( X  x  1)  1

 C nx p x (1  p) n x
 x1 x1 n ( x 1)
1
 C n p (1  p)
P( X  x)  P( X  x  1)   n x
 C n p (1  p)
x x
1
 C nx1 p x1 (1  p) n x1

 x  1   1  p 
     1  x  np  (1  p)
 n  x   p 
x  np  (1  p)
|P a g e 5
 Si l’on considère la 2ème relation : P( X  x)  P( X  x  1) , nous avons :

 P ( X  x)
 P ( X  x  1)  1

 C nx p x (1  p ) n x
 x 1 x 1 n ( x 1)
1
 C n p (1  p )
P ( X  x)  P ( X  x  1)   n x
 C n p (1  p )
x x
1
 C nx 1 p x 1 (1  p ) n x 1

 n  x  1   p 
     1  x  n p  p
 x  1  p 
x  np  p
Finalement, nous avons :
np  (1  p)  x  np  p (A)
Remarque
 Si les bornes de la relation (A) ne sont pas des entiers (naturels ou relatifs), la distribution binomiale possède
un seul mode (distribution unimodale) et le mode est un entier compris entre les 2 bornes
Mo   np  (1  p ) , np  p 
 Si les bornes de la relation (A) sont des entiers (naturels ou relatifs), la distribution binomiale possède 2
modes (distribution bimodale)
1er mode
Mo1  np  (1  p)
2ème mode
Mo2  np  p
P ( X  Mo1)  P ( X  Mo2)
1.2.4 La proportion du succès

1.2.4.1 Définition de la proportion du succès
Notation
 f : proportion du succès
X
f 
n
f est une variable aléatoire réelle car cest une fonction linéaire de la variable aléatioire réelle X
f   ( x)
x

n
|P a g e 6
1.2.4.2 Définition de la loi de probabilité de la proportion du succès

f   ( x)
x

n
 x   1 ( f )
n f
L’application  est donc une application bijective, d’où :
 X
P ( X  x)  P  f  
 n
On peut donc écrire :
X
f  ~ B ( n, p )
n
 X n x
P f    P ( X  x)  C n p (1  p )
x x
 n 
La proportion du succès f a la même fonction de masse que celle de la variable X

1.2.4.3 Les caractéristiques numériques de la proportion du succès
X
E( f )  E 
n
1
 E( X )
n
1
 np
n
p
E( f )  p
b. La variance
X
Var ( f )  Var  
n
1
 2 Var ( X )
n
1
 2 np (1  p )
n
p (1  p )

n
p (1  p) p(1  p)
Var ( f )   f 
n n
|P a g e 7

a. Définition
G ( )  E ( X )
n
   x P ( X  x)
x 0
  p   (1  p ) 
n
 1
b. La condition de normalisation
  1  G (1)  1

a. Définition
M ( )  E (eX )
n
  ex P( X  x)
x 0

 p e  (1  p )  n
 1
  0  M (0)  1
Exemple 1
Soit l’espace de probabilité , A , P  ; un sac contient 9 articles dont 3 défectueux. On tire au hasard
sucessivement avec remise 1 article du sac 9 fois de suite et on désigne par la variable aléatoire réelle X le nombre
d’articles défectueux obtenus lors des 9 tirages.
1. Déterminer la loi de probabilité de la variable aléatoire réelle X
2. Déterminer la loi de probabilité de la proportion d’articles défectueux
3. Représenter graphiquement la loi de probabilité
4. Calculer la fonction de répartition
5. Représenter graphiquement la fonction de répartition
6. En déduire le nombre moyen d’articles défectueux ainsi que la propotion moyenne d’articles défectueux ; en
déduire la variance (de la variable X et de la proportion d’articles défectueux)
7. Calculer les probabilités suivantes à l’aide de la fonction de répartition
P ( X  2) P ( X  6) P (2  X  6)
|P a g e 8
Solution
1. Détermination de la loi de probabilité (ou distribution de probabilité) de la variable aléatoire réelle X
Le support
X ()   0 ,1, 2 , ...,9 
La fonction de masse
Lorsqu’on tire au hasard un article du sac, il peut être :
 Défectueux avec la probabilité p  1/ 3

 Ou non défectueux avec la probabilité :
p  1 p
 1  1/ 3  2 / 3
Il s’agit donc d’une expérience de BERNOULLI répétée 9 fois (n  9) de suite de manière indépendante (tirage avec
remise) ; donc X suit une LOI BINOMILALE de paramètres : n  9 et p  1 / 3

X ~ B (9 ,1/ 3)
x 9 x
1  2
P ( X  x)  C     x
9
 3  3
2. Détermination de la loi de probabilité de la proportion d’articles défectueux
Soit : f la proportion d’articles défectueux tel que : f  X

9
Nous savons que : f ~ B (9 ,1/ 3)
x 9 x
 X 1  2
P  f    C9x    
 9 3  3
3. Représentation graphique de la loi de probabilité
P(X=x)
0.35
0.3
0.25
0.2
0.15
0.1
0.05
X=x
0 1 2 3 4 5 6 7 8 9
|P a g e 9
4. Calcul de la fonction de répartition

F ( x)  P( X  x)
 F ( x  1)  P( X  x)
 F (0)  F ( 1)  P ( X  0)  F (1)  F (0)  P ( X  1)

  8
 0
0 1   2 
9  1 1   2 
 F ( 0 )  0  C 9  3   3   0.02601
     F (1)  0 . 02601  C 9  3   3   0.1431
   
        
 F ( 2)  F (1)  P ( X  2)  F (3)  F ( 2)  P ( X  3)
 2 7  3 6
 2 1   2   3 1   2 
 F ( 2 )  0 . 1431  C 9  3   3   0.3772
     F (3)  0 . 3772  C 9  3   3   0.6503
   
         
 F ( 4)  F (3)  P ( X  4)  F (5)  F ( 4)  P ( X  5)
 4 5 
 4 1   2   5
5 1   2 
4
 F ( 4 )  0 . 6503  C 9  3   3   0.8552
     F (5)  0 . 8551  C 9  3   3   0.9576
   
         
 F (6)  F (5)  P ( X  6)  F (7)  F (6)  P ( X  7)

 6 3
 7 2
 6 1   2   7 1  2
 F ( 6 )  0 . 9575  C 9  3   3   0.9917
     F ( 7 )  0 . 9916  C 
93     0.9990
        3
 F (8)  F (7)  P ( X  8)  F (9)  F (8)  P ( X  9)

 8 
 8 1   2   9
9 1   2 
0
 F (8)  0 . 99989  C 9 3 
     0.9999  F (9 )  0 . 9998  C9     1
   3  3  3
0 X 0
0.02601 0  X 1

0.1431 1 X  2

0.3772 2 X 3
0.6503 3 X  4

F ( x)  0.8552 4 X 5
0.9576 5 X 6

0.9917 6 X 7
0.9990 7 X 8

0.9999 8 X 9

1 X 9
| P a g e 10
5. Représentation graphique de la fonction de répartition

F(x)
1
0.8
0.6
0.4
0.2
X=x
-2 0 2 4 6 8 10 12
6. Déduction de l’espérance mathématique (ou de la moyenne) et de la variance

a. Le nombre moyen d’articles défectueux
E (X )  n p
1
 9    3
3
b. La proportion moyenne d’articles défectueux
E( f )  p
1
  33,33%
3
c. La variance de la variable X
Var ( X )  n p (1  p)
2
 3 
3
 2  X  2
d. La variance de la proportion
p (1  p )
Var ( f ) 
n
2/9

9
2 2
  f 
81 9
7. Calcul des probabilités
P ( X  2)  1  P ( X  2) P (2  X  6)  P ( X  6)  P ( X  2)
 1  P ( X  2) P ( X  6)  F (6)  F (6)  F (1)
 1  P ( X  1)  0.9916  0.9916  0.1431
 1  F (1)
 0.8485
 1  0.1431  0.8569
| P a g e 11
1.3 ETUDE THEORIQUE DE LA LOI UNIFORME

1.3.1 Définition de la loi de probabilité de la variable uniforme
a. Le support
X ()  1,2,..., n 
P : A  0,1
X  x A  P( X  x)  0,1
1
P ( X  x)  (n  0)
n
Symbole de la loi
X ~ U ( n)
Remarque
 Les évènements élémentaires X  x  possèdent la même probabilité de réalisation
1
 La probabilité de réalisation de chaque évènement élémentaire est constante et égale à   ; elle ne
n
dépend pas de la valeur prise par la variable aléatoire réelle X
1.3.2 Les caractéristiques numériques de la variable uniforme
n
E ( X )   x P ( X  x)
x 1
1 n
 x
n x 1
1  n (1  n) 

n  2 
1 n

2
1 n
E( X ) 
2
b. La variance
Var ( X )  E ( X 2 )   E ( X ) 
2
n
E ( X 2 )   x 2 P ( X  x)
x 1
1 n 2
 x
n x 1
1  n ( 2n  1) (n  1) 

n  6 
(2n  1) ( n  1)

6
| P a g e 12
( 2n  1) ( n  1)  1  n 
2
Var ( X )   
6  2 
n2 1

12
n2 1 n2 1
Var ( X )   X 
12 2 3
Remarque : La LOI UNIFORME ne possède pas de mode

1.3.3 La fonction génératrice des probabilités de la variable uniforme
a. Définition
G ( )  E ( X )
n
   x P ( X  x)
x 1
1 n
  x
n x 1
1   n  1 
   
n    1 
1   n1   
  
n    1 
 1
  1  G (1)  1
1.2.6 La fonction génératrice des moments de la variale uniforme

a. Définition
M ( )  E (eX )
n
  ex P ( X  x)
x 1
1 n x
 e
n x1
1    e n  1 
 e  
n   e  1 
1  e ( n1)  e 

n  e  1 
 1
  0  M (0)  1
| P a g e 13
Exemple 2
Soit l’espace de probabilité , A , P  ; un sac contient 10 boules numérotées de 1 à 10. On tire au hasard 1 boule
du sac et on désigne par la variable aléatoire réelle X le numéro tiré.

3. Calculer la fonction de répartition
4. Représenter graphiquement la fonction de répartition
5. Déduire l’espérance mathématique et la variance
Solution
1. Détermination de la loi de probabilité de la variable aléatoire réelle X
a. Le support
X ()  1, 2 , ...,10 

1
Quelque soit le numéro tiré, sa probabilité de réalisation est égale à :
10
Donc, la variable aléatoire éelle X suit une LOI UNIFORME de paramètre n  10 
P(X=x)
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10
X=x
| P a g e 14
3. Calcul de la fonction de répartition
F ( x)  P( X  x)
 F ( x  1)  P( X  x)
F (1)  F (0)  P ( X  1)
F (2)  F (1)  P ( X  2) F (3)  F (2)  P ( X  3)
1 1
0  1 1 2 2 1 3
10 10      
10 10 10 10 10 10
F (4)  F (3)  P ( X  4) F (5)  F (4)  P ( X  5) F (6)  F (5)  P ( X  6)

3 1 4 4 1 5 5 1 6
        
10 10 10 10 10 10 10 10 10
F (7)  F (6)  P ( X  7) F (8)  F (7)  P ( X  8) F (9)  F (8)  P ( X  9)
6 1 7 7 1 8 8 1 9
        
10 10 10 10 10 10 10 10 10
F (10)  F (9)  P ( X  10)
9 1
  1
10 10
0 X 1
0.10 1 X  2

0.20 2 X 3

0.30 3 X  4
0.40 4 X 5

F ( x )  0.50 5 X 6
0.60 6 X 7

0.70 7 X 8
0.80 8 X 9

0.90 9  X  10

1 X  10
4. Représentation graphique de la fonction de répartition
F(x)
1
0.8
0.6
0.4
0.2
X=x
-2 0 2 4 6 8 10 12
| P a g e 15
5. Déduction de l’espérance mathématique et de la variance

1 n
E (X ) 
2
1  10

2
11

2
a. La variance
n2 1
Var ( X ) 
12
10 2  1

12
99 99
 X 
12 2 3
| P a g e 16
1.4 ETUDE THEORIQUE DE LA LOI HYPERGEOMETRIQUE

1.4.1 Définition de la loi de probabilité de la variable hypergéométrique
a. Le support

X ()  Max (0, n  N p)  X  Min (n, Np) 
P : A  0,1
X  x A  P( X  x)  0,1
x
C Np C Nn px
P( X  x)  ( x  n) ( n  N )
C Nn
Symbole de la loi
X ~ H( N , n, p)
Notation
 X : désigne la fréquence du succès (ou le nombre de fois que se réalise le succès) lors de l’épreuve de BERNOULLI
répétée de manière successive n fois et sans remise
 n  n  IN * 1   : désigne la fréquence de l’épreuve de BERNOULLI ou le nombre de fois que se répète
l’épreuve de BERNOULLI de manière dépendante (tirage sans remise ou tirage exhaustif)
 N : désigne la fréquence maximale de l’épreuve de BERNOULLI
Remarque : ( x  n) et (n  N )
1.4.2 Les caractéristiques numériques de la variable hypergéométrique
E (X )   x P ( X  x)
xX (  )
np
E (X )  n p
Remarque
E H ( N , n, p )  E B (n, p )  np
b. La variance
Var ( X )  E ( X 2 )   E ( X ) 
2
E (X 2)  x
x X (  )
2
P ( X  x)
  N  n 
 n p  np  (1  p  
  N  1 
| P a g e 17
 N n
Var ( X )  n p (1  p )  
 N 1 
 N n
X  n p (1  p )  
 N 1 
Remarque
 N n
Var H ( N , n, p )   Var B ( n, p ) 
 N 1 
N n
et Var H ( N , n, p )  Var B (n, p )  car 1
N 1
Notation :
N n
: coefficient d’exhaustivité
N 1
Remarque
 limVar H( N , n, p)  Var B(n, p)
N  
 Si n  1  H ( N , n, p)  B(1, p)
c. Le mode
Nnp  N p  n  1 Nnp  Np  n  1
 Mo  (A)
N 2 N 2
Remarque
 Si les bornes de la relation (A) ne sont pas des entiers (naturels ou relatifs), la distribution hypergéométrique
possède un seul mode (distribution unimodale) et le mode est un entier compris entre les 2 bornes
 Nnp  N p  n  1 Nnp  Np  n  1 
Mo   , 
 N 2 N 2 
 Si les bornes de la relation (A) sont des entiers (naturels ou relatifs), la distribution hypergéométrique
possède 2 modes (distribution bimodale)
1er mode
Nnp  N p  n  1
Mo1 
N 2
2ème mode
Nnp  Np  n  1
Mo2 
N 2
P ( X  Mo1)  P ( X  Mo2)
| P a g e 18
1.4.2 Approximation de la loi hypergéométrique
lim H( N , n, p)  B(n, p)
N 
Pratiquement, on remplace la loi hypergéométrique (pour des raisons de simplification des calculs) par la loi
n
binomiale, lorsque :  10%
N
n
H( N , n, p)  B(n, p)   10%
N
Notation :
n : taux de sondage
N
Exemple 3
Soit l’espace de probabilité , A , P  ; un sac contient 10 boules dont 6 blanches. La variable aléatoire réelle X
désigne le nombre de boules blanches obtenues lors du tirage successif de 8 boules du sac. On considère 2 cas : le cas
du tirage avec remise et le cas du tirage sans remise.
3. Déduire l’espérance mathématique, la variance et le mode
4. Calculer les probabilités suivantes : P ( X  4) ; P ( X  6)
Solution
Cas du tirage avec remise (TAR)
a. Le support
X ()   0 ,1, 2 , ...,8 
Lors du tirage d’une boule du sac, elle peut être :
 Blanche avec la probabilité p  6 / 10
 
Ou non blanche avec la probabilité p  1  p  4 / 10 
Il s’agit donc d’une expérience de BERNOULLI répétée 8 fois (n  8) de suite de manière indépendante (tirage avec
remise) ; donc X suit une LOI BINOMILALE de paramètres : n  8 et p  6 / 10
X ~ B (8 , 6 / 10)
x 8 x
 6   4 
P ( X  x)  C8x    
 10   10 
P(X=x) 0.35
0.3
0.25
0.2
0.15
0.1
0.05
0 1 2 3 4 5 6 7 8
X=x
| P a g e 19
3. Déduction de l’espérance mathématique, de la variance et du mode

E (X )  n p
 6 
 (8)  
 10 
 4,8  5
b. La variance
Var ( X )  n p (1  p)
 4
 (4.8)  
 10 
 1.92   X  1.92  1.39
c. Le mode
np  (1  p )  Mo  np  p
4.8  0.4  Mo  4.8  0.6
4.4  Mo  5.4  Mo  5
4 8 4
 6   4 
P ( X  4)  C    
4
8
 10   10 
 0.2322
6 86
 6   4 
P ( X  6)  C86    
 10   10 
 0.2091
Cas du tirage sans remise (TSR)
a. Le support

X ()  Max (0, n  N p)  X  Min (n, Np ) 
   4    6 
  Max  0,8  (10)     X  Min  8, (10)    
   10     10   
  Max (0,4)  X  Min (8,6 
 4  X  6 
 4, 5, 6 
Ou bien d’une autre manière :
Nombre de boules tirées Nombre de boules blanches Nombre de boules non blanches
8 4 4
8 5 3
8 6 2
8 7 (cas impossible) 1
D’où :
X ()   4 , 5 , 6 
| P a g e 20
Lors du tirage d’une boule du sac, elle peut être :
 
Ou non blanche avec la probabilité p  1  p  4 / 10 
Il s’agit donc d’une expérience de BERNOULLI répétée 8 fois (n  8) de suite de manière dépendante (tirage sans
remise) ; donc X suit une LOI HYPERGEOMETRIQUE de paramètres : N  10 , n  8 et p  6 / 10
 6 
X ~ H 10,8, 
 10 
C x C 8 x
P( X  x)  6 8 4
C10
P(X=x) 0.7
0.6
0.5
0.4
0.3
0.2
0.1
0 1 2 3 4 5 6 7 8
X=x

E (X )  n p
 6 
 (8)  
 10 
 4,8  5
b. La variance
 N n
Var ( X )  n p (1  p )  
 N 1 
 4   10  8 
 (4.8)    
 10   10  1 
 0.4262   X  0.4262  0.65
c. Le mode
Nnp  N p  n  1 Nnp  Np  n  1
 Mo 
N 2 N 2
48  4  8  1 48  6  8  1
 Mo 
10  2 10  2
51 63
 Mo 
12 12
4.25  Mo  5.25  Mo  5
| P a g e 21

C 64 C 44
P ( X  4)  8
C10
15 1
 
45 3
C66 C42
P ( X  6) 
C108
6 2
 
45 15
| P a g e 22
2. ETUDE DES LOIS DE PROBABILITE DISCRETES INFINIES

Les lois de probabilité discrètes infinies dans le programme de 2ème année des classes préparatoires en sciences-
économiques et sciences de gestion, sont pour l’essentiel :
 La loi de POISSON
 La loi GEOMETRIQUE
2.1 ETUDE THEORIQUE DE LA LOI DE POISSON

2.1.1 Définition de la loi de probabilité de la variable de POISSON
a. Le support
X ()   0,1,2,...,   IN
P : A  0,1
X  x A  P( X  x)  0,1
e   x
P ( X  x)  (  IR * )
x!
Symbole de la loi
X ~ P ( )
Notation
 X : désigne la fréquence de réalisation de l’évènement considéré dans un espace temporel (intervalle de temps)
 x : désigne la valeur prise par la variable X
  : désigne la moyenne et en même temps la variance
Quelques exemples concernant des évènements gouvernés ou régis par la loi de POISSON :
 Le nombre de trains qui arrivent à la station de chemin de fer d’Annaba durant une heure quelconque
 Le nombre d’appels téléphoniques enregistrés sur une ligne quelconque dans une unité de temps
Remarque :
La loi de POISSON s’applique aussi à des évènements de faible probabilité de réalisation : appelés évènements rares
(exemple : le nombre de triplets de naissances dans un pays au cours d’une année quelconque)
| P a g e 23
2.1.2 Les caractéristiques numériques de la variable de POISSON


E ( X )   x P ( X  x)
x 0

x e   x

x 0 x!

x 1
 e  
x 1 ( x  1)!

x1
 e  
x 1 ( x  1)!

k
 e   (k  x  1)
k 0 k!
  k 
 e  e     e  
 k 0 k ! 

E (X )  
b. La variance
Var ( X )  E ( X 2 )   E ( X ) 
2

E ( X 2 )   x 2 P ( X  x)
x 0

x 2 e   x

x 0 x!

x x 1
  e  
x 1 ( x  1)!
  e  

 ( x  1)  1 x1
x 1 ( x  1)!

( x  1) x 1 
x 1
  e     e  
x 1 ( x  1)! x 1 ( x  1 ) !

x 1 
x1
  e    e  
x 2 ( x  2 )! x 1 ( x  1)!

  x 1 1 
x 1
   e    e  
x2 ( x  2 )! x 1 ( x  1)!

 x 2 
x 1
 2 e     e  
x 2 ( x  2 )! x 1 ( x  1)!

 k 
 h
 2 e     e   ( k  x  2) ( h  x  1)
k 0 k! h 0 h!
  k    h 
 2 e  e   e  e     e      e  
 k 0 k !   h 0 h ! 
 2  
E ( X 2 )  2  
Var ( X )  (2   )  2

X  
| P a g e 24
c. Le mode
Le mode est défini comme étant la valeur possible de la variable aléatoire réelle X qui vérifie les relations suivantes :
1ère relation : P ( X  x)  P ( X  x  1)
2ème relation : P ( X  x)  P ( X  x  1)
 Si l’on considère la 1ère relation nous avons : P ( X  x)  P ( X  x  1)
 P( X  x)
 P( X  x  1)  1

 e   x

 x!
P( X  x)  P( X  x  1)    x 1  1
e 
 ( x  1)!

 x  1   1  x    1

  
x   1
 Si l’on considère la 2ème relation nous avons : P ( X  x)  P ( X  x  1)
 P( X  x)
 P( X  x  1)  1

 e   x

 x!
P( X  x)  P( X  x  1)    x 1  1
e 
 ( x  1)!

    1  x  

 x 
x
Finalement, nous avons :
 1  x   (A)
Remarque
 Si les bornes de la relation (A) ne sont pas des entiers (naturels ou relatifs), la distribution de POISSON
possède un seul mode (distribution unimodale) et le mode est un entier compris entre les 2 bornes
Mo     1 ,  
 Si les bornes de la relation (A) sont des entiers (naturels ou relatifs), la distribution de POISSON possède 2
modes (distribution bimodale)
1er mode
Mo1    1
2ème mode
Mo2  
P ( X  Mo1)  P ( X  Mo2)
| P a g e 25

a. Définition
G ( )  E ( X
)

 
x 0
x
P( X  x)

 e   x 
   x  

x 0  x! 
 e  

  x
x 0 x!
 e   e 
 e  ( 1)
 1
G( )  e  ( 1)
  1  G (1)  1

a. Définition
M ( )  E (e X )

  e x P ( X  x )
x 0

 e   x 
  e x 
 x! 

x 0  

e  
 x
e 

x 0 x!
 e 
e e

 e  (e 1)
 1

M ( )  e  ( e 1)
  0  M (0)  1
2.1.4 Approximation de la loi BINOMIALE par la loi de POISSON
lim B(n, p)  P ( )
n
p 0
  np
Pratiquement, on remplace la loi BINOMIALE (pour des raisons de simplification des calculs) par la loi de POISSON,
lorsque : n  50 et p  0.10
| P a g e 26
Exemple 4
Soit l’espace de probabilité , A , P  ; une station de vente de carburant, reçoit au cours d’une heure quelconque
un certain nombre de clients avec une moyenne de 6. La variable aléatoire réelle X désigne le nombre de clients qui
arrivent à la station de carburant au cours d’une heure quelconque.
3. Déduire l’espérance mathématique, la variance et le mode
4. Calculer les probabilités suivantes :
P ( X  0) P ( X  2) P ( X  0) P (0  X  2) P (2  X  0)
Solution
a. Le support
X ()   0 ,1, 2 , 3 ,...,  
L’évènement considéré : le nombre de clients qui arrivent à la station de vente de carburant, se réalise dans un
intervalle de temps (au cours d’une heure quelconque) ; cela suffit pour conclure que X suit une loi de POISSON de
paramètre   6
X ~ P (6)
e  x
P ( X  x) 
x!
e6 6 x

x!
P(X=x) 0.2
0.15
0.1
0.05
X=x
-5 0 5 10 15 20 25 30 35 40 45

E (X )  
 6 clients en moyenne par heure
b. La variance
Var ( X )  
6
  X  6  2.45
| P a g e 27
c. Le mode
  1  Mo  
6  1  Mo  6
5  Mo  6  Mo1  5 Mo2  6
Distribution bimodale
P ( X  5)  P ( X  6)
e 6 6 5
P ( X  5) 
5!
e 6 6 6
P ( X  6) 
6!
e 6 6 5 6

6 (6  1) !
e 6 6 5
  P ( X  5)
5!
e 6 60
P ( X  0) 
0!
1
 6
e
P ( X  2)  F ( 2)
2
  P(X
x 0
 x)
2
e 6 6 x
 
x 0 x!
1 6 18
 6  6  6
e e e
25
 6
e
P ( X  0)  1  P ( X  0)
 1  P ( X  0)
 1  P ( X  0)
1
1 6
e
P (0  X  2)  P ( X  2)  P ( X  0)
 F ( 2)  F (0)
25 1
 6  6
e e
24
 6
e
P ( 2  X  0)  1  P ( 2  X  0)
 1  P (0  X  2)
24
1 6
e
| P a g e 28
2.2 ETUDE THEORIQUE DE LA LOI GEOMETRIQUE

2.2.1 Définition de la loi de probabilité de la variable géométrique
a. Le support
X ()  1,2,...,   IN *
P : A   0,1 
X  x A  P( X  x)   0,1 
P( X  x)  p (1  p) x 1
Symbole de la loi
X ~ Ge ( p)
Notation
 X : désigne la fréquence de l’épreuve de BERNOULLI ou le nombre de fois que doit se répéter l’épreuve de
BERNOULLI jusqu’à la réalisation 1 seule fois du succès
 p  1  p : désigne la probabilité de non réalisation du succès
2.2.2 Définition de la fonction de répartition de la variable géométrique

 
 F ( x)   p (1  p )
x 1
 x 1
 
  p  (1  p ) x1
 x 1
 
 (1  p ) : somme des termes d ' une suite géométrique
x 1
 x1
 de raison r  (1  p ) et de 1er terme 1
 
 1 r x
 x1  (1  p ) x1 
1 r

F ( x)  P ( X  x)   1  (1  p ) x 
  
  1  (1  p ) 

 1  (1  p ) x 
 
  p 
 

 F ( x)  p  (1  p )
x 1
x 1

 1  (1  p ) x 
  p 
  p 
    x
 1 (1 p )
On vérifie que :
lim
x
1  (1  p)   lim 1 
x
lim (1  p) x
x
(1 p )1 (1 p )1
 1 0  1
F ( x)  1  (1  p) x
| P a g e 29
2.2.2 Les caractéristiques numériques de la variable géométrique


E ( X )   x P ( X  x)
x 1

  x p (1  p ) x 1
x 1

 p  x (1  p ) x 1
x 1
 1 
 p  2 
p 
1

p
1
E (X )  ( p  0)
p
b. La variance
Var ( X )  E ( X 2 )   E ( X ) 
2
2 p
E (X 2) 
p2
2
2 p  1 
Var ( X )      
2 
 p   p
2  p 1

p2
1 p

p2
1 p
X 
p2
1 p

p
1 p
Var ( X ) 
p2
c. Le mode
La distribution géométrique ne possède pas de mode parceque la fonction de masse de la variable géométrique est une
fonction décroissante de X.
| P a g e 30

a. Définition
G ( )  E ( X )

   x P( X  x)
x 1

 p   x (1  p ) x 1
x 1
p 
   (1  p)x
1  p x 1

   (1  p)
x 1
x
: somme des termes d’une suite géométrique dont :
  (1  p) : est le 1er terme

  (1  p) : est la raison
  1   (1  p) x 
  (1  p)   (1  p)
x

x 1  1   (1  p) 
 p (1  p ) 1   (1  p ) x 
 G ( )   
1 p  1   (1  p ) 
lim   (1  p )  lim  lim (1  p ) x
x x
x   x   x  
 1 (1 p ) 1
0
 p (1  p)  1   (1  p)x 
G ( )   
1  p  1   (1  p) 
 p (1  p)  1 
 1   (1  p) 
1 p  
 p

1   (1  p)
 p
G ( ) 
1   (1  p)
  1  G (1)  1
| P a g e 31

a. Définition
M ( )  E (e  X )

  e
x 1
x
P( X  x)

 p  e  x (1  p ) x 1
x 1

p  
 e (1  p)
1  p x 1
  x
  e (1  p)

x
 : somme des termes d’une suite géométrique dont :
x 1
 e (1  p) : est le 1er terme
 e (1  p) : est la raison
 
1  e  (1  p )  
 e 
 x
 
 e  (1  p ) 
x
(1  p )  
x 1 
 1  e (1  p ) 

 M ( ) 
p e  (1  p )  
1  e (1  p )

x
  



1 p  1  e (1  p )
 

x  

lim e  (1  p )  x
 lim e  x lim (1  p ) x
x   x  
 1 (1 p ) 1
0
e p (1  p)  1 
 M ( )  1  e (1  p) 
1 p  

pe

1  e (1  p)
p e
M ( ) 
1  e (1  p)
  0  M (0)  1
2.2.5 Etude théorique de la variable « nombre d’échecs »
2.2.5.1 Définition de la loi de probabilité du nombre d’échecs
Notation
 Y : désigne le nombre d’échecs avant la réalisation du 1er succès
 p  1  p : désigne la probabilité de non réalisation du succès

Y  X 1
| P a g e 32
Y : définit une fonction affine de X tel que :

y   ( x)  x   1 ( y )
 y 1
L’aplication  est une application bijective d’où la loi de Y est celle de X .
P (Y  y )  P ( X  x)
a. Le support
Y ()  ( X  1) ()
 IN
P : A   0,1 
Y  y A  P(Y  y )   0,1 
P(Y  y )  p (1  p) x 1
 p (1  p)( y 1) 1
 p (1  p) y
2.2.5.2 Les caractéristiques numériques
E (Y )  E ( X  1)
 E (X ) 1
1
 1
p
1 p

p
1 p
E (Y )  ( p  0)
p
b. La variance
Var (Y )  Var ( X  1)
 Var ( X )  Var (1)
 Var ( X )  0
1 p

p2
1 p
 Y 
p2
1 p

p
1 p
Var (Y ) 
p2
c. Le mode
La variable « nombre d’échecs » ne possède pas de mode parceque la fonction de masse de la variable « nombre d’échecs »
est une fonction décroissante de Y .
| P a g e 33
Exemple 5
Soit l’espace de probabilité , A , P  ; un sac contient 20 boules dont 5 blanches. La variable aléatoire réelle X
désigne la fréquence du tirage avec remise d’une boule du sac jusqu’à l’obtention d’une boule blanche.
2. Représenter graphiquement la loi de probabilité de la variable aléatoire réelle X
3. Soit la variable aléatoire réelle Z tel que Z désigne la fréquence du tirage d’une boule du sac avec remise avant
l’obtention d’une boule blanche ; déterminer la loi de probabilité de la variable aléatoire réelle Z
4. Déduire l’espérance mathématique et la variance de chaque variable
5. Calculer les probabilités suivantes :
P ( X  1) P ( X  2) P ( X  3) P ( X  4) P ( X  1) P ( X  4) P (1  X  4)
6. Déterminer la valeur possibe x 0 tel que : P ( X  x 0 )  0.05
Solution
a. Le support
X ()  1,2,...,   IN *
En tirant une 1ère boule du sac, elle peut-être :
 Ou non blanche avec la probabilité p  1  p  3 / 4
Il s’agit donc d’une expérience de BERNOULLI qui peut se répéter 1 fois, ou bien 2 fois ou bien un nombre indéterminé
de fois ( ) jusqu’à l’obtention de la boule blanche. Cela suffit pour conclure que X suit une loi géométrique de
paramètre p  1/ 4
X ~ Ge (1 / 4)
P( X  x)  p (1  p ) x 1
x 1
 1  3 
   
 4  4 
0.2
P(X=x)
0.15
0.1
0.05
X=x
0 5 10 15 20 25 30 35 40 45
| P a g e 34
3. Détermination de la loi de probabilité de la variable aléatoire réelle Z

a. Le support
Z ()   0,1,2,...,   IN
Z  X 1  X  Z 1
La variable Z représente donc le nombre de tirages qui n’ont pas permis l’obtention de la boule blanche (c’est-à-
dire le nombre d’échecs).
P( Z  z )  p (1  p) x 1
 p (1  p) ( z 1)1
 p (1  p) z
z
 1  3 
   
 4  4 
4. Déduction de l’espérance mathématique et de la variance
1
E (X ) 
p
1
 4 tirages en moyenne (le 4ème tirage donne la boule blanche )
1/ 4
1 p
E (Z ) 
p
1 1/ 4
 3 tirages (en moyenne 3 tirages avant l ' obtention de la boule blanche )
1/ 4
b. La variance
1 p
Var ( X ) 
p2
1 1/ 4

(1 / 4) 2
 12
X  12  2 3
Var ( Z )  Var ( X )
 12
  Z  12  2 3
 1  1
 P ( X  1)   P ( Z  0) 
 4  4

  0 .25 
  0.25
  1  3    1  3 
 P ( X  2)   4   4   P ( Z  1)   4   4 
       
 3  3
    
 16  16
  0.1875   0.1875
 
 
| P a g e 35
  1  3 
2
  1  3 
2
 P ( X  3)       P ( Z  2)     
  4  4    4  4 

 9 
 9
   
 64  64
  0.1406   0.1406
 

 

  1  3 
3
  1  3 
3
 P ( X  4)       P ( Z  3)     
  4  4    4  4 

 27 
 27
   
 256  256
  0.1055   0.1055
 

 

 P ( X  1)  1  P ( X  1)
  P ( Z  0)  1  P ( Z  0)
  1  P ( X  1) 
   1  P ( Z  0)
  1  FX (1)  
  1  0.25  P ( Z  0)  1  FZ (0)
   0.75
  0.75 

 P ( X  4)  FX (4)
 4
   P ( X  x)
 x 1
  P ( Z  3)  FZ (3)
  1  (1  p ) x  
   0.6836
  1  (3 / 4) 4
  0.6836


 P (1  X  4)  P ( X  4)  P ( X  1)  P (0  Z  3)  P ( Z  3)  P ( Z  0)
 
  P ( X  4)  P ( X  1)   P ( Z  3)  P ( Z  0)
 
  FX ( 4)  FX (1)   FZ (3)  FZ (0)
  0.6836  0.25   0.6836  0.25
 

  0. 4336 
  0.4336
6. Détermination de la valeur possibe x0
1  P ( X  x 0 )  0.05

1  P ( X  x 0 )  0.05

 
1  1  (1  p)  0.05
x0

P ( X  x 0 )  0.05  (1  p) x0  0.05

0.75  0.05
x0
 x 0 Ln 0.75  Ln 0.05

 x 0  10

| P a g e 36

Chapitre 2 Introduction A L'etude Des Lois de Probabilite Des Variables Aleatoires Relles Discretes A Une Dimension

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 2 Introduction A L'etude Des Lois de Probabilite Des Variables Aleatoires Relles Discretes A Une Dimension

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Supérieure des Sciences de Gestion d’Annaba

Chapitre 2 : Introduction à l’étude des lois de probabilités discrètes à 1 dimension

Les lois de pobabilité discrètes, se subdivisent en 2 ensembles :

1. ETUDE DES LOIS DE PROBABILITE DISCRETES FINIES

1.1 ETUDE THEORIQUE DE LA LOI DE BERNOULLI

1.1.2 Définition de la loi de BERNOULLI

 X : désigne la fréquence du succès (ou le nombre de fois que se réalise le succès)

 x : la valeur prise par la variable X

 p : désigne la probabilité de réalisation du succès

 1  p  p : désigne la probabilité de non réalisation du succès

1.1.4 La fonction génératrice des probabilités

1.1.4 La fonction génératrice des moments

1.2 ETUDE THEORIQUE DE LA LOI BINOMIALE DE LA VARIABLE ALEATOIRE RELLE

 X : désigne la fréquence du succès (ou le nombre de fois que se réalise le succès)

 x : la valeur prise par la variable X

 p : désigne la probabilité de réalisation du succès

 1  p  p : désigne la probabilité de non réalisation du succès

 n  n  IN * 1   : désigne la fréquence de l’épreuve de BERNOULLI ou le nombre de fois que se répète

 Si l’on considère la 2ème relation : P( X  x)  P( X  x  1) , nous avons :

1.2.4 La proportion du succès

1.2.4.2 Définition de la loi de probabilité de la proportion du succès

La proportion du succès f a la même fonction de masse que celle de la variable X

1.2.5 La fonction génératrice des probabilités

1.2.6 La fonction génératrice des moments

 Défectueux avec la probabilité p  1/ 3

remise) ; donc X suit une LOI BINOMILALE de paramètres : n  9 et p  1 / 3

Soit : f la proportion d’articles défectueux tel que : f  X

4. Calcul de la fonction de répartition

 F (0)  F ( 1)  P ( X  0)  F (1)  F (0)  P ( X  1)

 F (6)  F (5)  P ( X  6)  F (7)  F (6)  P ( X  7)

 F (8)  F (7)  P ( X  8)  F (9)  F (8)  P ( X  9)

5. Représentation graphique de la fonction de répartition

6. Déduction de l’espérance mathématique (ou de la moyenne) et de la variance

1.3 ETUDE THEORIQUE DE LA LOI UNIFORME

 Les évènements élémentaires X  x  possèdent la même probabilité de réalisation

Remarque : La LOI UNIFORME ne possède pas de mode

1.2.6 La fonction génératrice des moments de la variale uniforme

du sac et on désigne par la variable aléatoire réelle X le numéro tiré.

X ()  1, 2 , ...,10 

2. Représentation graphique de la loi de probabilité

3. Calcul de la fonction de répartition

F (4)  F (3)  P ( X  4) F (5)  F (4)  P ( X  5) F (6)  F (5)  P ( X  6)

4. Représentation graphique de la fonction de répartition

5. Déduction de l’espérance mathématique et de la variance

1.4 ETUDE THEORIQUE DE LA LOI HYPERGEOMETRIQUE

 x : la valeur prise par la variable X

 p : désigne la probabilité de réalisation du succès

 1  p  p : désigne la probabilité de non réalisation du succès

 n  n  IN * 1   : désigne la fréquence de l’épreuve de BERNOULLI ou le nombre de fois que se répète

l’épreuve de BERNOULLI de manière dépendante (tirage sans remise ou tirage exhaustif)

 N : désigne la fréquence maximale de l’épreuve de BERNOULLI

1.4.2 Approximation de la loi hypergéométrique

3. Déduction de l’espérance mathématique, de la variance et du mode

3. Déduction de l’espérance mathématique, de la variance et du mode

4. Calcul des probabilités

2. ETUDE DES LOIS DE PROBABILITE DISCRETES INFINIES

2.1 ETUDE THEORIQUE DE LA LOI DE POISSON

 x : désigne la valeur prise par la variable X

  : désigne la moyenne et en même temps la variance

2.1.2 Les caractéristiques numériques de la variable de POISSON

 Si l’on considère la 1ère relation nous avons : P ( X  x)  P ( X  x  1)

2.1.3 La fonction génératrice des probabilités

2.1.4 La fonction génératrice des moments