Académique Documents
Professionnel Documents
Culture Documents
2.0 Introduction :
2.1 Exemples :
𝑿∶𝛀⟶ℝ
𝑷𝑷𝑷
𝑭𝑷𝑷
𝑷𝑭𝑷
𝑭𝑷𝑷 0
𝑷𝑭𝑭 1
𝑭𝑷𝑭 2
𝑭𝑭𝑷 3
𝑭𝑭𝑭
1
Remarquons que : 𝑿(𝛀) = {𝟎, 𝟏, 𝟐, 𝟑} ⊂ ℝ.
2- On jette 2 dés et on s’intéresse à la caractéristique numérique : La
somme des nombres apparues. Ici, 𝛀 = {(𝒊, 𝒋)/ 𝟏 ≤ 𝒊, 𝒋 ≤ 𝟔} et
𝑿(𝒊, 𝒋) = 𝒊 + 𝒋. L’ensemble image est 𝑿(𝛀) = {𝟐, 𝟑, 𝟒 … . . , 𝟏𝟐} ⊂ ℝ.
(𝟏, 𝟏)
(𝟏, 𝟐) 2
. 3
.
.
(𝟔, 𝟓) 11
(𝟔, 𝟔) 12
𝑭 1
𝑷𝑭 2
𝑷𝑷𝑭 3
.
.
.
⏟
𝑷𝑷 … 𝑷 𝑭 𝒏
(𝒏−𝟏)𝒇𝒐𝒊𝒔
. .
. .
2
Notations :
Dans le but de simplifier l’écriture, pour toute variable aléatoire 𝑿, on
utilisera systématiquement les notations suivantes :
Remarque :
L’étude des variables aléatoires réelles se fera selon la nature de
l’ensemble image 𝑿(𝛀).
- 𝑿(𝛀) est discret. (i.e 𝑿(𝛀) est soit fini ou infini dénombrable.
- 𝑿(𝛀) est continu. (i.e 𝑿(𝛀) est soit ℝ ou un intervalle de ℝ.
2.2 Définition :
Soit (𝛀, 𝓐, 𝑷) un espace probabilisé, on appelle
variable aléatoire réelle (VAR), toute application : 𝑿 ∶ 𝛀 ⟶ ℝ .
Remarque :
2.3 Définition :
Soit (𝛀, 𝓐, 𝑷) un espace probabilisé, et 𝑿 une
variable aléatoire réelle ; on appelle fonction de probabilité de 𝑿, la
fonction d’ensembles : 𝑷𝑿 définie sur les parties de 𝑿(𝛀), qu’il suffit
de connaitre en chaque point de 𝑿(𝛀).
3
𝑷𝑿 (𝒙𝒊 ) = 𝑷(𝑿 = 𝒙𝒊 )
Remarque : 𝑷𝑿 est bien une probabilité sur 𝑿(𝛀) ⊆ ℝ, et non sur 𝛀. Pour
s’en convaincre, il suffit de remarquer que les ensembles :
(𝑿 = 𝒙𝒊 ), 𝒙𝒊 ∈ 𝑿(𝛀)
2.4 Exemples :
𝟏 𝟏 𝟏 𝟑
𝑷𝑿 (𝟏) = 𝑷(𝑿 = 𝟏) = 𝑷{𝑭𝑷𝑷, 𝑷𝑭𝑷, 𝑷𝑷𝑭} = + + = .
𝟖 𝟖 𝟖 𝟖
𝟏 𝟏 𝟏 𝟑
𝑷𝑿 (𝟐) = 𝑷(𝑿 = 𝟐) = 𝑷{𝑭𝑭𝑷, 𝑭𝑷𝑭, 𝑷𝑭𝑭} = + + = .
𝟖 𝟖 𝟖 𝟖
𝟏
𝑷𝑿 (𝟑) = 𝑷(𝑿 = 𝟑) = 𝑷{𝑭𝑭𝑭} = .
𝟖
En effet :
4
𝟏 𝟏 𝟏 𝟏 𝟏 𝟏 𝟏
∑ 𝑷𝑿 (𝒏) = ∑ = ∑ = = 𝟏, ∑ =
𝟐𝒏 𝟐 𝟐𝟏 − 𝟏
𝟐𝒏−𝟏 𝟐 𝟐𝒏
𝒏≥𝟏 𝒏≥𝟏 𝒏≥𝟏 𝒏≥𝟎
𝟐
𝟏
(car ∈ 𝑫 = ]−𝟏, +𝟏[ = domaine de convergence de la série
𝟐
𝟏
entière : ∑𝒏≥𝟎 𝒙𝒏 . Sur 𝑫, ∑𝒏≥𝟎 𝒙𝒏 = ).
𝟏−𝒙
2.5 Remarque :
En pratique, on est souvent amené à considérer l’application
composée, 𝒀 = 𝒈𝒐𝑿 au lieu de 𝑿. Ce qui est représenté par le
schéma suivant :
𝛀 𝑿 𝑿(𝛀) ⊆ ℝ 𝒈 𝒈(𝑿(𝛀) ) ⊆ ℝ.
= ∑ 𝑷(𝑿 = 𝒙𝒊 ) = ∑ 𝑷𝑿 (𝒙𝒊 ).
𝒊∈𝑰/𝒈 (𝒙𝒊 )=𝒚 𝒊∈𝑰/𝒈(𝒙𝒊 )=𝒚
2.6 Exemple :
𝒙𝒊 -1 1 2
𝑷𝑿 (𝒙𝒊 ) 𝟏 𝟏 𝟏
𝟒 𝟐 𝟒
Si 𝒈 (𝒙) = 𝟐𝒙 + 𝟏,
𝒚𝒊 -1 3 5
𝑷𝒀 (𝒚𝒊 ) 𝟏 𝟏 𝟏
𝟒 𝟐 𝟒
Si 𝒈 (𝒙) = 𝒙𝟐 ,
𝒚𝒊 1 4
𝑷𝒀 (𝒚𝒊 ) 𝟑 𝟏
𝟒 𝟐
5
2.7 Définition : Fonction de répartition.
𝑭 ∶ ℝ ⟶ [𝟎, 𝟏]
𝒙 ∈ ℝ ⟶ 𝑭(𝒙) ∶= 𝑷(𝑿 ≤ 𝒙)
Remarque :
2.8 Exemple :
𝒙𝒊 0 1 2 3
𝑷𝑿 (𝒙𝒊 ) 𝟏 𝟑 𝟑 𝟏
𝟖 𝟖 𝟖 𝟖
𝟕
𝒙 ∈ [𝟐, 𝟑[ ; 𝑭(𝒙) = 𝑷(𝑿 = 𝟎 ∨ 𝑿 = 𝟏 ∨ 𝑿 = 𝟐) = .
𝟖
𝟖
𝒙 ∈ [𝟑, +∞[ ; 𝑭(𝒙) = 𝑷(𝑿 = 𝟎 ∨ 𝑿 = 𝟏 ∨ 𝑿 = 𝟐 ∨ 𝑿 = 𝟑) = = 𝟏.
𝟖
6
1
𝟕
𝟖
𝟒
𝟖
𝟏
𝟖
0 1 2 3
1- 𝑭 est ↑ sur ℝ.
2- 𝑭 est continue à droite.
3- 𝐥𝐢𝐦 𝑭(𝒙) = 𝟎 ; 𝐥𝐢𝐦 𝑭(𝒙) = 𝟏.
𝒙→−∞ 𝒙→+∞
4- 𝑷(𝒂 < 𝑋 ≤ 𝑏) = 𝑭(𝒃) − 𝑭(𝒂).
Preuve
1- Soient 𝒙 et 𝒚 tels que 𝒙 < 𝑦 .
𝒙 < 𝒚 ⟹ (𝑿 ≤ 𝒙) ⊂ (𝑿 ≤ 𝒚) ⟹ 𝑷(𝑿 ≤ 𝒙) ≤ 𝑷(𝑿 ≤ 𝒚) ; d’où,
𝑭(𝒙) ≤ 𝑭(𝒚).
2- Soit 𝒙 et (𝒙𝒏 )𝒏∈ℕ ↓ telle que 𝒙𝒏 > 𝑥 et 𝐥𝐢𝐦 𝒙𝒏 = 𝒙. Si on pose :
𝒏→+∞
Définition :
𝑬(𝑿 ) = ∑ 𝒙𝒊 . 𝑷𝑿 (𝒙𝒊 )
𝒙𝒊 ∈𝑿(𝛀)
Exemples :
1- On considère variable aléatoire 𝑿 dont la probabilité 𝑷𝑿 est
donnée par :
𝒙𝒊 0 1 2 3
𝑷𝑿 (𝒙𝒊 ) 1/8 3/8 3/8 1/8
𝟏 𝟑 𝟑 𝟏 𝟑
𝑬( 𝑿 ) = ∑ 𝒙𝒊 . 𝑷𝑿 (𝒙𝒊 ) = 𝟎. + 𝟏. + 𝟐. + 𝟑. = .
𝟖 𝟖 𝟖 𝟖 𝟐
𝒙𝒊 ∈𝑿(𝛀)
2- On reprend l’exemple du jet d’une pièce jusqu’à obtenir « face » et
pour variable aléatoire le rang d’apparition du « face ».
𝟏
Ici 𝑿(𝛀) = ℕ∗ et 𝑷𝑿 (𝒏) = et donc,
𝟐𝒏
𝟏 𝟏 𝟏 𝒏−𝟏
𝑬(𝑿) = ∑𝒏∈ℕ∗ 𝒏 . 𝑷𝑿 (𝒏) = ∑𝒏∈ℕ∗ 𝒏 = . ∑𝒏∈ℕ∗ 𝒏 ( ) =𝟐
𝟐𝒏 𝟐 𝟐
𝟏 ′ 𝟏
+∞ 𝒏 )′
(∑𝒏=𝟎 ) = ∑+∞ 𝒏−𝟏
(on a utilisé 𝒙 =( 𝒏=𝟏 𝒏. 𝒙 == (𝟏−𝒙)𝟐
; 𝒔𝒊 |𝒙| < 𝟏)
𝟏−𝒙
𝟐
- Variance : 𝑽(𝑿) = 𝑬 [(𝑿 − 𝑬(𝑿)) ] = 𝑬(𝑿𝟐 ) − 𝑬𝟐 (𝑿).
Exemple :
On considère la même variable que dans l’exemple 1 ci-dessus.
𝟐
𝟐) 𝟐( 𝟐
𝟏 𝟐
𝟑 𝟑 𝟐
𝟑 𝟐
𝟏 𝟑
𝑽 (𝑿 ) = 𝑬(𝑿 − 𝑬 𝑿) = 𝟎 . + 𝟏 . + 𝟐 . + 𝟑 . − ( ) =
𝟖 𝟖 𝟖 𝟖 𝟐 𝟒
8
2.11 Remarque : 𝑬(𝑿) et 𝑽(𝑿) peuvent ne pas exister dans le cas
𝑿(𝛀) infini ! On exige que les séries qui sont mises en jeu soient
absolument convergentes. Pour s’en convaincre, on peut
𝟔
considérer 𝑿(𝛀) = ℕ∗ et 𝑷𝑿 (𝒏) = et donc, 𝑬(𝑿) = +∞.
𝝅𝟐 𝒏𝟐
𝟏 𝟏
Dans le cas 𝑿(𝛀) = ℕ∗ et 𝑷𝑿 (𝒏) = où 𝒔 = ∑𝒏∈ℕ∗ ,
𝒔.𝒏𝟑 𝒏𝟑
𝑬(𝑿) existe mais 𝑬(𝑿𝟐 ) n’existe pas donc 𝑽(𝑿) = +∞ !!!
A : 𝑿(𝛀) fini :
a) Loi de Bernoulli :
Dans l’épreuve de Bernoulli, on considère la variable
aléatoire :
𝑿∶ 𝛀⟶ℝ
𝝎 ∈ 𝛀 ⟶ 𝑿(𝝎) ≔ 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒔𝒖𝒄𝒄è𝒔
Ici, 𝛀 = {𝑺, 𝑬} et 𝑿(𝛀) = {𝟎, 𝟏}.
Loi de probabilité :
𝒙𝒊 𝟎 𝟏
𝑷𝑿 (𝒙𝒊 ) 𝒑 𝟏−𝒑 = 𝒒
9
𝑷𝑿 (𝟎) = 𝑷(𝑬) = 𝟏 − 𝒑, 𝑷𝑿 (𝟏) = 𝑷(𝑺) = 𝒑.
- 𝑬(𝑿) = 𝟎. 𝑷𝑿 (𝟎) + 𝟏. 𝑷𝑿 (𝟏) = 𝒑.
- 𝑽(𝑿) = 𝑬(𝑿𝟐 ) − 𝑬𝟐 (𝑿) = 𝒑 − 𝒑𝟐 = 𝒑𝒒.
𝛀 = {𝑺𝑺𝑺, 𝑺𝑺𝑬, 𝑺𝑬𝑺, 𝑬𝑺𝑺, 𝑺𝑬𝑬, 𝑬𝑺𝑬, 𝑬𝑬𝑺, 𝑬𝑬𝑬} et 𝑿(𝛀) = {𝟎, 𝟏, 𝟐, 𝟑}
Loi de probabilité :
𝒙𝒊 𝟎 𝟏 𝟐 𝟑
𝑷𝑿 (𝒙𝒊 ) 𝒒𝟑 𝟑𝒑𝒒𝟐 𝟑𝒑𝟐 𝒒 𝒑𝟑
10
En général, pour 𝒏 quelconque :
On obtient alors :
𝒏 𝒏 𝒏
𝒏 𝒏 𝒏
Notation :
c) Loi uniforme :
11
Soit 𝒏 ∈ ℕ∗ , on dit que 𝑿 suit une loi uniforme si sa loi de probabilité 𝑷𝑿
est équiprobable sur 𝑿(𝛀) = {𝟏, 𝟐, … , 𝒏} ; c’est-à-dire :
𝟏 𝟏
∀𝒌 ∈ 𝑿(𝛀), 𝑷𝑿 (𝒌) = = .
𝒄𝒂𝒓𝒅(𝑿 (𝛀)) 𝒏
Calcul de l’espérance :
𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝒏 (𝒏 + 𝟏 ) (𝒏 + 𝟏 )
𝑬(𝑿) = ∑ 𝒌𝑷𝑿 (𝒌) = ∑ 𝒌. = ∑𝒌 = . = .
𝒏 𝒏 𝒏 𝟐 𝟐
𝒌=𝟏 𝒌=𝟏 𝒌=𝟏
Calcul de la variance :
𝟐 (𝒏 + 𝟏 )𝟐
𝟐) 𝟐)
𝑽 (𝑿 ) = 𝑬(𝑿 − (𝑬(𝑿)) = 𝑬(𝑿 −
𝟒
𝒏
(𝒏 + 𝟏 )𝟐
𝟐
= ∑ 𝒌 𝑷𝑿 (𝒌) −
𝟒
𝒌=𝟏
𝒏
𝟏 (𝒏 + 𝟏 )𝟐
𝟐
= ∑𝒌 . −
𝒏 𝟒
𝒌=𝟏
𝒏
𝟏 (𝒏 + 𝟏 )𝟐
𝟐
= .∑𝒌 −
𝒏 𝟒
𝒌=𝟏
On admet que :
𝒏−𝟏 𝒎
𝑬(𝑿) = 𝒏𝒑 et 𝑽(𝑿) = 𝒏𝒑𝒒. (𝟏 − ) ; où 𝒑 = et 𝒒 = 𝟏 − 𝒑.
𝑵−𝟏 𝑵
𝑬𝑬 … 𝑬 𝑺, … } et 𝑿(𝛀) = {𝟏, 𝟐, … 𝒏, … } = ℕ ∗
𝛀 = {𝑺, 𝑬𝑺, 𝑬𝑬𝑺, … , ⏟
(𝒏−𝟏) 𝒇𝒐𝒊𝒔
Calcul de l’espérance :
13
𝑬(𝑿) = ∑ 𝒌𝑷𝑿 (𝒌) = ∑ 𝒌(𝟏 − 𝒑)𝒌−𝟏 . 𝒑 = 𝒑 ∑ 𝒌(𝟏 − 𝒑)𝒌−𝟏
𝒌≥𝟏 𝒌≥𝟏 𝒌≥𝟏
𝒑 𝟏
= 𝟐 =
(𝟏 − (𝟏 − 𝒑)) 𝒑
Calcul de la variance :
𝟏
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − 𝑬𝟐 (𝑿) = ∑ 𝒌𝟐 𝑷𝑿 (𝒌) −
𝒑𝟐
𝒌≥𝟏
𝟏
= ∑ 𝒌𝟐 (𝟏 − 𝒑)𝒌−𝟏 . 𝒑 −
𝒑𝟐
𝒌≥𝟏
𝟏
= 𝒑 ∑ 𝒌𝟐 (𝟏 − 𝒑)𝒌−𝟏 . −
𝒑𝟐
𝒌≥𝟏
𝟏
= 𝒑(𝟏 − 𝒑) ∑ 𝒌(𝒌 − 𝟏)(𝟏 − 𝒑)𝒌−𝟐 + 𝒑 ∑ 𝒌(𝟏 − 𝒑) 𝒌−𝟏 − 𝟐
⏟ ⏟𝒌≥𝟏 𝒑
𝒌≥𝟐
𝟏 ′′ 𝟐 𝟏
=( ) = =𝑬(𝑿) =
𝟏−𝒙 𝒙=𝟏−𝒑 ( 𝟑 𝒑
𝟏−(𝟏−𝒑))
14
b) Loi de Poisson :
On dit qu’une variable aléatoire 𝑿 suit une loi de Poisson de paramètre 𝝀 >
0, si :
𝒆 −𝝀 .𝝀𝒌
𝑿(𝛀) = {𝟎, 𝟏, 𝟐, … 𝒏, … } = ℕ et ∀𝒌 ∈ ℕ, 𝑷𝑿 (𝒌) = .
𝒌!
𝒙 𝒌
Ici, on a utilisé le fait que : ∀𝒙 ∈ ℝ, ∑+∞
𝒏=𝟎 𝒌! = 𝒆𝒙 .
Calcul de l’espérance :
𝒆−𝝀. 𝝀𝒌 −𝝀
𝝀𝒌−𝟏
𝑬(𝑿) = ∑ 𝒌𝑷𝑿 (𝒌) = ∑ 𝒌 = 𝒆 . 𝝀. ∑ 𝒌.
𝒌! 𝒌!
𝒌≥𝟎 𝒌≥𝟎 𝒌≥𝟏
−𝝀
𝝀𝒌−𝟏
= 𝒆 . 𝝀. ∑
(𝒌 − 𝟏 )!
𝒌≥𝟏
𝝀𝒊
= 𝒆−𝝀. 𝝀. ∑ ,𝒊 = 𝒌− 𝟏
𝒊!
𝒊≥𝟎
= 𝒆−𝝀. 𝝀. 𝒆𝝀 = 𝝀.
Calcul de la variance :
𝟐
𝝀𝒌
= ∑𝒌 − 𝝀𝟐
𝒌!
𝒌≥𝟎
𝒌
𝝀
= 𝒆−𝝀. ∑ 𝒌 𝟐
− 𝝀𝟐
𝒌!
𝒌≥𝟎
15
−𝝀 𝟐
𝝀𝒌−𝟐 𝝀𝒌
=𝒆 . 𝝀 . ∑ 𝒌( 𝒌 − 𝟏 ) + 𝒆 . ∑ 𝒌 − 𝝀𝟐
−𝝀
⏟ 𝒌! ⏟ 𝒌≥𝟏 𝒌!
𝒌≥𝟐
⏟ =( 𝒆𝒙 )′′
𝒙=𝝀 = 𝒆
𝝀 =𝑬 (𝑿) =𝝀
=𝝀𝟐
= 𝝀.
Notation : Si 𝑿 suit la loi de Poisson, on note : 𝑿 ↪ 𝓟(𝝀).
16