Académique Documents
Professionnel Documents
Culture Documents
I Variables aléatoires 2
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
I.2 Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . 3
I.2.1 Loi de probabilité d’une variable aléatoire discrète . . . . . . . . . 3
I.2.2 Fonction de répartition d’une variable aléatoire discrète . . . . . 4
I.2.3 Caractéristiques d’une variable aléatoire discrète . . . . . . . . . 6
I.2.4 Loi discrètes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . 7
I.3 Variables aléatoires continues . . . . . . . . . . . . . . . . . . . . . . . . . 11
I.3.1 Densité de probabilité d’une variable aléatoire continue . . . . . 11
I.3.2 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . 12
I.3.3 Caractéristiques d’une variable aléatoire continue . . . . . . . . . 13
I.3.4 Loi continues usuelles . . . . . . . . . . . . . . . . . . . . . . . . . 14
1
I
Variables aléatoires
Sommaire
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
I.1 Introduction
Dans une épreuve, une variable aléatoire (en abrégé v.a.) X est une quantité dont la
valeur, a priori incertaine, est déterminée à l’issue du tirage. Elle est donc représentée
comme une application X définie sur l’ensemble des résultats possibles de l’épreuve.
Par exemple, lors du tirage d’un individu dans une population, la taille, le poids ou
le revenu annuel de l’individu tiré sont des variables aléatoires. Lors d’une course
hippique, le tiercé gagnant est une variable aléatoire. L’indice boursier du lendemain,
2
la durée de vie d’un homme sont des variables aléatoires, et la loi de cette dernière
intéresse les assureurs.
X −1 ({x}) = {w ∈ Ω/X(w) = x} ∈ A
Exemple 1 On lance successivement deux fois une pièce de monnaie, on définit la variable
aléatoire X correspond au nombre de "face " obtenu, l’ensemble fondamental des résultats pos-
sibles est Ω = {F F, F P, P F, P P }
Les valeurs possibles prises par la variable aléatoire X "nombre de face " sont :
X = {0, 1, 2}.
Définition 2 la loi de probabilité d’une variable aléatoire X consiste à determiner pour toutes
les valeurs possibles de X leurs probabilités d’apparition. C’est-à-dire, si X est une variable
aléatoire sur un ensemble fondamental Ω fini, alors les événements élémentaires de Ω relatifs
a X sont définis comme suit : X(w) = {x1 , x2 , . . . , xn }. La probabilité pour que l’événement
relatif à xi sont réalisées et définies par
pi = p(xi ) = P(X = xi ),
cette dernière est appelée loi ou distribution de probabilité de la variable aléatoire X. Le tableau
ci-dessus résume une telle définition :
xi x1 x2 ... xj ... xn
P(X = xi ) = p(xi ) p1 p2 ... pj ... pn
L. DJERROUD 3
Propriétés de la loi de probabilité
• P(X = xi ) = p(xi ) ≥ 0,
Pn
• i=1 p(xi ) = 1.
Exemple 2 On lance deux fois une piece de monnaie, l’ensemble fondamental est :
Ω = {(F, F ), (F, P ), (P, F ), (P, P )}. On note X"la v.a qui compte le nombre de piles obtenu",
donc les valeur(X) = {0, 1, 2}. On a le tableau suivant :
xi 0 1 2
1 1 1
P(X = xi ) 4 2 4
Dans le cas où la v.a X est discrète, la fonction de répartition est une fonction discontinue en
escalier où :
X
FX (x) = P(X ≤ x) = P(X = xi ).
xi ≤x
L. DJERROUD 4
Propriétés de la fonction de répartition
3. ∀x ∈ R, 0 ≤ FX (x) ≤ 1,
4. Si x ≥ xn , alors FX (x) = 1,
Pi
avec FX (xi+1 ) = j=1 pj .
Exemple 3 à titre illustratif, on prend l’exemple d’une variable aléatoire X dont la loi de pro-
babilité est donnée par :
P(X = 1) = 14 , P(X = 2) = 21 , P(X = 3) = 18 , P(X = 4) = 1
8
donc :
0, si x < 1;
1
, si 1 ≤ x < 2
4
FX (x) = 3
4
, si 2 ≤ x < 3.
7
, si 3 ≤ x < 4.
8
1, si x ≥ 4.
L. DJERROUD 5
I.2.3 Caractéristiques d’une variable aléatoire discrète
Moments
n
X
mr (X) = xri P(X = xi ).
i=1
Espérance mathématique
L’espérance mathématique d’une variable aléatoire discrète est l’un des concepts les
plus importants dans la théorie des probabilités. Pour une variable aléatoire discrète
X, de loi de probabilité P(X = x), l’espérance mathématique de X, notée E(X), se
définit par l’expression suivante :
n
X
E(X) = m1 (X) = xi P(X = xi ).
i=1
1. E(a) = a,
3. E(aX) = aE(X),
Variance
Soit X une variable aléatoire discrète, alors la variance de X sera donnée par l’ex-
pression suivante :
L. DJERROUD 6
Propriété 2 Soit une v.a X discrète et a, ∈ R
1. V (X) ≥ 0,
2. V (a) = 0,
3. V (a + X) = V (X),
4. V (aX) = a2 V (X),
Ecart-type
p
σX = V (X).
Fonction caractéristique
Soit (Ω, A, P) un espace de probabilité, X une variable aléatoire définie sur Ω et soit
les valeurs de X = {x1 , x2 , . . . , xn } et de loi de probabilité P(X = xi ) = pi . Si t est un
paramètre réel, eitX = cos tX + i sin tX est une v.a. complexe. Comme elle est bornée
(|eitX | > 1), par consequent elle admet une espérance mathématique. L’espérance ma-
thématique de la variable eitX s’appelle fonction caractéristique de la variable X et on
écrit :
n
X
itX
ϕX (t) = E(e )= pk eitxk .
k=1
Loi uniforme
Définition 4 soit X une variable aléatoire discrète. On dit que X suit une loi discrète Uni-
forme sur l’ensembles des valeurs {1, 2, . . . , n}, notée U{1,2,...,n} , si est seulement si P(X =
L. DJERROUD 7
1
X) = N
, et ce pour toute valeur de x ∈ {1, 2, . . . , n}. Cela implique P(X = 1) = P(X = 2) =
P(X = 1) = . . . = P(X = n).
Pn Pn 1
Pn
– Espérance mathématique E(X) = i=1 xi P(X = xi ) = i=1 xi p i = n i=1 xi =
1 n(n+1) n+1
n 2
= 2
.
Pn (n+1)(2n+1)
– Variance et écart-type V (X) = E(X 2 )−E(X)2 = i=1 x2i pi −E(X)2 = 6
−
(n+1)2 n2 +1
4
= 12
.
r
p n2 + 1
σX = V (X) = .
12
Loi de bernoulli
– Variance et écart-type
p p
σX = V (X) = p(1 − p).
L. DJERROUD 8
Loi binomaile
Soit X une variable aléatoire discrète dont les résultats possibles sucés ou échec.
Si on répète la même expérience n fois, alors on dit que la variable X suit une loi
binomiale de paramètres n et p, on note alors X y B(n, p)
Pn
Remarque 2 i=1 B(p) y B(n, p), c’est à dire répéter n fois une loi de Bernoulli va donner
une loi binomiale.
La loi de probabilité d’une loi binomiale est définie par la formule ci-après :
Loi géométrique
L. DJERROUD 9
– Espérance mathématique
1
E(X) = .
p
– Variance et écart-type
1−p
V (X) =
p2
r
p 1−p
σX = V (X) = .
p2
Loi hypergéométrique
Soit une urne contenant N boules dont M sont rouges et N − M sont blanches.
Tirons n boules (n ≤ N ) au hasard de l’urne sans les remettre (tirage sans remise).
Soit X la variable aléatoire "le nombre de boules rouges parmi les n boules tirées". Les
valeurs x de la variable aléatoire X sont telles que : 0 ≤ x ≤ M, x ≤ n et x ≥ n−(N −M ).
Par conséquent, les valeurs de X sont : X = {max(0, n − M + N ), . . . , min(M, n)}, et sa
loi de probabilité aura la forme suivante :
x
CM CNn−x
−M
P(X = x) = , ∀x ∈ valeurs(X).
CNn
On dit alors que cette variable aléatoire X suit une loi hypergéomitrique de paramètres
N, n et p. On note X y H(N, n, p).
– Espérance mathématique
E(X) = np.
M
p= N
la probabilité de tirer une boule rouge.
L. DJERROUD 10
– Variance et écart-type
N −n
V (X) = np(1 − p) .
N −1
r
p N −n
σX = V (X) = np(1 − p) .
N −1
Loi poisson
La loi de Poisson s’applique aux événements rares, c’est dire la probabilité de surve-
nance d’un tel événement est très faible. C’est le cas notamment de contrôle de qualité
puisque on suppose que les erreurs sont rares, les risques liés aux crédits . . . etc. En
effet, on dit qu’une une variable aléatoire entière X, positive ou nulle, suit une loi de
Poisson de paramètre λ > 0, si et seulement si :
e−λ λx
P(X = x) = , avecx ∈ N.
x!
– Espérance mathématique
E(X) = λ.
– Variance et écart-type
V (X) = λ
p √
σX = V (X) = λ.
Définition 6 soit une application X : Ω → R, on dit que X est une variable aléatoire conti-
nue (parfois dite absolument continue), s’il existe une fonction f définie sur R et vérifiant les
propriétés suivantes :
L. DJERROUD 11
1. f ≥ 0
R +∞
2. −∞ f (x)dx = 1.
Soient a et b ∈ R
Rb
• P(a ≤ X ≤ b) = a f (x)dx.
Ra
• Si a = b, alors :P(X = a) = a
f (x)dx = 0.
dFx (x)
D’où f (x) = FX0 (x) = dx
.
L. DJERROUD 12
I.3.3 Caractéristiques d’une variable aléatoire continue
Moments
Espérance mathématique
p
σX = V (X).
Fonction caractéristique
L. DJERROUD 13
I.3.4 Loi continues usuelles
Loi uniforme
Une v.a. X suit une loi uniforme si sa densité est constante sur un intervalle [a, b] :
1
b−a
, si x ∈ [a, b]
f (x) =
0, sinon
– Variance et écart-type
(b − a)2
V (X) = E(X 2 ) − E(X)2 = .
12
r
p (b − a)2
σX = V (X) = .
12
Loi exponentielle
La loi exponentielle de paramètre θ > 0 est celle d’une variable positive de densité :
θe−θx , si x ≥ 0
f (x) =
0, sinon
L. DJERROUD 14
On écrit X y E(θ). Sa fonction de répartition est nulle pour x < 0, et pour x ≥ 0 :
Z x
FX (x) = θ e−θt dt = [−e−θt ]x0 = 1 − e−θx .
0
– Espérance mathématique
Z ∞
1
E(X) = xf (x)dx = .
−∞ θ
– Variance et écart-type
2 1 2 1
V (X) = E(X 2 ) − E(X)2 = − ( ) = .
θ2 θ θ2
r
p 1 1
σX = V (X) = 2
= .
θ θ
1 (x−µ)2
f (x) = √ e− 2σ2
σ 2π
– Espérance mathématique
Z ∞ Z ∞
1 (x−µ)2
E(X) = xf (x)dx = x √ e− 2σ2 dx = µ.
−∞ −∞ σ 2π
– Variance et écart-type
p √
σX = V (X) = σ 2 = σ.
L. DJERROUD 15
Loi normale centrée réduite
Si Z suit la loi N (0, 1), alors X = µ + σZ suit une loi N (µ, σ 2 ). Il est possible de
ramener toute distribution normale à la loi normale centrée (µ = 0) réduite (σ 2 = 1) en
X−µ
formant Z = σ
. On montre facilement que E[Z] = 0 et V (Z) = 1.
Loi gamma
Une v.a. X de loi gamma de paramètres α > 0 et β > 0 est positive, de densité :
x
1
β α Γ(α)
xα−1 e β , si x > 0
f (x) =
0, sinon
L. DJERROUD 16