Académique Documents
Professionnel Documents
Culture Documents
Chapitre 5
Chapitre 5
Automne 2023
Chapitre 5
Distributions de probabilités discrètes
1
Objectifs du chapitre
Au terme de ce chapitre, l’étudiant devrait être capable de:
2
Variables aléatoires
Une variable aléatoire est une variable qui prend une valeur
numérique et qui est le résultat d’une expérience aléatoire
Variable
aléatoire
3
Variable aléatoire discrète
Exemples:
4
Variable aléatoire continue
Peut prendre n’importe quelle valeur sur un intervalle. Les
valeurs possibles sont mesurées sur un continuum de valeurs
Exemples:
• Température extérieure
• Le poids d‘un chargement rempli à l’aide d’une pelle
mécanique
• Durée d’une panne électrique
• Le revenu d’un ménage
5
Variable aléatoire continue
Dans plusieurs situations, la variable aléatoire peut prendre un
grand nombre de valeurs discrètes lors de sa mesure, par
exemple le revenu sera mesuré en dollars ou en cents.
8
Propriétés d’une variable aléatoire
Soit X une variable aléatoire discrète avec distribution de
probabilité P(x). Alors:
0 ≤ Px ≤ 1
∑ x Px 1
9
Fonction de probabilité cumulative
Fx 0 PX ≤ x 0
∑ PX x
x≤x o
10
Exemple
Lancer de deux pièces de monnaie; soit X = nombre de faces
x P(x) F(x)
0 0,25 0,25
1 0,50 0,75
2 0,25 1,0
Il faut noter que F(x) est définie pour tout x et non seulement
pour x = 0, x = 1 et x = 2.
11
Propriétés dérivées
Les propriétés suivantes de la distribution de probabilité
cumulative sont dérivées directement de celles de la
distribution de probabilité.
12
Espérance d’une variable
aléatoire discrète
L’espérance (ou valeur espérée ou moyenne) d’une variable
aléatoire discrète X est donnée par:
EX ∑ x xPX x
2 E X − 2 ∑ x x − 2 Px
2 ∑ x x 2 Px − 2
EX − EX
2 2
0 − 1 2 0, 25 1 − 1 2 0, 5 2 − 1 2 0, 25
0, 50
0, 71
15
Fonctions d’une variable aléatoire
EgX ∑ x gxPx
Cette valeur peut être interprétée comme la valeur moyenne
de g(X) si on répétait l’expérience aléatoire un grand nombre
de fois.
16
Fonctions d’une variable aléatoire
Attention! À moins que g(X) ne soit linéaire, on ne peut
pas « sortir » l’espérance:
gEX ≠ EgX
Exemple: Supposons que X peut prendre deux valeurs 1 et -1
avec probabilité 0,5 (Rademacher) et que g(X) = X2.
EgX EX 2
1 0, 5 1 0, 5
1
Alors que gEX EX 2 0
17
Fonctions linéaires
Dans le cas où g(X) = a + bX = Y pour des constantes a et b,
alors,
et
2Y vara bX b 2 2X
Y |b| X
18
Cas particuliers
X− X
Z X
19
Distributions de probabilité
Distributions de
probabilité
Distributions de Distributions
probabilité discrètes de probabiité
continues
Uniforme
Poisson Normale
Hypergéométrique Exponentielle
20
Loi uniforme
Une loi uniforme met une même probabilité pour toutes les
valeurs possibles de X.
x= P(X = x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
21
Loi binomiale
Distributions de
probabilité
Distributions de
probabilité discrètes
Uniforme
Bernoulli / Binomiale
Poisson
Hypergéométrique
22
Distribution de Bernoulli
Supposons une expérience aléatoire qui n’a que deux résultats
possibles: « succès » et « échec ». Ces résultats sont exclusifs et
exhaustifs.
2X ∑ x x − X 2
Px
−p 2 1 − p 1 − p 2 p
p1 − pp 1 − p
p1 − p
24
Distribution binomiale
Supposons le cas d’une série de n expériences de Bernoulli
indépendantes avec probabilité de succès p.
Exemple: 1, 0, 0, 1, 0, 1, 0
n7, x3
C nx n!
x!n−x!
26
Loi binomiale
Supposons que nous répétons une expérience aléatoire n fois
de manière indépendante. Chaque expérience aléatoire a deux
résultats possibles (« succès » ou « échec ») qui sont exhaustifs
et mutuellement exclusifs et la probabilité d’un succès est p.
n! p x 1 − p n−x
x!n − x!
27
Exemples de situations impliquant
la loi binomiale
• Un manufacturier étiquette ses produits comme « défectueux »
ou « acceptable »
28
Loi binomiale: exemple
Quelle est la probabilité d’avoir un succès à l’issue de 5
expériences lors desquelles la probabilité d’un succès égale 0,1?
x = 1, n = 5, et p = 0.1
PX 1 5! 0, 1 1 1 − 0, 1 5−1
1!5 − 1!
5! 0, 10, 9 4
4!
0, 32805
29
Forme d’une loi binomiale
La forme d’une loi binomiale dépend des valeurs de la probabilité
de succès (p) et du nombre d’expériences (n)
30
Moyenne et variance
d’une loi binomiale
Supposons que X suit une loi binomiale avec n expériences et
probabilité de succès p. Alors,
EX np
et
2X np1 − p
31
Exemples
X np 5 0, 1 0, 5 P(x) n = 5 p = 0,1
.6
2X np1 − p 5 0, 1 0, 9 .4
.2
0, 45 0 x
0 1 2 3 4 5
X np 5 0, 5 2, 5 P(x) n = 5 p = 0,5
.6
.4
2X np1 − p 5 0, 5 0, 5
.2
1, 25 0 x
0 1 2 3 4 5
32
Table binomiale (Table 5)
Exemples:
n = 10, x = 3, p = 0,35: P(X = 3|n =10, p = 0,35) = 0,2522
n = 10, x = 8, p = 0,45: P(X = 8|n = 10, p = 0,45) = 0,0226
33
Loi de Poisson
Distributions de
probabilité
Distributions de
probabilité discrètes
Uniforme
Bernoulli / Binomiale
Poisson
Hypergéométrique
34
La loi de Poisson
La loi de Poisson est utilisée pour décrire le nombre d’occurrences
ou de succès d’un événement dans un intervalle continu donné (de
temps, de superficie ou de longueur).
Exemples:
35
La loi de Poisson
Supposons qu’un intervalle est divisé en un très grand
nombre de sous-intervalles tel que la probabilité
d’occurrence d’un événement dans tout sous-intervalle est
très petit.
e − x
Px x!
x = 0, 1, 2, 3…
où
EX
et
varX
38
Table de Poisson (Table 7)
λ
e −0,5 0,5 2
PX 2 2!
0, 0758
39
Graphique d’une distribution
de probabilité de Poisson
0.70
0.60
λ = 0,50 0.50
λ= P(x) 0.40
X 0.50
0.30
0 0,6065
0.20
1 0,3033
2 0,0758 0.10
3 0,0126 0.00
0 1 2 3 4 5 6 7
4 0,0016
5 0,0002 x
6 0,0000
P(X = 2) = 0,0758
7 ,.0000
40
Forme d’une loi de Poisson
λ = 0,50 λ=3
0.70 0.25
0.60
0.20
0.50
0.15
0.40
P(x)
P(x)
0.30 0.10
0.20
0.05
0.10
0.00 0.00
0 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12
x x
41
Loi de Poisson: exemple
3 pannes
0, 03 pannes/jour
100 jours
42
Approximation de la binomiale
Soit X le nombre de succès à l’issue de n essais indépendants,
chacun ayant une probabilité de succès p.
e −np np x
Px x!
43
Exemple
On estime que 3,5% des entreprises déclarent faillite chaque
année. Sur un portefeuille de 100 entreprises, quelle est la
probabilité qu’au moins 3 entreprises déclarent faillite en
une année?
44
Exemple
Nous savons que P (X 3) = 1 - P (X 2) et que
P (X 2) = P (X = 0) + P (X = 1) + P (X = 2)
Distributions de
probabilité discrètes
Uniforme
Bernoulli / Binomiale
Poisson
Hypergéométrique
46
Loi hypergéométrique
On considère une situation où on doit choisir n objets parmi une
population de N objets définis comme « succès » ou « échec ». On
suppose qu’il y a S « succès » dans la population.
47
Distribution hypergéométrique
N−S!
C Sx C N−S
S!
n−x!N−S−nx!
Px n−x
C Nn
x!S−x!
N!
n!N−n!
48
Intuition
Il y a x succès et n – x échecs dans notre échantillon.
C Nn N!
n!N−n !
49
Exemple
On procède à une vérification de 3 des 10 ordinateurs d’une
entreprise. On sait que 4 des 10 ordinateurs possèdent une copie
illégale d’un logiciel.
10−4!
4!
0!4−0!
3−0!10−4−30!
P0 10!
3!10−3!
1 3!3!
6!
120
20 1
120 6
50
Exemple
On peut trouver les probabilités pour les autres valeurs de x.
10−4! 10−4!
4!
1!4−1!
3−1!10−4−31! 4!
2!4−2!
3−2!10−4−32!
P1 10!
P2 10!
3!10−3! 3!10−3!
4 6! 4!
6!
2!4! 2!2!
10!
5!
120 3!7!
4 15 1 6 6 0, 3
120 2 10−4! 120
4!
3!4−3!
3−3!10−4−33!
P3 10!
3!10−3!
4 6!
6!
120
4 1
120 30
51