Proba Chap2

Variables aléatoires discrètes - Loi de probabilité discrète
Variables aléatoires discrètes - Loi

de probabilité discrète
I DIR O UASSOU
Université Cadi Ayyad, Ecole Nationale des Sciences Appliquées, Marrakech
Septembre 2009
Notion de variables aléatoires discrètes
Variables aléatoires
On considère une épreuve aléatoire dont l’ensemble

des issues est noté Ω.

On suppose de plus qu’à chaque issue, que celle-ci
soit numérique ou non, on associe une valeur
numérique ; on définit ainsi une application de Ω dans
l”ensemble R des nombres ou plus généralement
dans une partie E de R.

On suppose de plus qu’à chaque issue, que celle-ci
soit numérique ou non, on associe une valeur
numérique ; on définit ainsi une application de Ω dans
l”ensemble R des nombres ou plus généralement
dans une partie E de R.
Remarquons que l’on n’exige pas que cette
application soit “injective” (à deux issues différentes
on peut associer le même nombre), ni “surjective”
dans E (tous les nombres de E ne sont pas
nécessairement atteints).
Définition
Une telle application porte le nom de variable aléatoire
réelle (en abrégé v .a.r . ou mm̂e plus simplement v .a.).
Si de plus X (Ω) = {x1 , x2 , . . . , xn } la v.a. est dite discrète
Définition
Une telle application porte le nom de variable aléatoire
réelle (en abrégé v .a.r . ou mm̂e plus simplement v .a.).
Si de plus X (Ω) = {x1 , x2 , . . . , xn } la v.a. est dite discrète
Exemple
1 On jette simultanément 2 dés à jouer. A chaque
observation, on associe la somme des 2 numéros
apparus. La v.a. “somme des 2 numéros” est à
valeurs dans {2, 3, 4, . . . , 12}.
2 On jette 10 fois de suite une pièce de monnaie. A
chaque observation on associe le nombre de faces.
La v.a. “nombre de faces” est à valeurs dans
{0, 1, . . . , 10}.
Loi de probabilité discrète
Soit (xk )k ∈K (K ensemble fini ou dénombrable) les valeurs

prises par une v.a. discrète X .

Notons, pour tout k ∈ K , Ek l’événement “on observe une
issue telle que son image par X soit xk ”. Cet événement
est formé de toutes les éventualités ω telles que
X (ω) = xk .

X (ω) = xk .
De façon conventionnelle on écrira cet événement Ek
sous la forme [X = xk ].
La probabilité de cet événement est :
pk = P(Ek ) = P[X = xk ].

X (ω) = xk .
De façon conventionnelle on écrira cet événement Ek
sous la forme [X = xk ].
La probabilité de cet événement est :
pk = P(Ek ) = P[X = xk ].
Définition
L’ensemble des couples (xk , pk )k ∈K détermine la loi de
probabilité de la v.a. X .
Fonction de répartition d’une loi de probabilité
Définition
On appelle fonction de répartition d’une variable aléatoire
X (en abrégé f.r.), fonction FX définie sur tout R
par :(∀ x ∈ R) FX (x) = P[X ≤ x]
Définition
par :(∀ x ∈ R) FX (x) = P[X ≤ x]
Remarque
Toute loi de probabilité d’une v.a. réelle est entiérement
déterminée par la donnée de sa fonction de répartition.
Définition
par :(∀ x ∈ R) FX (x) = P[X ≤ x]
Remarque
Toute loi de probabilité d’une v.a. réelle est entiérement
déterminée par la donnée de sa fonction de répartition.
Il est aisé de montrer que la fonction de répartition vérifie

les conditions suivantes :
i) F (−∞) = 0 ; F (+∞) = 1
ii) F est une fonction non-décroissante
iii) F est une fonction continue é droite
Espérance mathématique d’une v.a. discrète
Définition
Soit X une v.a. discrète de loi (xi , pi )i∈I , on définira
l’espérance mathématique de X (on dit aussi la moyenne
de X ) par son mode de calcul, à savoir le nombre noté
E[X ] égal à X
E[X ] = pi .xi
i∈I
Espérance mathématique d’une v.a. discrète
Définition
Soit X une v.a. discrète de loi (xi , pi )i∈I , on définira
l’espérance mathématique de X (on dit aussi la moyenne
de X ) par son mode de calcul, à savoir le nombre noté
E[X ] égal à X
E[X ] = pi .xi
i∈I
Remarque
Si le nombre de valeurs possibles de X est infini,
l’espérance mathématique n’est définie que si cette
somme est finie et ne dépend pas de l’ordre dans lequel
on additionne les termes pi .xi ).
Proposition (Espérance mathématique d’une fonction

d’une v.a.)
Soit f une fonction réelle continue de R à valeurs dans R
et soit Y = f [X ].
On admettra que (dans le cas d’une v.a. X discrète)
l’espérance mathématique de Y est
X
E[Y ] = f (xi )pi
i∈I
Moments - Variance - Ecart-type
Définition
i) On appelle moment d’ordre k d’une v.a. X le
nombre E(X k ).
Définition
nombre E(X k ).
ii) On appelle moment centré d’ordre k d’une v.a. X le
nombre E(X − E[X ])k .
Définition
nombre E(X k ).
iii) En particulier, on appelle variance le moment centré
d’ordre 2 que l’on note Var [X ].
Définition
nombre E(X k ).
iii) En particulier, on appelle variance le moment centré
d’ordre 2 que l’on note Var [X ].
iv) On appelle
p écart-type de X le nombre
σX = Var [X ]
Vérifier que :
1 Si Var [X ] = 0 alors la v.a. X est une v.a. “certaine”
i.e. elle ne prend qu’une seule valeur.
Vérifier que :
2 Var [X ] = E[X 2 ] − (E[X ])2 .
Vérifier que :
2 Var [X ] = E[X 2 ] − (E[X ])2 .
3 Var [X + a] = Var [X ] pour tout réel a.
Vérifier que :
2 Var [X ] = E[X 2 ] − (E[X ])2 .
La variance et l”écart-type sont des indicateurs de
dispersion des valeurs. Ce sont des nombres toujours
positifs ou nuls.
Vérifier que :
2 Var [X ] = E[X 2 ] − (E[X ])2 .
positifs ou nuls.
Remarque
Une v.a. X est centrée si E[X ] = 0 ; réduite si
Var [X ] = 1.
Vérifier que :
2 Var [X ] = E[X 2 ] − (E[X ])2 .
positifs ou nuls.
Remarque
Une v.a. X est centrée si E[X ] = 0 ; réduite si
Var [X ] = 1.
X −E[X ]
En particulier, si σX 6= 0, la v.a. T = σX
est toujours
une v.a. centrée–réduite.
Définition
On dit que deux variables X et Y sont indépendantes si
E(XY ) = E(X )E(Y ).
i.e.
p(X = xi , Y = yj ) = P(X = xi )P(Y = yj ).
Définition
On dit que deux variables X et Y sont indépendantes si
E(XY ) = E(X )E(Y ).
i.e.
p(X = xi , Y = yj ) = P(X = xi )P(Y = yj ).
Notons
Cov (X , Y ) = E [(X − EX )(Y − EY )]
appelé covariance de X et Y
Propriétés
Soit X et Y deux variables aléatoires, et a est un réel
alors :
1 Si X et Y sont indépendantes alors
Var (X + Y ) = Var (X ) + Var (Y )

2
Cov (aX , Y ) = Cov (X , aY ) = aCov (X , Y )

et
Cov (X + a, Y ) = Cov (X , Y + a) = Cov (X , Y )

Principales lois discrètes sur R
Loi de Bernoulli
Lorsque une expérience aléatoire n’a que deux “issues”
possibles souvent appelées “succés” et “échec”,
c’est-é-dire lorsque l’espace Ω peut se ramener à un
ensemble à deux éléments {S, E}, cette expérience est
une épreuve de Bernoulli.
Loi de Bernoulli
On confondra alors chaque point avec le singleton
correspondant (S et {S}) et on parlera des événements
“succés” et “échec”.
Loi de Bernoulli
La probabilité est entiérement définie par la probabilité p
de l’événement “succés” : p = P(S). La probabilité d’un
échec est alors q = 1 − p.
Loi de Bernoulli
La probabilité est entiérement définie par la probabilité p
de l’événement “succés” : p = P(S). La probabilité d’un
échec est alors q = 1 − p.
Notons que pour une telle expérience, on ne retient pas
l’hypothése de l’équiprobabilité (sauf si on a p = 12 ).
Définition
On dit qu’une variable aléatoire X suit la loi de bernoulli
de paramétre p si X ne prend que deux valuers 0 et 1
avec P[X = 1] = 1 − P[X = 0] = p. On note X ,→ Br (p).
Définition
Proposition
Si X est une v.a. de loi Bernoulli Br (p) alors E[X ] = p et
Var [X ] = p(1 − p).
Définition
Proposition
Si X est une v.a. de loi Bernoulli Br (p) alors E[X ] = p et
Var [X ] = p(1 − p).
Exemple
On jette un dé et on s’intéresse uniquement é l’apparition
ou non d’un as. L’événement S =“sortie d’un as” a une
probabilité fixée à 16 pour des raisons de symétrie du dé.
Exemple suite
Une machine fabrique des ampoules électriques. Chaque
ampoule fabriquée est, indépendamment des autres, soit
bonne (succés) soit défectueuse (échec). On accordera à
l’événement S =“l’ampoule est bonne” une probabilité p
qui sera estimée à l’aide d’observations statistiques.
Loi uniforme sur un ensemble fini
Définition
Soit K = {k1 , k2 , . . . , kn } un sous-ensemble fini de R à n
éléments. On dit qu’une v.a. X suit la loi uniforme sur K
noté X ,→ UK si pour tout i ∈ {1, . . . , n} : P[X = ki ] = n1 .
Définition
Proposition
1+n
Si X est une v.a. de loi uniforme sur K alors E[X ] = 2
et
2
Var [X ] = n 12−1 .
Définition
Proposition
1+n
Si X est une v.a. de loi uniforme sur K alors E[X ] = 2
et
2
Var [X ] = n 12−1 .
Exemple
Une urne contient 50 boules numérotées de 1 à 50. Un
joueur extrait une boule de l’urne ; à chaque tirage le
joueur gagne une somme (en DH) égale au numéro de la
boule extraite.
Loi hypergéométrique
On considère que la population est constituée a priori

d’individus de 2 catégories différentes A et B selon qu’ils
possédent ou non une certaine caractéristique ou une
certaine propriété.

En d’autres termes, l’urne est constituée de boules de
deux couleurs différentes, par exemple les boules rouges
et les boules vertes.

En d’autres termes, l’urne est constituée de boules de
deux couleurs différentes, par exemple les boules rouges
et les boules vertes.
On suppose en général connus N (la taille ou l’effectif de
la population ou de l’urne) et les effectifs a et b de
chacune des catégories (avec a + b = N).
On note de plus p = Na .
On préléve au hasard, sans remise : c’est-à-dire sous les

conditions suivantes :

- on choisit successivement n boules dans l’urne sans
remettre dans l’urne les boules tirées.

- à chaque tirage, toutes les boules restant dans l’urne au
moment du tirage ont la même probabilité d’être choisies.

Un échantillon de taille n et on note X la variable aléatoire
égale au nombre de boules rouges parmi les n boules
extraites. On supposera bien entendu que n ≤ N.

Un échantillon de taille n et on note X la variable aléatoire
égale au nombre de boules rouges parmi les n boules
extraites. On supposera bien entendu que n ≤ N.
Remarquons qu’il est équivalent de tirer toutes les n
boules simultanément ou de les tirer les unes aprés les
autres en mélangeant, aprés chaque tirage, les boules
restant dans l’urne. Un échantillon est, dans ce cas, un
sous-ensemble de n éléments de l’ensemble U.
On admet que l’expérience qui consiste à prendre n

boules dans l’urne, parmi les N boules de l’urne, a CNn
issues possibles et que toutes ces issues sont
équiprobables.
On admet que l’expérience qui consiste à prendre n

boules dans l’urne, parmi les N boules de l’urne, a CNn
issues possibles et que toutes ces issues sont
équiprobables.
(Remarquons que l’on ne considére comme issues de
l’expérience que les choix non-ordonnés de n boules et
non les choix ordonnés car alors l’ensemble Ω aurait un
nombre d’éléments égal à AnN .)
Pour k fixé, il suffit alors de compter le nombre de choix

favorables à l’événement “le nombre de boules rouges est
égal à k ”. On en déduit immédiatement la loi de
probabilité de X est définie par :
n−k
Cak CN−a
P[X = k ] =
CNn
pour toutes les valeurs de k qui sont observables, é

savoir : sup(0, n − b) ≤ k ≤ inf(a, n)
- la plus petite valeur de k est soit 0 (si n est plus petit ou

égal au nombre de boules vertes), soit n − b si n est plus
grand que b ;
- la plus petite valeur de k est soit 0 (si n est plus petit ou

égal au nombre de boules vertes), soit n − b si n est plus
grand que b ;
- la plus grande valeur de k est soit n (si n est plus grand
ou égal au nombre de boules rouges), soit a (on ne peut
pas tirer plus de boules rouges qu’il n’y en a !).
Définition
Une v.a. X suit la loi hypergéométrique, notée H(N, n, p),
si pour toutes les valeurs de k comprises entre
sup(0, n − N(1 − p)) et inf(n, Np) :
k n−k
CNp CN−Np
P[X = k ] =
CNn
Exemple
Considérons une urne composée de 5 boules rouges et 8
boules vertes de laquelle on extrait un échantillon de 10
boules.
Quelles sont les valeurs que peut prendre la variable
aléatoire X égale au nombre de boules rouges dans cet
échantillon ?
Exemple
Considérons une urne composée de 5 boules rouges et 8
boules vertes de laquelle on extrait un échantillon de 10
boules.
Quelles sont les valeurs que peut prendre la variable
aléatoire X égale au nombre de boules rouges dans cet
échantillon ?
Ce probléme est souvent appelé Probléme de la loterie
par référence au probléme du type suivant : Parmi les 90
billets d’une loterie, 15 seulement sont gagnants. Si un
joueur achéte 8 billets, calculez la probabilité pour que ce
joueur ait x billets gagnants.
On raisonnera de deux maniéres différentes :


a. le joueur achéte des billets ; on procéde ensuite au
tirage des billets gagnants.

b. les billets sont répartis a priori en billets gagnants ou
non ; le joueur achéte ensuite ses billets et découvre alors
- par exemple par grattage- s’ils sont gagnants ou non.

b. les billets sont répartis a priori en billets gagnants ou
non ; le joueur achéte ensuite ses billets et découvre alors
- par exemple par grattage- s’ils sont gagnants ou non.
On définira dans les deux cas l’ensemble Ω et la v.a. X
qui, à chaque tirage, associe le nombre de billets
gagnants, en précisant quelles sont les valeurs possibles
pour cette v.a.X .
Proposition
Si X est une v.a. de loi hypergéométrique H(N, n, p) alors
N −n
E[X ] = np et Var [X ] = np(1 − p)
N −1
Remarque
Cette loi se trouve naturellement, comme on l’a vu
précédemment, lorsque l’expérience aléatoire consiste à
extraire sans remise n boules dans une urne à deux
catégories respectivement en proportion p et 1 − p.
Le coefficient N−n
N−1
est le “coefficient d’exhaustivité”. Il est
nul quand N = n, c’est-é-dire que l’on extrait les N
boules ; dans ce cas la v.a. X =“nombre de boules de
premiére catégorie dans l’échantillon” est une variable
aléatoire certaine égale à Np et alors Var [X ] = 0.
Tirages sans remise dans une urne à k catégories
Si l’urne est composée de Ni boules de catégories Ci

1 ≤ i ≤ k , tout échantillon peut comporter des boules de
chaque catégorie.
On note par l’événement En1 ,n2 ,...,nk = on extrait n1
boules de catégorie c1 , . . . , nk boules de catégorie ck

Proposition
La probabilité de En1 ,n2 ,...,nk est
CNn11 CNn22 . . . CNnkk

P(En1 ,n2 ,...,nk ) =
CNn
pour toutes valeurs de (n1 , . . . , nk ) qui sont possibles avec

∀i ∈ {1, . . . k }. 0 ≤ ni ≤ Ni et ki=1 ni = n ≤ N
P
Proposition
CNn11 CNn22 . . . CNnkk

P(En1 ,n2 ,...,nk ) =
CNn
pour toutes valeurs de (n1 , . . . , nk ) qui sont possibles avec

∀i ∈ {1, . . . k }. 0 ≤ ni ≤ Ni et ki=1 ni = n ≤ N
P
Preuve
La peuve est identique à celui utilisé pour deux
catégories.
Cette formule est appelée formule Polyhypégeométrique.
Loi binomiale
On considére un ensemble fini U de N éléments

(ensemble de piéces fabriquées...) que l’on appellera une
urne contenant N boules.
Loi binomiale

On préléve n boules de l’urne selon un tirage “avec
remise” : on choisit une premiére boule, on note son
identité, on la remet dans l’urne, on mélange les boules,
et on réitére cette opération n fois de suite.
Loi binomiale

On préléve n boules de l’urne selon un tirage “avec
remise” : on choisit une premiére boule, on note son
identité, on la remet dans l’urne, on mélange les boules,
et on réitére cette opération n fois de suite.
Dans ce cas, une éventualité est une suite ordonnée de n
éléments choisis parmi N ; on dit aussi une n–liste de
l’ensemble U.
L’ensemble Ω (l’univers) est composé de N n éventualités ;

chaque événement élémentaire, correspondant é une
n–liste donnée, a la même probabilité N1n .
Pour connaétre la probabilité d’un événement, il suffit de
dénombrer le nombre de n–listes favorables é cet
événement.
Exemple
Une assemblée est formée de k personnes (on prendra
par exemple k = 5 puis k = 23 ou le nombre de
personnes présentes dans cette salle).
Quelle est la probabilité que les anniversaires des k
personnes soient é k jours différents ?
Quelle est la probabilité que, dans cette assemblée, deux
personnes au moins aient le même jour anniversaire ?
Exemple
Une assemblée est formée de k personnes (on prendra
par exemple k = 5 puis k = 23 ou le nombre de
personnes présentes dans cette salle).
Quelle est la probabilité que les anniversaires des k
personnes soient é k jours différents ?
Quelle est la probabilité que, dans cette assemblée, deux
personnes au moins aient le même jour anniversaire ?
Indication : On considére une urne comportant 365

boules, chacune représentant un jour de l’année. On
prend dans cette urne, avec remise, k boules. On
précisera les hypothéses supplémentaires.
Tirages avec remise dans une urne é deux catégories
On considére une population constituée a priori de N

individus de 2 catégories différentes A et B selon qu’ils
possédent ou non une certaine caractéristique. En
d’autres termes, on considére une urne constituée de N
boules de deux couleurs différentes, par exemple NA
boules rouges et NB boules vertes.
Tirages avec remise dans une urne é deux catégories
On considére une population constituée a priori de N

individus de 2 catégories différentes A et B selon qu’ils
possédent ou non une certaine caractéristique. En
d’autres termes, on considére une urne constituée de N
boules de deux couleurs différentes, par exemple NA
boules rouges et NB boules vertes.
NA
On suppose en général connues les proportions pA = N
et pB = NNB de chacune des catégories. Pour simplifier
l’écriture, on pose p = pA et q = 1 − p = pB .
- On préléve au hasard une boule de l’urne.

La probabilité que la boule choisie soit de catégorie A est
p ; que la boule choisie soit de catégorie B est 1 − p.
- On préléve au hasard deux boules de l’urne.
La probabilité que, parmi les 2 boules choisies,

N2
- toutes les deux soient de catégorie A est NA2 = p2 ;

N2
- une seule soit de catégorie A est 2 NAN×N
2
B
= 2p(1 − p) ;

N2
2
B
= 2p(1 − p) ;
NB2
- toutes les deux soient de catégorie B est N2
= (1 − p)2

N2
2
B
= 2p(1 − p) ;
N2
- toutes les deux soient de catégorie B est NB2 = (1 − p)2 -
On préléve au hasard, avec remise, n boules. Comme on
l’a vu ci-dessus, le nombre d’issues é cette épreuve est
égal au nombre N n de n-listes d’un ensemble é N
éléments.
On appelle X la variable aléatoire égale au nombre de

boules rouges extraites.
L’événements [X = k ], c’est-é-dire “le nombre de boules
rouges observées est k ”. On les dénombre en deux
temps :

temps :
- on s’intéresse d’abord aux places qu’occupent les
boules rouges au cours du prélévement ; elles sortent é k
places parmi les n places correspondant aux n tirages.
Il y a Cnk possibilités pour fixer ces places.

temps :
- on s’intéresse d’abord aux places qu’occupent les
boules rouges au cours du prélévement ; elles sortent é k
places parmi les n places correspondant aux n tirages.
Il y a Cnk possibilités pour fixer ces places.
- Les k places des boules rouges étant fixées (et donc
aussi les n − k places des boules vertes), on s’intéressent
é l’identité -ou au numéro- des boules extraites : la
premiére boule rouge est une des NA boules rouges de
l’urne ; la deuxiéme boule rouge est encore une des
NA ;... ; la premiére boule verte est une des NB boules
vertes de l’urne etc..
Finalement le nombre d’issues favorables é l’événement

[X = k ] est Cnk .NAk .NBn−k .
Finalement le nombre d’issues favorables é l’événement

[X = k ] est Cnk .NAk .NBn−k .
La probabilité de l’événement [X = k ] est donc
Cnk .NAk .NBn−k k

k NA .NB
n−k
= Cn = Cnk .pk (1 − p)n−k
Nn N k .N n−k
pour toutes les valeurs de k comprises entre 0 et n.
Définition
On dit q’une v.a. X suit la loi Binomiale de paramétres
(n, p) notée B(n, p) si X prend toutes les valeurs entiéres
comprises entre 0 et n et si
p[X = k ] = Cnk pk (1 − p)n−k

Remarque
Considérons l’expérience aléatoire qui consiste é répéter
n fois de suite la même épreuve de Bernoulli, toujours
dans les mêmes conditions et de faéon que le résultat de
l’une quelconque de ces épreuves ne dépende en aucun
cas des résultats aux autres épreuves. Une telle
expérience aléatoire est appelée schéma de Bernoulli.
Dans ce cas, l’espace Ω est de la forme {S, E}n et la
probabilité d’un événement élémentaire comportant k
succés et n − k échecs est pk (1 − p)n−k (pour k compris
entre 0 et n).
Si on appelle X la variable aléatoire égale au nombre de
succés, la loi de probabilité de X est la loi binomiale
définie par : P[X = k ] = Cnk pk (1 − p)n−k pour toutes
valeurs de k comprises entre 0 et n.
Proposition
Si X est une v.a. de loi Binomiale B(n, p) alors E[X ] = np
et Var [X ] = np(1 − p).
Tirages avec remise dans une urne é k catégories
On suppose que l’urne contient N boules de k catégories

Ci 1 ≤ i ≤ k , en proportion Pi , 1 ≤ i ≤ k , et pour tout
suite (n1 , n2 , . . . , nk ), telle que ∀i ∈ {1, . . . k }. 0 ≤ ni ≤ Ni
et ki=1 ni = n ≤ N. Question quelle est la probabilté
P
d’observer l’événement
En1 ,n2 ,...,nk = on extrait n1 boules de catégorie c1 , . . . , nk
boules de catégorie ck
Proposition
n2 n3 nk
P(En1 ,n2 ,...,nk ) = Cnn1 Cn−n 1
Cn−n 1 −n2
. . . Cn−n1 −n2 −...−nk −1
après simplification on obtient

n!
= P n1 P n2 . . . Pknk .
n1 !n2 ! . . . nk ! 1 2
Proposition
n2 n3 nk
P(En1 ,n2 ,...,nk ) = Cnn1 Cn−n 1
Cn−n 1 −n2
. . . Cn−n1 −n2 −...−nk −1
après simplification on obtient

n!
= P n1 P n2 . . . Pknk .
n1 !n2 ! . . . nk ! 1 2
Preuve
La peuve est identique à celui utilisé pour deux
catégories.
Cette formule est appelée formule multinomiale,
généralise la formule binomiale obtenue pour k = 2.
Loi de Poisson
Définition
On dit qu’une v.a. X suit une loi de Poissona P(λ), de
paramétre λ (λ réel strictement positif) si cette v.a. peut
prendre toutes valeurs entiéres positives ou nulle et si :
λk
P[X = k ] = e−λ
k!
a
Poisson (1781-1840) mathématicien franéais, utilisa cette loi
dans ses Mémoires sur la probabilité du tir é la cible
Exemple
On admet que sous certaines hypothéses, les v.a.
suivantes suivent la loi de Poisson :
- Le nombre d’oeufs pondus, au cours d’une ponte, par
une certaine espéce animale. Selon les espéces, λ
pourra étre égal, par exemple, é 2 ou 4.5 ou 10....
- Le nombre d’accidents déclarés par jour non férié é une
compagnie d’assurance.
- Le nombre de décomposition par unité de temps dans
un matériau radioactif.
Proposition
Si X est de loi de Poisson de paramétre λ alors :
E[X ] = Var [X ] = λ.
Loi géométrique
Définition
Soit p un nombre compris entre 0 et 1. On dit qu’une v.a.
X suit la loi géométrique G(p) de paramétre p si les
valeurs qu’elle peut prendre sont toutes les valeurs
entiéres positives (N∗ ) et si :
P[X = k ] = (1 − p)k −1 p
C’est la loi du rang d’apparition du premier succés dans

une suite d’épreuves indépendantes où, é chaque
épreuve, se réalise un échec (avec la probabilité (1 − p))
ou un succés (avec la probabilité p).
Proposition
1
Si X est une v.a. de loi géométrique G(p), E[X ] = p
et
Var [X ] = 1−p
p2
.
Proposition
1
Si X est une v.a. de loi géométrique G(p), E[X ] = p
et
Var [X ] = 1−p
p2
.
Exemple
On lance un dé jusqu’é obtenir pour la premiére fois un
as. On note X la v.a. égale au nombre de lancers
nécessaires. X suit la loi géométrique de paramétre
p = 16 . Le nombre moyen de lancers pour obtenir un as
est donc de 6.
Approximation d’une loi discrète par une autre loi discrète
Dans certains cas on peut utiliser, au lieu d’une loi

donnée, une autre loi dont la formulation est plus simple
(et conduit donc é des calculs moins laborieux).
Approximation de la loi hypergéométrique par la loi

binomiale
Si la taille de l’échantillon est petite par rapport é celle de

la population, la composition initiale de celle-ci varie peu
au cours des tirages successifs si on fait des tirages sans
remise.

binomiale

remise.
On considére alors que le tirage sans remise est
équivalent é un tirage avec remise.

binomiale

remise.
En pratique l’approximation H(N, n, p) ∼ B(n, p) est
considéré comme valable dés que le taux de sondage
vérifie Nn ≤ 10
1
.

binomiale

remise.
En pratique l’approximation H(N, n, p) ∼ B(n, p) est
considéré comme valable dés que le taux de sondage
vérifie Nn ≤ 10
1
.
L’avantage de cette approximation est que la loi binomiale
ne dépend que de deux paramétres n et p, et qu’il n’est
pas nécessaire de connaétre la taille exacte N de la
population.
Remarque
Soit X ,→ H(N, n, p)
Remarque
1 L’espérance np est indépendante de N, elle est égale
é l’espérance de la loi Binomiale B(n, p).
Remarque
2 La variance N−n N−1
np(1 − p) tend, lorsque N tend vers
l’infini, vers la variance np(1 − p) de la loi Binomiale
B(n, p).
Remarque
2 La variance N−n N−1
np(1 − p) tend, lorsque N tend vers
l’infini, vers la variance np(1 − p) de la loi Binomiale
B(n, p).
Proposition
La loi hypergéométrique H(N, n, p) converge, quand N
tend vers l’infini, vers la loi Binomiale B(n, p). Plus
précisément
n−k
CNk a CN−N
lim a
= Cnk pk (1 − p)n−k .
N→+∞ CNn
Exemple
En 1998 le nombre d’étudiants en DEUG MP était de 570
dont 74 possédaient un bac Sciences Math. En vue de
faire un suivi d’étudiants, on tire au hasard dans cette
population un échantillon de 30 étudiants.
Quelle est la probabilité que, parmi ces étudiants
sélectionnés, on observe 5 étudiants de bac S.M. ?
Notons X la v.a. égale au nombre d’étudiants de bac S.M.
dans cet échantillon de 30 étudiants.
Avec la loi hypergéométrique
C 5 .C 25
P[X = 5] = 74C 30 496 = 0, 1664
570
Avec la loi binomiale
5 74 5 496 25
P[X = 5] = C30 ( 570 ) .( 570 ) = 0, 1625
Approximation de la loi binomiale par la loi de Poisson
Si la taille n de l’échantillon est “assez grande” et si la

proportion p des individus de catégorie A est “assez
petite”, Poisson a montré en 1837 que l’on peut
approximer la loi binomiale B(n, p) par la loi dite de
Poisson P(np). Cette loi ne dépend que d’un seul
paramétre λ = np.
En pratique on admettra que cette approximation est
utilisable dés que n ≥ 50 et que p est tel que np ≤ 10 et
p ≤ 0, 1.
Soit une expérience aléatoire qui consiste é répéter n fois,

de maniére indépendante, une même épreuve de
Bernoulli dans un intervalle de temps d’une durée T fixée.
Il se peut que la probabilité de succés, la même pour
chacune, soit fonction pn de leur nombre n : par exemple
si n augmente, pn diminue, tend vers 0 tandis que le
produit npn tend vers un réel λ.
Proposition
Soit (Xn )n≥0 une suite de v.a. binomiales telles que
Xn ,→ B(n, pn ) avec lim npn = λ > 0

n→+∞
alors (Xn )n≥0 converge en loi vers une v.a. P(λ) au sens
oé
λk
∀k ∈N lim P(Xn = k ) = e−λ .
n→+∞ k!
Exemple
On suppose que le pourcentage des étudiants en
Sciences dont le groupe sanguin est AB est égal é celui
de la population marocaine, é savoir de 3,25%. On choisit
au hasard un échantillon de n = 200 étudiants.
Quelle est la probabilité que cet échantillon contienne
exactement 8 étudiants du groupe AB ?
On note X la v.a. égale au nombre d’étudiants de groupe

AB dans cet échantillon de 200 étudiants.
Avec la loi binomiale
8
P[X = 8] = C200 (0, 0325)8 (0, 9675)192 = 0, 1206
Avec la loi de Poisson de paramétre
λ = 200 × 0, 0325 = 6.5, P[X = 8] = 0, 1188.

Proba Chap2

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

Proba Chap2

Transféré par

Droits d'auteur :

Formats disponibles

Variables aléatoires discrètes - Loi de probabilité discrète

Variables aléatoires discrètes - Loi

Notion de variables aléatoires discrètes

On considère une épreuve aléatoire dont l’ensemble

Notion de variables aléatoires discrètes

On considère une épreuve aléatoire dont l’ensemble

Notion de variables aléatoires discrètes

On considère une épreuve aléatoire dont l’ensemble

Notion de variables aléatoires discrètes

Notion de variables aléatoires discrètes

Notion de variables aléatoires discrètes

Loi de probabilité discrète

Soit (xk )k ∈K (K ensemble fini ou dénombrable) les valeurs

Notion de variables aléatoires discrètes

Loi de probabilité discrète

Soit (xk )k ∈K (K ensemble fini ou dénombrable) les valeurs

Notion de variables aléatoires discrètes

Loi de probabilité discrète

Soit (xk )k ∈K (K ensemble fini ou dénombrable) les valeurs

Notion de variables aléatoires discrètes

Loi de probabilité discrète

Soit (xk )k ∈K (K ensemble fini ou dénombrable) les valeurs

Notion de variables aléatoires discrètes

Fonction de répartition d’une loi de probabilité

Notion de variables aléatoires discrètes

Fonction de répartition d’une loi de probabilité

Notion de variables aléatoires discrètes

Fonction de répartition d’une loi de probabilité

Il est aisé de montrer que la fonction de répartition vérifie

Notion de variables aléatoires discrètes

Espérance mathématique d’une v.a. discrète

Notion de variables aléatoires discrètes

Espérance mathématique d’une v.a. discrète

Notion de variables aléatoires discrètes

Proposition (Espérance mathématique d’une fonction

Notion de variables aléatoires discrètes

Moments - Variance - Ecart-type

Notion de variables aléatoires discrètes

Moments - Variance - Ecart-type

Notion de variables aléatoires discrètes

Moments - Variance - Ecart-type

Notion de variables aléatoires discrètes

Moments - Variance - Ecart-type

Notion de variables aléatoires discrètes

Notion de variables aléatoires discrètes

Notion de variables aléatoires discrètes

Notion de variables aléatoires discrètes

Notion de variables aléatoires discrètes

Notion de variables aléatoires discrètes

Notion de variables aléatoires discrètes

E(XY ) = E(X )E(Y ).

Notion de variables aléatoires discrètes

E(XY ) = E(X )E(Y ).

Cov (X , Y ) = E [(X − EX )(Y − EY )]

Notion de variables aléatoires discrètes

Var (X + Y ) = Var (X ) + Var (Y )

Cov (aX , Y ) = Cov (X , aY ) = aCov (X , Y )

Cov (X + a, Y ) = Cov (X , Y + a) = Cov (X , Y )

Notion de variables aléatoires discrètes

Principales lois discrètes sur R

Notion de variables aléatoires discrètes

Principales lois discrètes sur R

Notion de variables aléatoires discrètes