Académique Documents
Professionnel Documents
Culture Documents
Dr Hamidou. OUEDRAOGO(Mdecine)
May 13, 2022
Lorsque X(Ω) est fini où infini dénombrable on dit que X est une variable aléatoire est
discrète.
Exemple 1.2. La somme des points obtenus en lanant 2 dés, le nombre d’étudiants
connectés à Facebook.
Lorsque X(Ω) est infini non dénombrable (c’est-à-dire, lorsque X peut prendre toutes
les valeurs d’un intervalle réel), on dit que X est une variable aléatoire continue.
Exemple 1.3. Temps d’attente à un fil du RU, la distance parcouru par un vélo.
1
2 Variables aléatoires discrètes
2.1 Loi d’une variable aléatoire discrète
Soit X une variable aléatoire discrète telle que X(Ω) = {x1 ; x2 ; · · · ; xn ; · · · }
Définition 2.1. On appelle loi (ou distribution) de probabilité de X la donnée des cou-
ples {(xi , pi ), xi ∈ X(Ω)}. On la présente généralement sous forme de tableau
xi x1 · · · xn · · ·
p(X = xi ) p1 · · · pn · · ·
Exemple 2.2. La demande mensuelle d’un produit A dans un super marché de la place
est une variable aléatoire dont la loi est indiqué dans le tableau suivant:
Demande xi 0 1 2 3 4
p(X = xi ) 0, 1 0, 2 0, 3 0, 3 0, 1
Remarques:
2
2.3 Espérance d’une variable aléatoire discrète
Définition 2.6. Soient X une variable aléatoire discrète. On appelle espérance de X le
réel noté E(X) et défini par
X
E(X) = xi p(X = xi )
xi ∈X(Ω)
Proposition 2.7. Soit X , Y deux variables aléatoires discrètes et a, b des nombres réels.
Alors
• (E(a) = a ∀a ∈ R.
Proposition 2.8. Soit g : R −→ R, une fontion continue,alors g(X) est une variable
aléatoire discrète et on a
X
E(g(X)) = g(xi )p(X = xi ).
xi ∈X(Ω)
2
On note souvent σX = V (X).
Proposition 2.11. Soit X une variable aléatoire discrète et a, b des nombres réels. Alors
• V (aX + b) = a2 V (X) ∀ a, b ∈ R;
• V (a) = 0 ∀ a ∈ R;
3
2.5 Lois discrètes usuelles
2.5.1 La loi de Bernoulli
Définition 2.12. Une épreuve de Bernoulli est une épreuve aléatoire ayant 2 résultats
possibles : succès ou échec. En notant X, le nombre de succès à l’issue d’une épreuve, on
a X(Ω) = {0, 1}, (0 si le résultat est un échec, 1 si le résultat est un succès).
On dit qu’une variable aléatoire X suit une loi de Bernoulli de paramètre p et on note
X ,→ Bernoulli(p) si
• X(Ω) = {0, 1}
• p(X = 1) = p et p(X = 0) = 1 − p
• E(X) = p
• V (X) = p(1 − p)
Remarque 2.15. Trois conditions doivent être remplies pour que X suive une loi bino-
miale:
• n fixé d’avance ;
• épreuves indépendantes.
• E(X) = np
• V (X) = np(1 − p)
4
Proposition 2.18. Soit X ,→ Geo(p). Alors
1
• E(X) = p
1−p
• V (X) = p2
• E(X) = λ
• V (X) = λ
Exercice 2.21. On estime que le nombre moyen d’accidents par semaine dans une région,
est égal à 7. Calculer:
5
3.2 Fonction de répartition
Définition 3.2. Soit X une variable aléatoire réelle. On appelle fonction de répartition
de X, la fonction F : R −→ R définie par FX (x) = p(X ≤ x) ∀ x ∈ R
• lim FX (x) = 0
x−→−∞
• lim FX (x) = 1
x−→+∞
Proposition 3.5. Si X est une variable alátoire continue à densité alors FX est de classe
C 1 et on a FX0 (x) = fX (x)
6
3.4 Espérance et variance d’une variable aléatoire réelle à den-
sité
3.4.1 Espérance d’une variable aléatoire réelle à densité
Définition 3.8. Soit X : Ω −→ R une variable aléatoire continue à densité. On appelle
espéranceZ de X le réel noté E(X) défini par
+∞
E(X) = tfX (t)dt.
−∞
• (E(a) = a ∀ a ∈ R.
Proposition 3.10. Soit g : R −→ R, une fontion continue,alors g(X) est une variable
aléatoire à densité et on a
Z +∞
E(g(X)) = g(t)fX (t)dt
−∞
2
On note souvent σX = V (X).
Proposition 3.13. Soit X une variable aléatoire à densité et a, b des nombres réels.
Alors
Définition 3.14. Soit X une variable aléatoire. On appelle variable aléatoire centrée-
réduite associée à X la variable aléatoire X ∗ = X−E(X)
σX
C’est -à- dire E(X ∗ ) = 0 et
V (X ∗ ) = 1.
7
3.5 Inégalité de Bienaymé Tchebichev
Cette inégalité permet de préciser la remarque intuitive suivante: plus lécart-type d’une
variable est faible, plus la distribution de la variable est concentrée autour de son espérance.
1 1
Quel que soit t > 0, p(|X − E(X)| ≥ tσX ) ≤ ⇐⇒ p((E(X) − tσ X ) ≤ X ≤ E(X) − tσ X )) ≥ 1 − .
t2 t2
Ainsi la proba qu’une v.a appartienne à l’intervalle précédent est toujours supérieure où
égale à une valeur minimale qu’on peut choisir aussi proche de 1 qu’on le veut( il suffit
de prendre t assez grand). Cette inégalité montre par exemple que, quelle que soit la loi
de la v.a X, celle-ci a au moins 75% de chances de prendre ses valeurs dans l’intervalle
[E(X) − 2σ; E(X) + 2σ].
(b−a)2
• V (X) = 12
Définition 3.17. On dit qu’une variable réelle X suit une loi Normale de paramètres µ
et σ, et on note X ,→ N (µ, σ) si sa densité de probabilité est
1 1 x−µ 2
fX (x) = √ e− 2 ( σ )
σ 2π
8
Proposition 3.18. Soit X ,→ X ,→ N (µ, σ). Alors
• E(X) = µ
• V (X) = σ 2
Définition 3.19. Une variable réelle X suit une loi Normale centrée réduite si µ = 0 et
σ = 1, et on note X ,→ N (0, 1) si sa densité de probabilité est
1 1 2
fX (x) = √ e− 2 x
2π
Théorème 3.20. Si une variable aléatoire suit une loi Normale N (µ, σ), alors on peut
X −µ
montrer que la variable aléatoire définie par: T = suit la loi normale centrée
σ
N (0, 1). La variable T est alors sans unité. T est dite variable centrée réduite associée.
Théorème 3.21. Toute somme, ou plus généralement toute combinaison linéaire de deux
variables normales indépendantes, est elle même une variable normale. Soient a et b des
nombres réelles. Si X1 ,→ N (µ1 , σ1 ) et X2 ,→ N (µ2 , σ2 ), X1 et X2 étant indépendantes,
alors la variable q
aX1 + bX2 ,→ N (aµ1 + bµ2 , a2 σ12 + b2 σ22 )
• Lecture de F (t): Par exemple la valeur F (1.45) est lue à l’intersection de ligne de
1.4 et de la colonne (0.05). on lit F (1.45) =?.
Application 3.22. La longueur d’une certaine catégorie d’écran d’ordinateur suit une
loi normale d’espérance mathématique 35 cm et de variance 1, 96cm2 . On note X , la
longueur d’un clavier choisi au hasard.
2. Quelle est la longueur du clavier dont 25% de lensemble sont plus courts que lui ?
9
√
Application 3.23. Soit X1 : Poids en kg d’un ordinateur de type
√ A. X 1 ,→ N (15, 8)
Soit X2 : Poids en kg d’un ordinateur de type B. X2 ,→ N (17, 10)
1. Quelle est la probabilité que le poids total des deux types d’ordinateurs excède 35kg?
2. Quelle est la probabilité que leur poids moyen soit inférieur à 16.5kg?
3. Quelle est la probabilité que le poids de l’ordinateur de type A dépasse celui de typeB
?
Application 3.24. 1400 usagers prennent le TGV Paris-Nantes. Les portent s’ouvrent
une demi-heure avant le départ. 50 Passagers arrivent avant l’ouverture, 70 arrivent trop
tard. Si la distribution des aarivées est normale.
2. Déterminer l’heure à laquelle les portes du train doivent être ouvertes pour que pas
plus de 20 usagers qui attendent sur le quai.
10