Cours de Probabilités: Ghiz Lan Loumrhari

Cours de probabilités
GHIZLAN LOUMRHARI
SEPTEMBRE 2019
Chapitre 2. Variables aléatoires
L’espérance mathématique et la variance
Caractéristiques :
Les deux principales caractéristiques, la moyenne et la variance, d’une

variables aléatoire discrètes sont données par
n
E(X )  x p
i 1
i i
 p i x i  E ( X ) 
2
V (X ) 
i
L’espérance mathématique
L’espérance mathématique E(X) d’une variable aléatoire X

joue le rôle dévolu à la moyenne en statistiques : elle correspond
à la valeur moyenne espérée par un observateur lors d’une
réalisation de la variable aléatoire X. On a :
lorsque X peut prendre N valeurs différentes x1; ….. ; xn avec

comme probabilités élémentaires pi = P[X = xi ].
La variance
Pour décrire plus précisément le comportement de X, sans pour

autant caractériser complètement la loi de X, on peut s’intéresser
aux écarts de X par rapport à cette moyenne.
Cependant, si on considère simplement la différence X-E(X),
on obtient un écart moyen E(X-E(X))=0 (par linéarité de
l’espérance). On pourrait considérer la valeur moyenne de
|X-E(X)| mais on préfère considérer la moyenne de
plus pertinente mathématiquement.
La variance
La variance mesure ainsi la déviation moyenne autour de la

moyenne espérée E(X), et est définie par :
Elle est toujours positive puisqu’il s’agit de l’espérance d’un

carré.
V ( X )  E ( X 2 )  E ( X ) 
2
Autre expression de la variance :

L’Ecart-type
Pour mesurer la dispersion d’une variable aléatoire X, on

considère souvent en statistiques l’écart-type, lié à la variance
par :
Propriétés de l’espérance mathématique et de la variance
Propriété de la moyenne
E (a )  a
E ( aX )  aE ( X )
E ( X  Y )  E ( X )  E (Y )
E ( XY )  E ( X )  E (Y ) si X et Y sont indépendantes
Propriété de la variance
V (X )  0
V ( X )  E ( X 2 )  E ( X ) 
2
V (a )  0
V ( aX )  a 2V ( X )
V ( X  Y )  V ( X )  V (Y ) si X et Y sont indépendantes
L’espérance mathématique et de la variance
Exemple. Une banque accepte de ses clients des rouleaux de pièces de 10

MAD sans en contrôler le nombre (en principe 25 pièces). On suppose que 3%
des rouleaux contiennent seulement 24 pièces, que 96% des rouleaux
contiennent 25 pièces et que 1% des rouleaux contiennent 26 pièces.
Si on note X la V.A. qui représente le nombre de pièces d’un

rouleaux calculez E(X) et V(X)
Exemple. Soit X une V.A. représentant le nombre de pièces par rouleaux
xi 24 25 26 Total
pi 0,03 0,96 0,01 1
xi p i 0,72 24 0,26 24,98
E ( X )  24 ,98

xi 24 25 26 Total
pi 0,03 0,96 0,01 1
xi p i 0,72 24 0,26 24,98
x i2 576 625 676
x i2 p i 17,28 600 6,76 624,04
E ( X )  24 ,98 E ( X 2 )  624 ,04

V ( X )  E ( X 2 )  E ( X ) 2  0 ,0396
X est une variable aléatoire de moyenne 24,98 et de variance

0,0396 (ou d’écart-type 0,199)
Les lois de probabilité paramétriques
 Les lois paramétriques sont des lois de probabilité qui dépendent d’un ou de
plusieurs paramètres (généralement 1 ou 2).
 Des phénomènes aléatoires très différents peuvent être décrits par une
même loi avec des valeurs différentes pour les différents paramètres.
 Ainsi un nombre limité de lois permettent de décrire pratiquement une
infinité de phénomènes aléatoires.

Les lois discrètes. Loi de Bernoulli
X suit une loi de Bernoulli de paramètre p notée B(p) si elle prend les valeurs 0
et 1 avec les probabilités P(X = 1) = p et P(X=0) = 1- p :
P ( X  k )  p k (1  p )1 k
Propriétés : E(X )  p et V ( X )  p (1  p )
Domaine d’application : Un seul tirage (sans remise)
Exemple. On lance une pièce de monnaie, et on choisit Pile comme succès.

Calculer l’espérance et la variance de X
X peut prendre soit 1 soit 0

Pile = succès =1 Face Pile
Face =échec =0 X 0 1
P(X=xi) 0,5 0,5
E(X)=p=0,5
V(X)=p(1-P)=0,5.0,5=0,25
Exemple. On lance un dé, et on choisit que le succès est d’avoir un 6
X peut prendre soit 1 soit 0

« 6 » = succès =1
« 1,2,3,4,5 » =échec =0 1,2,3,4,5 6
X 0 1
P(X=xi) 5/6=0,83 1/6=0,16
E(X)=p=0,16
V(X)=p(1-P)=1/6.5/6=0,138
Les lois discrètes. Loi Binomiale
X suit une loi Binomiale de paramètres n et p, notée B(n,p) si elle prend les
valeurs 0,1,2,…,n avec les probabilités :
P ( X  k )  C nk p k (1  p ) n  k
Propriétés : E ( X )  np et V ( X )  np (1  p )
Domaine d’application : Dualité (urnes contenant boules blanches et
boules noires) avec remise.
Les lois discrètes. Loi Binomiale
Exemple. La probabilité d’obtenir exactement 2 faces au cours de 6 lancers

d’une pièce de monnaie
P ( X  k )  C nk p k (1  p ) n  k
Les lois discrètes. Loi géométrique
X suit une loi géométrique de paramètre p notée G(p,k) si sa distribution est

donnée par
P ( X  k )  p (1  p ) k 1
Propriétés : E ( X )  1/ p et V ( X )  (1  p ) / p 2
Domaine d’application : C’est la loi du temps d’attente du premier succès
dans les épreuves de Bernoulli répétées ou dans un tirage avec remise.
Exemple. Nombre de tirage nécessaire pour obtenir pile lors du lancement
d’une pièce
Les lois discrètes. Loi géométrique
Exemple. un lot de 50 pièces, dont 20 sont de type A, on choisit

avec remise une pièce type A. Quelle est la probabilité de sortir
une pièce de type A pour la première fois après le 5eme tirage?
Les lois discrètes. Loi de poisson
X suit une loi de Poisson de paramètre  notée P ( )

si sa distribution est donnée par
e  x
P ( X  x)  x  0 ,1, 2 ,...
x!
Propriétés : E(X )   et V (X )  
Domaine d’application : Cette loi s’applique au comportement du nombre
d’évènements se produisant dans un laps de temps fixe (ou intervalles
spatiaux).
Les variables aléatoires continues
La v.a. continue. La v.a. est dite continue si ses réalisations sont

n’importe quels réels dans un intervalle donné (le montant des
transactions pendant une journée à la BVC). Elle est caractérisée par
cet ensemble et la probabilité d’apparition appelée distribution ou loi
de probabilité et prend la forme d’une expression analytique appelée
densité.
Caractéristiques :
Les deux principales caractéristiques, la moyenne et la variance,
d’une variables aléatoire continues sont données par
 
E( X )   xf ( x )dx V (X )   x  E ( X ) 2
f ( x ) dx
 
Exemple. On considère la fonction f définie sur par

et X est une variable aléatoire de densité f.
Calculer les probabilités suivantes :
a.
b.
a.
f(x)
a b
b.
f(x)
A1 + A2 =1
A2 =1 - A1
3
Les lois continues. La loi normale
La loi normale : X suit une loi Normale de paramètres μ et σ notée si sa

densité est donnée par :
2
1  x  
1  
2  

f ( x; , )  e
 2
Propriétés : E( X )   et V (X )   2
Les lois continues. La loi normale
- Il existe une infinité des lois normales

- La loi n’est pas tabulée. Problème
- Il faut la standardiser
Les lois continues. La loi normale centrée réduite
X 
La loi normale centrée réduite (standard) : Si on pose Z on

obtient une V.A. noté N(0,1) de densité
z2
1 
f (z)  e 2
2
Propriétés : E( X )  0 et V (X ) 1
0
Exemple. X  N (500,202 )
Calculer :
P ( X  520)
P ( X  540)
P ( 460  X  540 )
Exemple. Soit X une v.a continue suit une loi normale ( , ). Déterminer
Tel que
Les lois continues. Khi-deux
Loi de Khi-deux (chi-deux). La V.A. X suit une loi de Khi-deux de paramètre n,
notée 2 (n) si elle est donnée par

n
 i
n 2
X  Y
X  Y
i 1
i
2
i 1
Yi (i  1, 2 ,..., n ) sont n variables aléatoires normales standards
indépendantes et n est appelé n.d.d.l (nombre de degrés de libertés)
Propriétés :
E( X )  0 et
V (X )  1
Cette loi est bien entendu, tabulée

Exemple. Considérons une variable aléatoire X de loi  2 (n)
Pour n=13,
(i) Calculer P(5<X<24,73)
(ii) Déterminer les valeurs a et b si : P(X<a)=0,99 et P(X>b)=0,95

Corrigé.
1. Pour n=13,
(i) Calculer P(5<X<24,73)

Corrigé.
(ii) Déterminer les valeurs a et b si P(X<a)=0,99 et P(X>b)=0,95
P(X<a)=0,99 D’après la table de Khi deux a=27,68
D’après la table de Khi deux b=0,89

Les lois continues. Loi de Student
Loi de Student. La V.A. X suit une loi de Student de paramètre n, notée
si elle est donnée par

t (n )
Y X  N ( 0 ,1)
X 
Z Y   n2
n
X et Y sont indépendantes
Propriétés : et n
E(X )  0 V (X ) 
n2
0
Exemple. Soit X est une variable aléatoire qui suit une loi de student de
v= 10 degré de liberté. En utilisant une table donnant la fonction de
répétition de la loi de student,
1. Calculer les probabilités suivantes : P(X<-1,093)
2. déterminer a et b dans les cas suivantes : P(X<a)=0,9 et

Corrigé.
1. Calculer les probabilités suivantes : P(X<-1,093) et P(0,541<X<2,228)

Les lois continues. Le théorème central limite
Le théorème central limite
Soit X1, X2, … une suite de variables aléatoires réelles définies sur le même espace
de probabilité, indépendantes et identiquement distribuées suivant la même loi L.
Supposons que l‘espérance μ et l’écart-type σ de L existent et soient finis avec
σ ≠ 0.
S n  X 1 , X 2 ,..., X n
Considérons la somme
Sn
Si n est grand alors est une variable aléatoire normale de moyenne n μ et de
n 2
variance
Exemple 1. Une banque accepte de ses clients des rouleaux de

pièces de 10 MAD sans en contrôler le nombre (en principe 25
pièces). On suppose que 3% des rouleaux contiennent seulement 24
pièces, que 96% des rouleaux contiennent 25 pièces et que 1% des
rouleaux contiennent 26 pièces.
(i) Si on note X la V.A. qui représente le nombre de pièces d’un

rouleaux calculez E(X) et V(X)
(ii)Calculez les probabilités pour que 400 rouleaux contiennent

- Moins de 10 000 pièces
- Moins de 9 990 pièces

xi 24 25 26 Total
pi 0,03 0,96 0,01 1
xi p i 0,72 24 0,26 24,98
x i2 576 625 676
x i2 p i 17,28 600 6,76 624,04
E ( X )  24 ,98 E ( X 2 )  624 ,04

V ( X )  E ( X 2 )  E ( X ) 2  0 ,0396
X est une variable aléatoire de moyenne 24,98 et de variance

0,0396 (ou d’écart-type 0,199)
(ii)On définit la V.A. 400

Sn  X
i 1
i
Et on cherche
P ( S n  10000 )  ?
Mais on ne connait pas la loi suivie par la variable aléatoireS n

(ii)X n’est pas normale mais comme n est grand (400 > 30), le TCL
s ’applique
400
La nouvelle variable aléatoireS n  X i
normale de
paramètres i 1
400
E ( S 400 )  X
i 1
i  n
400
V ( S 400 )   V
i 1
( X i )  n  2
L’utilisation du TCL montre que

S n  N ( n , n 2 )
Définissons la variable aléatoire normale centrée
et réduite
S n  n
Zn   N ( 0 ,1)
 n
La probabilité pour que 400 rouleaux contiennent moins de 10 000
pièces
 S  n 10000  n   10000  n 
P ( S n  10000 )  P n    PZ n  
  n  n    n 
 10000  400  24 , 98 
P ( S n  10000 )  P  Z n    P Z n  2 , 01 
 0 ,199  400 
P ( S n  10000 )  0 , 97778
La probabilité pour que 400 rouleaux contiennent moins de 9 990
pièces
 S  n 9990  n    9990  n  
P ( S n  9990 )  P  n    P Zn  
  n  n    n 
 9990  400  24 ,98 


P ( S n  9990 )  P  Z n    P Z n   0 ,5025 
 0 ,199  400 
P ( S n  9990 )  1  P ( Z n  0 ,5025 )
P ( S n  9990 )  1  0 ,6923  0 ,3077

Cours de Probabilités: Ghiz Lan Loumrhari

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

Cours de Probabilités: Ghiz Lan Loumrhari

Transféré par

Droits d'auteur :

Formats disponibles

Cours de probabilités

Les deux principales caractéristiques, la moyenne et la variance, d’une

L’espérance mathématique E(X) d’une variable aléatoire X

lorsque X peut prendre N valeurs différentes x1; ….. ; xn avec

Pour décrire plus précisément le comportement de X, sans pour

La variance mesure ainsi la déviation moyenne autour de la

Elle est toujours positive puisqu’il s’agit de l’espérance d’un

Autre expression de la variance :

Pour mesurer la dispersion d’une variable aléatoire X, on

Exemple. Une banque accepte de ses clients des rouleaux de pièces de 10

Si on note X la V.A. qui représente le nombre de pièces d’un

Exemple. Soit X une V.A. représentant le nombre de pièces par rouleaux

xi p i 0,72 24 0,26 24,98

Exemple. Soit X une V.A. représentant le nombre de pièces par rouleaux

xi p i 0,72 24 0,26 24,98

x i2 576 625 676

x i2 p i 17,28 600 6,76 624,04

E ( X )  24 ,98 E ( X 2 )  624 ,04

X est une variable aléatoire de moyenne 24,98 et de variance

plusieurs paramètres (généralement 1 ou 2).

 Ainsi un nombre limité de lois permettent de décrire pratiquement une

infinité de phénomènes aléatoires.

Exemple. On lance une pièce de monnaie, et on choisit Pile comme succès.

X peut prendre soit 1 soit 0

Exemple. On lance un dé, et on choisit que le succès est d’avoir un 6

X peut prendre soit 1 soit 0

Exemple. La probabilité d’obtenir exactement 2 faces au cours de 6 lancers

X suit une loi géométrique de paramètre p notée G(p,k) si sa distribution est

Domaine d’application : C’est la loi du temps d’attente du premier succès

dans les épreuves de Bernoulli répétées ou dans un tirage avec remise.

Exemple. Nombre de tirage nécessaire pour obtenir pile lors du lancement

Exemple. un lot de 50 pièces, dont 20 sont de type A, on choisit

X suit une loi de Poisson de paramètre  notée P ( )

La v.a. continue. La v.a. est dite continue si ses réalisations sont

Exemple. On considère la fonction f définie sur par

La loi normale : X suit une loi Normale de paramètres μ et σ notée si sa

- Il existe une infinité des lois normales

Loi de Khi-deux (chi-deux). La V.A. X suit une loi de Khi-deux de paramètre n,

notée 2 (n) si elle est donnée par

Yi (i  1, 2 ,..., n ) sont n variables aléatoires normales standards

indépendantes et n est appelé n.d.d.l (nombre de degrés de libertés)

Cette loi est bien entendu, tabulée

Exemple. Considérons une variable aléatoire X de loi  2 (n)

(i) Calculer P(5<X<24,73)

(ii) Déterminer les valeurs a et b si : P(X<a)=0,99 et P(X>b)=0,95

(i) Calculer P(5<X<24,73)

(ii) Déterminer les valeurs a et b si P(X<a)=0,99 et P(X>b)=0,95

P(X<a)=0,99 D’après la table de Khi deux a=27,68

D’après la table de Khi deux b=0,89

Loi de Student. La V.A. X suit une loi de Student de paramètre n, notée

si elle est donnée par

v= 10 degré de liberté. En utilisant une table donnant la fonction de

répétition de la loi de student,

1. Calculer les probabilités suivantes : P(X<-1,093)

2. déterminer a et b dans les cas suivantes : P(X<a)=0,9 et

1. Calculer les probabilités suivantes : P(X<-1,093) et P(0,541<X<2,228)

Le théorème central limite

de probabilité, indépendantes et identiquement distribuées suivant la même loi L.

Supposons que l‘espérance μ et l’écart-type σ de L existent et soient finis avec

Exemple 1. Une banque accepte de ses clients des rouleaux de

(i) Si on note X la V.A. qui représente le nombre de pièces d’un

(ii)Calculez les probabilités pour que 400 rouleaux contiennent

Exemple. Soit X une V.A. représentant le nombre de pièces par rouleaux