Chapitre 2

Chapitre 2
Variables aléatoires
Variables aléatoires discrètes
Définition Une variable aléatoire notée (v.a) est dite discrète si l’ensemble des réalisations
possibles x1, x2,…xn pour cette variable est fini ou dénombrable.
Exemple 1 La variable Y associée à l’événement « un individu développe t-il une allergie » a
deux réalisations possibles
«L’individu développe une allergie » codée généralement par 1 état associé au succès
«L’individu ne développe pas une allergie » codée par 0, état associé à l’échec.
Exemple 2 Soit une famille de 4 enfants dont les parents sont porteurs d’un gène d’une
maladie héréditaire. La variable aléatoire X : « nombre d’enfants atteints de cette maladie
dans la famille » est discrète à cinq réalisations possibles X= 0, 1, 2, 3, 4.
Exemple 3 Si on lance une pièce non truqué deux fois, le nombre de fois où pile est obtenue
est une v.a prenant les valeurs 0,1,2.
Loi de probabilité
Définition à chacune des réalisations xi de la variable aléatoire X est associé une probabilité
P(X= xi)=pi (0 ≤ 𝑝 i ≤ 1, ∀ i).
L’ensemble des couples (xi, pi) forme une loi de probabilité si la somme de toutes ces
probabilités est égale à 1 ;
∑𝑛𝑖=1 P(X = xi) = ∑𝑛𝑖=1 𝑝i (cas fini)
∑+∞ +∞
𝑖=1 P(X = xi) = ∑𝑖=1 𝑝 i (cas dénombrable)
Une variable aléatoire discrète peut être résumée par un tableau
X=xi x1 x2 … xn
p(X=xi) p(X=x1)=p1 p(X=x2)=p2 … p(X=xn)=pn
Suite de l’exemple1 Soit p la probabilité de développer une allergie à ce traitement et soit

q=1-p la probabilité de ne pas développer une allergie.
P(Y=1)=p=0.1
P(Y=0)=q=1-p=0.9
Y=yi 0 1
P(Y=yi)=pi 0.9 0.1 1
Suite de l’exemple 2 Soit p=1/4 la probabilité qu’un enfant soit atteint de cette maladie,
indépendamment de son sexe. La loi de probabilité de la variable X : « nombre d’enfants
atteints dans la famille de 4 enfants » est donnée par le tableau suivant
xi 0 1 2 3 4
pi 0.316 0.422 0.211 0.047 0.004
Fonction de répartition
Définition La fonction de répartition associée à la variable aléatoire X est la fonction notée F
ou Fx définie de R dans l’intervalle [0,1] par
F(x)= FX (x)=P(X≤ x) = ∑𝑥𝑖≤𝑥 𝑃(𝑋 = 𝑥𝑖)
Représentation graphique Sa représentation graphique est une fonction en escalier, chaque
saut de la fonction de répartition a pour hauteur la dernière probabilité sommée
Propriétés
• 0 ≤ 𝐹(𝑥) ≤ 1
• Elle est croissante au sens large si a ≤ b alors F(a) ≤ F(b)
• lim 𝐹(𝑥) =0, lim F(x)=1
𝑥→−∞ 𝑥→+∞
Suite de l’exemple 1 On trace le graphe de F comme suit
 Si y<0 , FY(y)= P(Y≤y)=0
 Si 0≤y<1, FY(y)= P(Y≤y)=P(Y=0)=0.9
 Si y≥1, FY(y)= P(Y≤y)= P(Y=0)+ P(Y=1) = 1

Propriété
P(a≤ 𝑋 ≤ 𝑏)=F(b)-F(a)
Principales lois de variables discrètes
Loi de Bernoulli
Définition Soit une expérience aléatoire ayant deux résultats possibles
E={le succès} et 𝐸̅ = {l’échec} avec P(E)=p, 0≤p≤1, P(𝐸̅ )=1-p=q, 0≤q≤1.

• Cette épreuve élémentaire est appelée expérience de Bernoulli.
• On lui associe une variable aléatoire discrète Y ayant deux réalisations possibles 0
état associé à un échec, 1 état associé au succès
• Paramètres caractéristiques : Y↪Bernoulli(p)

Réalisation Y=0 ou 1
Probabilités P(Y=1)=p
P(Y=0)=q
Espérance mathématique E(Y)=p
Variance V(Y)=pq
Ecart type 𝜎(Y)=√𝑝𝑞
• Suite de l’exemple 1 La v.a « avoir une allergie » suit une loi de Bernoulli de
paramètre p=0.1 d’où E(Y)=0.1, V(Y)=0.09
La loi binomiale
Définition soient n v.a Yi (i=1,…,n) de Bernoulli indépendantes et de même
paramètre p alors X=∑𝑛𝑖=1 Yi est une variable aléatoire qui suit une loi
binomiale de paramètres n et p. on note X↪B(n,p).
D’une façon générale la loi binomiale est utilisée dès qu’il s’agit d’un décompte de succès
parmi n épreuves répétées, identiques et indépendantes (même probabilité de succès) à
deux issues seulement : succès et échec.
Paramètres caractéristiques X ↪ B(n,p), 0≤ 𝑝 ≤ 1
Réalisations X=0,1,2,…,n
Probabilités P(X=k)=Cnkpk(1-p)n-k
Espérance mathématique E(X)=np
Variance V(X)=np(1-p)
Ecart type σ(X)=√np(1 − p)
Suite de l’exemple 2 Soit la variable aléatoire X : « nombre d’enfants atteints

par une maladie héréditaire dans une famille de 4 enfants ».
X↪ B(n=4,p=1/4)
E(X)=np=4*1/4=1
V(X)=np(1-p)=3/4=0.75
On peut calculer les différentes probabilités ;
P(X=0)=C40(1/4)0(1-1/4)4=0.316
P(X=1)= C41(1/4)1(1-1/4)3=0.422
P(X=2)= C42(1/4)2(1-1/4)2=0.211
P(X=3)= C43(1/4)3(1-1/4)=0.047
P(X=4)= C44(1/4)4(1-1/4)0=0.004.
La loi de Poisson
Définition on dit qu’une variable aléatoire X suit une loi de Poisson de paramètre réel positif
λ, notée X↪ 𝑃(λ) si elle prend des valeurs entières.
λk
P(X=k)=𝑒 −λ ( 𝑘! )
La loi de Poisson permet de modéliser des comptages d’événements rares c'est-à-dire des
événements ayant une faible probabilité de réalisation, maladies rares, accidents mortels
rares, pannes, radioactivité…
Moyenne et variance
E(X)=V(X)= λ
Exemple
Une société constate en moyenne trois accidents de travail par an. L’effectif est
relativement élevé, on considère que le nombre d’accidents suit une loi de Poisson.
Quelle est la probabilité que plus de quatre accidents surviennent dans l’année ?
Réponse
X↪ 𝑃(λ), λ = 3
P(X>4)= 1 − 𝑃(𝑋 ≤ 4)
=1- [P(X=0)+ P(X=1)+ P(X=2)+ P(X= 3)+ P(X=4)]
=1-[0.0498+0.1494+0.2240+0.2240+0.1680]
=1- 0.8153
=0.1847

Chapitre 2

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 2

Transféré par

Informations du document

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

Chapitre 2

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 2

Une variable aléatoire discrète peut être résumée par un tableau

p(X=xi) p(X=x1)=p1 p(X=x2)=p2 … p(X=xn)=pn

Suite de l’exemple1 Soit p la probabilité de développer une allergie à ce traitement et soit

pi 0.316 0.422 0.211 0.047 0.004

Suite de l’exemple 1 On trace le graphe de F comme suit

 Si y<0 , FY(y)= P(Y≤y)=0

 Si 0≤y<1, FY(y)= P(Y≤y)=P(Y=0)=0.9

 Si y≥1, FY(y)= P(Y≤y)= P(Y=0)+ P(Y=1) = 1

E={le succès} et 𝐸̅ = {l’échec} avec P(E)=p, 0≤p≤1, P(𝐸̅ )=1-p=q, 0≤q≤1.

• Paramètres caractéristiques : Y↪Bernoulli(p)

Paramètres caractéristiques X ↪ B(n,p), 0≤ 𝑝 ≤ 1

Suite de l’exemple 2 Soit la variable aléatoire X : « nombre d’enfants atteints

Vous aimerez peut-être aussi