Chapitre 3 Variables Aléatoires

Analyse combinatoire
Chapitre 3: Variables aléatoires

Consulter la page
https://www.facebook.com/ecours/
10:58 1
Variables aléatoires
La variable aléatoire est une grandeur numérique dont la

valeur dépend de l’issue d’une expérience aléatoire.
Loi de probabilité d'une variable aléatoire discrète
Une loi de probabilité discrète est caractérisée par la variable
aléatoire X et par les probabilités associées: Pr(X = xi ) = pi
La loi de probabilité de X:
p1 + p2 + … + pn = 1
Valeur xi x1 x2 … xn
P(X = x i) p1 p2 … pn
10:58 https://www.facebook.com/ecours/ 2
variable aléatoire discrète
Exemple
On lance une pièce de monnaie non équilibrée. La
probabilité P(Pile)=0,6 et P(Face)=0,4.
Si Pile On gagne 10 et Si Face on perd 10 DH.
On associe à chacun des événements correspondants, le
gain en 10 Dirhames avec positif ou négatif.
la loi de probabilité de la variable aléatoire, X
xi 10 - 10
P(X = x i) 0,6 0,4
n
∑ p = 0,4 + 0,6 = 1
1
i
L'espérance de la loi de probabilité d’une variable aléatoire discrète
L’espérance mathématique d’ une variable aléatoire X est défini par:

n
E(X) = µ = ∑1
p i x i = p 1 x 1 + p 2 x 2 ......... + p n x n
p i = p (X = x i )
Exemple
xi 10 - 10
P(X = x i) 0,6 0,4
L'espérance mathématique E de p est .
2
E(X) = µ = ∑ pi x i = 0.6 ×10 + −0.4 ×10
1
E(X) = µ = 2
La variance et l’écart-
l’écart-type de la loi de probabilité
Définition
La variance de X est :
n n
V(X)= ∑ pi (xi − µ) V(X) = ∑ pi x i − µ 2
2 2
1 1
L’écart-type de X, est la racine carrée de la variance :
σ ( X ) = V(X)
xi 10 - 10
P(X = x i) 0,6 0,4
2
V(X)= ∑ pi (xi − µ) = 0.6× (10− 2) + 0.4× (−10− 2)
2 2 2
1
V(X) = 96
σ (X ) = V(X) = 9 . 798
L'espérance de la loi de probabilité d’une variable aléatoire discrète
L’espérance mathématique d’ une variable aléatoire X est défini par:

n
E(X) = µ = ∑1
p i x i = p 1 x 1 + p 2 x 2 ......... + p n x n
p i = p (X = x i )
Exemple
xi 10 - 10
P(X = x i) 0,6 0,4
L'espérance mathématique E de p est .
2
E(X) = µ = ∑ pi x i = 0.6 ×10 + −0.4 ×10
1
E(X) = µ = 2
La variance et l’écart-
l’écart-type de la loi de probabilité
Définition
La variance de X est :
n n
V(X)= ∑ pi (xi − µ) V(X) = ∑ pi x i − µ 2
2 2
1 1
L’écart-type de X, est la racine carrée de la variance :
σ ( X ) = V(X)
xi 10 - 10
P(X = x i) 0,6 0,4
2
V(X)= ∑ pi (xi − µ) = 0.6× (10− 2) + 0.4× (−10− 2)
2 2 2
1
V(X) = 96
σ (X ) = V(X) = 9 . 798
Loi de Bernoulli - Loi binomiale
Loi de Bernoulli
Lors d’une expérience aléatoire, on s’intéresse uniquement à la
réalisation d’un certain événement S (appelé « succès ») ou à sa non
réalisation (appelé « échec »)
On appelle loi de Bernoulli de paramètre p la loi de probabilité définie
sur Ω={0;1} par p( 1)=p et p(0)=1−p. B (p)
xi 1 0
E(X ) = p ×1 + q × 0 = p
pi p q n n
V= ∑ p (x
1
i i − µ) =
2
∑ p (x
1
i i − E )2
V = p(1− p)2 + q(0 − p)2

V = p(1− p)2 + (1− p)( p)2 = (1− p)( p(1− p) + p2 ) = (1− p)( p − p2 + p2 )
V = p (1 − p ) = pq
Loi binomiale
n=3
n=2
n=1
3S
2S
1S
10:58 https://www.facebook.com/ecours/ 0S 9
Axiome
On obtient donc la loi binomiale de paramètres de paramètres n=3 et p=1/6:
X prend les nombres 0, 1, 2 et 3: Nombres d’apparition du nombre 2

Notations
X est la variable aléatoire comptant le nombre de succès, alors
La probabilité qu’il y ait k succès est donc de :
n k
P ( X = k ) =   p (1 − p )
n−k
k 
n n!
  = C n =
k
avec
10:58 k  p! × (n − k )!
https://www.facebook.com/ecours/ 10
L'espérance mathématique et La variance
Théorème
B(n,p) est la loi binomiale de paramètres n et p.
L'espérance mathématique E de B(n,p) est E=np ;
La variance V de B(n,p) est V=npq.
On obtient pour la loi binomiale de paramètres de
paramètres n=3 et p=1/6:
1 3 1
E = np = 3 × = =
6 6 2
1 5 15 5
V = npq = 3 × × = =
6 6 36 12
Exemple: Une urne contient 10 boules (indiscernables au toucher) :
4 boules sont rouges et les autres sont noires. On tire successivement 3 boules de
l’urne en remettant la boule à chaque tirage.
Déterminer et représenter la loi de probabilité de la variable aléatoire X qui
représente le nombre de boules rouges obtenues.
La probabilité d’obtenir une boule rouge est de 4/10=0,4
On a une loi binomiale B(3,0.4)
3 0
P ( X = 0 ) =   0 .4 (1 − 0 .4 ) = 0 .6 3 ≈ 0 .216
3
n k
0 P ( X = k ) =   p (1 − p )n−k
k
 
P ( X = 1) =   0 .41 × (0 .6 ) = 3 × 0 .4 × 0 .6 2 = 0 .432
3
2
n n!
= =
k
1  
 k  Cn p! × (n − k )!
 
 
P ( X = 2 ) =   0 . 4 2 × (0 . 6 ) = 3 × 0 . 4 2 × 0 . 6 = 0 . 288
3
1
2
3 3
P ( X = 3) =   0 .4 (1 − 0 .4 ) = 0 .4 3 = 0 .64
0
3
On obtient alors le tableau de la loi de probabilité
xi 0 1 2 3
pi 0.216 0.432 0.288 0.64
n k
Pour une loi binomiale B(4,0.4) P ( X = k ) =   p (1 − p )
n−k
k
4
P( X = 0 ) =   × 0 . 4 0 × (1 − 0 . 4 )4 = 0 .6 4 = 0 . 1296 NNNN
0
4 1
P( X = 1) =   0 . 4 × (0 . 6 )3 = 4 × 0 . 4 × 0 . 6 3 = 0 . 3456 RNNN
1
4 2
P( X = 2 ) =   0 .4 × (0 .6 )2 = 6 × 0 .4 2 × 0 .6 2 = 0 .3456 RRNN
2
4 3
P( X = 3) =   0 .4 × (0 .6 )1 = 4 × 0 .4 3 × 0 .61 = 0 .1536 RRRN
3
4
P( X = 4 ) =   × 0 .4 4 × (1 − 0 .4 )0 = 0 .4 4 = 0 .0256 RRRR
4
xi 0 1 2 3 4
pi 0.1296 0.3456 0.3456 0.1536 0.0256
Variables aléatoires continues
Définition
Une variable aléatoire X est continue s’il existe une fonction
de densité f(x) telle que sa fonction de répartition F(x) est
égale à : x
P(X ≤ x) = F(x) = ∫ f (t)dt
-∞
x2
P(x1 ≤ X ≤ x 2 ) = F(x) = ∫ f (t)dt
x1
La fonction f(x) est appelée densité de probabilité et on a :

f (t) = F' (x)
F(x) = ∫ f (t)dt
Loi binomiale
n=3
n=2
n=1
3S
2S
1S
10:58 https://www.facebook.com/ecours/ 0S 9
Exemple
La fonction de densité d’une variable aléatoire X est donnée
par :
f(x)=
X est une variable aléatoire continue et l’on vérifie aisément

que f(x) ≥ 0. De même:
La fonction de répartition
La fonction de répartition F est donnée par:
L'espérance mathématique et La variance
Théorème
B(n,p) est la loi binomiale de paramètres n et p.
L'espérance mathématique E de B(n,p) est E=np ;
La variance V de B(n,p) est V=npq.
On obtient pour la loi binomiale de paramètres de
paramètres n=3 et p=1/6:
1 3 1
E = np = 3 × = =
6 6 2
1 5 15 5
V = npq = 3 × × = =
6 6 36 12
n k
Pour une loi binomiale B(4,0.4) P ( X = k ) =   p (1 − p )
n−k
k
4
P( X = 0 ) =   × 0 . 4 0 × (1 − 0 . 4 )4 = 0 .6 4 = 0 . 1296 NNNN
0
4 1
P( X = 1) =   0 . 4 × (0 . 6 )3 = 4 × 0 . 4 × 0 . 6 3 = 0 . 3456 RNNN
1
4 2
P( X = 2 ) =   0 .4 × (0 .6 )2 = 6 × 0 .4 2 × 0 .6 2 = 0 .3456 RRNN
2
4 3
P( X = 3) =   0 .4 × (0 .6 )1 = 4 × 0 .4 3 × 0 .61 = 0 .1536 RRRN
3
4
P( X = 4 ) =   × 0 .4 4 × (1 − 0 .4 )0 = 0 .4 4 = 0 .0256 RRRR
4
xi 0 1 2 3 4
pi 0.1296 0.3456 0.3456 0.1536 0.0256
a) Les probabilités
Variables aléatoires continues : L'espérance
mathématique et La variance
Si X est une variable aléatoire continue prenant ses valeurs
sur un intervalle (a, b), alors l’espérance mathématique de X,
notée E(X), est définie par :
La variance est définie par :
La loi uniforme
Une variable aléatoire X est définie sur l’intervalle [a, b] avec
une fonction de densité constante .
Par intégration, nous obtenons la fonction de répartition F :
Densité uniforme
 1
 b − a a≤ x≤b
f ( x) = 

 0 sinon
La loi uniforme
 1
 b − a a≤ x≤b
f ( x) = 

 0 sinon
−∞ a b +∞
f ( x) = 0 f ( x) =
1 f ( x) = 0
b−a
La loi uniforme
c a ≤ x ≤ b

f (x) = 
 0 sinon
f ( x)dx = 1 ⇒ ∫ c dx = 1 ⇒ [cx] = 1
+∞ b
∫
b
a
−∞ a
[cx] = 1 ⇒ c(b − a) = 1 ⇒ c =
b 1
(b − a )
a
 1
 b − a a≤ x≤b
f ( x) = 
Densité uniforme 
 0 sinon
L’espérance et la variance de la loi uniforme
L’espérance mathématique et la variance de la loi uniforme
est égale à :
b
+∞ b x 1 x  2
∫−∞ x f ( x)dx = ∫a (b − a )
dx = 1 ⇒  
 2 (b − a )  a
b
1 x 
( )
2
1 1
 ×  = b −a = (b − a)(b + a)
2 2
 2 (b − a ) a 2(b − a) 2(b − a)
a+b
E ( x) =
2
Exercice 1 Soit une variable aléatoire qui suit la
loi uniforme sur . Calculer:
a) La fonction densité
b) Les probabilités et
c) L’espérance mathématique et la variance
 1
• loi uniforme sur :  b − a a≤ x≤b
f ( x) = 

a) La fonction densité  0 sinon
1
 20 − 5 ≤ x ≤ 15
f ( x) = 

0 sinon
b)
−5
f ( x ) dx = ∫ f ( x ) dx + ∫ f ( x )dx
2 2
P ( X ≤ 2) = ∫
−∞ −∞ −5
2  − 5 7
2
−5 1 2 1 2 x
P ( X ≤ 2 ) = ∫ 0 dx + ∫ dx = ∫ dx = = − =
−∞ − 5 20 − 5 20 20 −5 20  20  20
P ( −1 ≤ X ≤ 1) = ∫ f ( x ) dx = ∫
1 1 1
dx
−1 −1 20
1  −1 2
1
x 1
P ( X ≤ 2) = = − = =
10:58 20  20  20 10
20 −1https://www.facebook.com/ecours/ 31
L’espérance et la variance de la loi uniforme
L’espérance mathématique et la variance de la loi uniforme
est égale à : 1
− 5 ≤ x ≤ 15  20
f ( x) = 

0 sinon
− 5 + 15
E ( x) = =5
2
Var ( x ) =
(15 + 5)
2
=
400
= 33.34
12 12
La loi exponentielle
une variable aléatoire X suit une distribution exponentielle
de paramètre λ>0 si sa densité est donnée par:
λ e − λ x x≥0
f ( x) = 
0 x<0
−∞ f ( x) = 0
0
f ( x ) = λ e − λx +∞
une variable aléatoire X suit une distribution exponentielle
de paramètre λ>0 si sa densité est donnée par: λe−λx x ≥ 0
f ( x) = 
La fonction de répartition F 0 x<0
x 0 x
x ≥ 0 F (x) = ∫ f ( y )dy = ∫ 0 dy + ∫ λ e − λ y dy
−∞ −∞ 0
x
F (x) = ∫ λ e − λ y dy = − e − λ y = − e −λx − ( − e 0 ) = − e −λx + 1
x
0 0
F ( x ) = 1 − e −λx
1 − e − λx x≥0
F ( x) = 
0 x<0
0
−∞ F ( x) = 0 F ( x ) = 1 − e − λx +∞
Espérance et Variance
Son espérance et sa variance sont respectivement données par:
1 1
E( x ) = V( x)=
λ λ 2
Exemple: Considérons la variable aléatoire X « durée de vie (en

heures) d’un composant électronique de type donné ». Supposons
que la densité de probabilité de X soit donnée par:
− λx 1
f ( x) = λe ⇒ λ =
100
1 1
E ( x) = = 100 V ( x) = = 100 2
λ λ2
Utilisation de la fonction de la densité de probabilité

 1 −100
1
x
 e
x≥0
f ( x ) = 100

0 x<0
1
1 − 100 x
f ( x ) dx = ∫
2 0 2
P ( X ≤ 2) = ∫ 0 dx + ∫ e dx
−∞ −∞ 0 100
2
1 1 2 1
2 1 − x − x − −
P( X ≤ 2) = ∫
0 100
e 100 dx = − e 100 = 1 − e 100 = 1 − e 50
10:58
0
Utilisation de la fonction de répartition:
 −
1
x
F ( x ) = 1 − e x≥0
100
0 x<0
f ( x ) dx = ∫ f ( x )dx + ∫ f ( x )dx
2 0 2
P ( X ≤ 2) = ∫
−∞ −∞ 0
−
2
 −
0

∫ f (x ) dx = F ( 2) − F (0) = 1 − e
2
P ( X ≤ 2) = 100
−  1 − e 100 
 
0
2 1
− −
P( X ≤ 2) = 1 − e 100
− (0) = 1 − e 50
La loi normale centrée réduite
La loi normale centrée réduite correspond à la loi normale ayant
comme paramètres µ= 0 et σ = 1
Le passage de la variable aléatoire t =
X − µ s’effectue par la
transformation σ
t ≈ N ( 0 ;1 )
Par convention, la fonction à densité s'écrit à présent
.
t2
1 −
f ( x) = e 2
2π
Utilisation du tableau de la loi normale
réduite pour calculer une probabilité
Exemple
Une pièce mécanique sur laquelle on veut vérifier une cote x de
10,00 mm ± 0,05 mm 9 , 95 ≤ x ≤ 10 , 05
Après plusieurs contrôles on trouve une valeur moyenne de 10,00
mm et un écart type de 0,15 mm.
Calculer le pourcentage de pièces dont la cote x est dans l'intervalle
[9,95 mm ; 10,05 mm]
9,95 mm
15,00 mm
10:58 10,05 mm
Etape 1 : changement de variable x -> t
Passage de La loi normale vers La loi normale centrée réduite
µ = 10,00 mm σ = 0,15 mm
9 , 95 ≤ x ≤ 10 , 05 t1 ≤ t ≤ t 2
X −µ
t=
σ
 9,95 − µ X − µ 10,05 − µ 
P ( 9 ,95 ≤ x ≤ 10 ,05 ) = P  ≤t= ≤ 
 σ σ σ 
 9,95 − 1 0 ,00 10,05 − 1 0 ,00 
P ( 9 ,95 ≤ x ≤ 10 ,05 ) = P  ≤t≤ 
 0,15 0,15 
P(9,95 ≤ x ≤ 10,05) = P(−0,33 ≤ t ≤ 0,33) = F (0,33) − F (−0,33)

P(9,95 ≤ t ≤ 10,05) = P(0,33) − P(−0,33)
10,05 −10,00
t1 = = 0,33 = 0,3 + 0,03
0,15
P(0,33) = 0,6293 − 0,33 ≤ t ≤ 0,33

calcul de probabilité sur l'intervalle -t1 < t < +t1
P ( − 0 ,33 ≤ t ≤ 0 ,33 ) = P ( 0 ,33 ) − P ( − 0 ,33 )
P ( − 0 ,33 ) = 1 − P ( 0 ,33 )
P ( − 0 , 33 ≤ t ≤ 0 , 33 ) = 2 P ( 0 , 33 ) − 1
10:58
P ( − 0 ,33 ≤ t ≤ https://www.facebook.com/ecours/
0 ,33 ) = 2 ( 0 , 6293 ) − 1 = 0 , 2586 = 25 ,86 %
43
X −µ
T=
σ
p (0,93) = 0,8238 p (1,19) = 0,8830 p (1,5) = 0,9332


Chapitre 3 Variables Aléatoires

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3 Variables Aléatoires

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

Chapitre 3 Variables Aléatoires

Transféré par

Droits d'auteur :

Formats disponibles

Analyse combinatoire

Chapitre 3: Variables aléatoires

La variable aléatoire est une grandeur numérique dont la

L’espérance mathématique d’ une variable aléatoire X est défini par:

L’espérance mathématique d’ une variable aléatoire X est défini par:

V = p(1− p)2 + q(0 − p)2

X prend les nombres 0, 1, 2 et 3: Nombres d’apparition du nombre 2

La fonction f(x) est appelée densité de probabilité et on a :

X est une variable aléatoire continue et l’on vérifie aisément

La variance est définie par :

Par intégration, nous obtenons la fonction de répartition F :

Exemple: Considérons la variable aléatoire X « durée de vie (en

Utilisation de la fonction de la densité de probabilité

P(9,95 ≤ x ≤ 10,05) = P(−0,33 ≤ t ≤ 0,33) = F (0,33) − F (−0,33)

P(0,33) = 0,6293 − 0,33 ≤ t ≤ 0,33

p (0,93) = 0,8238 p (1,19) = 0,8830 p (1,5) = 0,9332

Vous aimerez peut-être aussi