Chapitre 2 : Les Variables Aléatoires

Chapitre 2: Les Variables Aléatoires et Les Lois Usuelles

Définition d’une Variable Aléatoire

Les Variables Aléatoires discrètes à Une Dimension
La Loi de Probabilité
La Fonction de Répartition
Les Caractéristiques
Les Lois Usuelles
Lois discrètes : Bernoulli, Binomiale .
Loi Continue : Loi Normale
Chapitre 2 : Les Variables Aléatoires

1. Définition d’une Variable Aléatoire

Définition Exemple
• A la suite de chaque • On lance successivement deux fois une pièce de monnaie;
épreuve, on obtient un on aura: Ω= {(p,p);(p,f);(f,p);(f,f)}. Si, à cet ensemble, nous
résultat, numérique ou non,
qui s’appelle voulons faire correspondre «le nombre de piles obtenues»,
« éventualité ».Il est nous créons une variable aléatoire.
souvent utile de convertir
l’éventualité en un résultat • A chaque événement élémentaire, nous pouvons faire
numérique qu’en manipule correspondre un nombre. La variable aléatoire est une
beaucoup plus aisément.
Ceci nous conduit à la fonction définie par «le nombre de piles obtenues». Cette
notion de variable aléatoire fonction X est une application de Ω dans l’ensemble des
(v.a). On distingue deux
sortes de v.a: l’une discrète réels R
ayant ses valeurs dans un
sous-ensemble fini ou infini
dénombrable de R et l’autre x R
  (p,p)  X(ω)=2 (f,p)  X(ω)=1
continue ayant ses valeurs
dans l’ensemble R.     X ( ) (p,f)  X(ω)=1 (f,f)  X(ω)=0

• Remarque: Si à chaque ω є Ω, on fait correspondre un seul nombre, on parle de variable

aléatoire à une seule dimension; si on lui fait correspondre deux nombres simultanément, on
parle de variable aléatoire à deux dimensions.
Chapitre 2 : Les Variables Aléatoires

2. Les Variables Aléatoires Discrètes à Une Dimension:

La Loi de Probabilité
Définition Exemple
• La v.a discrète sur Ω est Dans l’expérience consistant à lancer 2 fois une pièce de
une application de Ω dans
monnaie, on a 4 événements élémentaires tous équiprobables.
un ensemble dénombrable
D; P[(p,p)] = ¼ P[(f,p)] = ¼
X: w X(w) P[(p,f)] = ¼ P[(f,f)] = ¼
qui fait correspondre à X = « Nombre de piles obtenues »
chaque éventualité w de Ω
une valeur numérique dans X= {0, 1, 2}
un ensemble dénombrable P[X=0] = P[(f,f)] = ¼
Remarques: P[X=1] = P[(p,f) U (f,p)] = P[(p,f)] + P[(f,p)] = ¼ + ¼ = ½
1. Si X et Y sont 2 v.a sur Ω et
α€ IR, alors α.X, X+Y et X.Y P[X=2] = P[(p,p)] = ¼
sont des v.a Diagramme
2. La somme des probabilités pi en Bâtons
de toutes les valeurs de X Xi 0 1 2 2/4
doit être égale à 1 1/4

puisqu'elle représente la Pi ¼ ½ ¼
somme des probabilités de
0 1 2 xi
tous événements de Ω ,
donc la probabilité de Ω. Loi de Probabilité de X Représentation Graphique
Chapitre 2 : Les Variables Aléatoires

2. Les Variables Aléatoires Discrètes à Une Dimension:

La Fonction de Répartition
Définition Exemple

• La fonction de répartition Dans l’exemple précédent:

F(x)
d’une variable aléatoire F(0) = P[X≤0] = 1/4
discrète est définie par F(1) = P(X≤1) = 3/4
F ( x)  P[ X  x] F(2) = P(X≤2) = 1

• Cette fonction permet de Courbe en

Escalier
reconstituer la 1

distribution de Xi 0 1 2 3/4

probabilité, ou loi de Pi ¼ ½ ¼
2/4

1/4
probabilité
F0(x) ¼ ¾ 1 0 1 2
x

P[ X  xi ]  F ( xi )  F ( xi 1 )
Loi de Probabilité et
Fonction de
Représentation Graphique
Répartition de X

Remarque: Il est possible de faire une analogie avec les

fréquences cumulées en statistiques.
Chapitre 2 : Les Variables Aléatoires

2. Les Variables Aléatoires Discrètes à Une Dimension:

Les Caractéristiques
L’ Espérance et variance
Exemple 1
 Soit une expérience que nous répétons On dispose d’un dé pipé tel que la
n fois, l'espérance mathématique probabilité d’obtenir une face paire est le
(valeur que l’on espère avoir) de la double de la probabilité d’obtenir une face
variable aléatoire X est notée :
impaire (les faces paires (impaires) sont
E ( X )   pi xi
supposés équiprobables). On lance le dé
pipé. Soit X le résultat obtenu.
Quelques propriétés :
1) Donner un espace probabilisé
• E (a) =a
modélisant l’expérience aléatoire.
• E (aX+b) = aE(X) +b 2) Quelle est la probabilité d’obtenir un
 La variance mesure la moyenne des carrés
des écarts des valeurs de la variable par
chiffre pair ?
rapport à l’espérance mathématique. Elle 3) Calculer l’espérance mathématique et la
est define par variance.
V(X) = Σ pi xi 2 – m2

Quelques propriétés :
• V (a) = 0
• V (aX+b) = a2 V(X)
Solution
Chapitre 2 : Les Variables Aléatoires

3. Les Lois Usuelles Discrètes

3.a. La Loi de Bernoulli
• On dit qu'une v.a. discrète X suit une loi de Bernoulli de paramètre p ∈]0,1[, qu’on note B(p) si:
1 - X(𝞨)= {0,1}
2- P[X=1]= p et P[X=0]= 1-p = q
Exemple: On tire une boule d’une urne contenant des boules rouges et des boules noires en
proportions p et q=1-p.
Soit X une v.a. définie par :
1 si la boule tirée est rouge
X=
0 ailleurs

On remarque que X suit une loi Bernoulli B(p).

Conclusion: On déduit que l’épreuve de Bernoulli présente exclusivement deux éventualité et

dépend d’un seul paramètre p= P[X=1]
Caractéristiques :
Soit X une v. a. discrète qui suit une loi Bernoulli B(p).
1) L’ espérance mathématiques de X est E[X]= p
2) La variance de X est Var(X)= p.q
Chapitre 2 : Les Variables Aléatoires

3. Les Lois Usuelles Discrètes

3.b. La Loi Binomiale
Définition : On dit qu'une v.a. discrète X suit une loi binomiale de paramètres p ∈]0,1[, et n∈ IN
qu’on note B(n, p) si:
1- X(𝞨)= {0,1,…, n}
2-
avec 0 ≤k≤ n et q=1-p
N.B: n est le nombre de répétition de l’ expérience et p est la probabilité de succès.
Exemple: On tire successivement avec remise n boules d’une urne contenant des boules rouges
( de proportion p) et des boules noires (de proportion q). Soit X la v.a. désignant le nombre
des boules rouges tirées. On dit que X suit une loi binomiale B(n, p)

Conclusion: On déduit que l’épreuve de la loi binomiale nécessite que:

1. le tirage se fait d’une façon successive
2. Le tirage se fait avec remise et par suite la probabilité d’obtenir une éventualité reste
constante durant tous les tirages
3. A chaque tirage se présentent exclusivement deux possibilité
Chapitre 2 : Les Variables Aléatoires

3. Les Lois Usuelles Discrètes

3.b. La Loi Binomiale
Propriétés
a) Les probabilités Pk ainsi définies forment une loi de probabilité. En effet
1-
2-
b) Si X et Y sont 2 v.a. indépendantes qui suivent une loi binomiale B(n ,p ) et B(n’,p) alors X+Y suit
une loi B(n+n’, p).
c) La somme de n variables qui suivent une loi Bernoulli B(p) est une v.a. qui suit une loi binomiale
B(n , p). Donc, on remarque que pour n=1 la loi binomiale se ramène a une loi Bernoulli.
Caractéristiques:
Soit X une v. a. discrète qui suit une loi Binomiale B(n , p) . Alors
a) L’ espérance E[X]= np
b) La variance Var(X)= npq
Exemple 2:
Dans une population, 1% des personnes ont une taille supérieure à 1m 92. On choisit au
hasard un échantillon de 200 personnes dans cette population. Soit X le nombre de personnes
ayant une taille supérieure à 1m 92 dans votre échantillon.
Quelle est la loi de probabilité de X?
Chapitre 2 : Les Variables Aléatoires

3. Les Lois Usuelles Continues

3.c. La Normale (de Laplace Gauss)
Définition :C’est la loi continue que l’on rencontre le plus souvent en pratique. C’est une loi
particulièrement utilisée dans l’approximation des cas discrets aux cas continus. On dit qu'une
v.a. continue X suit une loi normale ( ou loi de Laplace Gauss) de paramètres m et n , qu’on
note N (m;σ) si elle admet une fonction densité définie par :

Remarque: cette fonction définie une densité de probabilité. En effet:

1)
2) Cette fonction est continue sur IR.

3)

Caractéristiques : 1- E[X]= m
2- Var(X)=
Chapitre 2 : Les Variables Aléatoires

3. Les Lois Usuelles

La Loi Normale Centrée Réduite
Une V.a. continue Z suit une loi normale centrée réduite, notée N(0,1), si sa fonction de densité f
est définie par

Propriétés
Le calcul de probabilités concernant une v.a. X ⟶ N(m; σ ) se ramène au calcul de probabilités
avec une v.a. centrée réduite Z= ⟶ N(0,1).
1) P[X ≤a ]= P[Z ≤ ]= F( )
2) P[a<X<b]= P[ <Z< ]=F( )- F ( )
3) F(0)= 0.5.
4) F(-u)= 1- F(u)
5) P[Z≥ u]= 1- P[ Z≤ u]= 1- F(u).
N.B. les valeurs F(u) sont tirées du tableau de la loi normale centrée réduite.
Approximation d’une loi binomiale par une loi Normale.
Si X une v.a. qui suit une loi B(n; p). Si n est grande (n ≥50 et 20 ≤ np ≤(n-20)) ; alors X suit
approximativement une loi normale de paramètres et
Chapitre 2 : Les Variables Aléatoires

3. Les Lois Usuelles Continues

3.c. La Normale (de Laplace Gauss)
Exemple3
Soit X une v.a. qui suit une loi normale N(20,5). Calculer les probabilités suivantes:
1) P[X≤ 25]
2) P[X≤ 15]
3) P[X>30]
4) Pour quelle valeur de a, P[X>a]=0.123
Solution:
1) P[X≤ 25]= P[ ]= P[Z≤1]=F(1)= 0.8413
2) P[X≤ 15]= P[ ]= P[Z≤ -2]= F(-2)= 1-F(2)= 1-0.9773=0.0227
3) P[X>30]= P[ ]= P[Z>2]= 1-P[Z≤2]= 1-F(2)= 0.0227
4) P[X>a]=0.123⇔ P[ ]=0.123 ⇔ P [ ]=0.123 ⇔ 1-P[ ]=0.123
⇔ 1- F( )=0.123 ⇔ F( ) 0.877= F(1.16) (d’ après le tableau de la loi normale
N(0,1) ⇔ ⇔ a=25.8.
Tableau de la loi Normale