Variables Aléatoires Discrètes

Issam Elhattab

École Nationale de Commerce et de Gestion - Casablanca

Université Hassan II - Casablanca

2015 - 2016

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 1 / 27

Sommaire

1 Définition de variable aléatoire (v.a.)

2 Loi d’une v.a. discrète

3 Fonction de répartition

4 Moments d’une v.a. discrète

5 Quelques lois usuelles discrètes

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 2 / 27

 Définition de variable aléatoire (v.a.)

Définition de variable aléatoire (v.a.)

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 3 / 27

 Définition de variable aléatoire (v.a.)

Variable aléatoire

Définition
Une variable aléatoire X est une fonction définie sur Ω à valeurs dans
l’ensemble V = X(Ω),

X : Ω −→ V
w 7−→ X(w).

Variable aléatoire discrète

La variable X est dite discrète si V est fini ou infini dénombrable. [L’ensemble
N des entiers naturels est un exemple d’ensemble infini dénombrable].

Variable aléatoire continue

La variable X est dite continue si V est infini non dénombrable. [L’ensemble R
des réels est un exemple d’ensemble infini non dénombrable].

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 4 / 27

 Définition de variable aléatoire (v.a.)

Exemple

Variable aléatoire discrète

Expérience Variable aléatoire X Valeurs possibles de X
Contacter 3 clients Nombre de commande 0,1,2,3
Inspecter 100 radios Nbr de radios défectueuse 0,1,2,. . . ,100
Gérer un restaurant un mois Nombre de clients 0,1,2,. . .
Vendre une automobile Sexe des clients 0 si le client est un homme et
1 si le client est une femme

Variable aléatoire continue

Expérience Variable aléatoire X Valeurs possibles de X
Remplir une canette (33 cl) Nombre de centilitre 0 ≤ x ≤ 33cl
Le travail d’un employé/8 h temps non-productifs/8 h 0≤x≤8
Gérer un restaurant un mois Bénéfices Intervalle de R
Gérer un restaurant un mois Bénéfices Intervalle de R

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 5 / 27

 Loi d’une v.a. discrète

Loi d’une v.a. discrète

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 6 / 27

 Loi d’une v.a. discrète

L’objectif
L’objectif est de déterminer toutes les valeurs possibles d’une v.a discrète d’une part, et, les
probabilités que cette v.a. prenne chacune de ces valeurs d’autre part.

Introduction
On lance 2 pièces de monnaie bien équilibré :

Ω = {(P1 , P2 ), (P1 , F2 ), (F1 , P1 ), (F1 , F2 )}.

Soit X la variable aléatoire qui associe à chaque événement le nombre de résultats face obtenus.
Donc V = {0, 1, 2}.
Soit Ex l’événement composé des résultats associés à la valeur x ∈ V. On a donc :

E0 = {(P1 , P2 )}; E1 = {(P1 , F2 ), (F1 , P1 )}; E2 = {(F1 , F2 )}.

On a

1
P(E0 ) = P(X = 0) = ;
4
1
P(E1 ) = P(X = 1) = ;
2
1
P(E2 ) = P(X = 2) = .
4
I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 7 / 27
 Loi d’une v.a. discrète

Loi d’une v.a. discrète

Soit X une variable aléatoire discrète et soit V = {x1 , . . . , xk } l’ensemble ordonné des valeurs
possibles de X (k fini ou infini). Soit
Exi = X −1 (xi ) = {ω ∈ Ω : X(ω) = xi } ,

l’événement de Ω associé à xi (i = 1, . . . , k). Il est donc possible d’associer à chaque xi une

probabilité égale à P(Exi ), que nous notons “pi ” ou encore P(X = xi ).

Définition
La loi de probabilité d’une variable aléatoire discrète est définie par
l’ensemble des couples :

{(x1 , p1 ), (x2 , p2 ), . . . , (xk , pk )} , k = 1, 2, . . . , ∞.

Exemple
Reprenons l’expérience qui consiste à lancer 2 pièces de monnaie bien équilibrées et
intéressons nous au nombre X de résultats face obtenus. La loi de cette variable est :
 
1 1 1
(0, p1 = ), (1, p2 = ), (2, p3 = ) .
4 2 4

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 8 / 27

 Fonction de répartition

Fonction de répartition

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 9 / 27

 Fonction de répartition

Fonction de répartition
Définition
De manière générale, la fonction de répartition F d’une v.a. X est la fonction qui associe à un
réel x la probabilité pour que X prenne une valeur inférieur à x. Autrement dit,

F(x) = P(X ≤ x).

Si X est une v.a. discrète de loi {(x1 , p1 ), (x2 , p2 ), . . . , (xk , pk )} , k = 1, 2, . . . , ∞, alors,

0 si x < x1 ;


 ...


X
F(x) = pi = p1 + · · · + pi si xi ≤ x < xi+1 ;
 ...

xi ≤x 

p1 + · · · + pk = 1 si xk ≤ x.

Exemple
Reprenons la distribution de

 0 si x < 0;
probabilité du nombre de faces

0.25 si 0 ≤ x < 1;


(0, p1 = 41 ), (1, p2 = 21 ), F(x) =
 0.75 si 1 ≤ x < 2;
(2, p3 = 41 ) . On a donc :

1 si 2 ≤ x.


I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 10 / 27

 Moments d’une v.a. discrète

Moments d’une v.a. discrète

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 11 / 27

 Moments d’une v.a. discrète

Espérance

Soit X une v.a. de distribution de probabilité :

{(x1 , p1 ), (x2 , p2 ), . . . , (xk , pk )} , k = 1, 2, . . . , ∞.

Définition
L’espérance mathématiques de X, notée E(X), est définie par :

k
X
E(X) = pi xi .
i=1

De manière générale, si g : V → R alors :

k

X
E g(X) = pi g(xi ).
i=1

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 12 / 27

 Moments d’une v.a. discrète

Exemple
Reprenons la distribution de probabilité du nombre de faces (x1 = 0, p1 = 41 ),

1 1

(x2 = 1, p2 = 2 ), (x3 = 2, p3 = 4 ) .
1 On a donc :
3
X 1 1 1
E(X) = pi xi = × 0 + × 1 + × 2 = 1.
i=1
4 2 4

2 Supposons qu’on associe un gain au résultat obtenu lors du lancement de deux

pièces de monnaie bien équilibrées : le joueur gagne 10 dollars par face
obtenue. On peut formaliser cette règle de jeu en associant les gains, notés g(x),
aux valeurs x de la v.a. X (nombre de faces) :

x=0 → g(0) = 0;
x=1 → g(1) = 10;
x=2 → g(2) = 20.
D’où
3

X 1 1 1
E g(X) = pi g(xi ) = × g(0) + × g(1) + × g(2) = 10.
i=1
4 2 4

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 13 / 27

 Moments d’une v.a. discrète

Variance
Soit X une v.a. de distribution de probabilité :

{(x1 , p1 ), (x2 , p2 ), . . . , (xk , pk )} , k = 1, 2, . . . , ∞.

Définition
La variance mathématiques de X, notée Var(X), est définie par :

Var(X) = E(X − E(X))2

k
X  2
= pi xi − E(X) .
i=1

De manière générale, si g : V → R alors :

h i2 


Var g(X) = E g(X) − E(g(X))

k
X 
2
= pi g(xi ) − E g(X) .
i=1

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 14 / 27

 Moments d’une v.a. discrète

Exemple
Reprenons la distribution de probabilité du nombre de faces (x1 = 0, p1 = 41 ),

1 1

(x2 = 1, p2 = 2 ), (x3 = 2, p3 = 4 ) .
1 On a donc :

3
X  2 1 1 1 1
Var(X) = pi xi − E(X) = × (0 − 1)2 + × (1 − 1)2 + × (2 − 1)2 = .
i=1
4 2 4 2

2 Soit g la fonction de gain de l’exemple précédent :

x=0 → g(0) = 0;
x=1 → g(1) = 10;
x=2 → g(2) = 20.


Rappelons que E g(X) = 10, d’où

3

X 
2
Var g(X) = pi g(xi ) − E g(X)
i=1
1 1 1
= × (g(0) − 10)2 + × (g(1) − 10)2 + × (g(2) − 10)2 = 50.
4 2 4

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 15 / 27

 Moments d’une v.a. discrète

Propriétés
Soit X et Y deux variables aléatoires, et, a et b deux réels, on a,
1

E(a) = a, E(aX + b) = aE(X) + b.

2

Var(a) = 0, Var(aX + b) = a2 Var(X).

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 16 / 27

 Moments d’une v.a. discrète

Application économique
Dans une banque, un système de guichet automatique a été mis en place et permet de faire des
opérations bancaires courantes : extrait de compte, remise de chèque, retrait. Le nombre de
clients utilisant le guichet automatique dans un intervalle de temps de 5 minutes est une v.a. X
telle que :
P(X = 0) = 0.3, P(X = 1) = 0.3, et P(X = 2) = 0.4.

Calculer E(X) et Var(X).

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 17 / 27

 Quelques lois usuelles discrètes

Quelques lois usuelles discrètes

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 18 / 27

 Quelques lois usuelles discrètes

Introduction

Lois discrètes finies

1 Loi de Bernoulli ;
2 Loi binomiale ;
3 Loi hypergéométrique ;
4 Loi uniforme.

Lois discrètes infinies

1 Loi géométrique ;
2 Loi de Poisson.

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 19 / 27

 Quelques lois usuelles discrètes

Schéma de Bernoulli
On appelle “Schéma de Bernoulli” ou “expérience aléatoire dichotomique”, notée E,
l’expérience aléatoire qui donne lieu à deux événements complémentaires S et S avec les
probabilités respectives P(S) = p et P(S) = q où q = 1 − p et 0 < p < 1. On appelle S succès
et S échec.

Exemple
Les expériences suivantes sont des expériences aléatoires dichotomiques :
Lancement d’une pièce de monnaie ;
Inspecter un appareil ;

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 20 / 27

 Quelques lois usuelles discrètes

Loi de Bernoulli

Définition
On considère le schéma  de Bernoulli E. Soit X le nombre d’apparition de S. Il est clair que X est
1 si S se réalise;
une v.a. telle que : X =
0 sinon.
Cette v.a. est appelée une variable de Bernoulli ou encore variable indicatrice. La loi de
probabilité de la v.a. X est définie par {(0, q), (1, p)} ou encore le tableau suivant

xi 0 1
pi q p

et est appelée la Loi de Bernoulli de paramètre p.

Moments
E(X) = p, Var(X) = pq.

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 21 / 27

 Quelques lois usuelles discrètes

Loi binomiale

Définition
On considère l’expérience aléatoire qui consiste à répéter n fois le schéma de Bernoulli E de
manière identique (p reste constant) et indépendante. Le nombre d’apparitions de l’événement S
est une variable aléatoire X dont la loi est : {(0, qn ), (1, npqn−1 ), . . . , (n, pn )} ou encore le
tableau suivant :

xi 0 1 ... r ... n−1 n

Cn0 qn Cn1 pqn−1 ... Cnr pr qn−r ... Cnn−1 pn−1 q Cnn pn
pi n!
qn npqn−1 ... r!(n−r)!
pr qn−r ... npn−1 q pn

Une telle loi, notée B(n, p), est appelée loi binomiale de paramètres n et p.
 n! 
Rappel : Cnr = pour tout r = 1, . . . , n, et 0! = 1.
r!(n − r)!

Moments
E(X) = np, Var(X) = npq.

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 22 / 27

 Quelques lois usuelles discrètes

Théorème
La somme de n v.a. de Bernoulli indépendantes, de même paramètre p, suit la loi
binomiale B(n, p).

Théorème
1 Soit X1 et X2 deux v.a. indépendantes suivant respectivement les lois binomiales
B(n1 , p) et B(n2 , p). Alors X1 + X2 suit la loi binomiale B(n1 + n2 , p).
2 De manière plus générale ; si X1 , X2 , . . . , Xk sont des v.a. binomiales
k k
!
X X
indépendantes de loi B(ni , p), alors Xi suit la loi B ni , p
i=1 i=1

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 23 / 27

 Quelques lois usuelles discrètes

Application :
Des sondages permettent de constater que 10% de la population est constituée de gauchers. On
considère donc, dans cet exercice, que la probabilité qu’un individu pris au hasard soit gaucher
est égale à 0.1 et celle qu’il soit droitier est égale à 0.9. Calculer la probabilité qu’un groupe de
10 individus contient :
1 au moins un gaucher ;
2 au plus cinq gauchers.

Solution
Au i-ème individu (i allantde 1 à 10), on associe une variable de Bernoulli de
1 si le i-ème individu est gaucher;
paramètre p = 0.1 : Xi =
0 sinon.
X10
Soit X = Xi , donc le groupe de 10 individus contient X gauchers.
i=0
1 On a : P(X ≥ 1) = 1 − P(X = 0). Or P(X = 0) = (1 − p)n = (1 − 0.1)10 . Par suite
P(X ≥ 1) = 1 − 0.910 .
5
X
r r
2 P(d’avoir au plus cinq gauchers) = P(X ≤ 5) = C10 p (1 − p)10−r =?.
r=0

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 24 / 27

 Quelques lois usuelles discrètes

Loi géométrique
Définition
Soit une expérience aléatoire consiste à répéter l’expérience E de manières indépendantes
jusqu’à l’apparition de l’événement S. Soit X le nombre d’essais nécessaire pour réaliser S,
autrement dit X est le rang du premier succès. Il est clair que X est une variable aléatoire dont
les valeurs possibles sont les entiers non nuls 1, 2, . . . , n, . . . , ∞. Cette variable aléatoire est
appelée une variable géométrique de paramètres p et notée G(p). La loi de probabilité de la v.a.
X est définie par {(1, p), (2, pq), (3, pq2 ), . . . , (n, pqn−1 ), . . .} ou encore le tableau suivant

xi 1 2 3 ... ... ... n …

pi p pq pq2 ... ... ... pqn−1 …

et est appelée la Loi géométrique de paramètre p.

Moments
1
1
E(X) = .
p
2
q
Var(X) = .
p2

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 25 / 27

 Quelques lois usuelles discrètes

Loi de Poisson
Définition
Un autre exemple de lois discrète, où le nombre de valeurs possibles est infini, est la loi de
Poisson. Cette loi de probabilité est souvent utilisée pour décrire le nombre
d’occurrences d’un événement dans un intervalle de temps ou de l’espace.
Soit X une variable aléatoire dont les valeurs possibles sont les entiers 0, 1, 2, . . . , ∞ avec les
probabilités respectives données par :

e−λ λk
P(X = k) = , k = 0, 1, 2, . . . , ∞,
k!

où λ est un paramètre réel positif et e est le nombre de Néber (exponentiel). Cette variable
aléatoire est dite suit loi de Poisson de paramètres λ notée P(λ).

Moments
1
E(X) = λ.
2
Var(X) = λ.

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 26 / 27

 Quelques lois usuelles discrètes

Exercice

Soit X une variable aléatoire de loi de Poisson de paramètre λ. On rappelle que pour tout x ∈ R,
n
la série de terme général un = xn! , n ≥ 0, est convergente, de somme ex :

∞ k
X x
= ex , ∀x ∈ R.
k=0
k!

1 Vérifiez que
∞
X
P(X = k) = 1.
k=0

2 Montrez que E(X) = λ.

3 Montrez que Var(X) = λ.

I. Elhattab (ENCG) Variables Discrètes 2015 - 2016 27 / 27