CHAPITRE : VARIABLES ALEATOIRES
I-GENERALITES :
Définition : Etant donné un espace probabilisé d’espace fondamental Ω et de mesure de probabilité 𝑃, on
appelle variable aléatoire sur cet espace, toute application 𝑋 de Ω dans ℝ. A chaque évènement
élémentaire 𝜔 de Ω correspond un nombre réel 𝑥 associé associé à la variable aléatoire 𝑋 . La valeur de 𝑥
correspond à la réalisation de la variable aléatoire 𝑋 pour l’évènement élémentaire 𝜔 .
Remarque :
- La notion de variable aléatoire formalise l’association d’une valeur au résultat d’une expérience
aléatoire .
- Si 𝑋 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙é𝑎𝑡𝑜𝑖𝑟𝑒 définie sur Ω alors 𝑋( Ω ) est l’image de Ω par 𝑋 .
- Si 𝑋( Ω ) est au plus dénombrable, on dit que 𝑋 est une variable aléatoire discrète sinon on dit
qu’elle est une variable aléatoire continue .
Exemple : On lance deux pièces de monnaie. On désigne par 𝑋 la variable aléatoire qui associe le nombre
de fois que l’on a obtenu " 𝐹𝐴𝐶𝐸 ". Ω = {(𝐹, 𝐹) ; (𝐹, 𝑃); (𝑃, 𝐹); (𝑃, 𝑃) } . 𝑋(Ω) = {0,1,2} . 𝑋 est une
variable aléatoire discrète.
II-VARIABLES ALEATOIRES DISCRETES :
II-1 Loi de probabilité d’une variable aléatoire discrète
Définition : Soit 𝑋 une variable aléatoire discrète. On appelle distribution de probabilités où loi de
probabilité d’une variable 𝑋, l’ensemble des couples (𝑥𝑖 ; 𝑃𝑖 ) 𝑥𝑖 parcourant 𝑋( Ω ) telle que
𝑃𝑖 = 𝑃(𝑋 = 𝑥𝑖 ) .
II-2 Fonction de répartition d’une variable aléatoire discrète
Définition : Soit X une variable aléatoire discrète. On appelle fonction de répartition de la variable
aléatoire 𝑋, la fonction 𝐹𝑋 définie de ℝ dans [0 ; 1] par 𝐹𝑋 (𝑥) = 𝑃(𝑋 = 𝑥𝑖 ) = ∑𝑧≤𝑥 𝑃(𝑋 = 𝑧) .
Propriétés :
1- 𝐹𝑋 est croissante sur ℝ .
2- lim 𝐹𝑋 (x) = 0 et lim 𝐹𝑋 (x) = 1
𝑥→−∞ 𝑥→+∞
3- Si 𝑎 ≤ 𝑏 , 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹𝑋 (b) − 𝐹𝑋 (a)
Exemple : On lance trois pièces de monnaie. Soit 𝑋 la variable aléatoire qui associe le nombre de " 𝐹𝐴𝐶𝐸 "
obtenu. Déterminons la loi de probabilité de 𝑋 et sa fonction de répartition.
𝑋(Ω) = {0; 1; 2; 3} La loi de probabilité de 𝑋 est donnée par le tableau suivant :
𝑥𝑖 0 1 2 3
𝑃(𝑋 = 𝑥𝑖 ) 1 3 3 1
8 8 8 8
La fonction de répartition 𝐹𝑋 est définie par 𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥)
- 𝑆𝑖 𝑥 < 0 𝐹𝑋 (𝑥) = 0
1
- 𝑆𝑖 0 ≤ 𝑥 < 1 𝐹𝑋 (𝑥) = 𝑃(𝑋 = 0) = 8
4
- 𝑆𝑖 1 ≤ 𝑥 < 2 𝐹𝑋 (𝑥) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = 8
7
- 𝑆𝑖 2 ≤ 𝑥 < 3 𝐹𝑋 (𝑥) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = 8
- 𝑆𝑖 𝑥 ≥ 3 𝐹𝑋 (𝑥) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 1𝑠𝑠𝑠𝑠
-5 -4 -3 -2 -1 0 1 2 3 4 5 x
-1
III- VARIABLES ALEATOIRES :
III-1 Définition : Une variable aléatoire 𝑋 est dite continue si 𝑋(Ω) est un intervalle ou une réunion
d’intervalle de ℝ .
III-2 Densité de probabilité :
Définition : Une fonction 𝑓 de ℝ ⟶ ℝ est une densité de probabilité si
1- ∀𝑥 ∈ ℝ 𝐹(𝑥) ≥ 0
2- 𝑓 est intégrable sur ℝ .
+∞
3- ∫−∞ 𝑓(𝑡)𝑑𝑡 = 1
III-3 Fonction de répartition
Définition : Soit 𝑋 une variable aléatoire de densité de probabilité 𝑓. On appelle fonction de répartition
𝑥
de 𝑋 , la fonction 𝐹 définie de ℝ dans [0 ; 1] par. 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡 .
Propriétés :
Soit 𝐹 la fonction de répartition d’une variable aléatoire continue 𝑋 alors
1- 𝐹 est dérivable en tout point où 𝑓 est continue et 𝐹 ′ (𝑥) = 𝑓(𝑥) (où 𝑓 est la densité de probabilité
de 𝑋)
2- ∀𝑥 𝐹(𝑥) ≥ 0
3- 𝐹 est croissante
4- lim 𝐹(𝑥) = 0 et lim 𝐹(𝑥) = 1
𝑥→−∞ 𝑥→+∞
5- La loi de probabilité d’une variable continue est déterminée par sa fonction de répartition. ∀ 𝑎, 𝑏 ,
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎) .
Remarque: Si 𝑋 est une variable aléatoire continue alors pour tout réel 𝑥, 𝑃(𝑋 = 𝑥) = 0
⁄ 1
Exemple : On considère la fonction 𝑓 définie par 𝑓(𝑥) = {𝐴(1 − 𝑥) 3 𝑠𝑖 0 ≤ 𝑥 ≤ 1
0 𝑠𝑖𝑛𝑜𝑛
1- Déterminer 𝐴 pour que 𝑓 soit une densité de probabilité .
2- Déterminer sa fonction de répartition 𝐹
3- Calculer 𝑃(0,488 < 𝑋 < 1,2)
Solution :
1- • ∀𝑥 ∈ ℝ 𝑓(𝑥) ≥ 0
• 𝑓 est continue sur ℝ donc intégrable sur ℝ
+∞
𝑓 est une densité de probabilité si et seulement si ∫−∞ 𝑓(𝑡)𝑑𝑡 = 1
+∞ 1 1⁄ 3 4⁄ 1 3
∫−∞ 𝑓(𝑡)𝑑𝑡 = 1 ⇔ ∫0 𝐴(1 − 𝑡) 3 𝑑𝑡 = 1 ⇔ [− 4 𝐴(1 − 𝑡) 3] = 1⇔ 4𝐴 = 1
0
4
⇔𝐴=3
2- Fonction de répartition 𝐹 de 𝑓
𝑥
• Si 𝑥 < 0 alors 𝐹(𝑥) = ∫−∞ 0𝑑𝑡 = 0
𝑥 4⁄ 𝑥 4⁄
• Si 0≤ 𝑥 ≤ 1 alors 𝐹(𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡 = [−(1 − 𝑡) 3] = −(1 − 𝑥) 3 +1
0
𝑥 1 4⁄ 1
• Si 𝑥 > 1 alors 𝐹(𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡 = ∫0 𝑓(𝑡)𝑑𝑡 = [−(1 − 𝑡) 3] =1
0
0 𝑠𝑖 𝑥 < 0
D’où 𝐹(𝑥) = {1 − (1 − 𝑥)4⁄3 𝑠𝑖 0 ≤ 𝑥 ≤ 1
1 𝑠𝑖 𝑥 > 1
3- 𝑃(0,488 < 𝑋 < 1,2) = 𝐹(1,2) − 𝐹(0,488)
4
Or 𝐹(1,2) = 1 et 𝐹(0,488) = 1 − (1 − 0,488) ⁄3 = 0,590
𝑃(0,488 < 𝑋 < 1,2) = 1 − 0,590 = 0,410
IV-ESPERANCE MATHEMATIQUE
Définition 1 : Soit 𝑋 une variable aléatoire discrète de loi de probabilité (𝑥𝑖 ; 𝑃𝑖 ). On appelle espérance
mathématique de 𝑋 le réel noté 𝐸(𝑋) tel que 𝐸(𝑋) = ∑𝑛𝑖=1 𝑥𝑖 𝑃𝑖
Définition 2 : Soit 𝑋 une variable aléatoire continue de densité de probabilité 𝑓. On appelle espérance
+∞
mathématique de 𝑋 , le réel noté 𝐸(𝑋) tel que 𝐸(𝑋) = ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥.
Propriétés :Soient 𝑋 et 𝑌 deux variables aléatoires définies sur un même univers Ω.alors :
1- 𝐸(𝑋 + 𝑌) = 𝐸(𝑋) + 𝐸(𝑌)
2- 𝐸(𝑎𝑋) = 𝑎𝐸(𝑋) pour tout réel 𝑎
3- 𝐸(𝑎 + 𝑏𝑌) = 𝑎 + 𝑏𝐸(𝑌) pour tous réels 𝑎 𝑒𝑡 𝑏
V- VARIANCE ET ECART-TYPE :
Définition : 𝑋 étant une variable aléatoire, on appelle variance de 𝑋 , le réel noté 𝑉(𝑋) défini par
𝑉(𝑋) = 𝐸([𝑋 − 𝐸(𝑋)]2 ). La formule de Kœnig donne 𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2 L’écart-type d’une
variable aléatoire 𝑋 le réel 𝜎(𝑋) tel que 𝜎(𝑋) = √𝑉(𝑋) .
Remarques :
1- Si 𝑋 est une variable aléatoire discrète de loi de probabilité (𝑥𝑖 ; 𝑃𝑖 ) 1≤𝑖≤𝑛 alors
2
𝑉(𝑋) = ∑𝑛𝑖=1(𝑥𝑖 − 𝐸(𝑋)) 𝑃(𝑋 = 𝑥𝑖 ) ou 𝑉(𝑋) = ∑𝑛𝑖=1 𝑥𝑖 2 𝑃(𝑋 = 𝑥𝑖 ) − [𝐸(𝑋)]2
2- Si est une variable aléatoire continue de densité de probabilité 𝑓 .
+∞ 2 +∞
𝑉(𝑋) = ∫−∞ (𝑥 − 𝐸(𝑋)) 𝑓(𝑥)𝑑𝑥 ou 𝑉(𝑋) = ∫−∞ 𝑥 2 𝑓(𝑥)𝑑𝑥 − [𝐸(𝑋)]2 .
Propriétés :
1- 𝑉(𝑎𝑋) = 𝑎2 𝑉(𝑋)
2- 𝑉(𝑎𝑋 + 𝑏) = 𝑎2 𝑉(𝑋)
3- Si 𝑋 et 𝑌 sont indépendantes alors 𝑉(𝑋 + 𝑌) = 𝑉(𝑋) + 𝑉(𝑌)
VI- QUELQUES VARIABLES ALEATOIRES CLASSIQUES
VI-1 Lois discrètes :
VI- 1-1 loi de Bernouilli :
Définition : Une variable aléatoire 𝑋 suit la loi de Bernouilli de paramètre 𝑝 ∈ [0 ; 1)] si et seulement si
𝑋(Ω) = {0; 1} avec 𝑃(𝑋 = 1) = 𝑝 et 𝑃(𝑋 = 0) = 1 − 𝑝 . On note 𝑋 ↝ ℬ(𝑝) . L’espérance mathématique
de 𝑋 est 𝐸(𝑋) = 𝑝 et la variance est 𝑉(𝑋) = 𝑝(1 − 𝑝) .
Situation caractéristique : Cette loi modélise une expérience aléatoire qui a uniquement deux
éventualités (l’une appelée "𝑆𝑈𝐶𝐶𝐸𝑆" et l’autre appelée "𝐸𝐶𝐻𝐸𝐶"). En effet le chiffre 1 représente le
"𝑆𝑈𝐶𝐶𝐸𝑆" et le chiffre 0 représente l’"𝐸𝐶𝐻𝐸𝐶").
Exemple : On tire au hasard une boule dans une urne contenant 18 boules rouges et 12 boules blanches .
𝑋 est la variable aléatoire telle que 𝑋 = 1 si la boule est rouge et 𝑋 = 0 dans le cas contraire. 𝑋 suit la loi
18 3 3
de Bernouilli de paramètre 𝑝 = 30 = 5 . 𝑋 ↝ ℬ(5) .
VI-1-2 loi Binomiale
Définition : Une variable aléatoire 𝑋 suit la loi binomiale de paramètres 𝑛 et 𝑝 (𝑛 ∈ ℕ ∗et 𝑝 ∈ [0 ; 1]) si et
seulement si 𝑋(Ω) = {0; 1 ; 2 ; ⋯ ; 𝑛} et ∀𝑘 ∈ 𝑋(Ω), 𝑃(𝑋 = 𝑘) = 𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 .On note
𝑋 ↝ ℬ(𝑛 ; 𝑝) . L’espérance mathématique de 𝑋 est 𝐸(𝑋) = 𝑛𝑝 et la variance est 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝) .
Situation caractéristique :Cette loi modélise une expérience aléatoire où on repète 𝑛 fois de manière
identique et indépendante une épreuve de Bernouilli de paramètre 𝑝 , 𝑝 étant la probabilité du succès .
Exemple :Supposons que dans une population d’électeurs, 60% des électeurs s’apprêtent à voter pour le
candidat A et 40% pour le candidat B et que l’on sélectionne un échantillon aléatoire de 10 électeurs avec
remise dans cette population . Soit 𝑋 le nombre de personnes s’apprêtant à voter pour le candidat A dans
3
l’échantillon . La variable aléatoire 𝑋 suit la loi binomiale de paramètre 𝑛 = 10 et 𝑝 = 5 .
𝑘 3 𝑘 7 10−𝑘
𝑋(Ω) = {0; 1 ; 2 ; ⋯ ; 10} et 𝑃(𝑋 = 𝑘) = 𝐶10 (5) (5)
VI-1-3 Loi géométrique
Définition : Une variable aléatoire 𝑋 suit la loi géométrique de paramètre 𝑝 si et seulement si 𝑋(Ω) = ℕ∗
et ∀𝑘 ∈ 𝑋(Ω) , 𝑃(𝑋 = 𝑘) = 𝑝(1 − 𝑝)𝑘−1 . On note 𝑋 ↝ 𝐺( 𝑝) . L’espérance mathématique de 𝑋 est
1 1−𝑝
𝐸(𝑋) = 𝑝 et la variance est 𝑉(𝑋) = 𝑝2 .
Situation caractéristique : La loi géométrique modélise le rang du premier succès en répétant une épreuve
de Bernouilli de manière identique et indépendante à l’infini (théoriquement) .
Exemple :On lance continuellement un dé non truqué jusqu’à obtenir un six . On désigne par 𝑋 la variable
aléatoire représentant le nombre de lancers nécessaires pour obtenir un six. 𝑋 suit la loi géométrique de
1 1
paramètre et on écrit que 𝑋 ↝ 𝐺 (6) .
6
VI-1-4 Loi de Poisson :
Définition : Une variable aléatoire 𝑋 suit la loi de Poisson de paramètre 𝜆 > 0 si 𝑋(Ω) = ℕ et ∀𝑘 ∈ 𝑋(Ω)
𝑒 −𝜆 𝜆𝑘
𝑃(𝑋 = 𝑘) = , On note 𝑋 ↝ 𝒫(𝜆). L’espérance mathématique est 𝐸(𝑋) = 𝜆 et la variance est
𝑘!
𝑉(𝑋) = 𝜆 .
Situation caractéristique :La loi de Poisson modélise les phénomènes rares (maladies rares, accidents
mortels rares, le tirage d’une solution virale , mutation ou recombinaison d’une séquence génétique, ⋯ )
VI-2 Lois continues :
VI-2-1 Loi uniforme
Définition : Une variable aléatoire 𝑋 suit une loi uniforme sur [𝑎 ; 𝑏] si la densité de probabilité 𝑓 est
1
𝑓(𝑥) = 𝑏−𝑎 𝑠𝑖 𝑥 ∈ [𝑎 ; 𝑏]
définie par { . on note 𝑋 ↝ 𝒰( [𝑎 ; 𝑏]) . Sa fonction de répartition est définie
𝑓(𝑥) = 0 𝑠𝑖𝑛𝑜𝑛
0 𝑠𝑖 𝑥 < 𝑎
𝑥−𝑎 𝑎+𝑏
par 𝐹(𝑥) = {𝑏−𝑎 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏 . Son espérance mathématique est 𝐸(𝑋) = 2 et sa variance est
1 𝑠𝑖 𝑥 > 𝑏
(𝑏−𝑎)2
𝑉(𝑋) = 12 .
VI-2-2 La loi exponentielle :
Définition : Une variable aléatoire 𝑋 suit la loi exponentielle de paramètre 𝜆 > 0 si la densité de
−𝜆
probabilité 𝑓 est définie par 𝑓(𝑥) = {𝜆𝑒 𝑠𝑖 𝑥 ≥ 0 . On note 𝑋 ↝ ℰ(𝜆) .Sa fonction de répartition 𝐹 est
0 𝑠𝑖𝑛𝑜𝑛
−𝜆𝑥
définie par 𝐹(𝑥) = { 1 − 𝑒 𝑠𝑖 𝑥 ≥ 0 1
. Son espérance mathématique est 𝐸(𝑋) = 𝜆 et sa variance est
0 𝑠𝑖 𝑥 < 0
1
𝑉(𝑋) = 𝜆2 .
Situation caractéristique : La loi exponentielle modélise la durée de vie d’un phénomène sans mémoire ou
sans vieillissement ou sans usure .
VI-2-3 Loi normale ou loi de Laplace-Gauss :
Définition : Une variable aléatoire 𝑋 suit la loi exponentielle de paramètres 𝑚 et 𝜎 si la densité de
1 𝑥−𝑚 2
1
probabilité 𝑓est définie par 𝑓(𝑥) = 𝜎√2𝜋 𝑒 −2( )
𝜎 avec 𝐸(𝑋) = 𝑚 et 𝑉(𝑋) = 𝜎 2 On note 𝑋 ↝ 𝒩(𝑚 ; 𝜎) .
Remarque : Une variable aléatoire qui suit la loi normale est dite variable Gaussienne .
VI-2-4 Loi normale centrée réduite :
Définition :La loi normale centrée réduite est la loi normale de paramètre 𝑚 = 0 et 𝜎 = 1 . On la note
1 2
1
𝒩(0 ; 1). Sa densité de probabilité est la fonction 𝑓 définie par 𝑓(𝑥) = 𝑒 −2 𝑥 .
√2𝜋
Propriété : Si une variable aléatoire 𝑋 suit la loi normale 𝒩(𝑚 ; 𝜎) alors la variable aléatoire
𝑋−𝑚
𝑍= suit la loi normale centrée réduite 𝒩(0 ; 1) et on a 𝐸(𝑍) = 0 et 𝑉(𝑍) = 1 .
𝜎
Fonction de répartition : On désigne par Φ la fonction de répartition de la loi normale centrée réduite .
1 2
𝑥 1
ϕ(𝑥) = ∫−∞ 𝑒 −2𝑡 𝑑𝑡 . On a ϕ(−𝑥) = 1 − ϕ(𝑥) .
√2𝜋
Remarque : Si une variable aléatoire suit la loi normale 𝒩(𝑚 ; 𝜎) et si 𝐹 désigne sa fonction de répartition
𝑋−𝑚
alors 𝐹(𝑥) = ϕ ( ) .
𝜎
Propriétés :Soit 𝑋 une variable aléatoire suivant une loi normale centrée réduite et 𝜙 sa fonction de
répartition . On a :
1- 𝑃(𝑋 ≥ 𝑥) = 1 − ϕ(𝑥)
2- Si 𝑥 > 0 ϕ(−𝑥) = 1 − ϕ(𝑥)
3- Pour 𝑎 , 𝑏 ∈ ℝ avec 𝑎 ≤ 𝑏 , 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ϕ(b) − ϕ(a)
4- Pour 𝑥 > 0 , 𝑃(−𝑥 ≤ 𝑋 ≤ 𝑥) = 2ϕ(𝑥) − 1
Table de la loi normale :
On note Φ la fonction de répartition de la loi normale centrée réduite 𝒩(0 ; 1) .∀𝑥 ∈ ℝ , on a
1 2
𝑥 1
ϕ(𝑥) = ∫−∞ 𝑒 −2𝑡 𝑑𝑡 . Pour lire la valeur de ϕ(𝑥) , on repère dans la première colonne, la ligne qui
√2𝜋
comporte le chiffre des unités et celui des dixièmes de 𝑥 . A l’intersection de cette ligne et de la colonne
dont l’entête est le chiffre des centièmes de 𝑥, on lit la valeur de ϕ(𝑥).
Par exemple pour lire ϕ(1,37) , on lit à l’intersection de la ligne commençant par 1,3 et de la colonne
commençant par 0,07 la valeur de ϕ(1,37) = 0,9147 .La table donne les valeurs de 𝑥 > [Link]
𝑥 < 0, on utilise la relation ϕ(𝑥) = 1 − ϕ(−𝑥)
Exemple : 𝑥 = −1,8 , ϕ(−1,8) = 1 − ϕ(1,8) = 1 − 0,9641 = 0,0359 .
VI-3 Autres lois :
VI-3-1 Loi du khi-deux : Soient 𝑝 variables aléatoires indépendantes 𝑋1 ; 𝑋2 ; ⋯ ; 𝑋𝑝 de même loi
𝒩(0 ; 1) alors la variable aléatoire ∑𝑝𝑖=1 𝑋𝑖 2 suit une loi appelée loi du Khi-deux à 𝑝 degré de liberté notée
𝑝 𝑥
1
𝜒𝑝2 . La densité de probabilité de 𝜒𝑝2 est donnée par 𝑓 définie par 𝑓(𝑥) = 𝑝
𝑝
𝑥 2 −1 . 𝑒 −2 où
22 .Γ( )
2
+∞ 𝑥−1
Γ(𝑥) = ∫0 𝑡 𝑑𝑡.L’espérance mathématique de 𝑋 est 𝐸(𝑋) = 𝑝 et la variance est 𝑉(𝑋) = 2𝑝 .
VI-3-2 Loi de Student : Soit 𝑋 une variable aléatoire qui suit la loi 𝒩(0 ; 1) et 𝑌 une variable aléatoire qui
𝑋
suit la loi du 𝜒𝑝2 . 𝑋 et 𝑌 étant indépendantes , la variable aléatoire 𝑍 = suit la loi de Student à 𝑝
√𝑌⁄𝑝
dégré de liberté . On note 𝑍 ↝ 𝑡𝑝 .
VII-Approximation de la loi binomiale :
VII-1 Approximation d’une loi binomiale par une loi normale
Soit 𝑋 une variable aléatoire qui suit la loi binomiale ℬ(𝑛 ; 𝑝) .
𝑛 ≥ 30
Quand 𝑛 est grand et quand ni 𝑝 ni 1 − 𝑝 sont proches de zéro c-a-d { 𝑛𝑝 ≥ 5
𝑛(1 − 𝑝) ≥ 5
La loi binomiale peut être approchée par la loi normale de paramètre 𝑚 = 𝑛𝑝 et 𝜎 = √𝑛𝑝(1 − 𝑝)
VII-2 Approximation d’une loi binomiale par une loi de Poisson :
Soit 𝑋 une variable aléatoire qui suit la loi binomiale ℬ(𝑛 ; 𝑝) .
Dès que 𝑛 devient grand et que 𝑝 tend vers zéro (𝑛 > 30 et 𝑛𝑝 < 5) ou (𝑛 > 50 et 𝑝 < 0,1), la loi
binomiale peut être approchée par la loi de Poisson de paramètre 𝜆 = 𝑛𝑝 .
VIII-Approximation d’une loi de Poisson par une loi normale
Soit 𝑋 une variable aléatoire qui suit la loi de Poisson 𝒫(𝜆).
Lorsque 𝜆 est grand, la loi de Poisson peut être approchée par la loi normale de paramètre 𝑚 = 𝜆 et 𝜎 =
√𝜆 . L’approximation est très intéressant lorsque 𝜆 > 18
IX-Inégalité de Bienaymé-Tchebichev :
𝑉(𝑋)
Théorème : Soit 𝑋 une variable aléatoire réelle. ∀𝑡 ∈ ℝ∗+ , 𝑃(|𝑋 − 𝐸(𝑋)| > 𝑡) < .
𝑡2
𝑡 1
Remarque1 : On pose 𝜆 = 𝜎(𝑋) ⇔ 𝑡 = 𝜆𝜎(𝑋) , alors ∀𝑡 ∈ ℝ∗+ , 𝑃(|𝑋 − 𝐸(𝑋)| > 𝜆𝜎(𝑋)) < 𝜆2
Autres formes de l’inégalité de Bienaymé-Tchebichev
𝑉(𝑋)
1) ∀𝑡 ∈ ℝ∗+ , 𝑃(|𝑋 − 𝐸(𝑋)| ≥ 𝑡) ≤ 𝑡2
𝑉(𝑋)
2) ∀𝑡 ∈ ℝ∗+ , 𝑃(|𝑋 − 𝐸(𝑋)| ≤ 𝑡) > 1 − 𝑡2
𝑉(𝑋)
3) ∀𝑡 ∈ ℝ∗+ , 𝑃(|𝑋 − 𝐸(𝑋)| < 𝑡) ≥ 1 − 𝑡2
Remarque : L’inégalité de Bienaymé-Tchebichev donne une majoration de la probabilité pour que la
variable aléatoire 𝑋 s’écarte da sa moyenne d’une grandeur supérieur à 𝑡 .
Exemple : Soit 𝑋 la variable aléatoire désignant le nombre de voitures qui passent entre 18H et 19H en
un point donnée d’une autoroute. On a observé que le nombre moyen de voiture est 𝐸(𝑋) = 3500 et que
la variance de 𝑋 est 𝑉(𝑋) = 100000 .
Déterminons un minorant de la probabilité de l’évènement " 3000 < 𝑋 < 4000 "
En effet 3000 < 𝑋 < 4000 ⇔ 3000 − 𝐸(𝑋) < 𝑋 − 𝐸(𝑋) < 4000 − 𝐸(𝑋)
⇔ 3000 − 3500 < 𝑋 − 𝐸(𝑋) < 4000 − 3500
⇔ −500 < 𝑋 − 𝐸(𝑋) < 500
⇔ |𝑋 − 𝐸(𝑋)| < 500
D’après l’une des formes de l’inégalité de Bienaymé-Tchebichev ,
𝑉(𝑋)
𝑃(|𝑋 − 𝐸(𝑋)| < 500) > 1 − avec 𝑡 = 500 ⇔
𝑡2
100000
𝑃(|𝑋 − 𝐸(𝑋)| < 500) > 1 − ⇔
(500)2
100000
𝑃(|𝑋 − 𝐸(𝑋)| < 500) > 1 − 250000 ⇔
10
𝑃(|𝑋 − 𝐸(𝑋)| < 500) > 1 − 25 ⇔ 𝑃(3000 < 𝑋 < 4000) = 𝑃(|𝑋 − 𝐸(𝑋)| < 500) > 0,6