VARIABLES

ALÉATOIRES
DISCRETES

Probabilité et Statistique
PROBL103

ATIAMPO KODJO ARMAND © UVCI 2017

Novembre 2017
1.0
 Table des
matières

I - Objectifs 3

II - Introduction 4

III - Définition ,notations et fonctions de repartition 5

1. Définition et Notations ................................................................................................................. 5

2. Exercice : Exercice sur les variables aléatoires .............................................................................. 7

3. Exercice : Exercice sur les propriétés des variables aléatoires ....................................................... 7

4. Exercice : Exercice sur l'estimation des probabilités ..................................................................... 8

5. Exercice : Exercice sur la fonction de répartition .......................................................................... 8

6. Exercice : Exercice sur la fonction de répartition ......................................................................... 8

IV - Espérance, variance d'une variable aléatoire 9

1. Espérance d'une variable aléatoire ............................................................................................... 9

2. Variance d'une variable aléatoire ............................................................................................... 10

3. Exercice : Exercice sur la somme de deux lois de bernouilli ........................................................ 11

V - Espérance et moyenne des lois classiques 13

1. Lois classiques ............................................................................................................................ 13

2. Exercice : Exercice sur la détermination d'une loi de probazbilité .............................................. 14

3. Exercice : Exercice sur la détermination d'une loi de probabilité ................................................ 14

4. Exercice ...................................................................................................................................... 15

5. Exercice ...................................................................................................................................... 15

VI - Conclusion 16

VII - Bibliographie 17
 Objectifs

À la fin de cette leçon, vous serez capable :

de comprendre la notion de variable aléatoire ;
d'estimer la moyenne d'une variable aléatoire discrète ;
d'estimer la variance d'une variable aléatoire discrète ;
d'estimer la moyenne et la variance des lois classiques usuelles discrètes.

3
 Introduction

Dans la leçon précédente ,nous avons introduit la notion d'évènement et de la probabilité de cet
événement. Toutefois, dès que le résultat d'une expérience aléatoire peut être quantifié il est pratique
d'utiliser une variable aléatoire. Une façon intuitive de voir la notion de variable aléatoire est par exemple
la fonction qui associe un gain au résultat d'un jeu de hasard. Dans cette leçon introductive,nous allons
voir les principaux paramètres dont la connaissance permet de caractériser une variable aléatoire

4
 Définition ,notations et fonctions de repartition

Définition ,notations
et fonctions de I
repartition

Objectifs
A la fin de cette section, vous serez capables de :
de comprendre la notion de variable aléatoire

1. Définition et Notations
Définition
Soit Ω l'univers d'une expérience aléatoire.
Une fonction sur Ω à valeurs réelles est appelée variable élatoire

Syntaxe
Les variables aléatoires sont notées par des lettres majuscules X,Y, ...Les valeurs qu'elles
prennent lorsqu'une issue ω se réalise sont notées par des lettres minuscules. Par exemple on
pourra écrire x à la place de X(ω)
Dans la pratique on oublie l'univers Ω pour s’intéresser à X(Ω)
k X(Ω), [X = k] = X−1({k}) = {ω Ω|X(ω) = k}

Définition
Soit P une probabilité sur un espace des issues Ω. Soit X une variable aléatoire définie sur Ω.
Lorsqu'à chaque valeur k de X(Ω) on associe la probabilité p=P(X =k) de l’événement ”X = k”, on
dit que l'on définit la loi de probabilité PX de la variable aléatoire X.

Exemple
Une variable de Bernoulli X de paramètre p a pour loi :

Valeur de X =K 0 1

pi=P(X =k) 1-p p

où p est compris entre 0 et 1. Ce tableau se lit de la fa¸con suivante : p 0 P (X = 0) = 1 − p et

p1 P (X = 1) = p. Par convention on notera X B(p) lorsque X suit une loi de Bernoulli.
On remarque que si p = 1 alors X est constante et égale à 0

5
 Définition ,notations et fonctions de repartition

Exemple
On considère 2 jetés successifs d'une pièce de monnaie équilibrée. On définit une variable aléatoire X
qui compte le nombre de face que l'on a obtenu. Sur deux lancés de pièces X peut prendre soit la
valeur 0 qui correspond à l’événement”la pièce n'est jamais tombée sur face”, soit la valeur 1 qui
correspond au cas où la pièce est tombée une fois sur face” soit la valeur 2 si on obtient deux fois
face. Étant donné que la pièce est équilibrée on obtient pour X la loi suivante :

Valeur de X =K 0 1 2

pi=P(X =k) 1/4 1/2 1/4

On remarque bien entendu que P (X = 0) + P (X = 1) + P (X = 2) p 0 + p1 + p2 = 1.

Définition : Fonction de répartition

La loi d'une variable aléatoire X est caractérisée par sa fonction de répartition FX définie par :

Remarque
FX est par définition une fonction en escalier, qui est constante entre deux valeurs successives prises
par la variable aléatoire X et qui fait un saut en chacune de ses valeurs. On retrouve donc sur le
graphe de FX d'une part les valeurs prises par X ainsi que les probabilités d'obtenir les valeurs

Remarque
Il est équivalent de connaître la loi de X ou sa fonction de répartition

Exemple
En repérant l'exemple précédent , la fonction de répartition est représentée de la façon le suivante :

Définition
Deux variables aléatoires X : Ω → {x1, · · · , xM, · · · } et Y : Ω → {y 1, · · · , yN, · · · } sont
indépendantes si pour tous i et j, P(X = xi, Y = yj) = P(X = xi) P(Y = yj).

Exemple : Lois de Bernoulli indépendantes

On s’intéresse à deux variables aléatoires de Bernoulli : X1 de paramètre p et X2 de paramètre q. On
suppose que X1 et X2 sont indépendantes. Le couple (X1, X2) peut prendre les valeurs (0, 0) ; (0, 1),
(1, 0) et (1, 1). Par indépendance on a on a :
P((0, 0)) P(X1 = 0, X2 = 0) = P(X1 = 0)P(X2 = 0) = (1 − p) (1 − q).

6
 Définition ,notations et fonctions de repartition

2. Exercice : Exercice sur les variables aléatoires

Exercice : Exercice sur la détermination de l'univers
On considère l'expérience aléatoire « tirer 4 boules parmi 4 blanches et 6 bleus »
On va étudier la v.a. définie par X =« nombre de boules rouges obtenues »
Ω={1, 2, 3, 4}

card(Ω)=210

151200

l'univers Ω est infini

l'univers Ω est dénombrable

3. Exercice : Exercice sur les propriétés des variables

aléatoires
Exercice : Univers de la variable aléatoire
En reprenant les hypothèses de l'exercice précédent, Quel est l'univers de la variable léatoire X
X={0,1,2,3,4}

X= R. (R est l'ensemble des nombres réels)

X={1,2,3,4}

7
 Définition ,notations et fonctions de repartition

4. Exercice : Exercice sur l'estimation des probabilités

Exercice : Probabilités
En reprenant les hypothèses de l'exercice 1, lesquelles des assertions suivantes sont vérifiées ?

Valeur de X = 0 1 2 3 4
k

pk=P(X = k) 0.071 0.381 0.429 0.114 0.005

Valeur de X = 0 1 2 3 4
k

pk=P(X = k) 0.005 0.381 0.431 0.124 0.059

Valeur de X = k 1 2 3 4

pk=P(X = k) 0.10 0.351 0.299 0.25

p0 + p1+p2+p3+p4 = 1

Exercice : Exercice sur la fonction de répartition

Calculer la valeur de la fonction de reptation de la variable aléatoire au point x =1.5
0.452

1.15

0.071

0.023

5. Exercice : Exercice sur la fonction de répartition

Calculer la valeur de la fonction de reptation de la variable aléatoire pour tout x > 4
P(X = 4)

0.657

6. Exercice : Exercice sur la fonction de répartition

Calculer la valeur de la fonction de reptation de la variable aléatoire pour tout x = 3

8
 Espérance, variance d'une variable aléatoire

Espérance, variance
d'une variable II
aléatoire

Objectifs
A la fin de cette section, vous serez capables de :
d'estimer la moyenne d'une variable aléatoire discrète ;
d'estimer la variance d'une variable aléatoire discrète

on va définir deux indicateurs permettant de se représenter rapidement la loi d'une v.a..

1. Espérance d'une variable aléatoire

La moyenne ou espérance est une valeur qui sert à avoir une idée de la valeur typique d'une variable
aléatoire. Elle n'est en générale pas suffisante pour comprendre comment se comporte cette variable
aléatoire mais donne une première indication. Son avantage est qu'elle est très facile à estimer dans la
majorité des cas

Définition : Espérance
Soit X une v.a. alors la moyenne de X, notée E(X) est la valeur :

Plus généralement pour toute fonction f :R →R, on pourra écrire

Fondamental : Linéarité
Soit X,Y des v.a. et a,b R alors

9
 Espérance, variance d'une variable aléatoire

2. Variance d'une variable aléatoire

Définition
Soit X une v.a. de moyenne µ = E(X) alors la variance de X, notée Var(X), est la quantité´e :

On appelle écart-type σX de la variable aléatoire X la valeur

Attention
L'écart-type permet de comprendre comment les valeurs prises par X sont réparties autour de
l'espérance E(X). En général on ne calcule pas la variance d'une v.a. en utilisant la définition
précédente mais en utilisant le résultat suivant appelé la formule de Koening.

Fondamental
Soit X une variable aléatoire, alors on a :

Soit a et b deux réels non nuls alors :

10
 Espérance, variance d'une variable aléatoire

3. Exercice : Exercice sur la somme de deux lois de bernouilli

Exercice
On s’intéresse à deux variables aléatoires de Bernoulli : X1 de paramètre p et X2 de paramètre q.
On suppose que X1 et X2 sont indépendantes. On s’intéresse à la variable aléatoire Y=X1+X2
L'univers de la variable aléatoire Y est :
{0,1,2}

{0,1}

{(0,0),(0,1),(1,0),(1,1)}

Exercice
On reprend les hypothèses de l'exercice précédent. Laquelle des assertions suivantes est verifiée

Valeur de Y=k 0 1 2

pk=P(Y = K) (1-p)(1-q) (1 - p)q+p(1-q) pq

Valeur de Y=k 0 1 2

pk=P(Y = K) (1-p)(1-q) (1 - p)q p2

Valeur de Y=k 0 1 2

pk=P(Y = K) 0.25 0.5 0.25

Valeur de Y=k 0 1 2

pk=P(Y = K) pq (1 - p)q+p(1-q) (1-p)(1 -q)

Exercice
En se plaçant dans les hypothèses de l'exercice précédent. Estimer l'espérance de la variable
aléatoire Y

Exercice
En se plaçant dans les hypothèses de l'exercice précédent. Estimer lavariance de la variable aléatoire
Y
p +q+6pq-p2 -q2

p2 + q2

(p+q)2

p(1-p)+q(1-q)

*  *

11
 Espérance, variance d'une variable aléatoire

*
Cette section a été consacrée à l’étude de deux paramètres simples qui permettent de décrire la plupart
des variables aléatoires. Leur utilisation et leur maîtrise est indispensable à tout technicien en sciences
informatiques dans sa pratique quotidienne

12
 Espérance et moyenne des lois classiques

Espérance et moyenne
des lois classiques III

Objectifs
A la fin de cette section, vous serez capables de :
d'estimer la moyenne et la variance des lois classiques usuelles

Il existe un certain nombre de situation que l'on retrouve très fréquemment en théorie des
probabilités. On va donc définir des variables aléatoires spécifiques pour ces types d’expériences, et
quand l'une des expériences à modéliser se ramènera à l'une des situations listées on pourra utiliser
directement les résultats de cette section pour calcules les probabilités, moyennes, variances dont on
aura besoin.

1. Lois classiques
La première loi que nous allons voir permet de modéliser la notion d'équiprobabilité

Définition
On dit qu'une v.a. X suit une loi uniforme de paramétrés a et b si c'est une v.a. d'univers {a; a + 1; .
. .; b} de cardinal n = 1 + b − a vérifiant :
k = a,a + 1, . . . ,b,

La moyenne et la variance sont données par les formules suivantes :

Remarque
Les autres lois classiques sont disponible en annexe dans le document (cf. [Link])
Les exemples suivants donnent des exemples de phénomènes pouvant être modélisés par des lois
classiques

13
 Espérance et moyenne des lois classiques

Exemple : loi uniforme

On considère l’expérience :
« lancer un de équilibré et on note X le résultat de la face supérieure »
alors X suit une loi uniforme de paramètres a = 1 et b = 6.

Exemple : loi binomiale

Soit l’expérience :
« On effectue n répétitions indépendantes d'une loi de Bernoulli (de parametre p) et on compte le
nombre de succès. »alors X → B(n,p).

Exemple : loi hypergéométrique

Soit l’expérience :
« On tire simultanément n boules dans une urne contenant pN boules gagnantes et (1 − p)N boules
perdantes. On compte alors le nombre de boules gagnantes extraites et on appelle X la variable
aléatoire donnant le nombre de boules gagnantes. »
alors X→H (n,p,N).

Exemple : Loi de Poisson

Soit l’expérience :
« Un serveur reçoit en moyenne n connexions par minutes. Soit X la variable aleatoire qui compte le
nombre de connexions au serveur durant un temps T minutes. »
alors X → P(λ) avec λ = nT .

2. Exercice : Exercice sur la détermination d'une loi de

probazbilité
Exercice
Soit l’expérience « un standard reçoit en moyenne 3 appels par demi heure » Quelle est la v.a.
définie par X =« nombre d'appels reçus en une heure »
X→ P(λ = 8)

X → P(λ = 6)

X→ P(λ = 4)

X →B(λ = 8)

3. Exercice : Exercice sur la détermination d'une loi de

probabilité
Exercice
On considère une pièce de monnaie dans laquelle la probabilité d'obtenir face est 0.6. On effectue n
lances de cette pièce de monnaie. On définit X la variable aléatoire qui va définir le nombre de
lances pour obtenir le premier pile
X → G (p = 0.5).

X→ G (p = 0.4).

X → B(n,0.4)

14
 Espérance et moyenne des lois classiques

4. Exercice
En se plaçant dans les conditions de la question précédente , calculez espérance de la variable
aléatoire X

5. Exercice
En se plaçant dans les conditions de la question précédente , calculez la variance de la variable
aléatoire X

*  *
*
Dans cette section, nous avons passé en revue quelques lois de probabilités discrètes classiques qui servent
à modéliser la plupart des phénomènes rencontrés dans la pratique. Cette liste est non exhaustive. les
applications sont nombreuses dans le domaine des réeaux de télécommunication et en théorie de la
fiabilité

15
 Espérance et moyenne des lois classiques

Conclusion

Cette leçon a introduit la notion de variable aléatoire qui est fondamentale en théorie des probabilités.
Leur connaissance et leur maîtrise permet une étude aisée des différents phénomènes rencontrés dans la
pratique. Jusque là nous sommes partis de la loi connue et nous avons extrait les paramètres
caractéristiques notamment la moyenne et la variance. Dans le chapitre suivant qui introduit la
statistique descriptive , nous allons à partir d'un échantillon de données estimer la loi qui décrit le mieux
le phénomène observé.

16
 Ressources annexes

Bibliographie

Pierre Andreoletti, Support du cours de Probabilités et Statistiques, IUT d'Orléans, Département

Informatique, 2008

Ph. Roux, Probabilités discrètes et statistique descriptive, DUT Informatique, semestre 2, 2010

17