3 VARIABLES ALEATOIRES – LOIS DE PROBABILITES
Une variable aléatoire (v.a) est une fonction définie sur l'ensemble des résultats possibles d'une
expérience aléatoire. La notion de variable aléatoire formalise l'association d'une valeur au résultat
d'une expérience aléatoire.
3.1 DIFFERENTS TYPES DE VARIABLES ALEATOIRES
3.1.1 Variables aléatoires discrètes
Soit l’univers , constitué d’un nombre fini d’éléments ou d’une infinité dénombrable d’éléments.
= { 1, 2, 3,…, i,…, n,…}.
Définir une variable aléatoire X consiste à associer à chaque élément de un nombre réel x.
R
X( )= x
Exemple 19 : 1) nombre de "face" dans un lancer de 3 pièces : X ( ) de 0 à 3.
2) nombre de lancers avant d'obtenir "6" avec un dé normal : X ( ) de 0 à l'infini.
3) nombre d'appels arrivant à un standard téléphonique en 1mn (de 0 à 10).
3.1.2 Variables aléatoires continues
Une variable aléatoire continue est une application X définie sur ( , A), application X : R telle
-1
que pour tout intervalle I on ait : X (I)={ / X( ) I } A. En d’autres termes, l’image
inverse d’un intervalle quelconque est un évènement.
Exemple 20 : 1) temps d'attente pour avoir le bus : X ( ) [0 ; 10']
2) moyenne des tailles de 20 étudiants pris au hasard : X ( ) [ ; ]
3.2 LOI DE PROBABILITE
Définition : Soit un univers fini probabilisé et X une variable aléatoire sur . On appelle loi de
probabilité ou distribution de X, l’application P de X( ) dans [0, 1] définie par :
x X( ), P(x)=P(X=x) (variable discrète) ; P(x)= P(X ; [ )=P(X-1( ] ; [ )) (variable continue)
En d’autres termes, la loi de probabilité de X est l’application qui à chaque valeur image x fait
correspondre la probabilité p de la partie (X = x) de . Elle peut être représentée sous forme d’un
tableau.
Une variable aléatoire (v.a) est totalement définie par sa loi de probabilité caractérisée par :
– l’ensemble des valeurs qu’elle peut prendre (son domaine de définition) ;
– les probabilités attribuées à chacune des valeurs potentiellement prises P(X=x).
3.2.1 Fonction de répartition
Définition : On appelle fonction de répartition de la variable aléatoire X, l’application F de dans
[0 ; 1] qui associe à tout réel x la probabilité P(X < x) c’est à dire F(x) = P(X < x).
On s’intéresse souvent à la probabilité cumulée. Par exemple dans le cas de probabilité sur , on
a : P(X < n) = P(X = 0 ou X = 1 ou …… ou X = n -1).
Les événements étant incompatibles entre eux, on obtient P(X < n) = ( = ) et de façon
plus générale, avec x , P(X < x) = ( = )
Pour une variable discrète prenant des valeurs classées xi avec les probabilités pi, on a F(x) pi
xi x
Dans ce cas, c’est une fonction croissante, continue par morceau et en escalier. De plus on a :
P(X>x)=1-F(x) et P(a<X b)=F(b)-F(a).
8 Statistique Appliquée à la Gestion 20-21 KINVI M. FaSEG-UK.
Exemple 21 : On jette successivement et indépendamment sur une table deux dés dont les faces
sont numérotées de 1 à 4. X étant le produit des nombres obtenus.
1) Donner la loi de probabilité de X, son diagramme en bâtons.
2) Donner la fonction de répartition de X.
Rép : 1) Loi de probabilité de X = {1, 2, 3, 4}2 Card =16
x 1 2 3 4 6 8 9 12 16 TOTAL
P(X=x) 1/16 2/16 2/16 3/16 2/16 2/16 1/16 2/16 1/16 16/16
2) Fonction de répartition
Pour x<1, F(x)=P(X<1)=P(Ø)=0 Pour 1 x<2, F(x)=P(X<2)=P(X=1)=1/16
Pour 2 x<3, F(x)=P(X<3)=P(X=1)+P(X=2)=3/16 Pour 3 x<4, F(x)=P(X<4) =5/16
Pour 4 x<6, F(x)=P(X<6)= 8/16 Pour 6 x<8, F(x)=P(X<8) =10/16
Pour 8 x<9, F(x)=P(X<9)= 12/16 Pour 9 x<12, F(x)=P(X<12)=13/16
Pour 12 x<16, F(x)=P(X<16)= 15/16 Pour x 16, F(x)=P(X 16)=16/16
Exemple 22 : Soit X une v.a. réelle continue de fonction de répartition F définie sur par :
0 si x 0
x
F(x) = si 0 < 2
2
1 si x > 2
F est continue et croissante. On peut calculer P(-1 1) = F(1) - F(-1)=1/2
3.2.2 Fonction densité de probabilité
Définition : On désigne par fonction densité de probabilité, la fonction dérivée f de la fonction de
x
répartition F(x)=P(X<x) définie par : F(x) f(t)dt
b
Il faut noter que f(x)dx 1 et on a : P(a X b) f (x)dx F(b) F(a) c’est à dire que l’aire
a
mesurée entre les droites d’équation x = a et x = b, la courbe représentative de f et l’axe des
abscisses correspond à P(a X < b).
Exemple 23 : Soit X une v.a.r continue de densité f définie sur IR par :
e si x 0
f(x) =
0 si non
Montrer que f est une densité de probabilité et calculer P(-2 1). Rép : P(-2 1) =1-e-1
3.3 CARACTERISTIQUES D’UNE VARIABLE ALEATOIRE
Deux paramètres sont le plus souvent utilisés pour caractériser une variable aléatoire : ce sont la
variance et l’espérance mathématique.
3.3.1 Espérance mathématique
Définition : Soit X une v.a. discrète prenant les valeurs {x1,…,xn} avec les probabilités respectives
n
{p1,...,pn}. On appelle espérance mathématique de X, le nombre E(X) pi x i
i 1
Ce nombre s’interprète comme la moyenne µ des valeurs xi pondérées par leur probabilité pi.
Dans le cas où X est une v.a. continue, on a E(X) xf(x)dx où f(x) est la densité de X.
Statistique Appliquée à la Gestion 20-21 KINVI M. FaSEG-UK. 9
n
De façon générale, pour Y une fonction de X, on a E(Y) pi y i f(x)p(x) ou E(Y)= y(x)f(x)dx
i 1 x X( )
Soient a et b réels alors, on a E(aX+b ) = aE(X) + b
Définition : On dit qu'une variable aléatoire réelle (v.a.r) X est centrée si E(X) = 0.
Remarque : Pour toute v.a.r X, la v.a.r Y=X-E(X) est centrée. En effet E(Y)=E[X-E(X)]=E(X)-E(X)=0
Exemple 24: Calculer E(X) de la v.a.r X de l’exemple 23. Rép : E(X)=[-e-x(x+1)]0 =1
3.3. 2 Variance et écart-type
Définition : On appelle variance de X noté V(X), le moment centré d’ordre 2 (s’il existe).
2
V(X) E(X E(X) . L’écart-type d’une v.a noté (X) est égal à (X) V(X)
Soient a et b réels alors: V(aX+b)=a²V(X)
2 2
On a V(X)= f (x) x E(X) dx=E(X2 )- E(X) . On dit qu’une v.a.r est réduite si (X)=1
Remarque : Pour toute v.a.r X, la v.a.r Z=[X-E(X)]/ (X) est centrée et réduite.
Exemple 25 : M. LOKPA estime que la demande en tonnes des mangues est une variable aléatoire
X de loi suivante :
x 0 1 2 3 4 5 TOTAL
P(x) 0,05 0,15 0,20 0,35 0,15 0,10 1
1) Calculer la demande moyenne et l'écart-type de X.
2) Calculer la probabilité que la demande soit :
a) inférieure à 2 tonnes b) comprise entre 1 et 3 tonnes c) supérieure à 2 tonnes.
3) Le stock du grossiste est de 3 tonnes. Il gagne 5000 F par tonne vendue et perd 2000 F par
tonne invendue. Calculer son bénéfice moyen et l'écart- type associé.
Rép : 1) E(X)=2,7 ; V(X)= 1,71 ; (X)=1,308 2) a) 0,2 ; b) 0,70 ; c) 0,60
3) Soit Z le bénéfice, E(Z)=7000E(Y)-6000 ; (Z)=7000 (Y) ; E(Y)=2,35 ; V(Y)=0,8275 ;
E(Z)=10450F; (Z)=6367,692
10 Statistique Appliquée à la Gestion 20-21 KINVI M. FaSEG-UK.
