Cours de probabilités

GHIZLAN LOUMRHARI
SEPTEMBRE 2019
 Chapitre 2. Variables aléatoires
L’espérance mathématique et la variance

Caractéristiques :

Les deux principales caractéristiques, la moyenne et la variance, d’une

variables aléatoire discrètes sont données par
n
E(X )  x p
i 1
i i

 p i x i  E ( X ) 
2
V (X ) 
i
 Chapitre 2. Variables aléatoires
L’espérance mathématique

L’espérance mathématique E(X) d’une variable aléatoire X

joue le rôle dévolu à la moyenne en statistiques : elle correspond
à la valeur moyenne espérée par un observateur lors d’une
réalisation de la variable aléatoire X. On a :

lorsque X peut prendre N valeurs différentes x1; ….. ; xn avec

comme probabilités élémentaires pi = P[X = xi ].
 Chapitre 2. Variables aléatoires
La variance

Pour décrire plus précisément le comportement de X, sans pour

autant caractériser complètement la loi de X, on peut s’intéresser
aux écarts de X par rapport à cette moyenne.
Cependant, si on considère simplement la différence X-E(X),
on obtient un écart moyen E(X-E(X))=0 (par linéarité de
l’espérance). On pourrait considérer la valeur moyenne de
|X-E(X)| mais on préfère considérer la moyenne de
plus pertinente mathématiquement.
 Chapitre 2. Variables aléatoires
La variance

La variance mesure ainsi la déviation moyenne autour de la

moyenne espérée E(X), et est définie par :

Elle est toujours positive puisqu’il s’agit de l’espérance d’un

carré.
V ( X )  E ( X 2 )  E ( X ) 
2

Autre expression de la variance :

 Chapitre 2. Variables aléatoires
L’Ecart-type

Pour mesurer la dispersion d’une variable aléatoire X, on

considère souvent en statistiques l’écart-type, lié à la variance
par :
 Chapitre 2. Variables aléatoires
Propriétés de l’espérance mathématique et de la variance

 Propriété de la moyenne

E (a )  a

E ( aX )  aE ( X )

E ( X  Y )  E ( X )  E (Y )

E ( XY )  E ( X )  E (Y ) si X et Y sont indépendantes
 Chapitre 2. Variables aléatoires
Propriétés de l’espérance mathématique et de la variance

Propriété de la variance

V (X )  0

V ( X )  E ( X 2 )  E ( X ) 
2

V (a )  0

V ( aX )  a 2V ( X )

V ( X  Y )  V ( X )  V (Y ) si X et Y sont indépendantes
 Chapitre 2. Variables aléatoires
L’espérance mathématique et de la variance

Exemple. Une banque accepte de ses clients des rouleaux de pièces de 10

MAD sans en contrôler le nombre (en principe 25 pièces). On suppose que 3%
des rouleaux contiennent seulement 24 pièces, que 96% des rouleaux
contiennent 25 pièces et que 1% des rouleaux contiennent 26 pièces.

Si on note X la V.A. qui représente le nombre de pièces d’un

rouleaux calculez E(X) et V(X)
 Chapitre 2. Variables aléatoires
Propriétés de l’espérance mathématique et de la variance

Exemple. Soit X une V.A. représentant le nombre de pièces par rouleaux

xi 24 25 26 Total
pi 0,03 0,96 0,01 1

xi p i 0,72 24 0,26 24,98

E ( X )  24 ,98
 Chapitre 2. Variables aléatoires
Propriétés de l’espérance mathématique et de la variance

Exemple. Soit X une V.A. représentant le nombre de pièces par rouleaux

xi 24 25 26 Total
pi 0,03 0,96 0,01 1

xi p i 0,72 24 0,26 24,98

x i2 576 625 676

x i2 p i 17,28 600 6,76 624,04

E ( X )  24 ,98 E ( X 2 )  624 ,04

V ( X )  E ( X 2 )  E ( X ) 2  0 ,0396

X est une variable aléatoire de moyenne 24,98 et de variance

0,0396 (ou d’écart-type 0,199)
 Chapitre 2. Variables aléatoires
Les lois de probabilité paramétriques

 Les lois paramétriques sont des lois de probabilité qui dépendent d’un ou de

plusieurs paramètres (généralement 1 ou 2).

 Des phénomènes aléatoires très différents peuvent être décrits par une

même loi avec des valeurs différentes pour les différents paramètres.

 Ainsi un nombre limité de lois permettent de décrire pratiquement une

infinité de phénomènes aléatoires.

 Chapitre 2. Variables aléatoires
Les lois discrètes. Loi de Bernoulli

X suit une loi de Bernoulli de paramètre p notée B(p) si elle prend les valeurs 0
et 1 avec les probabilités P(X = 1) = p et P(X=0) = 1- p :

P ( X  k )  p k (1  p )1 k

Propriétés : E(X )  p et V ( X )  p (1  p )
Domaine d’application : Un seul tirage (sans remise)
 Chapitre 2. Variables aléatoires
Les lois discrètes. Loi de Bernoulli

Exemple. On lance une pièce de monnaie, et on choisit Pile comme succès.

Calculer l’espérance et la variance de X

X peut prendre soit 1 soit 0

Pile = succès =1 Face Pile
Face =échec =0 X 0 1
P(X=xi) 0,5 0,5

E(X)=p=0,5
V(X)=p(1-P)=0,5.0,5=0,25
 Chapitre 2. Variables aléatoires
Les lois discrètes. Loi de Bernoulli

Exemple. On lance un dé, et on choisit que le succès est d’avoir un 6

X peut prendre soit 1 soit 0

« 6 » = succès =1
« 1,2,3,4,5 » =échec =0 1,2,3,4,5 6
X 0 1
P(X=xi) 5/6=0,83 1/6=0,16

E(X)=p=0,16
V(X)=p(1-P)=1/6.5/6=0,138
 Chapitre 2. Variables aléatoires
Les lois discrètes. Loi Binomiale

X suit une loi Binomiale de paramètres n et p, notée B(n,p) si elle prend les
valeurs 0,1,2,…,n avec les probabilités :

P ( X  k )  C nk p k (1  p ) n  k

Propriétés : E ( X )  np et V ( X )  np (1  p )
Domaine d’application : Dualité (urnes contenant boules blanches et
boules noires) avec remise.
 Chapitre 2. Variables aléatoires
Les lois discrètes. Loi Binomiale

Exemple. La probabilité d’obtenir exactement 2 faces au cours de 6 lancers

d’une pièce de monnaie

P ( X  k )  C nk p k (1  p ) n  k
 Chapitre 2. Variables aléatoires
Les lois discrètes. Loi géométrique

X suit une loi géométrique de paramètre p notée G(p,k) si sa distribution est

donnée par

P ( X  k )  p (1  p ) k 1

Propriétés : E ( X )  1/ p et V ( X )  (1  p ) / p 2

Domaine d’application : C’est la loi du temps d’attente du premier succès

dans les épreuves de Bernoulli répétées ou dans un tirage avec remise.

Exemple. Nombre de tirage nécessaire pour obtenir pile lors du lancement

d’une pièce
 Chapitre 2. Variables aléatoires
Les lois discrètes. Loi géométrique

Exemple. un lot de 50 pièces, dont 20 sont de type A, on choisit

avec remise une pièce type A. Quelle est la probabilité de sortir
une pièce de type A pour la première fois après le 5eme tirage?
 Chapitre 2. Variables aléatoires
Les lois discrètes. Loi de poisson

X suit une loi de Poisson de paramètre  notée P ( )

si sa distribution est donnée par

e  x
P ( X  x)  x  0 ,1, 2 ,...
x!

Propriétés : E(X )   et V (X )  
Domaine d’application : Cette loi s’applique au comportement du nombre
d’évènements se produisant dans un laps de temps fixe (ou intervalles
spatiaux).
 Chapitre 2. Variables aléatoires
Les variables aléatoires continues

La v.a. continue. La v.a. est dite continue si ses réalisations sont

n’importe quels réels dans un intervalle donné (le montant des
transactions pendant une journée à la BVC). Elle est caractérisée par
cet ensemble et la probabilité d’apparition appelée distribution ou loi
de probabilité et prend la forme d’une expression analytique appelée
densité.

Caractéristiques :
Les deux principales caractéristiques, la moyenne et la variance,
d’une variables aléatoire continues sont données par
 
E( X )   xf ( x )dx V (X )   x  E ( X ) 2
f ( x ) dx
 
 Chapitre 2. Variables aléatoires
Les variables aléatoires continues

Exemple. On considère la fonction f définie sur  par

et X est une variable aléatoire de densité f.
Calculer les probabilités suivantes :
a.
b.
 Chapitre 2. Variables aléatoires
Les variables aléatoires continues

a.

f(x)

a b
 Chapitre 2. Variables aléatoires
Les variables aléatoires continues

b.
f(x)
A1 + A2 =1

A2 =1 - A1

3
 Chapitre 2. Variables aléatoires
Les lois continues. La loi normale

La loi normale : X suit une loi Normale de paramètres μ et σ notée si sa

densité est donnée par :

2
1  x  
1  
2  

f ( x; , )  e
 2

Propriétés : E( X )   et V (X )   2
 Chapitre 2. Variables aléatoires
Les lois continues. La loi normale

- Il existe une infinité des lois normales

- La loi n’est pas tabulée. Problème
- Il faut la standardiser
 Chapitre 2. Variables aléatoires
Les lois continues. La loi normale centrée réduite

X 
La loi normale centrée réduite (standard) : Si on pose Z on

obtient une V.A. noté N(0,1) de densité
z2
1 
f (z)  e 2
2

Propriétés : E( X )  0 et V (X ) 1
Chapitre 2. Variables aléatoires
Les lois continues. La loi normale centrée réduite

0
 Chapitre 2. Variables aléatoires
Les lois continues. La loi normale centrée réduite

Exemple. X  N (500,202 )
Calculer :
P ( X  520)
P ( X  540)
P ( 460  X  540 )
 Chapitre 2. Variables aléatoires
Les lois continues. La loi normale centrée réduite

Exemple. Soit X une v.a continue suit une loi normale ( , ). Déterminer

Tel que
 Chapitre 2. Variables aléatoires
Les lois continues. Khi-deux

Loi de Khi-deux (chi-deux). La V.A. X suit une loi de Khi-deux de paramètre n,

notée 2 (n) si elle est donnée par

n

 i
n 2
X  Y
X  Y
i 1
i
2
i 1

Yi (i  1, 2 ,..., n ) sont n variables aléatoires normales standards

indépendantes et n est appelé n.d.d.l (nombre de degrés de libertés)

Propriétés :
E( X )  0 et
V (X )  1
 Chapitre 2. Variables aléatoires
Les lois continues. Khi-deux

Cette loi est bien entendu, tabulée

 Chapitre 2. Variables aléatoires
Les lois continues. Khi-deux

Exemple. Considérons une variable aléatoire X de loi  2 (n)

Pour n=13,

(i) Calculer P(5<X<24,73)

(ii) Déterminer les valeurs a et b si : P(X<a)=0,99 et P(X>b)=0,95

 Chapitre 2. Variables aléatoires
Les lois continues. Khi-deux

Corrigé.

1. Pour n=13,

(i) Calculer P(5<X<24,73)

 Chapitre 2. Variables aléatoires
Les lois continues. Khi-deux

Corrigé.

(ii) Déterminer les valeurs a et b si P(X<a)=0,99 et P(X>b)=0,95

P(X<a)=0,99 D’après la table de Khi deux a=27,68

D’après la table de Khi deux b=0,89

 Chapitre 2. Variables aléatoires
Les lois continues. Loi de Student

Loi de Student. La V.A. X suit une loi de Student de paramètre n, notée

si elle est donnée par

t (n )

Y X  N ( 0 ,1)
X 
Z Y   n2
n
X et Y sont indépendantes

Propriétés : et n
E(X )  0 V (X ) 
n2
Chapitre 2. Variables aléatoires
Les lois continues. Loi de Student

0
 Chapitre 2. Variables aléatoires
Les lois continues. Loi de Student

Exemple. Soit X est une variable aléatoire qui suit une loi de student de

v= 10 degré de liberté. En utilisant une table donnant la fonction de

répétition de la loi de student,

1. Calculer les probabilités suivantes : P(X<-1,093)

2. déterminer a et b dans les cas suivantes : P(X<a)=0,9 et

 Chapitre 2. Variables aléatoires
Les lois continues. Loi de Student

Corrigé.

1. Calculer les probabilités suivantes : P(X<-1,093) et P(0,541<X<2,228)

 Chapitre 2. Variables aléatoires
Les lois continues. Le théorème central limite

Le théorème central limite

Soit X1, X2, … une suite de variables aléatoires réelles définies sur le même espace

de probabilité, indépendantes et identiquement distribuées suivant la même loi L.

Supposons que l‘espérance μ et l’écart-type σ de L existent et soient finis avec

σ ≠ 0.
S n  X 1 , X 2 ,..., X n
Considérons la somme
Sn
Si n est grand alors est une variable aléatoire normale de moyenne n μ et de
n 2
variance
 Chapitre 2. Variables aléatoires
Les lois continues. Le théorème central limite

Exemple 1. Une banque accepte de ses clients des rouleaux de

pièces de 10 MAD sans en contrôler le nombre (en principe 25
pièces). On suppose que 3% des rouleaux contiennent seulement 24
pièces, que 96% des rouleaux contiennent 25 pièces et que 1% des
rouleaux contiennent 26 pièces.

(i) Si on note X la V.A. qui représente le nombre de pièces d’un

rouleaux calculez E(X) et V(X)

(ii)Calculez les probabilités pour que 400 rouleaux contiennent

- Moins de 10 000 pièces
- Moins de 9 990 pièces
 Chapitre 2. Variables aléatoires
Les lois continues. Le théorème central limite

Exemple. Soit X une V.A. représentant le nombre de pièces par rouleaux

xi 24 25 26 Total
pi 0,03 0,96 0,01 1

xi p i 0,72 24 0,26 24,98

x i2 576 625 676

x i2 p i 17,28 600 6,76 624,04

E ( X )  24 ,98 E ( X 2 )  624 ,04

V ( X )  E ( X 2 )  E ( X ) 2  0 ,0396

X est une variable aléatoire de moyenne 24,98 et de variance

0,0396 (ou d’écart-type 0,199)
 Chapitre 2. Variables aléatoires
Les lois continues. Le théorème central limite

(ii)On définit la V.A. 400

Sn  X
i 1
i

Et on cherche
P ( S n  10000 )  ?

Mais on ne connait pas la loi suivie par la variable aléatoireS n

 Chapitre 2. Variables aléatoires
Les lois continues. Le théorème central limite

(ii)X n’est pas normale mais comme n est grand (400 > 30), le TCL
s ’applique
400
La nouvelle variable aléatoireS n  X i
normale de
paramètres i 1

400
E ( S 400 )  X
i 1
i  n

400
V ( S 400 )   V
i 1
( X i )  n  2
 Chapitre 2. Variables aléatoires
Les lois continues. Le théorème central limite

L’utilisation du TCL montre que

S n  N ( n , n 2 )
Définissons la variable aléatoire normale centrée
et réduite
S n  n
Zn   N ( 0 ,1)
 n
 Chapitre 2. Variables aléatoires
Les lois continues. Le théorème central limite

La probabilité pour que 400 rouleaux contiennent moins de 10 000

pièces

 S  n 10000  n   10000  n 
P ( S n  10000 )  P n    PZ n  
  n  n    n 

 10000  400  24 , 98 
P ( S n  10000 )  P  Z n    P Z n  2 , 01 
 0 ,199  400 

P ( S n  10000 )  0 , 97778
 Chapitre 2. Variables aléatoires
Les lois continues. Le théorème central limite

La probabilité pour que 400 rouleaux contiennent moins de 9 990

pièces

 S  n 9990  n    9990  n  
P ( S n  9990 )  P  n    P Zn  
  n  n    n 

 9990  400  24 ,98 


P ( S n  9990 )  P  Z n    P Z n   0 ,5025 
 0 ,199  400 

P ( S n  9990 )  1  P ( Z n  0 ,5025 )
P ( S n  9990 )  1  0 ,6923  0 ,3077