Variables aléatoires – Lois fondamentales 1. Variables aléatoires (V.A.). Conventions d’écriture Soit Ω = (ω1 , ω2 ,...ωN ) un univers probabilisé fini à N éventualités. On appelle variable aléatoire définie sur Ω toute application X de Ω dans ℝ . Chaque éventualité admet pour image le réel X ( Ω ) = ( x1 , x2 ,....xn ) Est l’ensemble des n images. ( X = xi ) Est l’évènement de Ω formé de toutes les éventualités ayant pour image xi . Il a pour probabilité ( P ( X ) = xi ) = pi . L’ensemble des éventualités ( X = xi ) i = 1, 2,...n. constitue une partition de Ω et l’on a : p1 + p2 + ... + pn = 1 . 2. Loi de probabilité et fonction de répartition On appelle loi de probabilité de X l’application f de X ( Ω ) dans ℝ , f : x → P ( X = x ) . On appelle fonction de répartition de X l’application F de ℝ dans [0, 1] : F : x → P (X ≤ x) . On les présente sous forme de tableau. Valeurs xi x1 x2 x3 …. xn P(X = x) p1 p2 p3 …. pn P(X ≤ x) p1 p1 + p2 p1 + p1 + p2 …. 1 La fonction de répartition est une fonction en escalier croissante de 0 à 1. Elle est nulle pour x < x1 et égale à 1 pour x ≥ x1. 3. Valeurs caractéristiques de X a) Espérance mathématique de X n m = E(X) = ∑ pi xi = p1 x1 + p2 x2 + ... + pn xn i =1 C’est la moyenne m des x, pondérés par les coefficients pI . Propriétés : E ( k ) = k ; E ( X + k ) = E ( X ) + k ; E ( kX ) = kE ( X ) X − m est une variable centrée et vérifie E ( X − m ) = 0 : b) Variance et écart-type de X 2 2 2 V ( X ) = E ( X − m ) = p ( x1 − m ) + p ( x2 − m ) + ... p ( xn − m ) 2 n 2 2 On a : V(X) = ∑ pi xi − m et σ (X) = V(X) i =1 Propriétés : V ( k ) = 0;V ( X + k ) = V ( X ) ;V ( kX ) = k V ( X ) ; 2 σ ( kX ) = kσ ( X ) ; 4. Loi binomiale Une variable aléatoire X à valeurs entières 0 ; 1 ; 2 ; … ; n suit une loi binomiale notée B(n; p) de paramètres n et p si, et seulement si, pour toute valeur entière k ∈ [ 0; n ] on a: P ( X = k ) = C kn p k q n −k ( avec q = 1 − p ) Elle s’applique à toute expérience aléatoire répétée à deux éventualités dont l’une (favorable) a toujours la probabilité p. E ( X ) = np; V ( X ) = npq; σ ( X ) = npq 5. Loi de Poisson C’est une loi à nombre infini de valeurs. Une variable aléatoire X prenant ses valeurs dans N suit une loi de Poisson de paramètres m(m > 0) si, et seulement si : mk k! V ( X ) ≃ m; P ( X = k ) = ( e− m ) E ( X ) = m; σ (X) ≃ m 6. Loi de Laplace-Gauss ou loi normale a) C’est une loi de probabilité à valeurs dans ℝ . On caractérise une telle loi par sa fonction de répartition F ou par sa dérivée f = F′ appelée densité de probabilité de X . On a par définition : P(X < x ) = ∫ x −∞ f (t )dt ; ∫ +∞ −∞ f ( x )dx = F( +∞) = 1 b P(a < X < b) = ∫ f (t )dt = F(b) − F( a ) a F est croissante de 0 à 1 et f est positive. b) Loi normale ou loi de Gauss – loi normale réduite On appelle loi normale N (m, σ ) , la loi d’une variable continue X de moyenne d’écart-type σ et de densité de probabilité : m, x−m 2 σ − 1 f ( x) = e σ 2π En posant t = x−m σ on obtient la loi normale réduite N (0, 1) de la variable T , de moyenne 0, d’écart-type 1 et de densité ϕ avec : 2 1 − t2 e 2π ϕ (t ) = 7. Fiabilité : Loi exponentielle La durée de vie d’un dispositif E est une variable aléatoire continue T . La fiabilité de E est définie par R ( t ) = e La constante λ − λt . représente le taux d’avarie (ou de défaillance) de E . R ( t ) = P ( T > t ) = P ( E fonctionne à l'instant t ) F ( t ) =1 − R ( t ) = P ( T ≤ t ) = P ( E soit en panne à l'instant t ) L’espérance mathématique de la durée de vie (M.T.B.F. = moyenne des temps de bon fonctionnement) est E ( T ) = 1 λ . Ex On considère la loi binomiale B(150; 0, 2) 30 1) Calculer P ( X = 30 ) . On donne C150 = 3, 2199 × 10 31 38 2) On donne ∑p k = 0,715 k=27 Comparer à la valeur donnée pour ( 26,5 < X < 38,5 ) par la loi normale N (30, 1) P ( X = 30 ) =C150 × 0, 2 × 0,8 Soit 30 30 120 P ( X = 30 ) = 3, 219 9 × 1031 × (1,073 7 × 10−21 ) × ( 2,348 5 × 10−12 ) = 0, 0812 2) La loi normale donne : 38,5 − 30 26,5 − 30 = 1,74; t1 = = −0,71 24 24 P ( −0,71<T<1,74 ) = Φ (1,74 ) − Φ ( −0,71) = 0,720 t2 = 24)