Variables aléatoires à valeurs réelles Loi binomiale, loi de Poisson

MT18
Cours lois binomiale, Poisson, normale 1 / 8 A Chevalley
A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley
Loi binomiale, loi de Poisson, loi normale
1. Fonction de répartition
1.1. Variable aléatoire à valeurs réelles
Définition : Soit un ensemble fondamental Ω composé d’évènements élémentaires ω, on appelle
variable aléatoire à valeurs réelles X, l’application de Ω dans R qui à tout évènement
élémentaire fait correspondre un évènement de X(Ω).
:
( )
X
X
ω ω
Ω →
ℝ
֏
A partir de probabilités P définies sur Ω , nous allons chercher à définir des probabilités sur X( Ω ).
Pour tout nombre k de X( Ω) , on note P(X=k) = P ( { ω ∈ Ω ; X (ω) = k } )
Exemple : On tire au hasard une boule dans une urne contenant une boule rouge R,une boule verte V et une boule
bleue B. On remet la boule tirée et on effectue un second tirage d’une boule, chacune des 3 boules ayant dans ce cas
la même probabilité d’être choisie.
Déterminer l’ensemble Ω ( ensemble d’évènements élémentaires = doublets)?
Combien y a-t-il d’évènements élémentaires ?
Quelle est la probabilité de chaque évènement élémentaire ?
Calculer la probabilité de tirer au moins une boule verte ?
On associe la variable aléatoire à valeurs réelles (fonction) suivante :
A tout tirage de 2 boules, on associe un gain (ou une perte = gain négatif)
Pour chaque boule rouge tirée on gagne 6 €.
Pour chaque boule verte tirée on gagne 1 €.
Pour chaque boule bleue tirée on perd 4 € (gain – 4 €).
Quel est l’ensemble X(Ω) des gains possibles (ce sont les valeurs prises par X, ou l’image de Ω par X) ?
Quelle est la probabilité associée à chaque gain ?
Soit D l’évènement « on gagne 2 € » ; Quelle est la probabilité associée à ce gain ?
Soit G l’évènement « on obtient un gain positif » ; Quelle est la probabilité associée à cet évènement ?
1.2. Loi de probabilité ou distribution d’une variable aléatoire
Définition : La loi de probabilité ou distribution d’une variable aléatoire X est la fonction
[
]
( ) 0, 1
k ( )
X
P X k
Ω →
=
֏
On obtient un diagramme en bâtons
Exemple : (suite de l’exemple précédent)
Tracer le diagramme en bâtons

MT18
Cours lois binomiale, Poisson, normale 2 / 8 A Chevalley
1.3. Fonction de répartition
Définition : La fonction de répartition de la variable aléatoire X est la fonction F :
[
]
: 0, 1
x ( ) ( )
F
F x P X x
→
= ≤
ℝ
֏
D’une manière générale, pour tout nombre réel x, on note P(Xx) = P ( { ω ∈ Ω ; X(ω) x } )
On obtient une fonction en escalier.
Exemple : (suite de l’exemple précédent)
Tracer la fonction de répartition (en escalier)
2. Espérance, variance et écart type
2.1. Espérance mathématique
L’espérance mathématique d’une variable aléatoire discrète prenant n valeurs x
i
avec les
probabilités P ( X = x
i
) = p
i
où 1  i  n, est
E (X) =
1
.
n
i i
i
p x
=
∑
L’espérance mathématique représente la moyenne des valeurs prises par une variable aléatoire.
Exemple : (suite de l’exemple précédent)
Reprendre la loi de distribution pour X
Calculer E(X)
Remarque : Soient a et b des constantes réelles et soit X une variable aléatoire d’espérance
mathématique E(X) on a E (a.X + b) = a E(X) + b
2.2. Variance
La variance d’une variable aléatoire X est, si elle existe, l’espérance mathématique de la variable
aléatoire (X – E(X))
2
. On note V (X) = E(X
2
) – ( E(X) )
2
Démonstration : Si X prend pour valeur x
i
(x
i
– E(x
i
))
2
= x
i
2
– 2 E(x
i
).x
i
+ ( E(x
i
) )
2
on sait que 2 E(x
i
) et( E(x
i
) )
2
sont des constantes
donc V(X) = E [x
i
2
– 2 E(x
i
). x
i
+ ( E(x
i
) )
2
] = E(x
i
2
) – 2 E(x
i
). E(x
i
) + ( E(x
i
) )
2
=
= E(x
i
2
) – ( E(x
i
) )
2
= E(X
2
) – ( E(X) )
2
Conséquence : V (a.X + b ) = a
2
. V(X)
2.3. Ecart type

MT18
Cours lois binomiale, Poisson, normale 3 / 8 A Chevalley
L’écart type d’une variable aléatoire X est, la racine carrée de la variance de la variable aléatoire
X. On note σ σ(X) =
( )
V X
Exemple : (suite de l’exemple précédent)
Calculer E(X
2
) puis V(X) et σ (X)
3. Lois usuelles
3.1. Loi binomiale
3.1.1. Champ d’intervention de la loi binomiale
On utilise la loi binomiale chaque fois qu’une épreuve aléatoire élémentaire peut déboucher
sur 2 résultats, et 2 seulement, appelés par exemple « succès » et « échec », de probabilités
respectives p et q =1 – p.
On réalise n fois cette épreuve aléatoire et on note X la variable aléatoire mesurant le nombre
de « succès » obtenus au cours de ces n épreuves aléatoires élémentaires.
Si les n épreuves aléatoires élémentaires sont indépendantes, alors X suit la la loi binomiale
B
BB
B(n,p).
Les épreuves sont indépendantes dans le cas d’un tirage avec remise (ou si on considère un
petit échantillon – n petit- parmi une population très grande).
3.1.2. Définition
Une variable aléatoire X suit une loi binomiale B
BB
B(n,p) de paramètres n et p, où n est un
nombre entier naturel et p un réel tel que 0  p  1, lorsque sa loi de probabilité est définie de
la manière suivante :
Pour tout entier naturel k tel que 0  k  n
( ) . .(1 )
k n k
n
P X k p p
k
−
= = −
Cette formule provient du binôme de Newton avec a = 1 – p et b = p
3.1.3. Propriétés
Soit X est une variable aléatoire suivant la loi binomiale B
BB
B(n,p), on a :
E (X) = n.p V(X) = n.p.(1 – p) σ(X) =
. .(1 )
n p p
−
.
Exemple : Dans une école d’ingénieurs, il y a des étudiants venant de toute la France. Un tiers des étudiants vient
du Nord Est de la France (Alsace, Bourgogne, Franche Comté).
Quand on choisit un étudiant, la probabilité d’être choisi est la même pour tous (équiprobabilité).
E : l’étudiant choisi habite dans le Nord Est de la France
E
: l’étudiant choisi n’habite pas dans le Nord Est de la France

MT18
Cours lois binomiale, Poisson, normale 4 / 8 A Chevalley
Soit Ω = { E,
E
} 2 éléments n = 2
On note p = 1/3 la probabilité de E et q = 1 – p = 2/3 la probabilité de
E
On choisit 5 dossiers d’étudiants avec remise. Les dossiers sont indépendants.
Calculer X(Ω
5
) puis P(X=2) ainsi que l’espérance, la variance et l’écart type
3.2. Loi de Poisson
3.2.1. Définition
Une variable aléatoire X suit une loi de Poisson P
PP
P(λ
λλ
λ) de paramètres λ
λλ
λ positif lorsque sa loi de
probabilité est :
Pour tout entier naturel k ( )
!
k
P X k e
k
λ
λ
−
= =
3.2.2. Propriétés
Soit X est une variable aléatoire suivant la loi de Poisson P
PP
P(λ
λλ
λ), on a :
E (X) = λ V(X) = λ σ(X) =
λ
.
Exemple :
3.2.3. Approximation d’une loi binomiale par une loi de Poisson
On admet que si n est « grand », p « voisin » de 0 et n.p pas « trop grand », alors la loi B
BB
B(n,p)
est très proche de la loi P
PP
P(λ
λλ
λ) où λ = n.p
On convient en général d’utiliser cette approximation lorsque n  30, p ≤ 0.1 et n.p <15 ou lorsque n  50, p ≤ 0.1
et n.p ≤10
3.2.4. Champ d’intervention de la loi de Poisson
La loi de Poisson intervient dans la modélisation de phénomènes aléatoires où le futur est
indépendant du passé.
La loi de Poisson peut intervenir dans les problèmes suivants :
- pannes de machines, sinistres, appels téléphoniques dans un standard, files d’attente, mortalité, temps de
guérison, stocks …
3.3. Loi normale
3.3.1. Définition
Une variable aléatoire X suit la loi normale N
NN
N(m,σ
σσ
σ) de paramètres m et σ
σσ
σ lorsque sa densité
de probabilité est la fonction f définie sur R par
2
1
2
1
( ) .
2
t m
f t e
σ
σ π
−
−
=

MT18
Cours lois binomiale, Poisson, normale 5 / 8 A Chevalley
Exemple : Soient les fonctions f
1
et f
2
définies par :
2
1 1
2 2
1
1
( ) .
2 2
t
f t e
π
−
−
=
2
2
2
1
( ) .
2
t
f t e
π
−
=
La fonction f
1
est la densité de probabilité de la loi normale N(1,2).
La fonction f
2
est la densité de probabilité de la loi normale N(0,1).
On trace les courbes C1 et C2, représentations graphiques de ces 2 fonctions ; l’aire de la partie de plan comprise
entre la courbe et l’axe des abscisses correspond à la fonction de répartition notée Π ou Φ.
Π (t) = P (T  t )
3.3.2. Propriétés
Soit X est une variable aléatoire suivant la loi normale N(m,σ
σσ
σ), on a :
E (X) = m V(X) = σ
2
σ(X) = σ .
Une variable aléatoire X qui suit la loi normale N(0,1) a pour espérance mathématique 0 et pour écart type 1.
Cette loi normale N(0,1) est appelée loi normale centrée réduite.
3.3.3. Loi normale centrée réduite
Si une variable aléatoire X suit la loi normale N
NN
N(m,σ
σσ
σ) alors la variable aléatoire
X m
T
σ
−
=
suit la loi normale centrée réduite N(0,1).
La loi normale centrée réduite est caractérisée par la densité de probabilité :
2
2
1
( ) .
2
x
f x e
π
−
=
Cette courbe est appelée courbe de Gauss ou courbe « en cloche ».
Π (t) = P (T  t ) =
( )
t
f x dx
−∞
∫
Pour étudier toute loi normale N(m,σ), on se ramène à l’étude de la loi normale centrée réduite
N(0,1) en effectuant le changement de variable
X m
T
σ
−
=
Pour calculer les probabilités, on doit calculer la primitive d’une fonction ; les calculs étant
complexes, on utilise les résultats d’une table en fonction de t.