Aléa numériques

I. Aléa numérique
Pour décrire le résultat d’une expérience aléatoire associée à un univers W, on fait souvent
correspondre un nombre à chaque élément de W.

ü Exemple introductif

Une urne contient 3 boules rouges et 4 boules blanches indiscernables au toucher. On extrait
simultanément 2 boules.
1) Déterminer card W =……………………...
2) On perçoit un dinar pour chaque boule rouge tirée. Désignons par X la somme gagnée à l’issue
d’un tirage de 2 boules.
a) Quelles sont les valeurs prises par X ?..................................................................................
b) Quelle est la probabilité de l’événement « gagner 0 dinar » ? On note cette probabilité p(X = 0).
………………………………………………………………………………………………………………………………………………………………

c) Calculer de même p(X = 1) et p(X = 2).

……………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………
Les résultats précédents peuvent être présentés dans un tableau
Gain xi x1 = 0 x2 =1 x3 =2
Probabilité
pi = p(X = xi)

Ce tableau défini la loi de probabilité de X.

Définition
Soit W un univers muni d’une probabilité p.
On appelle aléa numérique X ( ou variable aléatoire X ) défini sur W une application
qui à chaque élément de W fait correspondre un nombre réel.
Désignons par X(W) l’ensemble des valeurs possibles de X.
X (W) = { x1; x2 ;.....; xn } appelé ensemble image de X
La loi de probabilité de X est l’application qui à tout élément x de X(W) fait correspondre
la probabilité que X prenne cette valeur x. Par abus de langage on dit que c’est la
probabilité que « X soit égal à x ».

Il est commode de présenter cette loi de probabilité sous forme d’un tableau :

xi x1 x2 … xn
p ( X = xi ) p1 p2 … pn

Exercice
On place dans une urne six boules numérotés de 0 à 5, indiscernables au toucher. L’expérience
consiste à tirer simultanément trois boules.
1. Quel est le nombre de tirages possibles.
2. Soit X la variable aléatoire qui, à chaque expérience, prend comme valeur le plus grand des
numéros portés sur les trois boules tirées. Déterminer la loi de probabilité de X.

Page : 1
 espérance mathématique

Soit un aléa numérique X prenant les valeurs x1 , x 2 ,……, x n avec les probabilités p1 , p 2 ,……, p n .
n

On appelle espérance mathématique de X le nombre E(X) défini par : E(X) = å(p x ). i i

i=1

variance

On appelle variance de X, le nombre noté V( X ) défini par :

n n
V(X) = å pi (xi – E(X)) = å pi xi² – E(X)².
2

i=1 i=1

Exemple
Soit X un aléa numérique dont la loi de probabilité est définie par le tableau suivant :
x 0 1 2
p( X = x) 2 4 1
7 7 7
L’espérance mathématique de X est E(X) = ………………………………………………………………….

la variance de X est V(x) = ......................................................................................................

L’écart type
L’écart type d’un aléa numérique X est défini par : s ( X ) = V ( X ) .

ü Fonction de répartition

Dans le cas de l’exemple du paragraphe ( aléa numériques ), on peut se poser les questions
suivantes :
Quelle est la probabilité de gagner au plus deux dinars ? au moins un dinars ? etc.
La connaissance de la fonction de répartition permet de répondre à ces questions.

Définition
Soit un aléa numérique X défini sur un univers W muni d’une probabilité p.
La fonction de répartition F de X est la fonction de IR vers [0 ; 1] qui, à tout réel x, associe la
probabilité que X soit inférieure ou égale à x :
F(x) = p ( X £ x ).
La fonction de répartition est constante par intervalles.

Exemple : Reprenons l’exemple du paragraphe précédent.

Intervalles Valeurs de F(x), c’est – à – dire p(X £ x), vaut :

des valeurs X vérifiant
de x X £ x
]- ¥;0[ Aucune 0
[0;1[ 0
p( X = 0) =
2
7
[1;2[ 0 et 1
p( X = 0) + p( X = 1) =
2 4 6
+ =
7 7 7
[2;+¥[ 0, 1 et 2
p( X = 0) + p ( X = 1) + p ( X = 2) =
6 1
+ =1
7 7
Page : 2
Représentation graphique de F
F(x)
)
1

6 <
7

2 <
7

<0 1 2 x

Propriétés de la fonction de répartition

ü F est une fonction en escalier ; F est une fonction croissante.

ü A partir de F on peut retrouver la loi de probabilité de X.
6 2 4
Exemple : p(X = 1) = F(1) – F(0) = - = .
7 7 7

II. Loi binomiale

ü Exemple introductif

On lance quatre fois de suite un jeton truqué dont les faces sont numérotés 0 et 1, avec la
3
probabilité d’obtenir 1 est .
4
q Chaque lancer est une épreuve ayant deux issues « 0 ou 1 »
On a donc une répétition quatre fois de suite de la même épreuve dans les mêmes conditions et
avec indépendance entre elles.
q Pour lune de ces quatre épreuves on appelle succès et on note S l’événement « obtenir 1 » et
3 1
donc échec noté E l’événement « obtenir 0 » On a : p (S) = et P (E) = 1 – p (S) = .
4 4
q Soit X l’aléa numérique qui à chaque série de quatre lancers associe le nombre de succès
réalisés, c. a. d « le nombre de fois où l’on a obtenu 1 » X ( W ) = {0,1, 2,3, 4} .

q {X = 0} : les quatre numéros obtenus sont : (0, 0, 0, 0) c. a. d (E, E, E, E).

4
æ1ö
Þ p ({ X = 0}) = éë p ( E )ùû = ç ÷
4

è4ø
q {X = 1} : « Obtenir une seule fois le numéro 1 » ou bien « obtenir un seul succès »
® (S, E, E, E) ou (E, S, E, E) ou (E, E, S, E) ou (E, E, E, S).
3
1æ3ö æ1ö
Þ p ( X = 1) = 4 ´ p ( S ) ´ éë p ( E )ùû = C4 ç ÷ ´ ç ÷
3

è 4ø è 4ø

Page : 3
q {X = 2} : « obtenir 2 succès pendant les quatre épreuves »
® (S, S, E, E) ou (S, E, S, E) ou (S, E, E, S) ou (E, S, S, E) ou (E, S, E, S) ou (E, E, S, S)
2 2
æ3ö æ1ö
Þ p ( X = 2 ) = C4 ´ éë p ( S )ùû ´ éë p ( E )ùû = C4 ç ÷ ´ ç ÷
2 2 2 2

è4ø è4ø
2
C4 = 6 correspond au nombre de choix de 2 places parmi 4.

xi 0 1 2 3 4
4 3 2 2 3 4 0
p ( X = xi ) æ1ö æ3ö æ1ö
1 2 æ3ö æ1ö æ3ö æ1ö
3 4 æ3ö æ1ö
ç ÷ C ´ç ÷´ç ÷
4 C4 ´ ç ÷ ´ ç ÷ C4 ´ ç ÷ ´ ç ÷ C4 ´ ç ÷ ´ ç ÷
è4ø è4ø è4ø è4ø è4ø è4ø è4ø è4ø è4ø

Définition

q On appelle schéma de Bernoulli, une suite d’épreuves identiques qui vérifient les conditions
suivantes :
Ø Chaque épreuve donne lieu à deux issues : « S » : succès et « E » : échec.

Ø Les épreuves sont indépendantes les unes des autres.

Ø La probabilité de S (respectivement de E) est la même pour chaque épreuve.

q Soit X l’aléa numérique qui à chaque série d’épreuves associe le nombre de succès obtenus.

Si l’épreuve est répétée n fois alors X ( W ) = {0,1, 2,....., n}

n- k
et on a pour tout k Î {0,1,......, n} , p ( X = k ) = Cn ´ éë p ( S )ùû ´ éë p ( E ) ùû
k k

® on dit que X suit une loi binomiale de paramètre n et p = p (S) ou aussi une loi de Bernoulli
qu’on note B (n, p).

Théorème :
Soit X un aléa numérique qui suit une loi binomiale de paramètres n et p. Alors

E (X) = n ´ p
V (X) = np(1 - p) = n ´ p ´ q où q = 1 - p
s (X) = npq

Exercice :
Un sac contient dix boules indiscernables au toucher : six boules blanches numérotées 1, 1, 2, 2, 2,

2 et quatre boules noires numérotées 1, 1, 2, 2.

1- Une épreuve consiste à tirer simultanément et au hasard trois boules du sac. Calculer la

probabilité de chacun des évènements suivants :

S : « Tirer trois boules blanches »

E : « Tirer au moins une boule noire »

C : « La somme des chiffres marqués sur les trois boules tirées est égale à 5 ».

Page : 4
2- On répète l’épreuve précédente trois fois de suite en remettant à chaque fois les boules tirées

dans l’urne.

Soit X l’aléa numérique qui prend pour valeurs le nombre de fois où l’événement S est réalisé.

a) Déterminer la loi de probabilité de X.

b) Calculer son espérance mathématique et son écart type.

c) Calculer la probabilité de l’événement : « (1 £ X < 3)

d) Calculer la probabilité de A : « S est réalisé pour la première fois à la deuxième épreuve »

III. Lois de probabilité continues

Dans les exemples précédents, la variable aléatoire X prend des valeurs isolées x1 , x2 ,......., xn . On
dit que X est discrète.
Or dans les domaines économiques et industriels, on est amené à étudier des variables aléatoires
pouvant prendre n’importe quelle valeur dans IR ou dans un intervalle de IR.
Exemple : La durée de vie d’une machine, avec l’intervalle [ 0, + ¥[ .
Définition : Une variable aléatoire X est dite continue lorsqu’elle peut prendre n’importe quelle
valeur d’un intervalle I de IR.
On s’intéresse alors à des événements du type : << La valeur de X est comprise entre les réels a et b >>
Nous noterons ( a £ X £ b) un tel événement.
Densité : On appelle densité de probabilité continue la fonction f positive et continue sur [a, b]
b y
telle que : ò a
f (t )dt = 1 et pour tous x et y de [a, b], on a p(x £ X £ y) = ò x
f (t )dt .

1.Loi uniforme
Définition :
1
Soit un intervalle [ a , b ] . La fonction f définie sur [ a , b ] par f ( x ) = est appelée densité de la
b-a
probabilité uniforme sur [ a , b ] .

On appelle probabilité uniforme sur [ a , b ] l’application qui à tout intervalle [ c , d ] inclus dans [ a , b ]

associe le réel p( [c , d ] ) =
d
òc
f ( x)dx .

Conséquences :
1
p( [ a , b ] ) = ò f ( x)dx = ò
b b
• dx = 1
a a b-a
Pour tout réel x0 de [ a, b] on a : p( { x0 } ) =
x0
• ò x0
f ( x)dx = 0

• p([ a , b]) = p (]a, b]) = p([ a, b[) = p(]a, b[).

• si on désigne par [ c , d ] le complémentaire de [ c , d ] dans [ a , b ] , alors p( [ c, d ] ) = 1 - p ([ c , d ]) .

Définition : on dit qu’une variable aléatoire X à valeurs dans [ a , b ] suit la loi de probabilité uniforme p
d d -c
si : p(c £ X £ d ) = ò f ( x )dx =
c b-a

(b--a)²
E(x) = a+b
-
V(x) =
2 12
Page : 5
 Fonction de répartition d’une variable qui suit une loi uniforme

Définition :
Soit X une variable aléatoire qui suit la loi de probabilité uniforme p sur l’intervalle [ a , b ] .
On appelle fonction de répartition de X, l’application F : IR a [0 ,1] définie par :

ì0 si x < a
ï
F ( x ) = í p ( a £ X £ x) si x Î [ a, b ]
ï
î1 si x > b

2. Loi exponentielle
Définition :
Soit l un réel strictement positif. La fonction f définie sur [ 0, +¥[ par f (t ) = l e - l t est appelée
densité de loi exponentielle.
On appelle loi de probabilité exponentielle de paramètre l , l’application p qui :
• à tout intervalle [ c , d ] inclus dans [ 0, +¥[ associe le réel p( [c , d ] ) = ò l e - l x dx
d

• à tout intervalle [ c, +¥[ inclus dans [ 0, +¥[ associe le réel p( [c, +¥[ ) = lim
x

x® + ¥ ò
c
l e - lt dt = e - l c

Propriétés :
1. pour tout réel t > 0 , p( [0 , t ] ) =
t
ò le
-l x
dx = 1 - e- l t .
0

2. p([t , +¥[) = 1 - p ([0 , t ]) = e t .

-l

Définition : on dit qu’une variable aléatoire X suit la loi exponentielle de paramètre l ,

d
si : p(c £ X £ d ) = òc
l e - l x dx = e - l c - e - l d et p( X ³ c) = e- l c

1
E(x) = 1 V(x) =
l2
l 2

Fonction de répartition d’une variable qui suit une loi exponentielle :

Définition :
Soit X une variable aléatoire qui suit la loi de probabilité exponentielle p sur de paramètre l .
On appelle fonction de répartition de X, l’application F : IR a [0 ,1] définie par :
ìï 0 si x < 0
F ( x) = í
ïî p (0 £ X £ x) = 1 - e
-l x
si x Î [ 0, + ¥[

Exercice:
On suppose que la durée de vie X d’une voiture suit une loi exponentielle de paramètre 0,1.
a) Calculer la probabilité qu’une voiture dépasse 10 ans de durée de vie

b) On sait qu’une voiture a duré déjà 10 ans. Quelle est la probabilité qu’elle dépasse 12 ans de
durée de vie ?
c) Comparer le résultat précédent avec la probabilité que la durée de vie de la voiture dépasse
deux ans
Page : 6