Partie 2

I/ Notion de variable aléatoire :

Une variable aléatoire est une grandeur numérique attaché au résultat d’une expérience aléatoire.

Chacune de ses valeurs est associée à une probabilité d’apparition.

Exemple 1 : On jette une pièce de monnaie deux fois et on s’intéresse au nombre de fois que pile
apparaît au cours des deux jets.

On a quatre résultats possibles : FF, FP, PF, PP

Le nombre de fois que Pile peut apparaître est 0, 1 ou 2.

La variable aléatoire retenue peut donc prendre ces trois valeurs, son ensemble de définition est
donc : {0, 1, 2}
Une VA peut être discrète ou continue:

Une VA est dite discrète si l’ensemble des valeurs qu’elle peut prendre est fini.

Une VA est dite continue si elle peut prendre toute valeur à l’intérieur d’un intervalle donnée.

Les caractéristiques d’une variable aléatoire discrète

Loi de probabilité ;
On appelle loi de probabilité de X l’ensemble des couples (xi , pi)

Fonction de répartition:
On appelle fonction de répartition, la fonction F définie par F: R  [0,1]

𝑭 ( 𝒙 )= 𝑷 ( 𝑿 ≤ 𝒙 )
Espérance Mathématique
On appelle espérance mathématique de X la moyenne des valeurs possibles pondérées par leur probabilité

Variance et écart type

Ex1 Prob
On appelle variance de variable aléatoire X la valeur définie par :

𝑉 ( 𝑋 )=𝐸 ( 𝑋 )− ⌊ 2
𝑖 𝐸 ( 𝑋𝑖)⌋
2

On appelle écart type de X la racine carré de la variance:

Exemple: Soit la distribution de probabilité suivante:

Xi 0 1 2 3 4 5
P(Xi) 0.05 0.1 0.2 0.3 0.25 0.1

Déterminer la fonction de répartition, E(X), Var(X) et σx de la V.A X.

Les Caractéristiques d’une variable aléatoire continue :

Fonction de densité de probabilité :

On appelle fonction de densité de probabilité toute fonction satisfaisant aux 2 conditions suivantes:

Fonction de répartition :
Soit X une V.A continue et f sa densité de probabilité. La fonction de répartition de X est la fonction F tel que :

𝑥
𝐹 : ℝ ⟶ [ 0 , 1 ] 𝑋 ⟶ 𝑃 ( 𝑋 ≤ 𝑥 ) = ∫ 𝑓 ( 𝑥 ) 𝑑𝑥
−∞

Espérance Mathématique
+∞
𝐸 ( 𝑋 )= ∫ 𝑥𝑓 ( 𝑥 ) 𝑑𝑥
−∞

Variance :
II - LOIS DE PROBABILITES :

1 Introduction

Il est toujours possible d’associer à une variable aléatoire une probabilité et définir ainsi une loi de probabilité.

Lorsque le nombre d’épreuves augmente indéfiniment, les fréquences observées pour le phénomène étudié tendent vers
les probabilités et les distributions observées vers les distributions de probabilité ou loi de probabilité.

Identifier la loi de probabilité suivie par une variable aléatoire donnée est essentiel car cela conditionne le choix des
méthodes employées pour répondre à une question biologique donnée.

2- Lois discrètes

Par définition, les variables aléatoires discrètes prennent des valeurs entières discontinues sur un intervalle donné.
Ce sont généralement le résultat de dénombrement.
2-1 Loi de Bernoulli

Définition

Soit un univers Ω constitué de deux éventualités, S pour succès et E pour échec Ω = {E, S}

sur lequel on construit une variable aléatoire discrète, « nombre de succès »

telle que au cours d’une épreuve, si S est réalisé, X = 1 et si E est réalisé, X = 0

la variable aléatoire X telle que : X : Ω → R X (Ω) = {0,1}

La loi de probabilité associée à la variable de Bernoulli X telle que,

P(X = 0) = q et P(X =1) = p avec p+q = 1 est appelée loi de Bernoulli notée B (1, p)

Espérance et variance
 L’espérance de la variable de Bernoulli est E(X) = p car par
définition

 La variance de la variable de Bernoulli est V(X) = pq

 2.2 Loi binomiale

2.2.1 Définition

Décrite pour la première fois par Isaac Newton en 1676 et démontrée pour la première fois par le
mathématicien suisse Jacob Bernoulli en 1713,

La loi binomiale est l’une des distributions de probabilité les plus fréquemment rencontrées en statistique appliquée.

Soit l’application Sn : Ωn → Rn avec Sn = X1 + X2 +…+ Xi + ...+ Xn où Xi est une variable de Bernoulli.

La variable binomiale, Sn , représente le nombre de succès obtenus lors de la répétition de n épreuves

identiques et indépendantes, chaque épreuve ne pouvant donner que deux résultats possibles.

Ainsi la loi de probabilité suivie par la somme de n variables de Bernoulli où la probabilité associée au
succès est p, est la loi binomiale de paramètres n et p. notée : B(n,p)
La probabilité que Sn = k, c’est à dire l’obtention de k succès au cours de n épreuves indépendantes est :

𝑘 𝑘 𝑛 −𝑘
𝑃 ( 𝑆 𝑛= 𝑘) = 𝐶𝑛 𝑝 ( 1− 𝑝 )

Remarque : Le développement du binôme de Newton (p+q)n permet d’obtenir l’ensemble des probabilités
pour une distribution binomiale avec une valeur n et p donnée.

Il existe également des tables de la loi binomiale où les probabilités sont tabulées pour des valeurs n et p données.

2.2.2 Espérance et variance

L’espérance d’une variable binomiale Sn est égale à E(Sn) = np

La variance d’une variable binomiale Sn est égale à V(Sn) = npq

Exemple :

Dans une expérience sur le comportement du rat, on fait pénétrer successivement n rats dans un
labyrinthe en forme de H. On étudie alors la probabilité que k rats empruntent la branche supérieure
droite du H.
A chaque épreuve, deux évènements peuvent se produire : soit le rat suit l’itinéraire voulu (succès) soit
il ne l’emprunte pas (échec). Sachant qu’il y a 4 itinéraires possibles , la probabilité du succès p = ¼ ; et
en respectant les hypothèse

Hypothèses :
- si les rats n’ont pas été conditionnés,
- si la branche supérieure droite ne comporte aucun élément attractif ou répulsif,
- si le choix de l’itinéraire d’un rat n’affecte pas le choix du suivant.
 alors : la variable aléatoire X « itinéraire emprunté pour x rats » suit une loi binomiale

a) Représenter le tableau de la distribution de probabilités pour n=5.

b) Représenter graphiquement cette distribution. EX 2 Prob
c) Calculer la moyenne et la variance de la variable aléatoire X.
a) b)
k P(x=k)
0 0,237
1 0,396
2 0,264
3 0,088
4 0,015
5 0,001

C)

E(X) = np = 5 * 0,25 = 1,25

Var(x) = npq = 5 * 0,25 * 0,75 = 0,94

 2.3 Loi de Poisson

La loi de Poisson découverte au début du XIXe siècle par le magistrat français Siméon-Denis
Poisson s’applique souvent aux phénomènes accidentels où la probabilité p est très faible (p <
0,05).

Elle peut également dans certaines conditions être définie comme limite d’une loi binomiale.

Approximation d’une loi binomiale

si n → ∞ et p → 0, alors X : B(n,p) → P(λ) avec np → λ

2.3.1 Loi de Poisson

On appelle processus poissonnien (ou processus de Poisson), le modèle probabiliste des

situations qui voient un flux d’évènements se produire les uns à la suite des autres de façon
aléatoire (dans le temps et dans l’espace), obéissant aux conditions suivantes :
- la probabilité de réalisation de l’évènement est au cours d’une petite période ou sur une petite
portion d’espace.

- elle est indépendante de ce qui s’est produit antérieurement,

- la probabilité de deux apparitions sur le même Δt est négligeable.

Ainsi, des évènements qui se réalisent de façon aléatoire comme des pannes de machines, des accidents d’avions,
des fautes dans un texte, …peuvent être considérés comme relevant d’un processus poissonnien.

Une variable aléatoire X à valeurs dans R suit une loi de Poisson de paramètre λ (λ > 0) ces pk sont donnés par :
2.3.2 Espérance et variance

L’espérance d’une variable aléatoire de Poisson est E(X) = λ

La variance d’une variable de Poisson est V(X) = λ

Remarque : Il est à noter que dans le cas d’une variable aléatoire de Poisson, l’espérance et la variance
prennent la même valeur.

Ceci est un élément à prendre en compte lors des tests de conformité à une loi de probabilité.

Exemple :
Une suspension bactérienne contient 5000 bactéries/litre. On ensemence à partir de cette suspension, 50 boites de
Pétri, à raison d’1 cm3 par boite.
Si X représente le nombre de colonies par boite, alors la loi de probabilité de X est :
X → P (λ=5)
La probabilité qu’il n’y ait aucune colonie sur la boite de Pétri est :
P(X = 0) = 0,0067 soit approximativement 0,67 % de chance.
La probabilité qu’il n’y ait au moins une colonie sur la boite de Pétri est :
P(X > 0)=1- P(X = 0) = 1-0,0067 = 0,9933 soit 99,3 % .
Calculer l’espérance; la variance et l’écart type de la V.A X.
Dans le cadre de la culture bactérienne, le nombre moyen de colonies attendu sur la boite
de Pétri est : E(X) = λ = 5 colonies.

Ainsi si l’on effectue plusieurs cultures bactériennes (plusieurs boites de Pétri) à partir de la
même solution initiale, on attend en moyenne cinq colonies pour l’ensemble des boites.

En ce qui concerne la variance et l’écart-type, on aura :

V(X) = λ = 5 et σ (X) = = 2,24 colonies.

 3 Lois continues
Par définition, les variables aléatoires continues prennent des valeurs
continues sur un intervalle donné.

3.1 Loi normale ou loi de Laplace-Gauss

3.1.1 Définition

On parle de loi normale lorsque l’on a affaire à une variable aléatoire

continue dépendant d’un grand nombre de causes indépendantes
dont les effets s’additionnent
et dont aucune n’est prépondérante (condition de Borel).
Cette loi acquiert sa forme définitive avec Gauss (en 1809) et Laplace (en
1812).
C’est pourquoi elle porte également les noms de : loi de Laplace, loi de
Gauss et loi de Laplace-Gauss.
Exemple :
Ainsi la taille corporelle d’un animal dépend des facteurs environnementaux
(disponibilité pour la nourriture, climat, prédation, etc.) et génétiques.
Dans la mesure où ces facteurs sont indépendants et qu’aucun n’est
prépondérant, on peut supposer que la taille corporelle suit une loi normale.
Remarque : On admet que:

3.1.2 Espérance et variance

L’espérance de la loi normale vaut : E(X) = μ

La variance de la loi normale vaut : V(X) = σ2

3.1.3 Stabilité de la loi normale

Théorème :
Soient X1 et X2 deux variables aléatoires normales indépendantes de paramètres respectifs (μ1, σ1 ²) ,
(μ2, σ22),
alors leur somme X1+X2 est une variable aléatoire normale de paramètres (μ1 + μ2, σ12 +σ22).
 Exemple
On prend ici le gramme comme unité de masse. Si la masse du contenu
d'une boîte de conserve suit la loi normale d'espérance 400 et de variance 25,
et si celle du contenant suit la loi normale d'espérance 60 et de variance 4,
alors (avec l'hypothèse, naturelle, d'indépendance) la masse totale de la boîte
de conserve suit la loi normale d'espérance 460 et de variance 29 ; son
écart type est environ 5,4 grammes.
3.2 Loi normale réduite
3.2.1 Définition
Une variable aléatoire continue X suit une loi normale réduite si sa densité de
probabilité est donnée par :
Exercice : Soit X une variable aléatoire de loi N (0, 1).
1. Exprimer à l’aide de la fonction de répartition de X, puis calculer à
l’aide de la table les probabilités suivantes.

P [X< 1.45]
P[X > 1.45]
P [−1.65 ≤ X ≤ 1.34]
P [|X| < 2.05]

2. Déterminer la valeur de z dans les cas suivants.

a) P[X < z] = 0.67
b) P[X > z] = 0.112
c) P [|X| < z] = 0.95
3.2.2 Exercice d’application

On a mesuré le poids de 3000 moutons et on a trouvé une

moyenne de 65 kg et un écart type de 3 kg.
En supposant que la variable poids suit une distribution
normale, déterminer le nombre de moutons ayant un poids
compris entre 60 et 70 kg.
Exemple: On considère une variable aléatoire X suivant la loi
binomiale B(400 ;0,5). On peut approcher cette loi par la loi
normale N(200 ;10).