Académique Documents
Professionnel Documents
Culture Documents
Laurence GRAMMONT
Laurence.Grammont@univ-st-etienne.fr
Les solutions des exercices posés dans ce polycopié
ne sont pas rédigées.
October 3, 2003
2
Contents
1 Prérequis
Dénombrements
Théorie des ensembles 5
1.1 Dénombrement. Analyse combinatoire . . . . . . . . . . . . . 5
1.1.1 Principe multiplicatif . . . . . . . . . . . . . . . . . . . 5
1.1.2 Permutations sans répétitions . . . . . . . . . . . . . . 6
1.1.3 Les arrangements sans répétition . . . . . . . . . . . . 7
1.1.4 Combinaisons sans répétitions . . . . . . . . . . . . . . 8
1.2 Théorie sommaire des ensembles . . . . . . . . . . . . . . . . . 9
1.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 Notion de cardinal . . . . . . . . . . . . . . . . . . . . 10
3
4 CONTENTS
Prérequis
Dénombrements
Théorie des ensembles
Exemple 1
On jette 3 dés identiques. Combien y-a-t-il de résultats possibles ?
63
5
6CHAPTER 1. PRÉREQUISDÉNOMBREMENTSTHÉORIE DES ENSEMBLES
Exemple 2
Une urne contient 1R, 1B, 1N, 1V . On effectue 2 tirages successifs avec
remise. Combien y-a-t-il de résultats possibles ?
4 × 4 = 16
Conséquence
Si une expérience ξ consiste à répéter n fois de façon indépendante une même expérience
ξ0 qui a p résultats possibles, alors ξ a pn = p × p × . . . × p issues possibles.
| {z }
fois
Définition
Une permutation de n éléments est une disposition ordonnée sans répétition de ces
n éléments. (une façon de ranger côte à côte ces n éléments)
Résultat
Si Pn est le nombre de permutations de n éléments alors
Pn = n!
preuve :
Soit n éléments a1 , a2 , . . . , an .
a1 : on peut le mettre dans n’importe quelle case
a2 : dans n − 1 cases
Exemple 1
De combien de manière peut-on classer 4 individus.
P4 = 4! = 24
1.1. DÉNOMBREMENT. ANALYSE COMBINATOIRE 7
Exemple 2
Une maı̂tresse de maison doit placer 6 personnes autour d’une table ronde.
Combien a-t-elle de possibilités.
P5 = 5!
Exemple 3
Un géophile dispose de 21 paires de bottes de couleurs différentes pour chausser
ses 42 pattes (21 G et 21 D)
1◦ ) De combien de façon peut-il se chausser
2◦ ) De combien de façon peut-il se chausser avec m̂ couleur pied D et pied G
Solution : 1◦ ) 21 ! × 21 ! 2◦ ) 21 !
Définition :
Un arrangement de p éléments parmi n est une disposition ordonnée sans répétition
de p éléments.
(une façon de ranger p éléments pris parmi n en tenant compte de l’ordre)
Résultat
Apn = nb d’arrangement de p éléments parmi n
n!
Apn =
(n − p)!
preuve :
1ère place : n possibilités
2ème place : n − 1 possibilités
pème place : n − p + 1 possibilités
Exemple 1
Pour accéder à une banque de données, il faut 4 lettres différentes. Combien
de mots de passe peut-on avoir ?
A426 = 258800
8CHAPTER 1. PRÉREQUISDÉNOMBREMENTSTHÉORIE DES ENSEMBLES
Exemple 2
12 candidats se présentent aux élections d’un conseil d’administration com-
portant 8 places 6=.
Combien de listes possibles y-a-t-il ?
A812 = 12!
4!
Remarque
Qu’est-ce qu’un arrangement avec répétition de p éléments parmi n ?
C’est une disposition ordonnée de p éléments avec autant de répétition que
l’on souhaite.
Le nombre d’arrangements avec répétition est de np
Résultat
n!
Le nombre de combinaisons de p éléments parmi n est Cnp =
(n − p)!p!
preuve : A partir d’une combinaison de p éléments on peut faire p! arrange-
ments
Apn = p!Cnp
Propriétés
1.2. THÉORIE SOMMAIRE DES ENSEMBLES 9
Cn0 = Cnn = 1
j
Cn+1 = Cnj−1 + Cnj
Xn
n
(a + b) = Cnk ak bn−k (formule du binôme)
k=0
- Soit Ω un ensemble
Un ensemble A est un sous ensemble de Ω ou une partie de Ω si tous les
éléments de A sont éléments de Ω.
on dit aussi que A est une partie de Ω.
L’ensemble des parties de Ω est noté P(Ω).
Ex : donner l’ensemble des parties de Ω avec Ω = {a, b, c}.
P(Ω) = { {a, b, c} {a, b} {a, c} {b, c} φ {a} {b} {c} }
(8 éléments)
Soient Ω, A, B ∈ P(Ω)
Définition
A et B sont disjoints ssi
A∩B =φ
10CHAPTER 1. PRÉREQUISDÉNOMBREMENTSTHÉORIE DES ENSEMBLES
- Différence A\B = A ∩ B
- E, F des ensembles
Une application de E dans F est une correspondance qui aux éléments x ∈ E
associe des éléments y de F .
1.2.2 Propriétés
A∪B =B∪A
A∩B =B∩A
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A∩B =A∪B
A∪B =A∩B
Propriétés
card A = card Ω − card A
card A ∪ B = card A + card B − card (A ∩ B)
card (A/B) = card A − card (A ∩ B)
card φ = 0
Chapter 2
Ce sont les jeux de hasard qui sont à l’origine du calcul des probabilités. Vers
1654, Pascal et Fermat se sont confrontés au problème suivant : pourquoi en
jetant 3 dés obtient-on plus souvent la somme 11 que la somme 10 alors que
pour 11 : 146, 236, 155, 335, 443, 245
pour 12 : 156, 246, 255, 345, 336, 444
C’est à la suite de leur correspondance qu’est né le calcul des probabilités.
Les probabilités ont connu un grand essor au XIXe . Mais ce n’est qu’en
1933 que grâce à Kolmogorov le calcul des probabilités s’inscrit enfin dans
un cadre théorique rigoureux.
La découverte de la physique quantique et des théories modernes de l’imprévisibilité
redonnent au calcul des probabilités une place centrale dans l’étude de la na-
ture.
11
12 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILITÉS
Définition
2.2. DÉFINITION DES PROBABILITÉS DANS LE CAS Ω FINI 13
soit Ω fini,dont les événements élémentaires sont équiprobables.
P (A) = card A = Nb cas favorables
card Ω Nb cas possibles
Attention à l’hypothèse d’équiprobabilité.
Exemple 1 :
Une urne contient 1B 1N
On fait 2 tirages avec remise
Proba d’avoir 2 Noires ?
On a Ω = {(N, N ); (B, B); (B, N ); (N, B)}. cardΩ = 4 (ou alors on ap-
plique le principe multiplicatif vu qu’il y a indépendance).
A : ”avoir 2 Noires”. A = {(N, N )}.
cardA
On a P (A) = = 1/4
cardΩ
Remarque : si on ne tient pas compte de l’ordre et que l’on écrit Ω =
{{N, N } {B, B} {B, N }}, les évènements élémentaires n’étant pas équiprobables,
cardA
on n’a pas P (A) = .
cardΩ
Erreur : on aurait P (A) = 1/3 !!
Exemple 2 :
Soit une urne contenant 1R ;1V ; 1J ;1B
On effectue 3 tirages avec remises.
Quelle est la probabilité d’obtenir 2 fois la blanche ?
On a cardΩ = 4 × 4 × 4 = 64 (principe multiplicatif).
Soit A : ”2 fois la blanche exactement”.
3!
Ainsi cardA = C32 (place des 2 blanches) ×3 (l’autre couleur) = × 3 = 9.
2!
9
Donc P (A) = 64
Exemple 3
Soit une urne contenant 2V et 3B
1) On effectue 2 tirages sans remise
Proba d’avoir 2 vertes exactement, 2 blanches exactement, 1V et 1B.
2)même question avec tirage avec remise.
Dans le cas Ω non dénombrable, on ne peut pas forcément définir une proba-
2.4. PROBABILITÉS CONDITIONNELLES.NOTION D’INDÉPENDANCE15
bilité sur P(Ω), qui satisfasse les axiomes (1) (2) (3) sur P(Ω). On est obligé
de la définir sur une famille F de P(Ω), famille qui vérifie certaines propriétés:
si A ∈ F , A ∈ F
si A, B ∈ F A ∪ B ∈ F et A ∩ B ∈ F
∞
[
(Ai )i∈N ∈ F ⇒ Ai ∈ F
i=1
ex vérifier que la probabilité de Laplace satisfait aux axiomes (1) (2) (3.)
Propriétés
P (A) + P ((A) = 1
∀A ∈ P(Ω)(ou F)
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
A ⊂ B ⇒ P (A) ≤ P (B)
Preuve :
• A ∪ A = Ω ⇒ P (A ∪ A) = P (Ω) = 1. A ∩ A = φ ⇒ P (A ∪ A) =
P (A) + P (Ā).
• A ∪ B = A ∪ (B\A ∩ B) d’où
P (A ∪ B) = P (A ∪ (B\A∩B )) = P (A) + P (B\A ∩ B).
or B = (B\A ∩ B) ∪ (A ∩ B).
d’où P (B) = P (B\A ∩ B) + P (A ∩ B)
d’où le résultat.
•A⊂B B = A ∪ (B\A)
d’où P (B) = P (A) + P (B\A) .
| {z }
≥0
P(Ω)(ou F).
Soient A, B deux évènements, A ⊂ Ω, P (A) > 0 et B ⊂ Ω.
Définition
la probabilité conditionnelle de B sous l’hypothèse A est définie par
P (A ∩ B)
P (B|A) = .
P (A)
Signification : P (B|A) exprime la probabilité de B quand on sait que A
est déjà réalisé.
On dit couramment probabilité de B sachant A.
PA (B1 ) + PA (B2 ).
(3) est montré de la même manière.
Exemple :
Soit un jeu de 52. On fait 2 tirages avec remise. Probabilité que la première
carte soit un roi rouge et la 2e un roi noir ?
Définition
P (A) > 0
Soient A, B ∈ P(Ω) (ouF) , avec
P (B) > 0
A et B sont indépendants si et seulement si
P (B|A) = P (B) ou P (A|B) = P (A)
Ce qui est le cas dans un tirage avec remise. Le tirage de la première carte
n’influe pas sur le tirage de la 2e . Ce n’est plus le cas pour les tirages sans
remise.
Caractérisation
A et B (P (A) > 0 P (B) > 0) sont indépendants si et seulement si
P (A ∩ B) = P (A) × P (B)
Exemple : Soit une urne contenant 10 blanches ,20 rouges et 30 noires. On
tire 2 boules sans remises. Probabilité que la première soit rouge (évènement
A) et la deuxième soit blanche (évènement B) ?
C41
P (A) =
25
↓
attention !
Exemple introductif
Un sac contient 5 boules rouges et 15 boules jaunes. Un deuxième sac con-
tient 9 boules rouges.
ξ : On tire au hasard 1 boule du 1er sac et on la remet dans le second sac
sans regarder la couleur. On tire alors une boule du 2e sac. Quelle est la
probabilité P que cette boule soit rouge ?
Commentaire :
ξ comporte 2 étapes. La deuxième étape dépend de la 1er .
Si on tire une rouge alors P = 10
10
= 1.
9
Si on tire une jaune alors P = 10 .
2.4. PROBABILITÉS CONDITIONNELLES.NOTION D’INDÉPENDANCE19
Exemple :
Soit un sac contenant 6 jetons : 5 numérotés 1 et 1 numéroté 2.
Soient 2 urnes : U1 contenant six boules Blanches et quatre Noires et U2
contenant 8 B et 2 N . L’expérience aléatoire comporte 2 étapes. On pioche
au hasard dans le sac, on regarde le numéro et on pioche dans l’urne corre-
spondante.
Probabilité que la boule soit blanche ?
On a U1 ∪ U2 = Ω et U1 ∩ U2 = φ, on a donc
P (B) = P (B ∩ U1 ) + P (B ∩ U2 )
= × P (U
P (B|U1 ) 1 ) + P (B|U
2 )P (U2 )
6 5 8 1 1 2 7
= × + × = + =
10 6 10 6 3 15 15
Autre question : sachant que la boule est blanche proba qu’elle provienne
de U1 :
P (B ∩ U1 ) P (B|U1 ) × P (U1 ) P (B|U1 ) × P (U1 )
On a P (U1 |B) = = = =
P (B) P (B) P (B|U1 ) × P (U1 ) + P (B|U2 ) × P (U2 )
20 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILITÉS
6 5 1
×
10 6 = 3 = 5 .
7 7 7
15 15
Théorème de Bayes
n
[
Soit {Bi , i = 1, . . . , n} Bi = Ω, Bi ∩ Bj = φ ∀i 6= j,
i=1 . On a
P (Bi ) > 0
Soit A ∈ P(Ω)(ou F),
P (A|Bk ) × P (Bk )
P (Bk |A) = n
X
P (A|Bi ) × P (Bi )
i=1
P (Bk ∩ A)
Preuve : P (Bk |A) = et on applique la formule des probabilités
P (A)
totales.
Exemple :
Une population est constituée de 10 Français, 10 Allemands.
7 Français sont bruns, 3 blonds,
1 Allemand est brun, 9 blonds.
On rencontre un blond, probabilité qu’il soit Allemand ?
Soient les événements A = ”il est blond”, B1 = ”Allemand” et B2 =
”Français”.
9
On connait P (B1 ) = 1/2, P (B2 ) = 1/2, P (A|B1 ) = et P (A|B2 ) = 3/10.
10
On demande P (B1 |A).
On a B1 ∪ B2 = Ω et B1 ∩ B2 = φ, on peut donsc appliquer le théorème de
Bayes:
9 1
P (A|B1 ) × P (B1 ) ×
P (B1 |A) = = 10 2 =
P (A|B1 ) × P (B1 ) + P (A|B2 ) × P (B2 ) 9 1 3 1
× + ×
10 2 10 2
3
.
4
Exemple :
2.4. PROBABILITÉS CONDITIONNELLES.NOTION D’INDÉPENDANCE21
Soient les évènements: A:” la première boule tirée est rouge”, B:”la 2ième
est rouge”, on a
20
P (A ∩ B) = P (B|A) × P (A), or P (A) = = 1/3 et P (B|A) = 19 59
. Donc
60
19 1
P (A ∩ B) = × .
59 3
Posons C = A ∩ B.
Soit D:”la troisième est noire”. On a
30 19
P (D ∩ C) = P (D|C) × P (C) = × .
58 59 × 3
Exemple :
Soient 2 dés ; l’un d’eux est pipé. ils permet d’obtenir 6 dans 50 % des cas ;
l’autre est équilibré. On lance l’un des deux dés choisi au hasard. On obtient
6. Quelle est la probabilité qu’on ait utilisé le dé équilibré ?
22 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILITÉS
Exercice 2 :
Dans une population, on a observé que pendant 1 mois, 40 % des individus
sont allés au cinéma, 25 % au théatre et 12,5 % au cinéma et au théatre.
Calculer la probabilité que pendant 1 mois un individu
1) aille au cinéma ou au théatre.
2)n’aille pas au cinéma.
3)n’aille ni au cinéma ni au théatre.
4)aille au cinéma mais pas au théatre.
5) probabilité qu’un individu aille au théatre sachant qu’il est allé au cinéma
6) probabilité qu’un individu n’aille pas au cinéma sachant qu’il n’est pas
allé au théatre.
Exercice 3 :
Une urne contient 5B et 3N
1) 5 tirages sans remises
1-a) Proba d’avoir 3B puis 2N
1-b) Proba d’avoir exactement 3B
2.5. EXERCICES D’APPLICATION 23
Définition
Soit Ω un univers.
On appelle espace probabilisé le triplet (Ω, P(Ω) (ou c alF ), P ) P étant une probabilité sur P(Ω)
P est appelée loi de probabilité
On note souvent (Ω, P ).
Remarque :
Si ξ est une expérience aléatoire et Ω l’ensemble de ses éventualités, le statis-
ticien cherche à donner une loi de probabilité P. (Ω, P ) décrira le caractère
aléatoire de l’expérience.
3.1.2 Exemples
Exemple 1 : On lance successivement 2 fois une pièce : ξ
Ω = {(P, P )(F, F )(P, F )(F, P )} avec P = pile et F = face.
25
26CHAPTER 3. VARIABLES ALÉATOIRES ET LOIS DE PROBABILITÉS
Ω→R
X:
ω → X(ω)
X est une application numérique de {1, 2, 3, 5, 6} dans R.
valeurs de X -1 0 2
probabilité 1/3 1/6 1/2
3.2.2 Définitions
Définition 1 :
Une variable aléatoire est une fonction de Ω dans R (Ω, P ) étant un
espace probabilisé.
Rmq :
Si Ω fini ou ∞ dénombrable aucun pb. Si Ω est non dénombrable, il faut une
propriété supplémentaire : X −1 (] − ∞, x]) ∈ F.
F étant une σ algèbre (par exemple les intervalles de R).
Définition 2 :
28CHAPTER 3. VARIABLES ALÉATOIRES ET LOIS DE PROBABILITÉS
3.2.3 Exemples
X: Ω →R X(Ω) = {0, 1, 2}
(P, P ) →0
Valeurs de X 0 1 2
(P, F ) →1 1 1 1
PX
(F, P ) →1 4 2 4
(F, F ) →2
Exemple 2. Dans une urne, il y a des boules blanches et rouges. Les blanches
sont en proportion p et les rouges en proportion q = 1 − p.
ξ : on tire une boule. Ω = {B, R}, p(B) = p, p(R) = q.
X : nb de rouges obtenues. Donner la loi de probabilité de X.
On a Px (0) = P (X = 0) = P (B) = p et Px (1) = P (X = 1) = P (R) = q.
ev élémentaires B R
Valeurs de X 0 1
probabilités p q
Remarque :
On peut faire une analogie entre variable aléatoire (v.a) et variable statis-
tique. La notion de probabilité pour les v.a remplace celle de fréquence
relative pour les variables statistiques.
3.3. VARIABLES ALÉATOIRES DISCRÈTES 29
classes C1 C2 . . . Ck
fréquences relatives f1 f2 fk
fréquences relatives cumulées F1 = f1 F2 = f1 + f2 Fk = 1
Définition 2.
La loi de probabilité de X est définie par
1) les valeurs de X : xi i ∈ I,
2) les probabilités des valeurs de X pi = P (X = xi ).
Souvent on dresse le tableau :
valeurs de X x1 x2 ... xn
proba P (X = xi ) p1 p2 ... pn
v. statistique v. aléatoire discrètre
fréquence relative pi = p(X = xi )
Analogie :
fi
de Ci
X : Ω → {x1 , . . . , xn }
La fonction de répartition F (F (x) = P (X ≤ x)) vérifie:
x ∈] − ∞, x1 [ F (x) = P (φ) = 0,
x ∈ [x1 , x2 [ F (x) = P (X ≤ x) = F (x1 ) = P (X = x1 ) = p1 ,
x ∈ [xi , xi+1 [ F (x) = p1 + p2 + . . . + pi ,
x ≥ xn F (x) = 1.
X
F (x) = pi
i tq
xi ≤x
3.3.4 Exemples
Ω = {triplet}.
X(Ω) = {1, . . . , n}.
Solution succinte :
4 4 1
1)P (1er essai) = 1/5, P (3e essai) = × × = 0, 128, P (7e ) = (4/5)6 ×
5 5 5
1
= 0, 0524;
5
valeurs de X 1 2 3 4 5
2) X(Ω) = {1, 2, 3, 4, 5}
proba 0, 2 0, 2 02 0, 2 0, 2
Définition :
Si F est continue et dérivable alors X est absolument continue.
Propriétés
3.4. VARIABLES ALÉATOIRES CONTINUES (V.A.C) 33
Définition 1
P (a ≤ X < b) F (b) − F (a)
La densité moyenne de proba sur [a, b] de X v.a.c. f (a, b) = =
b−a b−a
Ainsi on en déduit naturellement la notion de densité de probabilité en 1
point.
Définitions 2
F (x + ∆x) − F (x)
(i) La densité de probabilité en 1 point f (x) = lim
∆x→0 ∆x
(ii) Si X est abs continue f (x) = F 0 (x) est appelée fonction densité
Z x
Conséquences ∀x ∈ R F (x) = f (y)dy
−∞ Z b
P (a ≤ X ≤ b) = f (y)dy.
a
Propriété de f
(1) f ≥ 0
Z +∞
(2) f (x)dx = 1
−∞
Remarque
(2) est souvent utilisé pour montrer qu’une fonction est effectivement une
densité.
34CHAPTER 3. VARIABLES ALÉATOIRES ET LOIS DE PROBABILITÉS
3.4.3 Exemples
Exercice 1
Soit X la v.a. donnée par sa fonction densité
0 x<0
f (x) = 1 x ∈ [0, 1] (Loi uniformément répartie sur [0, 1])
0 x>1
1) donner le graphe de f
2) donner la fonction de répartition et son graphe. Calculer P (0, 25 ≤ X <
0, 5).
Exercice 2
On suppose que la durée de vie d’un individu est une v.a. continue dont la
densité de probabilité est
k t2 (100 − t)2 t ∈ [0, 100]
f (t) =
0 sinon
1) Déterminer k pour que f soit la fonction densité d’une v.a
2) Calculer la probabilité pour qu’un individu meurt entre 60 et 70 ans.
3.5.1 Introduction
Pour une variable statistique donnée par le tableau
3.5.2 Espérance
• Cas des variables discrètes
Soit X une v.a. définie sur (Ω, P ) tq X(Ω) = {xi , i ∈ I}, pi = P (X = xi )
L’espérance de X est définie par
X
E(X) = pi xi .
i∈I
Exercice 1
Dans une urne, on a des boules blanches en proportion p et des noires en
B→0
proportion q = 1 − p. Soit X :
N →1
Calculer E(X).
valeurs de X 0 1
sol : E(X) = q
proba p q
Exercice 2
36CHAPTER 3. VARIABLES ALÉATOIRES ET LOIS DE PROBABILITÉS
X: 0 1 2 1 1
sol : 1 1 1 E(X) = +2× =1
proba 2 4
4 2 4
Exercice 3
Lancer de 2 dés. X = somme des 2 dés.
Calculer E(X)
2 6 12 20 30 42 40 30 20 12 252
E(X) = + + + + + + +1+ + + = =7
36 36 36 36 36 36 36 36 36 36 36
Exercice 4
On jette un dé : X : pt du dé
X 1 2 3 4 5 6 1 21
1 1 1 1 1 1 E(X) = (1 + 2 + 3 + 4 + 5 + 6) =
proba | {z }6 6
6 6 6 6 6 6 6×7
2
Exercice 5
Un joueur tire au hasard une carte parmi 52. Il gagne 200 F si la carte est
un coeur et perd 100 F sinon. Soit G : Ω → R le gain du joueur.
1) définir la loi de probabilité de G
2) calculer son espérance
Ω = {52 cartes}
GA : gain de A -2g GB 2 −g
31 3 1
proba proba
44 4 4
6 g 6 g
E(GA ) = − + , E(GB ) = − . Ainsi
4 4 4 4
E(GA ) = E(GB ) = 0 si et seulement si g = 6.
Exercice 7
0 si x < 0 x > 2
Soit X définie par sa fonction densité f (x) = x si x ∈ [0, 1[
−x + 2 si x ∈ [1, 2]
1) représentation de f et vérifier que f est une fonction densité.
2) calculer F , la fonction de répartition.
3) calculer E(X).
sol :
base × hauteur 2×1
1) • Aire triangle = = =1 (calcul géométrique)
2 2
Z +∞ Z 1 Z 2
• f (x)dx = x dx + −x + 2 dx
−∞ 0
2 1 1
x 2
2
= + −x2 + 2x
2 0 1
= 1/2 + −2 + 4 + 1/2 − 2 = 1 (calcul analytique)
=0 x<0
2
x
= x ∈ [0, 1[
2) F (x) 2 2
x
= − + 2x − 1 x ∈ [1, 2[
2
=1 x>2
Z +∞ Z 1 Z 2
2
3) E(X) = x f (x) dx = x dx + x(−x + 2)dx
−∞ 0
3 1 1
x x3 2
2 8
= + − 3 +x = 1/3 + − + 4 − [−1/3 + 1] = 1
3 0 1 3
E(aX + b) = a E(X) + b
E(X + Y ) = E(X) + E(Y )
E(X − Y ) = E(X) − E(Y )
E(X.Y ) = E(X).E(Y ) si X et Y sont indépendantes (définition au chapitre 4)
3.5.3 Variances
• Cas des variables discrètes Soit X une v;a;d telle que
X(Ω) = {xi i ∈ I} et P (X = xi ) = pi .
X X
V (X) = pi x2i − E(X)2 = pi (xi − E(X))2 (analogie avec les v.
i∈I i∈I
statistiques)
définition :
on appelle écart type de X, noté σ(X), la quantité:
p
σ(X) = V (X)
Exercice 1
Soit X la v.a. discrète définie par
xi pi
−2 1/8
−1 1/4
Calculer E(X) et V (X)
0 1/5
1 1/8
2 3/10
9
sol : E(X) = ' 0, 225
40
3.5. CARACTÉRISTIQUES D’UNE VARIABLE ALÉATOIRE 39
2
83 9 3239
V (X) = − = ' 2, 02
40 40 1600
Exercice 2
Une entreprise de la région estime que la demande concernant l’un des ar-
ticles qu’elle produit est une v.a. continue X dont la densité de probabilité est
f (x) = 0 x<0
= 3x + 2 x ∈ [0, 1/3[
=x x ∈ [1/3, 2/3]
= −3x + 3 x ∈ [2/3, 1[
=0 x≥1
1) représentation de f .
2) fonction de répartition de f .
3) P [200 < X < 600].
4) E(X), V (X).
Propriété de la variance
V (aX + b) = a2 V (X)
V (X + Y ) = V (X) + V (Y ) si X et Y sont indépendantes
V (X − Y ) = V (X) + V (Y ) si X et Y sont indépendantes
On verra plus tard la définition mathématique de l’indépendance de 2 v.a.
mais on peut la définir intuitivement. 2 v.a. sont indépendantes si elles n’ont
aucune liaison entre elles.
Ex : on lance 2 dés X : n◦ du 1er dé Y = n◦ du 2e . Elles sont indépendantes.
3.5.4 Moments
Définition
On appelle moments centrés d’ordre k de X: mk = E(X k )
X
• v.a. discrètes mk = pi xki , si X(Ω) = {xi i ∈ I}
i∈I
Z +∞
• v.a. continues mk = xk f (x)dx
−∞
Propriété
40CHAPTER 3. VARIABLES ALÉATOIRES ET LOIS DE PROBABILITÉS
V (X) = m2 − m21
définition
on appelle moments centrés en E(X) d’ordre k de X: Mk = E(X − E(X))k
(V (X) = M2 )
Définition
Soit X une v.a. On appelle médiane de X, notée Me , le réel (ou l’intervalle)abscisse
1
de l’intersection entre y = et y = F (x).
2
Exemple
0 x<0
0 x>2
f (x) =
x [0, 1[
2 − x [1, 2[
Z x
Si x < 0, F (x) = f (t)dt = 0.
−∞ Z x 2 x
t x2
Si x ∈ [0, 1[, F (x) = tdt = = .
0 2 0 2 x
Z x
t2
Si x ∈ [1, 2[, F (x) = 1/2 + (2 − t)dt = 1/2 + 2t − = 1/2 + 2x −
1 2 1
x2 x2
− 2 + 1/2 = −1 + 2x − .
2 2
On a Me = 1.
Définition
Soit X une v.a. On appelle mode de X la valeur x0 telle que
(i) si X est discrète P (X = x) ≤ P (X = x0 ) ∀x
(ii) si X est continue f (x) ≤ f (x0 ) ∀x
Rmq : une v.a. peut avoir plusieurs modes.
3.5. CARACTÉRISTIQUES D’UNE VARIABLE ALÉATOIRE 41
Exemple :
Soit X une v.a. prenant chacune des valeurs 0,1,2,3,4,5 avec la même prob-
1
abilité
6
Soient Y = 2X + 1 et Z = X 2
1) Calculer E(Y ), V (Y ) puis E(Z), V (Z).
2) Donner la loi de probabilité de Y puis de Z.
sol :
1
1) E(Y ) = [1 + 3 + 5 + 7 + 9 + 11] = 6
6
1 70 35
V (Y ) = [1 + 9 + 25 + 49 + 81 + 121] − 62 = =
6 6 2
1 55
E(Z) = [1 + 4 + 9 + 16 + 25] =
6 6
1 55 979 552 2849
V (Z) = [1 + 16 + 81 + 256 + 625] − 2 = − 2 = = 79, 14
6 6 6 6 36
Valeurs de Y 1 3 5 7 9 11
2) 1 1 1 1 1 1
probas
6 6 6 6 6 6
42CHAPTER 3. VARIABLES ALÉATOIRES ET LOIS DE PROBABILITÉS
Rmq : si on pose Y = ϕ(X) avec X v.a., Y n’est pas forcément une v.a.
Exemple :
Soit X une v.a. telle que
1/2 sur [−1, 1]
f (x) =
0 ailleurs
2
Soit Y = X
1) Calculer E(Y ) et V (Y )
2) Quelle est la fonction densité de Y ? Retrouver E(Y ) et V (Y ).
sol : 3 1
Z 1
1 2 x 1 1 1
1) E(Y ) = x dx = = + =
−1 2 6 −1 6 6 3
Z 1 5 1
1 1 x 1 1 1
V (Y ) = x4 dx − 2 = − = −
−1 2 3 10 −1 9 5 9
2) Calculons la fonction de répartition de Y .
G(y) = P (Y ≤ y) = P (X 2 ≤ y).
Pour y < 0 G(y) = 0.
√ √
Pour y > 0 G(y) = P (− y ≤ X ≤ y) , avec F la fonction
√ √
= P (X ≤ y) − P (X ≤ − y)
√ √
= F ( y) − F (− y)
de répartition de X.
0
si x < −1
1+x
on a F (x) = si x ∈ [−1, 1] Ainsi,
2
1 si x > 1
Pour y < 1, G(y) = 0.
3.5. CARACTÉRISTIQUES D’UNE VARIABLE ALÉATOIRE 43
√
Pour y ∈ [0, 1], G(y) = y.
Pour y > 1, G(y) = 0. La fonction densité de Y , g(y) = G0 (y) est donc
Ainsi g(y) = 0 pour y < 0 et y > 1,
1
g(y) = √ pour 0 ≤ y ≤ 1
2 y
√
1/2 y y ∈ [0, 1]
g(y) =
0 sinon
Z 1
1 1 1/2
Z
1 1 3/2 1 1
On a E(Y ) = y √ dy = y dy = 4 /3/2 0 = ,
0 2 y 2 0 2 3
Z 1 Z 1
1 1 1 1
V (Y ) = 42 √ dy − 2 = y 3/2 dy −
0 2 y 3 2 0 9
1 2 5/2 1 1 1 1
= × (4 )0 − = − .
2 5 9 5 9
44CHAPTER 3. VARIABLES ALÉATOIRES ET LOIS DE PROBABILITÉS
Chapter 4
4.1 Introduction
On a un phénomène aléatoire que l’on veut comprendre. Ce phénomène
aléatoire est à priori complexe et on ne peut calculer directement les proba-
bilités de ses éventualités.
ex : comprendre la dépense annuelle des ménages français pour les loisirs;
par exemple, on veut calculer la probabilité qu’ils dépensent 5 000 F par an.
On dispose donc d’une population pour laquelle le modèle est destiné, d’un
individu et d’un caractère étudié (représenté par une variable aléatoire X).
Que fait-on ?
1 - Pour avoir une première idée du phénomène représenté par une vari-
able aléatoire X, on peut faire plusieurs observations de X.
valeurs de x fréquences
xi ni
45
46 CHAPTER 4. LOIS DISCRÈTES USUELLES
Il s’agit d’une situation fréquente dans la pratique dès que l’on cherche à
mettre en évidence un caractère particulier au sein d’une population :
tout individu de cette population peut être décrit selon une alternative : soit
il présente ce caractère, soit il ne le présente pas.
Souvent les résultats possibles sont des objets qualitatifs. Pour les quan-
tifier, il faut leur trouver un codage.
4.3. LE SHÉMA BINOMIAL 47
On définit ainsi une v.a. X dites de Bernouilli (savant suisse 1654-1705) par
0 1
1−p p
Définition
On réalise une expérience aléatoire qui a 2 résultats possibles : le succès S, de probabilité. p,
et l’Echec
E de probabilité. 1 − p. La v.a
1 si succès est une v.a. de Bernouilli
X:
0 si échec
Mode
Si p > q, le mode est1;
sip < q, le mode est0
Médiane
p > q ⇒ q < 1/2 Me = 1
p < q ⇒ q > 1/2 Me = 0
Propriété
E(X) = p
V (X) = p(1 − p)
Remarque :
La v.a. de Bernouilli est une v.a. indicatrice : elle indique la réalisation
éventuelle de l’événement de probabilité p. Le shéma de Bernouilli est le
plus simple des modèles probabilistes.
Définition :
48 CHAPTER 4. LOIS DISCRÈTES USUELLES
Propriétés
E(X) = np
V (X) = np(1 − p)
Propriété
Si X1 ∼ B(n1 , p) et X2 ∼ B(n2 , p)
indépendantes, alors
X1 + X2 ∼ B(n1 + n2 , p)
Preuve : somme de v.a Benouilli.
Exercice :
Une machine à embouteiller peut tomber en panne. La probabilité d’une
panne à chaque emploi est de 0,01. La machine doit être utilisée 100 fois.
4.3. LE SHÉMA BINOMIAL 49
Solution :
0
1) X ∼ B(100, 0, 01) ; P (X = 0) = C100 (0, 01)0 0, 99100 = 0, 366
1
P (X = 1) = C100 0, 01 0, 9999 = 100 × 0, 01 × 0, 9999 = 0, 377
P (X ≥ 4) = 1 − (. . .) = 0, 061
2) Y = 500X
E(Y ) = 500 E(X) = 500 × 100 × 0, 01 = 500
V (Y ) = 5002 V (X) = 5002 0, 99 = 247500
Exercice :
Dans une pépinière 95% des scions (jeunes arbres greffés) sont supposés sans
virus. Par commodité les scions sont rangés par paquets de 2. Un paquet est
dit sain si les 2 scions le sont.
1) Proba d’avoir un paquet sain ?
2) X = nb de paquets sains sur un lot de 10
Quelle est la loi de X ?
3) Un lot de 10 est accepté par l’acheteur si 9 au moins des paquets sont
sains. Proba qu’un lot soit accepté ?
Solution :
1) p = 0, 95 × 0, 95 = 0, 9025
2) X ∼ B(10, p)
3) P (X ≥ 9) = P (X = 9) + P (X = 10)
= 0, 7361
Remarque
Le schéma binomial correspond au processus de tirage d’un échantillon aléatoire
avec remise :
N1 : nb d’individus ayant la propriété S
N2 : nb d’individus n’ayant pas la propriété S
N = N1 + N2 : nb total d’individus
On fait n tirages avec remise
Soit X = nb d’individus ayant la propriété S
50 CHAPTER 4. LOIS DISCRÈTES USUELLES
N1
X ∼ B(n, p) avec p =
N
Propriété
Calcul en chaine des probalités de la loi binomiale:
si X ∼ B(n, p) alors
(n − k + 1)p
P (X = k) = P (X = k − 1)
k(1 − p)
P (X = k) n−k+1 p
Preuve : =
P (X = k − 1) k 1−p
Exemple 1
A un guichet SNCF se présentent 2 femmes et 3 hommes. On choisit au
hasard 2 personnes 6= pour une enquête.
Soit X = nb de femmes.
a) Probabilité de choisir une femme au moins.
b) Calculer E(X) et σ(X).
2
a) X ∼ H 5, 2, .
5
C21 C31 C22 C30 7
P (X ≥ 1) = P (X = 1) + P (X = 2) = 2
+ 2
= = 0, 7.
C5 C5 10
3 4
b) E(X) = np = 2 × = = 0, 8,
5 5
N −n 2 3 3 9
V (X) = npq =2× × × = = 0, 36,
N −1 5 5 4 25
σ(X) = 0, 6.
52 CHAPTER 4. LOIS DISCRÈTES USUELLES
Exemple 2
On choisit au hasard 10 étudiants de DEUG 6= pour un entretien : 304
étudiants sont inscrits en 1ère année, 233 en 2ème .
X = nb d’étudiants de 1ère année parmi les 10 choisis.
Calculer la probabilité d’avoir 5 étudiants de 1ère année et déterminer E(X)
et σ(X).
304
X ∼ H(537, 10, ),
537
5 5
C C
P (X = 5) = 30410 233 ' 0, 227.
C537
Mais on peut utiliser l’approximation
n 10 304 304
Comme = < 0, 1, on peut approximer H 537, 10, par B 10, .
N 537 537 537
5 5
5 304 233
On a P (X = 5) = C10 ' 0, 225.
537 537
304
E(X) = np = 10 × = 5, 661,
537
N −n 304 233 527
V (X) = npq = 10 × × × ' 2, 415,
N −1 537 537 536
σ(X) = 1, 554.
√
avec l’approximation σ(X) = npq = 1, 567.
Définition
X suit la loi géométrique de paramètre G(p), si elle est égale au nombre d’épreuves de
Bernouilli indépendantes qu’il faut réaliser pour obtenir pour la 1ère fois l’évènement de
probabilité p.
Loi de probabilité
X(Ω) = N∗ , (l’ensemble des valeurs est ∞ dénombrable)
et
4.5. LOI GÉOMÉTRIQUE ET LOI DE PASCAL 53
P (X = k) = q k−1 p k ∈ N∗
fonction de répartition
n n−1
X X 1 − qn
P (X ≤ n) = q k−1 p = p qk = p = 1 − qn
k=1 k=0
1 − q
FX (n) = 1 − q n
caractéristiques
1
E(X) =
p
1−p
V (X) =
p2
Définition
La loi de Pascal est la généralisation de la loi géométrique lorsque l’on s’intéresse
à l’obtention pour la k ième fois de l’évènement de probabilité p
Loi de probabilité
X(Ω) = {k, . . . , ∞} et
k−1 k−1 j−k
P (X = j) = Cj−1 p q p j ≥ k.
Caractéristiques
k
E(X) =
p
k(1 − p)
V (X) =
p2
Remarque : la ressemblance avec la loi binomiale n’est qu’apparente. La
grande différence est que le nombre de répétitions de l’épreuve élémentaire de
Bernouilli n’est pas connu, et c’est lui qui représente l’aléatoire du problème
!
• Application
Ces 2 lois interviennent particulièrement en contrôle de qualité mais aussi
dans la surveillance des événements dont une certaine fréquence de survenue
est interprétée en terme de signal d’alarme.
54 CHAPTER 4. LOIS DISCRÈTES USUELLES
• Remarque de modélisation
La probabilité de l’évènement qui nous intéresse est toujours p, elle est
constante au cours du temps. Cette propriété de stationnarité n’est pas
systématique dans les situations réelles que l’on doit modéliser.
Exemple
Supposons que 5 % des pièces en sortie d’une chaine de production soient
défectueuses. On souhaite connaitre la probabilité qu’un échantillon de 20
pièces issu de cette chaine ne contienne aucune pièce défectueuse.
D’autre part, on recherche la probabilité que la première pièce défectueuse ne
soit pas l’une des 20 premières sorties de la chaine.
définition
X est une v.a. de Poisson de paramètre m si et seulement si
X(Ω) = N, et
mk −m
P (X = k) = e .
k!
Notation : P(m)
On est dans la situation o`‘u X(Ω) est infini dénombrable.
On peut maintenant poser la loi de Poisson comme modèle d’une épreuve
aléatoire :
Théorème d’approximation
Soit X ∼ B(n, p)
quand n → +∞ tq np → m
p→0
L
Alors X → P(m)
Modélisation
Lorsqu’un évènement a une faible probabilité p d’apparition lors d’une épreuve
de Bernouilli et si l’on répète un grand nombre de fois cette épreuve (n) le
nombre total de réalisations de l’évènement considéré suit à peu près une loi
de Poisson de paramètre m = np
n > 50
Dans la pratique :
p < 0, 1
56 CHAPTER 4. LOIS DISCRÈTES USUELLES
Rmq : plus p est petit, meilleure est l’approximation. Pour cette raison
la loi de Poisson a été appelée loi des phénomènes rares
caractéristiques Si X ∼ P(m)
E(X) = m
Alors
V (X) = m
X mk
Il faut savoir que = em
k≥0
k!
X mk −m X mk−1
E(X) = k e = e−m m =m
K≥0
k! K≥1
(k − 1)!
k
X m X mk X mk
V (X) = k2 e−m − m2 = k(k − 1) e−m + k e−m − m2
K≥0
k! K≥1
k! K≥1
k!
X mk−2 X mk−1
= m2 e−m + m e−m − m2
K≥2
(k − 2)! K≥1
(k − 1)!
=m
Propriété : somme de v.a de Poisson
Si X1 et X2 sont 2 variables de poisson P(m1 ), P(m2 ) indépendantes alors
X1 + X2 ∼ P(m1 + m2 )
(ceci est vrai pour une somme finie quelconque de v.a de Poisson indépendantes)
Preuve :
4.6. LOI DE POISSON 57
" k
#
[
P (Y = k) = P (X1 + X2 = k) = P X1 = i ∩ X2 = k − i
i=0
k
X
= P (X1 = i).P (X2 = k − i)
i=0
K
X mi1 −m1 mk−i
= e 2
e−m2
i=0
i! (k − i)!
K
X e−(m1 +m2 )
= Cki mi1 mk−i
2
i=0
k!
(m1 + m2 )k −(m1 +m2 )
= e .
k!
Propriété
Si X ∼ P(m), alors
P (X = k) m
= .
P (X = k − 1) k
Conséquence : les probabilités % tant que k ≤ m puis & pour k ≥ m et
ont une valeur maximale P (X = m) et alors
P (X = m) = P (X = m − 1).
Conséquence statistique
On peut envisager une loi de Poisson comme modèle représentatif de données statistiques
discrètes pour lesquelles la variable ne prend que des valeurs entières, posi-
tives ou nulles et pour lesquelles
- la moyenne ' la variance et
fk 1
- est proportionnel à fk étant les fréquences
fk−1 k
Exemple 1
Lors d’un sondage portant sur un grand nombre de personnes, on sait que 2%
des personnes interrogées acceptent de ne pas rester anonymes. Sachant que
l’un des sondeurs a interrogé 250 personnes (en les choisissant de manière
indépendante), calculer la probabilité
a) que ces 250 personnes souhaitent rester anonymes
b) 3 personnes acceptent de ne pas rester anonymes
c) plus de 10 personnes acceptent de ne pas rester anonymes
58 CHAPTER 4. LOIS DISCRÈTES USUELLES
Exemple 2
Dans un hôpital parisien, il arrive en moyenne 1,25 personnes à la minute
aux urgences entre 9 h et 12 h.
X : nb de personnes observées à la minute à l’entrée de ce service.
On admet X ∼ P(m) avec m = 1, 25
Déterminer les probabilités suivantes
a) En 1mn il arrive 2 personnes b) 4 personnes au plus c) 3 personnes au
moins.
a) P (X = 2) = 0, 2238
b) P (X ≤ 4) = 0, 9909
c) P (X ≥ 3) = 1 − P (X ≤ 2)
= 1 − 0, 8685
= 0, 1315.