CH IV Introduction la probabilit

1 Probabilits (rappels)
Terminologie :

Une exprience est dite alatoire lorsquelle a plusieurs issues aussi appeles ventualits
possibles dont on ne peut pas prvoir laquelle sera ralise.
Lensemble de toutes les ventualits constitue lunivers de tous les possibles, il est not .
Les sous-ensembles de lunivers sont appels vnements.
Les vnements forms dun seul lment sont appels vnements lmentaires.
Etant donn un univers, lvnement est lvnement certain.
Lensemble vide est lvnement impossible.

Exemple :
Le lancer dun d six faces constitue une exprience alatoire dissues xi pour i allant de 1 6 et
correspondantes la sortie de la face i du d. Il y a donc 6 issues ou ventualits possibles.
a. Dfinitions :
Hypothses:
est un ensemble non vide. P ( ) est l'ensemble des parties de .
est suppos fini

On appelle Probabilit sur toute application de P ( ) dans l'intervalle [0,1] vrifiant les
axiomes suivants:
Axiome 1: P ( )=1
Axiome 2: Pour tout A et tout B appartenant et si A B , alors

P( A B) P( A) P( B)

Pour un vnement A quelconque, le complmentaire de A dans est appel ''vnement

contraire de A'', on note en gnral A l'vnement contraire de A
Lvnement form des ventualits communes A et B est not A B .
Lvnement form des ventualits qui sont dans A ou dans B ou dans les deux est not
A B.
A et B sont incompatibles si et seulement si A B .

a. Proprits des probabilits

Parties de E
A

Vocabulaire des vnements

A quelconque
Evnement impossible
Evnement certain

Proprit
0 p(A) 1
p() = 0
p(E) = 1

AB=

p( A B) = p(A) + p(B)

A et B sont incompatibles

A
A est lvnement contraire de A
A, B
A et B quelconques
c. L'quiprobabilit:

p( A ) = 1 p(A)
p(A B) = p(A) + p(B) p( A B)

L'quiprobabilit correspond au cas o tous les vnements lmentaires ont la mme probabilit
ceci conduit alors crire:
Pour tout e dans , P{e}=

1
o n est le cardinale de
n

On rsume souvent l'quiprobabilit par la formule:

P( A)

Nombre de cas favorables

Nombre de cas possibles

2. Probabilit conditionnelle, vnements indpendants

a- Exemple:
Considrons un lancer de d ; = {1, 2, 3, 4, 5,6}
Soit l'vnement ''le rsultat est pair" A={ , , } ; P(A)=
Soit B ''le rsultat est suprieure 4'' B={ , , } ; P(B)=
Alors b est ralis dans deux cas parmi ceux ralisant A, c'est dire lorsque A B est ralis
Ainsi, la probabilit de B sachant que A est ralis est 2/3 :

P( A B) 2

P( A)
3

b- Dfinition:
Soit P une probabilit sur et soit A un vnement de probabilit non nulle.
La probabilit sachant que A (est ralis) est l'application PA qui, tout vnement B, associe le
nombre :

PA ( B)

P( A B)
P( A)

PA (B) Se note aussi P( B / A)

c- proprits
4. PA () =1
5. pour A et B vnements incompatibles:
d. vnements indpendants:

PA ( B C ) PA ( B) PA (C )

Dfinition:
Les vnements A et b sont indpendants si et seulement si P( A B) P( A) P( B)

Remarque:
Si A et B ont des probabilits non nulles, A et B sont indpendants si et seulement si
PA ( B) P( B) ou P( A / B) P( A)
Application
Un grossiste en appareils mnagers est approvisionn par trois marques, notes respectivement
M1, M2 et M3.
La moiti des appareils de son stock provient de M1, un huitime de M2, et trois huitimes de M3.
Ce grossiste sait que dans son stock, 13% des appareils de la marque M1 sont rouge, que 5% des
appareils de la marque M2 sont rouges et que 10% des appareils de la marque M3 le sont aussi.
On donnera les rsultats sous forme de fractions.
On choisit au hasard un appareil emball dans le stock de ce grossiste :
1. Quelle est la probabilit qu'il vienne de M3 ?
2. Quelle est la probabilit qu'il soit rouge sachant qu'il vienne de M2 ?
3. Quelle est la probabilit que l'appareil choisi ne soit pas de couleur rouge ?
4. Aprs examen, on s'aperoit que l'appareil choisi est rouge. Quelle est la probabilit qu'il soit de
la marque M1 ?

3. Dnombrement lmentaire:
Pour calculer des probabilits complexe, l'numration des cas lmentaires est souvent fastidieuse
.Pour faciliter la tche, on utilisera les principes de base de l'analyse combinatoire
a- Principe fondamental
Lorsqu'un vnement peut se produire suivant n1 manire, et qu'immdiatement aprs, un autre
vnement peut se produire suivant n 2 faon, alors les deux vnements peuvent se produire dans
l'ordre considr suivant : n1 n2
Exemple:
S'il y a 3 candidats au poste de dput et celui de maire, les deux fonctions peuvent tre occupes
de .
b- Permutations:
Une permutation de n objets diffrents pris r r est un arrangement de r objets pris parmi n, dans
un ordre bien dtermin
On dsignera par Anr le nombre de permutations de n objets pris r r, donn par:

Anr n(n 1)(n 2).....( n r )

n!
(n r ) !

Exemple:
Le nombre de permutations de a , b et c prises deux deux est:.
Les permutations sont:.
c- Combinaisons:
Une combinaison de n objets diffrents pris r r est une slection de r objets parmi n sans ordre
dtermin
On dsignera par C nr le nombre de combinaisons de n objets pris r r, ce nombre est donn par:

C nr

n!
r !( n r ) !

4. Probabilit totale:
A1 , A2 ,........ Ak de ; c d les Ak sont incompatibles deux deux
et A1 A2 ........ Ak
Pour un vnement B quelconque, on a d'aprs la figure 1
Considrons une partition

Figure 1

B ( B A1 ) ( B A2 ) .......... ( B Ak )
Or d'aprs l'axiome 2 et comme les vnements sont disjoints,P(B) peut s'crire:

P( B) P( B A1 ) P( B A2 ) .......... P( B Ak )

(1)

Et comme P( B Ak ) P( B / Ak ) P( Ak ) la relation (1) peut encore s'crire:

P( B) P( B / A1 ) P( A1 ) P( B / A2 ) P( A2 ) .......... P( B / Ak ) P( Ak )

(2)

Cette relation (1 ou 2) est connue sous le nom de ''Loi des probabilits totales"
Application:
Un lyce compte trois classes de terminale. La classe T1, la classe T2 et la classe T3.30% des lves
de terminales sont en T1 ,50 % sont en T2 et 20% sont en T3.
T1 compte 25% de filles, T2 40% de filles et T3 compte 80% de filles.
En choisissant un lve de terminale au hasard, quelle est la probabilit de choisir u ne fille?

Rfrences :
1- Murray R. Spiegel "Statistique cours et problmes", 2me dition
2-J. Trignan "Probabilits Statistiques et leurs applications" dition Bral
3-G.COSTANTINI http://bacamaths.net/

CH V VARIABLES ALEATOIRES

I) VARIABLE ALEATOIRE CAS DISCRET :

I . a Dfinition:
Considrons l'preuve "lancer deux fois une pice de monnaie",
={FF,PF,FP,PP}.Intressons nous au nombre de fois o "Face est apparu":

FF
2

FP
1

PF
1

PP
O

C'est une application de vers discrte c'est--dire elle ne prend qu'un nombre fini de
valeurs.

Dfinir une variable alatoire X, cest associer chaque vnement

lmentaire {ei} dune preuve un nombre rel xi.
I- b loi de Probabilit d'une variable alatoire. :
La variable alatoire ci-dessus construite dfinie de nouveaux vnements:
(X=0)
"Aucune face n'a t tire"
Pr ob( X 0)
(X=1)
"Une face a t tire"
Pr ob( X 1)
(X=2)
"2 faces ont t tires"
Pr ob( X 1)
X
Prob (X=x)

On appelle loi de Probabilit de la variable alatoire X la fonction dfinie par:

0 ,1
x Pr ob( X x)

Graphiquement:

I c Fonction de rpartition :
Dfinition:
La fonction de rpartition da la V.A. X est la fonction F :
R
xi

[0,1]
F ( xi ) P( X xi ) P( X x1 ) P( X x2 ) ...P( X xi )

Cest la probabilit cumule des valeurs jusqu' x i

I- d Proprits :
La fonction de rpartition possde les proprits suivantes :
i ) o F ( xi ) 1 , pour tout xi

ii ) F ( xi ) F ( x j ) si xi x j
iii ) P( X xi ) 1 P( X xi ) 1 F ( xi )
I- e. Valeurs caractristiques :
1) Esprance mathmatique :
Soit X une variable alatoire prenant les valeurs x1, x2 xn avec les probabilits p1,
p2,...pn :
Alors l'esprance mathmatique de X est
E( X )

2) Proprits :

in

in

i 1

i 1

pi xi

xi P( X xi )

a E( X k ) E( X ) k
b E (kX ) kE( X )

3)Variace et cart type :

Dfinition :
On appelle variance de X le nombre :
V ( X ) E[( X E ( X )) 2 ] pi xi2 ( E ( X )) 2

L'ecart type est :

4) Proprits :

V (X )
V (X k) V (X )
V (kX ) k 2V ( x)

Exercice :
Dans une banque, un control visuel est effectu sur les chques pour relever des
ventuelles erreurs .Le nombre derreurs est rgi par la loi suivante :
Nombre derreurs
0
P(X=xi)
0. 23

1
0. 33

2
0. 25

3
0. 13

4
0. 05

5
0 01

1) Dterminer lesprance mathmatique :

2) Calculer la variance est lcart type :

i 6

V ( X ) xi2 P( X xi ) ( E ( X )) 2
i 1

xi

0
1
2
3
4
5

2
i

f (xi)

xi2 P( X xi )

0. 23
0. 33
0. 25
0. 13
0 .05
0. 01

II ) VARIABLE ALEATOIRE CAS CONTINUE :

Contrairement une variable discrte, la prsente variable peut prendre des valeurs
continues gnralement sous forme dintervalle
II- 1) Fonction densit de probabilit :
Soit X une variable alatoire continue
1) Une fonction f est dite fonction de densit si :
i ) f ( x) 0

ii ) f ( x)dx 1

2) P(a X b) f ( x)dx
a

Exemple :

2 x 0 x 1
f ( x)
0 ailleurs
1) f est elle une densit de probabilit ?
II-2) Fonction de Rpartition :
a- Dfinition :
La fonction de rpartition, not F(X), dune variable alatoire Continue X est :

F ( X ) P( X x)

f (t )dt

b- Proprits :

i ) P(a X b) F (b) F (a)

ii ) F () 0
iii ) F () 1
iv ) F est non dcroissante
Exemple :
a) Dterminer la fonction de rpartition de la variable alatoire dont la densit est :
1
(9 x 2 ) si 0 X 3
f ( x) 18

0
ailleurs

pour x 0 :
pour 0 x 3 :

pour x 3
b) Dterminer P( X 2) :

c- Valeurs particulires d'une variable alatoires :

Esprance mathmatique :

E ( X ) xf ( x)dx

Variance et cart-type coefficient de variation :

Var ( X ) E ( X 2 ) ( E ( X )) 2 o

x Var ( X )

Cv

E ( X 2 ) x 2 f ( x)dx

x
E( X )

Exemple :
3
(4 x 2 ) si 0 x 2
f ( x) 16

0
ailleurs

a)Dterminer lesprance mathmatique de X :

b) Dterminer la variance, lcart type et le coefficient de variation

VI VARIABLES ALEATOIRES USUELLES

I-VARIABLES ALEATOIRES DISCRETES USUELLES :

1- Loi de BERNOULLI:
1-1 Dfinition:
On considre une population dans laquelle la proportion des individus prsentant un caractre
donn c est p ( 0 p 1 ).On choisit au hasard un individu dans cette population .Soit X la
variable alatoire qui tout individu associe la valeur 1 s'il possde le caractre c ,et 0 sinon.
Par dfinition la loi de probabilit de x est appele . Loi de BERNOULLI.
1-2 Loi de probabilit:
Cette loi est simple:on a X () 0,1 ,d'aprs la dfinition on obtient immdiatement :
P( X 1) p , P( X 1) 1 p ,on note souvent : q 1 p
1-3 Esprance mathmatique et variance :
Esprance mathmatique
La variable alatoire X suit une loi de Bernoulli de paramtre p.

E( X ) p

variance :

Var ( X ) (0 p) 2 * (1 p) (1 p) 2 * p p(1 p)
2- Loi Binomiale:
2-1-Dfinition :
On considre lexprience de n preuves identiques, chacune donnant lieu 2 ventualits, lune
appele succs, avec la probabilit p, lautre appele chec, avec la probabilit q= 1-p.
Soit X la variable alatoire correspondant au nombre de succs ralis parmi les n preuves.
k 0,1,......n
P( X k ) Cnk p k (1 p) n k
On dit que X suit une loi Binomiale de paramtre n et p
Notation : X ~B (n, p) veut dire X suit la loi B (n, p)
2-2- Proprits

E(X) = np
Var(X)= npq
2-3- Exercice:
On dispose d'un D 6 faces.
Quelle est la probabilit d'obtenir au moins une fois le 6 en jetant 6 fois le D On jette 6 fois le D
Il y a donc 6 essais identiques chacun donne lieu 2 ventualits:
On considre comme succs "obtenir 6": p=1/6
L'chec est " ne pas obtenir le 6" donc q=5/6
Soit X la V.A correspondant aux succs raliss
Alors X (6,1 / 6)
1. A :"au moins 1 fois le 6" est l'vnement contraire "aucune fois le 6"

1 5
5
P( X 0) C60 ( ) 0 ( ) 6 ( ) 6
6 6
6
5 6
P( A) 1 ( ) O,66
6
2. Comparer cette probabilit celle d'obtenir au moins 2 fois le 6 ,en jettant 12 fois le D?
Donc n=12, X (12,1 / 6)
B " au moins 2 fois le 6" est l'vnement contraire "0 ou 1 fois le 6"
0 1 0 5 12
1 1 1 5 11
P( B) C12
( ) ( )
C12
( ) ( )
6
6
6
6

Alors :
3- Loi de POISSON :

5
5
P( B) 1 ( )12 2( )11 0,62
6
6

3-1- Dfinition :
Soit X une variable alatoire valeurs dans .
X suit une loi de POISSON De paramtre

( 0)

si et seulement si : P( X k ) e

Notation : X suit une loi de POISSON de paramtre

On crit X ~ P ( )
3-2-Propriets :
E(X)=

Var(X)=

k
k!

3-3- Situations :
Lorsque la ralisation dun vnement est trs rare on utilise la loi de poisson :
o Erreurs dimpression
o File dattente (tlphone, super march .)
o Etc
3-4- Approximation dune loi binomiale par une loi da poisson :
Dune faon gnrale, pour n assez grand et p voisin de 0 si X ~ B (n, p) alors

P( X k ) e
Exercice:

k
, avec np
k!

Dans une chane de fabrication ,2% des objets sont dfectueux. On prlve une pice, on
lexamine ,et on la replace dans la chane. On rpte 100 fois cette exprience.
Considrons comme succs la pice est dfectueuse
Donc p=0.02 consquence q=0.98
Soit x la variable correspondant au nombre de succs relevs parmi 100 essais
Alors :

X B(100;0.02)
Par exemple P( X 5) C (0.02) (0.98)5
5
100

Les calculs sont fastidieux et longs

La loi de poisson donne une bonne approximation avec pn, ici 2

P( X 5) e 2
Remarque :
Cette approximation peut tre appliqu pour :
n 30 et np 5

n 20 et

25
5!

1
30

II- Lois continues Exemple loi normale :

1-Dfinition :
Une variable alatoire continue est dite distribue selon une loi normale si l'expression de sa
densit est :

f ( x)

1 x 2
(
)
2

2- Reprsentation graphique
f(x)

Lorsque la distribution des individus dans une population obit la loi normale,
a- 50 % des individus droite de la moyenne et 50 % gauche de la moyenne (la loi normale est
Symtrique)

50 %

b-68 % des individus entre et

68 %

+
C.

95 % des individus sont dans lintervalle 2,

95 %

2
D.

+ 2

99,7 % des individus entre et (il y a donc trs peu de chances quun individu
scarte de la moyenne de plus de 3).

99,7 %

+ 3

3-Calcul des probabilits :

Pour calculer les probabilits associes la loi normale, on utilise gnralement la loi
Normale centre rduite : cest une loi normale pour laquelle et .
4- Remarques :
a)

P( X ) P(

b) Sa fonction de densit est la suivante :

f ( x)

1
e
2

x2
2

c) f(x)=f (-x)

P ( X 0) 0.5

P ( X 0) 0.5

c- 1

On trouve dabord P (0 X k ) , On ajoute ce rsultat 0.5

0
k
Evaluation de P( X k )
c- 2
On trouve dabord P(0 X k ) .
On soustrait par la suite
le rsultat Obtenu de 0.5

P( X k )

Evaluation de

P( X k )

c-3

P(k1 X k2 )

-k1

k2

P(k1 X k 2 ) P(k1 X 0) P(0 X k 2 )

c- 4

k1

k2

P(k1 X k 2 ) P(0 X k 2 ) P(0 X k1 )

c- 5

Prob (table)

-k2 -k1

P(k 2 X k1 ) P(0 X k 2 ) P(0 X k1 )