Vous êtes sur la page 1sur 104

Introductions aux calculs des

Probabilits
Rachid Jahidi

Objectifs
Acqurir les concepts lmentaires de
probabilits.
Comprendre ce quest la modlisation
probabiliste.
Acqurir un savoir-faire probabiliste en
relation avec des applications.

Probabilits et statistique
Probabilits : modle mathmatique pour
tudier les phnomnes alatoires
Statistique : apprendre en observant,
interprter les donnes comme ralisation
dun modle.

Programme

Concepts de base des probabilits


Variables alatoires
Lois usuelles
Thorie asymptotique

Concepts de base
Une exprience est une action qui engendre un
rsultat.
On distingue deux types dexprience :
Exprience dterministe : Le rsultat de
lexprience est connu avec certitude avant
mme deffectuer cette exprience.
Exprience alatoire : Le rsultat ne peut tre
prvu avant de complter lexprience.
5

Ensemble fondamental
On appelle l ensemble fondamental
lensemble de tous les rsultats possibles
dune exprience alatoire.
Cet ensemble est habituellement not
par la lettre grecque OMEGA : .

Ex : 1) On lance un d et on observe le chiffre apparaissant


sur la face suprieure du d; = {1, 2, 3, 4, 5, 6}
2) On lance 2 pices de monnaie.
Cet nonc ne suffit pour dcrire lensemble fondamental.
Il faut ajouter ce quon observe :
Si on compte le nombre de faces :
= {0, 1, 2}
Si on regarde le rsultat sur la premire pice puis sur la
deuxime :
= {(P,P), (P,F), (F,P), (F,F)}

vnement
On appelle vnement un sous-ensemble de
lensemble fondamental. (Ces vnements sont
habituellement nots avec une lettre majuscule
comme A, B, C,.. ou E1, E2, E3).
Ex : On lance 2 pices de monnaie et on compte
le nombre de faces = {0, 1, 2}.
Il y aura dans ce cas l 8 vnements possibles :
, {0}, {1}, {2}, {0,1}, {0,2}, {1,2}, {0,1,2}.
Lvnement : Avoir au moins une fois Pile sera
caractris par le sous ensemble {0,1}.
8

Dfinitions dvnements particuliers


Un vnement simple est un vnement ne
contenant quun seul lment.
Un vnement compos est un vnement
qui nest pas simple.
L vnement impossible est lensemble vide
().
L vnement certain est lensemble
fondamental ().
9

DFINITION IMPORTANTE :
On dira quun vnement sest ralis si le
rsultat de lexprience alatoire fait partie
de lvnement.
Ex : Si le rsultat du jet des 2 pices de
monnaies est (F,F) alors tous les vnements
suivants se sont raliss : {2}, {0,2}, {1,2} et
{0,1,2}.

10

Oprations et relations sur les


vnements
On reprsente parfois graphiquement les
vnements au moyen de graphiques appels
diagramme de Venn. Lensemble fondamental est
reprsent par un rectangle et les sous-ensembles
reprsentant les vnements par des rgions de ce
rectangle.

11

Runion dvnements
Lvnement C est la runion des vnements
A et B (note C = AB) si C est lvnement
qui contient tous les lments appartenant
A ou B ou aux deux vnements :

12

Remarque : Si A sest ralis alors


automatiquement AB sest ralis. Cest-dire, si le rsultat de lexprience alatoire est
un lment de A alors ncessairement, le
rsultat de lexprience se retrouve dans AB.

13

Intersection dvnements
Lvnement C est lintersection des
vnements A et B (note C = AB) si C est
lvnement qui contient tous les lments
appartenant A et B :

14

Remarque : Si AB sest ralis alors


automatiquement A sest ralis et B sest
ralis aussi. Cest--dire, si le rsultat de
lexprience alatoire est un lment de AB
alors ncessairement, le rsultat de
lexprience se retrouve dans A et dans B
aussi.

15

Diffrence dvnement
Lvnement C est la diffrence des
vnements A et B (note C = A-B) si C est
lvnement qui contient tous les lments
appartenant A et non B :

16

Proprits des oprations sur les vnements :


A B B A
A B B A.

A B C A B C
A B C A B C .
A B C A B A C
A B C A B A C
17

Complment
;

Lvnement C est le complment de


lvnement A (not C = A , et parfois A ) si C
est lvnement qui contient tous les lments
de nappartenant pas A:

Remarques :

A A A A

A A
18

Relation dinclusion
On dira que A implique B (ou que A est inclus
dans B et est not A B ) si tous les lments
de A appartiennent aussi B.

19

Remarques :
A A

A B A
A A B

A B B
B A B

A
A
20

Incompatibilit
Les vnements A et B sont dit incompatibles
(ou mutuellement exclusifs) si A B

21

Exhaustivit
Les vnements A et B sont exhaustifs si

A B
La notion dexhaustivit nest pas limite deux
vnements. On pourra avoir toute une srie
dvnements, si leur runion recouvre
compltement , alors on dira quils sont
exhaustifs.

22

Remarques :
A et A sont des vnements exhaustifs.
A, B, A B sont des vnements exhaustifs.
Ces deux dernires relations vont permettre
de voir un ensemble fondamental comme
une srie dvnements disjoints sur lesquels
on pourra faire des calculs.

23

vnements mutuellement exclusifs et


exhaustifs (M.E.E.)
Les vnements E1,E2,,En, sont
mutuellement exclusifs si
Ei , i 1,2,..., n,...
Ei E j , i 1,2,..., n,...; j 1,2,..., n,... j i.

24

Les vnements E1,E2,,En, sont


mutuellement exclusifs et exhaustifs si
Ei , i 1,2,..., n,...
Ei E j , i 1,2,..., n,...; j 1,2,..., n,... j i.

E1 E2 ... En ... Ei
i 1

25

Dfinition mathmatique dune probabilit


Soit un ensemble fondamental, et E1, E2,,
En, une famille dvnements non
ncessairement mutuellement exclusifs et
exhaustifs de .
Soit P une fonction qui associe chaque
vnement Ei un nombre dans lintervalle
[0,1].

26

P est une fonction de probabilit si :


P( Ei ) 0, Ei ,
P() 1
Si Ei et Ej sont incompatibles alors

PEi E j PEi PE j
Plus gnralement, pour toute suite (En )nN
d'vnements deux deux incompatibles
P( En ) P( En )
nN

nN

27

Proprits
P( ) 0
Si A B, P( A) P( B)

P A 1 P( A)
P( A B) P( A) P( B) P( A B)

28

Hypothse dquiprobabilit, fini


Lorsque tous les lments constituant ont la
mme chance dtre le rsultat de lexprience
alatoire, on parle dhypothse
dquiprobabilit ; i.e.
si contient n lments distincts :
e1 , e2 ,, en , alors
1
Pe1 Pe2 Pen
n
29

Dans ce cas particulier, pour valuer la


probabilit dun vnement A, il suffit de
compter le nombre dlments dans les
ensembles A et , et :
Nombre d' lments dans A Card ( A)
P( A)

Nombre d' lments dans Card ()

ou comme on lexprime souvent :


Nombre de cas favorables
P( A)
Nombre de cas possibles
30

Ex : Considrons lexprience qui consiste tirer au


hasard une carte dun jeu de 52. Soit les vnements
suivants :
A : La carte est rouge : P(A)=1/2.
B : La carte est un as : P(B)=1/13.
A B : La carte est rouge ou est un as. Cet vnement
contient les 26 cartes rouges plus las de pique et las
de trfle, donc 28 cartes au total.
A B : La carte est un as rouge. Cet vnement
contient seulement les as de cur et de carreau.
1 1
2 28
P A B

2 13 52 52
31

Calcul des probabilits et


dnombrements
Dans le cas dquiprobabilit on utilise
les dnombrements pour calculer la
probabilit dun vnement

32

Les p-listes d'lments d'un ensemble de n


lments :
On tire une boule. On note son numro. On la
remet dans l'urne. On fait de mme pour une
2ime boule, puis pour une 3ime,..., enfin pour une
pime.
On obtient ainsi une suite ordonne de p
numros compris entre 1 et n, avec d'ventuelles
rptitions.
C'est une p-liste d'lments de {1,2,3,...,n}.

Les p-listes d'lments d'un ensemble


de n lments sont au nombre de np.
33

Exercice : Le loto sportif.


Dans le jeu du loto sportif, le parieur doit remplir une
grille o il indique les rsultats qu'il prvoit pour treize
matchs de football. Pour chacun des treize matchs, trois
rponses sont possibles :
l'quipe 1 est annonce comme gagnante (rponse [1] ),
le rsultat prvu est un match nul (rponse [N] ),
l'quipe 2 est annonce comme gagnante (rponse [2]).
Ces trois rponses recouvrent toutes les ventualits et,
l'issue du match, une et une seule se trouvera ralise.
La rgle du jeu est la suivante : sur chacune des treize
lignes, le parieur coche une et une seule des trois cases [1],
[N], [2] correspondant au rsultat qu'il prvoit. C'est ce
qu'on appelle remplir la grille.
De combien de faons diffrentes peut-on remplir la grille ?
34

Les permutations des lments d'un


ensemble fini. Les factorielles.
Il s'agit de choisir sans remise un 1er lment
puis un 2ime puis un 3ime, etc., jusqu'
l'puisement de l'ensemble.
Il y a n! faons de ranger n lments.
n! = 1x2x3xx(n-1)xn.

35

Les p-arrangements d'lments d'un


ensemble de n lments.
On tire une boule. On note son numro. On ne
la remet pas dans l'urne.
On fait de mme pour une 2ime boule, puis
pour une 3ime,..., enfin pour une pime.
On obtient ainsi une suite ordonne de p
numros compris entre 1 et n, deux deux
distincts.
C'est un p-arrangement d'lments de
{1,2,3,...,n}.
36

Les p-arrangements d'lments d'un ensemble de


n lments sont au nombre de :

n!
A
n(n 1)(n 2)...(n p 1)

(n p)!
p facteurs
p
n

La diffrence entre une p-liste et un parrangement est que les rptitions sont
possibles pour les p-listes, mais impossibles
pour les p-arrangements.
37

Les p-combinaisons d'lments d'un


ensemble de n lments.
Les p-combinaisons d'lments d'un ensemble
E de n lments sont les parties de E p
lments. On ne tient pas compte de l'ordre.
La diffrence entre une p-combinaison et un
p-arrangement est que dans un parrangement on tient compte de l'ordre, alors
que dans une p-combinaison, on n'en tient
pas compte.
38

Plus gnralement, toute p-combinaison


correspondent autant de p-arrangements que
d'ordres possibles pour p lments, c'est
dire p!.
Il y a donc p! fois plus de p-arrangements que
de p-combinaisons.

39

Le nombre de p-combinaisons
d'un
ensemble
p
de p lments est not Cn
On retiendra les galits suivantes :
p facteurs

p
An
n!
n(n 1)(n 2)...(n p 1)
p
Cn

p! p!(n p)!
p!

40

Les combinaisons avec rptitions.


Le nombre des p-combinaisons avec
rptitions d'lments
d'un ensemble E de
p
cardinal n est not n . Il vrifie les galits
suivantes :
p

n 1
p
n C n p1 C n p1

41

rsum
Choix de p lments
discernables parmi n

avec ordre

sans ordre

avec d'ventuelles
rptitions

p-listes

p-combinaisons avec
rptitions

np
sans rptition

p-arrangements

p
n

p-combinaisons

p
n

42

Probabilits conditionnelles et
indpendance
Probabilits conditionnelles : Soit un
ensemble fondamental et A, B des
vnements de dont on connat les
probabilits P(A), P(B).
Dans le cas o lhypothse dquiprobabilit
sapplique, on crivait que pour un vnement
A:
Nombre de cas favorables Nombre d' lments dans A
P(A)

Nombre de cas possibles Nombre d' lments dans


43

Si on sait maintenant quun vnement B sest


ralis, le nombre de cas possibles se trouve
diminu au nombre dlments dans B.
Les cas favorables sont donc tous ceux qui se
trouvent dans A mais aussi dans B. a nous
laissera donc la formule suivante
Nombre d' lments dans A B P(A B)
P( A / B)

Nombre d' lments dans B


P(B)
44

Cest la dfinition que nous utiliserons pour


dcrire la probabilit pour que lvnement A
se ralise sachant que lvnement B sest
ralis. Elle demeure valable, mme si
lhypothse dquiprobabilit nest pas
vrifie.

P(A B)
P( A / B)
P(B)
45

Quelques formules utiles


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

P( A B C) P(C / A B) P( B / A) P( A)
P( A B / C) P( A / C) P( B / C) P( A B / C)

P( A / C ) 1 P( A / C )
P( A / C ) 1 P( A / C )
46

Exemple : Un cours est donn trois groupes diffrents :


Groupe A : Il y a autant de garons que de filles ;
Groupe B : Il y a 2 fois plus de garons que de filles ;
Groupe C : Il y a 60% de filles et 40% de garons.
a) On choisit un groupe au hasard, et dans ce groupe on
choisit 1 personne. Quelle est la probabilit pour que ce
soit une fille ?
b) Si le groupe B a une chance sur deux dtre choisi et que
chacun des deux autres groupes une chance sur 4 dtre
choisi, quelle est la probabilit pour que la personne
slectionne soit une fille ?
47

Les vnements indpendants


Supposons que A soit un vnement tel que P(A)0.
Il est naturel de penser qu'un vnement B est
indpendant de A si la probabilit conditionne par
A de B est la probabilit de B , c'est dire si
P(B/A)=P(B) .
D'o la dfinition :
Deux vnement A et B sont indpendants ssi
P(AB) = P(A)P(B).
48

REMARQUE : Il ne faut pas confondre


Incompatible et Indpendant.
Incompatible : P(AB) = 0
Indpendant : P(AB) = P(A)P(B).

49

Exemple : Considrons lexprience qui


consiste tirer au hasard une carte dun jeu
de 52. Soit les vnements suivants :
A : La carte est rouge : P(A)=1/2.
B : La carte est un as : P(B)=1/13.
Analyser lindpendance des vnement A et
B.

50

La formule de Bayes

Soit E1, E2,, En une partition dun ensemble


fondamental telle que les probabilits P(E1),
P(E2),, P(En) soient connues.
Soit F un vnement dans tel que les
probabilits conditionnelles P(F/E1), P(F/E2),,
P(F/En) soient connues.

51

Si maintenant, on obtient linformation que


lvnement F sest ralis. On aimerait
connatre quelles sont les nouvelles
probabilits P(E1/F), P(E2/F),, P(En/F).

52

P E i F
P E i / F
P F
P F / E i P E i
P E i / F
PF / E1 PE1 PF / E2 P( E2 ) PF / En PEn

Cette dernire formule est appele la formule de


Bayes. La formule de Bayes est utilise pour
retrouver les probabilits de chacun des
vnements dune partition dun ensemble
fondamental lorsque de linformation nouvelle
est disponible.
53

Exemple : Une compagnie fabrique des


ventilateurs. Les moteurs viennent de 2
compagnies. La compagnie A fournit 90% des
moteurs. La compagnie B fournit le reste.
5% des moteurs de la compagnie A sont
dfectueux et 3% des moteurs de la compagnie B
sont dfectueux.
Dterminer la probabilit quun moteur vienne
de A sil est dfectueux.
Dterminer la probabilit quun moteur vienne
de A sil nest pas dfectueux.
54

Chapitre II
Variables alatoires

55

Les variables alatoires discrtes


On suppose dans ce chapitre que ( , P) est un
espace probabilis fini ou dnombrable
Par dfinition, les variables alatoires
dfinies sur (, P) sont les applications de dans R.
Voici comment on peut noter certains vnements :
Evnement
{ a / X(a) 8}
{ a / X(a) 5}
{ a / 3,5 X(a) 8 }
{ a / X(a) 7 }

Notation
(X = 8)
(X 5)
(-3,5 < X < 8)
(X > 7)

56

Elles sont discrtes en ce sens que, comme ,


l'ensemble des valeurs qu'elles prennent est
au plus dnombrable.
Les variables alatoires sont souvent notes X
et, accessoirement, s'il y en a plusieurs : Y, Z, T.

57

Par exemple, si l'preuve tudie consiste


jeter deux fois un d ordinaire, on peut choisir
pour univers l'ensemble {1, 2, 3, 4, 5, 6} et
pour probabilit P l'quiprobabilit. La
somme, la diffrence, le produit, le quotient,
le plus grand, le plus petit, (etc...) des deux
numros obtenus sont des variables alatoires
discrte.
58

La loi de probabilit.
La loi de probabilit de X est la donne, sous
forme de tableau ou par une formule, des
valeurs x possibles pour X et des probabilits
P(X = x) correspondantes.
Quand la loi de probabilit de X est prsente
sous forme d'un tableau, on a intrt donner
aussi les probabilits cumules P(X x).

59

Pour X gale la somme des deux numros


obtenus lors de deux jets d'un d ordinaire,
dfinir la loi de X et sa fonction cumulative:
x
2
3
4
5
6
7
8
9
10
11
12
P(X = x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
P(X x) 1/36 3/36 6/36 10/36 15/36 21/36 26/36 30/36 33/36 35/36
1

60

Fonction de rpartition
La fonction de rpartition F de X est la fonction
dfinie sur R, valeurs dans [0,1], telle que:
F(x) = P(X x).
Dans le cas o les valeurs possibles pour X sont
en nombre fini, la courbe reprsentative de F est
un escalier dont la premire marche a pour
ordonne 0 et dont la dernire marche a pour
ordonne 1.
61

L'esprance mathmatique
On suppose que X prend les valeurs xi avec les
probabilits respectives pi (iN*).
L'esprance mathmatique de X est le rel :

E X xi pi

i
L'esprance mathmatique
de X prcise la
position de X

62

Proprits
E(a) = a ;
E(X + a) = E(X) + a ;
E(X + Y) = E(X) + E(Y) ;
E(a.X) = a.E(X).

63

Remarque : Par dfinition, une variable


alatoire est centre si son esprance
mathmatique est nulle.
Centrer une variable alatoire, cest lui retirer
son esprance mathmatique.
Si m = E(X) alors : E(X m) = 0.

64

La variance
On suppose que X prend les valeurs xi avec les
probabilits respectives pi (iN*).
On dsigne par m l'esprance mathmatique de
X.
La variance de X est le rel :
V(X) = E(X m)2.
La variance de X prcise sa dispersion. Elle est
dautant plus grande que X est disperse.

65

La variance de X scrit aussi :


2
V(X) = pi .(x i m)
i
V(X) = E(X2) m2
V(X) pi .xi m
2

66

Si a est un rel alors :


V(a) = 0 (et rciproquement, si V(X)=0 alors X
est constante) ;
V(X + a) = V(X) (la variance est insensible aux
translations);
V(a.X) = a2.V(X) ;
E(X a)2 = V(X) + (m a)2.

67

Lcart-type
L'cart-type de X est la racine carre de la
variance de X. On le note (X) :

(X) V(X)
L'cart-type de X prcise lui aussi la dispersion
de X. Il est dautant plus grand que X est
disperse.

68

Proprits :
(a, b)R2 (a.X b) a . (X)
(X) 0 ssi X=a
Si s = (X) et si s 0 alors : (X/s) = 1
Par dfinition, une variable alatoire est
rduite si son cart-type est gal 1.

69

L'ingalit de Bienaym-Tchbycheff.
Dsignons par m l'esprance mathmatique
de X.
Si (X) > 0 alors :
1
Pour a > 0 : P(|X - m| a.(X)) 2
a

70

Voici un graphique illustrant cette ingalit

m-3s

m-2s

m-s

m+s

m+2s m+3s

(s : cart-type)

moins de 25% l'extrieur


donc plus de 75% l'intrieur

moins de 11,2 % (1/9) l'extrieur


donc plus de 88,8 % l'intrieur

71

Dmonstration :

2
p
(
x

m
)
i i

p (x m)
a . p

i
x i m a.
2
2

i
x i m a.

2
2
a
.

.P( X m a.)
=

72

Lois usuelles discrtes

73

Loi de Bernoulli
On entend par preuve de Bernoulli toute
preuve pouvant conduire un succs ou
un chec.
Une variable alatoire X suit une loi de Bernoulli
si elle ne prend que deux valeurs :
1 avec la probabilit p (0 p 1) et
0 avec la probabilit q = 1 p.
Dans ce cas : E(X) = p et V(X) = pq.

74

Les lois binomiales.


On considre maintenant n preuves de
Bernoulli (n > 0), identiques, indpendantes,
chacune pouvant conduire un succs avec la
probabilit p (0 p 1) ou un chec avec la
probabilit q = 1 p.
On dsigne par X le nombre de succs ces n
preuves.

75

Une variable alatoire X suit une loi binomiale


de paramtres n (nN*) et p (0 p 1) note
B (n,p) si elle est la somme de n variables
indpendantes suivant la mme loi de
Bernoulli de paramtre p.
X peut alors prendre chacune des n+1 valeurs
0, 1,...,n et :
i{0, 1, ..., n} P(X = i) =C in piqn-i.
De plus : E(X) = np et V(X) = npq.
76

Remarque
On peut s'assurer que la somme des
probabilits est bien 1 :
D'aprs la formule du binme de Newton :
n
i i
n i
n = 1.
C
p
.q
=
(p
+
q)
n
i 0

77

Proprits
Considrons deux variables alatoires
indpendantes X1 et X2 obissant
respectivement aux lois binomiales B (n1 ,p) et
B (n2 ,p).
La somme X1 + X2 est le nombre de succs
aprs ( n1 + n2 ) preuves de Bernoulli
identiques, indpendantes, de mme
probabilit de succs p. Elle obit la loi
binomiale B (n1 + n2 , p).
78

Les lois gomtriques


On considre une succession potentiellement
infinie d'preuves de Bernoulli identiques,
indpendantes, de probabilits de succs p
(0 < p 1) et d'chec q = 1 p.
On dsigne par X le numro de la premire
preuve conduisant un succs.

79

La probabilit pour que ce numro soit i (1 i)


i-1
est : P(X = i) = q .p .
La variable alatoire X suit la loi gomtrique
de paramtre p note G (p).
q
1
De plus E(X) =
et V(X) = 2 .

80

Remarque
On peut s'assurer que la somme des
probabilits est bien 1 :

q
i 1

i 1

.p p. q
i 1

i 1

1
p
p.
1
1 q p

81

Les lois hypergomtriques


On suppose qu'une urne contient N boules
identiques au toucher dont certaines sont
blanches et les autres sont noires. On dsigne
par p la proportion des boules blanches et par
q (q=1-p) celle des boules noires.
On effectue dans cette urne un tirage
alatoire de n boules (0 n N).
On dsigne par X le nombre de boules
blanches obtenues.
82

Une variable alatoire X suit la loi


hypergomtrique H (N, n, p) si elle peut
prendre les valeurs entires i telles que
max (0,n Nq) i min (n, Np)
avec les probabilits ainsi dfinies :

C iNp .C nNq i

P(X = i) =
.
n
CN
Alors :
Nn
E(X) = np et V(X) = npq.
.
N 1

83

Considrons une urne contenant N boules


dont Np sont blanches et Nq sont noires.
Si l'on effectue n tirages alatoires successifs
d'une boule sans remise, le nombre de boules
blanches obtenues obit la loi
hypergomtrique H (N, n, p).
Si l'on effectue n tirages successifs d'une boule
avec remise, le nombre de boules blanches
obtenues obit la binomiale B (n, p).

84

Le fait qu'il y ait remise ou qu'il n'y ait pas


remise n'est plus significatif quand N est grand
devant n.
C'est pourquoi :
Lorsque N est grand devant n ( N > 10n ), on
peut approcher la loi hypergomtrique
H (N, n, p) par la loi binomiale B (n, p).

85

La loi de Poisson
Une variable alatoire X suit la loi de Poisson
de paramtre m (m > 0), note P (m), si elle
peut prendre pour valeurs les entiers naturels
avec les probabilitsi ainsi dfinies :
m
iN P(X = i) = i ! e-m.
On a alors E(X) = V(X) = m.
La somme des probabilits est bien 1 parce
que
i

m
m

i 0 i!

86

Proprit :
La somme de 2 variables alatoires
indpendantes suivant des lois de Poisson de
paramtres m1 et m2 suit une loi de Poisson
de paramtre m1+ m2.

87

Remarque :
La loi de Poisson prend le relais de la loi
binomiale quand le nombre dpreuves
devient trs grand.
Lorsque n est grand, que p est petit et que np
nest pas trop grand, (concrtement : n 30 ;
p 0,1 ; np 15) on peut approcher la loi
binomiale B (n,p) par la loi de Poisson P (np).
88

Variables alatoires continues


Dans certains cas, l'ensemble des valeurs
possibles pour une variable alatoire n'est plus
discret mais continu (intervalle de IR ).
Il en est ainsi, par exemple, des distances, des
tailles, etc. On peut alors discrtiser la situation,
par exemple en arrondissant les distances au
kilomtre, les tailles au centimtre, etc. On peut
aussi conserver toute la finesse du continu.
Le continu apparat comme la limite d'une
discrtisation de plus en plus fine.
89

La densit de probabilit dune


variable alatoire.
Dans le cas continu, la loi de probabilit dune
variable alatoire X est dfinie par la donne
dune fonction f, appele densit de
probabilit, telle que :
x
(x IR) P(X x) = f ( u )du

Pour tre une densit de probabilit, une


fonction doit tre positive et dintgrale sur IR
gale 1.
90

Fonction de rpartition
La fonction de rpartition F de X est la
fonction dfinie sur IR, valeurs dans [0,1],
telle que:
F(x) = P(X x).

91

L'esprance mathmatique
L'esprance mathmatique de X est le rel :

E X xf ( x)dx
R

L'esprance mathmatique de X prcise la


position de X

92

La variance
On dsigne par m l'esprance mathmatique
de X.
La variance de X est le rel :
2
2
V(X) = E(X m) = ( x m) f ( x)dx
La variance de X prcise sa dispersion. Elle est
dautant plus grande que X est disperse.

93

Lcart-type
L'cart-type de X est la racine carre de la
variance de X. On le note (X) :

(X) V(X)
L'cart-type de X prcise lui aussi la dispersion
de X. Il est dautant plus grand que X est
disperse.

94

Proprit

Soit :
a et b sont deux rels tels que a < b.
X une variable alatoire continue.
f sa densit de probabilit.
F sa fonction de rpartition.

95

1) Si f est continue, alors : F=f


2) Les proprits de lesprance
mathmatique, de la variance et de lcarttype sont les mmes que pour une variable
alatoire discrte.
3) Dans le cas continu, les valeurs isoles ont
une probabilit nulle.
96

Consquences :

P(X = a) = 0 ; P(X = b) = 0 ;
a
P(X a) = P(X < a) = F(a) = f ( x )dx ;

P(X a) = P(X > a) = 1 F(a) = af ( x )dx ;


P(a < X < b) = P(a X < b) = P(a < X b) =
b
P(a X b) = F(b) F(a) =a f ( x )dx .

97

La loi normale N (m, 2)


Elle a pour densit de probabilit la fonction f
ainsi dfinie :
-1x-2

exp
2
(xIR) f(x) =
2

Son esprance mathmatique est m.


Son cart-type est .
98

Densit de la normale N(0,1)


45,000%

40,000%

35,000%

30,000%

25,000%

20,000%

15,000%

10,000%

5,000%

0,000%
-3

-2

-1

1,52656E-15

99

Les calculs numriques.


Soit X une variable alatoire normale
desprance mathmatique et dcart-type
, la variable alatoire

X m

est une normale centre rduite.

100

La fonction de rpartition de la Normale


centre- rduite est tabule.
Pour utiliser ces tables, on doit centrer et
rduire les variables alatoires normales
tudies.

101

Approximation par une loi normale


a) Approximation dune loi binomiale.
Une approximation satisfaisante de la loi
binomiale B (n,p) par la loi normale N (np, npq)
sera obtenue sous la condition : npq > 20.
b) Approximation dune loi de Poisson
Une approximation satisfaisante de la loi de
Poisson P (m) par la loi normale N (m, m) sera
obtenue sous la condition : m > 20.
102

Loi normale N(12, 6)

Loi Binomiale B(24,0,5)


18,000%

18,000%

16,000%

16,000%

14,000%

14,000%

12,000%

12,000%

10,000%

10,000%

8,000%

8,000%

6,000%

6,000%

4,000%

4,000%

2,000%

2,000%

0,000%
2 3 4 5 6 7 8 910111213141516171819202122232425

0,000%
4,651530772
7,101020514
9,550510257

12

14,44948974
16,89897949
19,34846923

103

Loi de Poisson P(20)

Loi Normale N(20,20)


10,000%

10,000%
9,000%

9,000%

8,000%

8,000%

7,000%

7,000%

6,000%

6,000%

5,000%

5,000%

4,000%
4,000%

3,000%
3,000%

2,000%
2,000%

1,000%
0,000%

1,000%

0,000%
6,583592135
11,05572809
15,52786405

20

24,47213595
28,94427191
33,41640786

104