Probas Master1 GSI PDF

MESURES ET ANALYSES STATISTIQUES DE DONNES
Probabilits
Master Gnie des Systmes Industriels, mentions ACCIE et RIM
Universit du Littoral - Cte dOpale, La Citadelle
Laurent SMOCH
(smoch@lmpa.univ-littoral.fr)
Septembre 2012
Laboratoire de Mathmatiques Pures et Appliques Joseph Liouville

Universit du Littoral, zone universitaire de la Mi-Voix, btiment H. Poincarr
50, rue F. Buisson, BP 699, F-62228 Calais cedex
Table des matires

1 Le dnombrement
1.1 Notations . . . . . . . . . . . . . . . . . . .
1.1.1 Prliminaires . . . . . . . . . . . . .
1.1.2 Ensemble produit . . . . . . . . . . .
1.1.3 Notation factorielle . . . . . . . . . .
1.2 Le dnombrement . . . . . . . . . . . . . . .
1.2.1 Ensemble produit . . . . . . . . . . .
1.2.2 Nombre dapplications dun ensemble
1.2.3 Parties dun ensemble et cardinaux .
1.2.4 Arrangements . . . . . . . . . . . . .
1.2.5 Permutations . . . . . . . . . . . . .
1.2.6 Combinaisons . . . . . . . . . . . . .
1.2.7 Combinaisons avec rptition . . . .
1.2.8 Modle fondamental : schma durne
1.3 Exercices . . . . . . . . . . . . . . . . . . .
2 La probabilit
2.1 Le vocabulaire . . . . . . . . . . . . .
2.1.1 Exprience alatoire et univers
2.1.2 Evnements . . . . . . . . . . .
2.1.3 Proprits de P() . . . . . . .
2.1.4 Oprations sur les vnements .
2.2 Probabilit . . . . . . . . . . . . . . .
2.2.1 Axiome de probabilit . . . . .
2.2.2 Consquences . . . . . . . . . .
2.3 Ensembles probabiliss . . . . . . . . .
2.3.1 Ensembles finis probabiliss . .
2.3.2 Ensembles infinis dnombrables
2.4 Probabilit conditionnelle . . . . . . .
2.4.1 Dfinition . . . . . . . . . . . .
2.4.2 Exemple . . . . . . . . . . . . .
2.4.3 Indpendance en probabilit . .
2.4.4 La formule de Bayes . . . . . .
2.5 Exercices . . . . . . . . . . . . . . . .
3 Les
3.1
3.2
3.3
3.4
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
E de cardinal
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
probabiliss
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
variables alatoires relles

Introduction - Exemple . . . . . . . . . . . . . . . . . . .
Dfinitions et proprits . . . . . . . . . . . . . . . . . .
Types de variables alatoires relles . . . . . . . . . . . .
Fonction de rpartition dune variable alatoire discrte
3.4.1 Dfinition . . . . . . . . . . . . . . . . . . . . . .
3.4.2 Reprsentation graphique - Exemple . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . .
. . .
. . .
. . .
. . .
. . .
dans
. . .
. . .
. . .
. . .
. . .
. . .
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. .
. .
. .
. .
. .
. .
un
. .
. .
. .
. .
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
. . . . . . . . . . . . . . 1
. . . . . . . . . . . . . . 1
. . . . . . . . . . . . . . 1
. . . . . . . . . . . . . . 2
. . . . . . . . . . . . . . 2
. . . . . . . . . . . . . . 2
ensemble F de cardinal n 2
. . . . . . . . . . . . . . 4
. . . . . . . . . . . . . . 5
. . . . . . . . . . . . . . 5
. . . . . . . . . . . . . . 6
. . . . . . . . . . . . . . 7
. . . . . . . . . . . . . . 7
. . . . . . . . . . . . . . 8
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13
13
13
13
13
14
14
14
15
15
15
16
17
17
18
18
19
20
.
.
.
.
.
.
23
23
24
25
26
26
26
II
TABLE DES MATIRES
3.5
3.6
3.7
3.4.3 Reprsentation graphique - Cas gnral . . . . . . . . . .

Fonction de rpartition dune variable alatoire continue - Densit
3.5.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.2 Interprtation graphique . . . . . . . . . . . . . . . . . . .
3.5.3 Proprits de la fonction de rpartition . . . . . . . . . . .
3.5.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Moments dune variable alatoire . . . . . . . . . . . . . . . . . .
3.6.1 Esprance mathmatique . . . . . . . . . . . . . . . . . .
3.6.2 Variable centre . . . . . . . . . . . . . . . . . . . . . . . .
3.6.3 Moments dordre k . . . . . . . . . . . . . . . . . . . . . .
3.6.4 Moments centrs dordre k . . . . . . . . . . . . . . . . . .
3.6.5 Variance et cart-type . . . . . . . . . . . . . . . . . . . .
3.6.6 Moments factoriels . . . . . . . . . . . . . . . . . . . . . .
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . .
de probabilit
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
28
29
29
29
30
30
31
31
32
32
32
32
34
34
4 Lois de probabilits discrtes usuelles

4.1 Loi et variable de Bernoulli . . . . . . . . . . . . . . . . .
4.1.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . .
4.1.2 Moments . . . . . . . . . . . . . . . . . . . . . . .
4.2 Loi et variable binomiales . . . . . . . . . . . . . . . . . .
4.2.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . .
4.2.2 Moments . . . . . . . . . . . . . . . . . . . . . . .
4.2.3 Somme de deux variables binomiales indpendantes
4.2.4 Loi et variable frquences . . . . . . . . . . . . . .
4.3 Loi et variable multinomiales . . . . . . . . . . . . . . . .
4.3.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . .
4.3.2 Loi trinomiale . . . . . . . . . . . . . . . . . . . . .
4.3.3 Loi multinomiale . . . . . . . . . . . . . . . . . . .
4.4 Loi et variables hypergomtriques . . . . . . . . . . . . .
4.4.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . .
4.4.2 Les moments . . . . . . . . . . . . . . . . . . . . .
4.4.3 Limite dune variable hypergomtrique . . . . . .
4.5 Loi et variable de Poisson . . . . . . . . . . . . . . . . . .
4.5.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . .
4.5.2 Les moments . . . . . . . . . . . . . . . . . . . . .
4.5.3 Somme de deux variables de Poisson indpendantes
4.5.4 Limite dune variable binomiale . . . . . . . . . . .
4.6 Loi et variable gomtriques . . . . . . . . . . . . . . . . .
4.6.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . .
4.6.2 Moments . . . . . . . . . . . . . . . . . . . . . . .
4.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
41
41
41
42
42
42
43
43
44
44
44
45
45
45
46
46
46
47
47
48
48
48
48
49
49
5 Lois de probabilits continues usuelles

5.1 Loi et variable uniformes . . . . . . . .
5.1.1 Dfinition . . . . . . . . . . . .
5.1.2 Fonction de rpartition . . . . .
5.1.3 Moments . . . . . . . . . . . .
5.2 La loi exponentielle . . . . . . . . . . .
5.2.1 Dfinition . . . . . . . . . . . .
5.2.2 Fonction de rpartition . . . . .
5.2.3 Les moments . . . . . . . . . .
5.3 La loi de Laplace-Gauss ou loi normale
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
55
55
55
55
56
57
57
57
57
58
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
III
TABLE DES MATIRES
5.3.1
5.3.2
5.3.3
5.3.4
5.3.5
5.3.6
5.3.7
5.3.8
5.3.9
5.4
5.5
5.6
5.7
Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Reprsentation graphique . . . . . . . . . . . . . . . . . . . . . . . . .
Les moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Variable normale centre rduite . . . . . . . . . . . . . . . . . . . . .
Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . . .
Table de lcart rduit . . . . . . . . . . . . . . . . . . . . . . . . . . .
Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Remarques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Relation entre la fonction de rpartition et la densit de probabilit des
loi normale centre rduite . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.10 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.11 Somme de deux variables normales indpendantes . . . . . . . . . . . .
5.3.12 Approximation dune loi binomiale par une loi normale . . . . . . . . .
5.3.13 Rsum sur les approximations de lois . . . . . . . . . . . . . . . . . .
Loi et variable du 2 (Khi-deux) de Pearson . . . . . . . . . . . . . . . . . . .
5.4.1 La distribution du 2 . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.2 Les donnes du problme . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.3 Ajustement dune distribution observe une distribution thorique .
Loi de Student-Fischer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.2 Les courbes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.3 Les moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.4 Les tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Loi de Fischer-Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.2 Les courbes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.3 Les moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.4 Les tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
loi normale et
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
58
58
59
59
60
62
63
64
64
64
64
65
66
66
66
67
67
73
73
74
74
74
75
75
76
76
77
77
IV
TABLE DES MATIRES
Chapitre 1
Le dnombrement
1.1
Notations
1.1.1
Prliminaires
Soit E un ensemble fini, le cardinal de E, not Card(E) ou |E|, dsigne le nombre de ses lments.
P(E) dsigne lensemble des parties de E (y compris lensemble E lui-mme et lensemble vide not
).
Exemple 1.1.1 Si on se donne E = {0, 1, 2}, lensemble des parties de E est donn par
P(E) = {; {0}; {1}; {2}; {0, 1}; {0, 2}; {1, 2}; E}
Soient A et B deux parties de E alors
A B = {x E/x A et x B} dfinit lintersection de A et de B,
A B = {x E/x A ou x B} dfinit la runion de A et de B,
/ A} dfinit le complmentaire de A dans E,
A = {x E/x
A B = {x E/x A et x
/ B} = A B dfinit A priv de B (on crit galement A/B),
A4B = (A B) (B A) = (A B) (A B) dfinit la diffrence symtrique de A et de B.
On a par consquent A4B = {x E/(x A et x
/ B) ou (x
/ A et x B)} .
Exemple 1.1.2 Si on se donne les ensembles E = {0, 1, 2, 3, 4, 5, 6}, A = {0, 1, 2}, B = {2, 3, 4} alors
A B = {2},
A B = {0, 1, 2, 3, 4},
A = {3, 4, 5, 6},
B = {0, 1, 5, 6},
A B = A B = {0, 1},
B A = B A = {3, 4},
A4B = {0, 1, 3, 4}.
1.1.2
Ensemble produit
Soient deux ensembles finis E et F .

1. On appelle ensemble produit ou produit cartsien de E par F , lensemble not
E F = {(x, y)/x E, y F }
Exemple 1.1.3 Soient les ensembles E = {0, 1, 2} et F = {a, b}. On a alors
E F = {(0, a); (0, b); (1, a); (1, b); (2, a); (2, b)}.
CHAPITRE 1. LE DNOMBREMENT
2. E 2 est le produit cartsien de E.

E 2 = {(x, y)/x E, y E}
Dans lexemple prcdent, on a E 2 = {(0, 0), (0, 1), (0, 2), (1, 0), (1, 1), (1, 2), (2, 0), (2, 1), (2, 2)} et
F 2 = {(a, a), (a, b), (b, a), (b, b)}.
3. On peut gnraliser la dfinition du produit cartsien. Soient p ensembles finis E1 ,E2 ,. . .,Ep alors
E1 E2 . . . Ep = {(x1 , x2 , . . . , xp )/x1 E1 , x2 E2 , . . . , xp Ep }
1.1.3
Notation factorielle
Soit n un entier naturel non nul (n N ), on dfinit n! = 1 2 3 . . . n qui se lit factorielle n.

Exemple 1.1.4 5! = 5 4 3 2 1 = 120.
Par convention, on pose 0! = 1 .

n!
n!
Exercice 1 Simplifiez a = (n 1)! n N , b = (n 2)! avec n N {0; 1}.

Exercice 2 crire laide de deux factorielles le produit 5 6 7 8.
1.2
Le dnombrement
1.2.1
Ensemble produit
1. Soient deux ensembles finis E et F de cardinaux respectifs n et p. Le cardinal du produit cartsien de

E par F est donn par
Card(E F ) = Card(E) Card(F )
En effet, E F = {(x, y)/x E, y F }. Comme x et y peuvent prendre respectivement n et p valeurs,
il y a n p couples (x, y) possibles.
Exemple 1.2.1 Soient les ensembles E = {0, 1, 2} et F = {a, b}. On a Card(E F ) = 3 2 = 6.
2. Lorsque F = E,
Card(E 2 ) = Card(E E) = Card(E) Card(E) = (Card(E))2
Exemple 1.2.2 Dans lexemple prcdent, on a Card(E 2 ) = 32 = 9 et Card(F 2 ) = 22 = 4.
3. On peut gnraliser la dfinition du cardinal. Soient p ensembles finis E1 ,E2 ,. . .,Ep alors
Card(E1 E2 . . . Ep ) = Card(E1 ) Card(E2 ) . . . Card(Ep )
1.2.2
Nombre dapplications dun ensemble E de cardinal p dans un ensemble F de

cardinal n
1. Le nombre dapplications de E dans F est

np = (Card(F ))Card(E)
Exemple 1.2.3 Soient E = {0, 1} et F = {a, b, c}. Le nombre dapplications de E dans F est 32 = 9.
Considrons une application de E dans F , reprsente par la Figure 1.1. Cette application est
caractrise par le couple (a, a) avec la convention 0 a pour image a et 1 a pour image a.
Considrons maintenant une nouvelle application,
reprsente par la Figure 1.2. Cette application

0 a
est caractrise par le couple (a, c) tel que
.
1 c
1.2. LE DNOMBREMENT
Figure 1.1
Figure 1.2
Les neuf applications de E dans F sont donc caractrises par les 9 couples (a, a), (b, b), (c, c), (a, b),
(b, a), (a, c), (c, a), (b, c) et (c, b). Un couple (x, y) caractrise lapplication
0x
1y
x et y pouvant prendre les valeurs a, b, c.

Exercice 3 Soit un ensemble de 5 prouvettes que lon veut rpartir dans trois rangements. Chaque
rangement pouvant contenir 0, 1 ou plusieurs prouvettes, quel est le nombre de rpartitions distinctes ?

Exercice 4 lintrieur dun laboratoire, un numro de tlphone fixe est compos dun indica-
tif (2 numros) et dune suite ordonne de 8 numros. Pour un indicatif donn, combien y a-t-il de
numros possibles ?
2. p-listes ordonnes avec remise

Soit un ensemble F = {e1 , e2 , . . . , en } de cardinal n. On appelle p-liste dlments de F , une liste
ordonne de p lments de F (appele encore p-uplet) de la forme (x1 , x2 , . . . , xp ), les xi tant deux
lments distincts ou non de F . Ces p-uplets sont au nombre de np puisquil y a n choix possibles pour
les p lments.
Exemple 1.2.4 Soit F = {e1 , e2 , e3 }.
Les 2-listes ordonnes avec remise (ce qui signifie que les lments peuvent se rpter) ou 2-uplets
sont au nombre de 32 = 9 cest--dire quil existe 9 couples (x, y) forms par deux lments distincts
ou non de F . Ces lments sont (e1 , e1 ), (e1 , e2 ), (e2 , e1 ), (e1 , e3 ), (e3 , e1 ), (e2 , e2 ), (e2 , e3 ), (e3 , e2 ),
(e3 , e3 ).
Les 3-listes ordonnes avec remise (ou 3-uplets, ou triplets) sont au nombre de 33 = 27, on peut citer
entre-autres (e1 , e1 , e1 ), (e2 , e1 , e3 ), (e3 , e2 , e3 ).

Exercice 5 Combien peut-on former de sigles dentreprises de deux lettres ? de trois lettres ? de
quatre lettres ?

Exercice 6 On extrait laveugle 3 pices mtalliques dun conteneur qui en compte 9 : 4 pices
de type A, 3 pices de type B, 1 pice de type C et 1 pice de type D. Combien y a-t-il de rsultats
permettant dobtenir successivement avec remise
(a) 3 pices de type A ?
(b) aucune pice de type B ?
(c) 3 pices de type C ?
(d) dans cet ordre : 2 pices de type A et 1 pice de type B ?
(e) 2 pices de type A et 1 pice de type B ?
(f) 1 pice de type A, 1 pice de type B et 1 pice de type C ?
1.2.3
Parties dun ensemble et cardinaux
1. Le nombre de parties dun ensemble E de cardinal n est 2n .

Card(E) = n Card(P(E)) = 2n .
Exemple 1.2.5 On a vu dans un exemple prcdent que P(E) = {; {0}; {1}; {2}; {0, 1}; {0, 2}; {1, 2}; E}
si E = {0, 1, 2}, ce qui confirme bien que Card(P(E)) = 23 = 8.
2. Si A et B sont deux parties de E,
Card(A B) = Card(A) + Card(B) Card(A B)

Exercice 7 Parmi les 20 employs dune entreprise, 8 connaissent langlais, 5 lallemand, 3 les deux
langues. Dnombrez ceux qui connaissent au moins une langue.

3. Le complmentaire dune partie A de E est dfini par
A = {A
E avec Card(A) = Card(E) Card(A) .
Exemple 1.2.6 Soient E = {0, 1, 2, 3, 4} et A = {2, 4} alors A = {0, 1, 3} et Card(A) = 5 2 = 3.

Exercice 8 Un sondage dopinion, relatif lambiance dun cours de Mesures et analyses statis-
tiques de donnes, a t ralis parmi 83 tudiants de Master 1 GSI en 2012 et donne les rsultats
suivants :
Trs
satisfaits
Assez
satisfaits
Assez
dus
Trs
dus
Filles de
moins de 23 ans
Filles de
23 ans et plus
Garons de
moins de 23 ans
Garons de
23 ans et plus
11
On pose : F les femmes, P les tudiants de 23 ans et plus, D les tudiants assez dus ou trs dus,
A les tudiants assez dus ou assez satisfaits. On note F , A, D les ensembles complmentaires de F ,
A et D. Dterminez le nombre dlments des ensembles suivants en prcisant ce quil reprsente :
(a) F , P , D et A,
(b) F P D A,
(c) (F D) (P A),
(d) F (P D A).
1.2. LE DNOMBREMENT
1.2.4
Arrangements
1. Soient un ensemble F de cardinal n et p un entier naturel tel que 1 p n. On appelle arrangement,

dordre p, des lments de F , un p-uplet (x1 , x2 , . . . , xp ) o les lments xi sont des lments distincts de F .
Dterminons le nombre darrangements dordre p, not Apn :
si p > n : Apn = 0
si p n : pour x1 , il y a n choix possibles. x1 tant choisi, il y a n 1 choix possibles pour x2 et
ainsi de suite. Enfin, x1 , x2 , . . . , xp1 tant choisis, il reste n (p 1) = n p + 1 choix possibles
pour xp . Le nombre darrangements dordre p est donc
Apn = n(n 1)(n 2) . . . (n p + 1)
Cette galit peut se rcrire Apn = n(n 1)(n 2) . . . (n p + 1)
(n p)(n p 1) . . . 2 1
,
(n p)(n p 1) . . . 2 1
ce qui signifie que

Apn =
n!
(n p)!
2. Cas particuliers : Avec la convention 0! = 1 le rsultat prcdent implique

A0n = 1 et Ann = 1

Exercice 9 Lquipe de direction dun laboratoire de chimie de 20 membres est constitue dun
directeur, dun directeur technique et dun directeur Recherche et Dveloppement. Combien dquipes
de direction peut-on constituer, sachant quune mme personne ne peut cumuler les postes ?

Exercice 10 Soit le mot F IABILIT E. laide de ce mot, combien danagrammes et combien de
mots - au sens large - de 5 lettres distinctes peut-on former ?
1.2.5
Permutations
1. On appelle permutation dun ensemble F de cardinal n, un arrangement dordre n de F . Le nombre

de ces permutations est donn par Pn = Ann = n!.
2. Permutation avec rptition
Exemple 1.2.7 Dterminons le nombre danagrammes du mot F IN I.
Si on considre les deux I comme diffrents, I1 et I2 , les 4 lettres de F I1 N I2 tant distinctes, il existe
4! = 24 anagrammes. Dans ces 24 mots, les mots F I1 N I2 et F I2 N I1 apparaissent. Chaque mot est
4!
comptabilis deux fois. Le nombre danagrammes de F IN I est donc
= 12.
2!
Exemple 1.2.8 Dterminons le nombre danagrammes du mot EN SEM BLE.
Si on numrote les trois E, on obtient E1 N SE2 M BLE3 . Les huit lettres tant distinctes, il existe
8! anagrammes de E1 N SE2 M BLE3 . Dans ces 8! mots, le mot EN SEM BLE apparat 3! = 6 fois,
8!
chaque mot est donc comptabilis 3! fois. Le nombre danagrammes de EN SEM BLE est donc .
3!
Exemple 1.2.9 Dterminons le nombre danagrammes du mot M AT HEM AT IQU ES.
13!
En procdant comme prcdemment, on obtient
anagrammes.
2!2!2!2!
3. Cas gnral
Soit une famille E de cardinal n, dfinie par E = {a1 , a2 , . . . , ak }, la lettre a1 tant rpte r1 fois, la
lettre a2 r2 fois, la lettre ak rk fois avec r1 + r2 + . . . + rk = n. Le nombre de permutations est alors
n!
r1 !r2 ! . . . rk !

Exercice 11 Supposons quun protocole dexprimentation soit constitu de 10 tapes.
(a) Si on considre que toutes les tapes sont diffrentes, combien de protocoles distincts peut-on
raliser ?
(b) Si 4 et 6 de ces tapes sont identiques, combien de protocoles distincts peut-on obtenir ?
1.2.6
Combinaisons
1. Soit un ensemble F ayant n lments distincts. On appelle combinaison dordre p de F toute partie
p lments (0 p n).
Remarque 1.2.1 Deux combinaisons distinctes dordre p diffrent par la nature de leurs lments et
non pas par lordre.
Exemple 1.2.10 Soit F = {a, b, c, d}. Les combinaisons dordre 3 de F sont {a, b, c}, {a, b, d}, {a, c, d},
{b, c, d}.
Exemple 1.2.11 Avec les lments a, b, c, on peut constituer
une combinaison de 3 lments : {a, b, c},
six arrangements de 3 lments : (a, b, c), (a, c, b), (b, a, c), (b, c, a), (c, a, b) et (c, b, a).

n
p
et est dfini par
Le nombre de combinaisons dordre p est not Cn ou
p
Cnp
Apn
n!
n(n 1)(n 2) . . . (n p + 1)
=
=
=
p!
p!(n p)!
p!
Les Cnp sont encore appels coefficients binomiaux.

Exercice 12 Un support de tubes essais contient 2 tubes de 20 mL, 4 tubes de 10 mL, 4 tubes de
5 mL et 6 tubes de 2 mL. On prend au hasard 5 tubes sur le support. De combien de faons diffrentes
peut-on obtenir un total de 40 mL ?
2. Proprits des nombres Cnp

On a le rsultat
Cnp = Cnnp pour n 0 et 0 p n.
En particulier, Cn0 = Cnn = 1 et Cn1 = Cnn1 = n.
On a galement
p
p1
Cnp = Cn1
+ Cn1
pour n 1 et 1 p n.
3. Binme de Newton
On a la formule
(x + y)n =
n
X
Cnp xp y np
pour n 0.
p=0
Exemple 1.2.12 (x + y)5 = C50 x0 y 5 + C51 x1 y 4 + C52 x2 y 3 + C53 x3 y 2 + C54 x4 y 1 + C55 x5 y 0 .

= y 5 + 5y 4 x + 10y 3 x2 + 10y 2 x3 + 5yx4 + x5

Exercice 13 Dveloppez laide de la formule du binme les expressions suivantes o a est un
nombre rel quelconque
1.2. LE DNOMBREMENT
(a) E = (a + 1)4
(b) F = (a 3)5
4. Le triangle de Pascal
p
Ce triangle permet par simple addition de rcuprer les coefficients Cnp partir des Cn1
.
HH
p
0
H
HH
n
0
1
2
3
4
5
..
.
1
1
1
1
1
1
..
.
1 2
1
2
3
4
5
p1
p1
Cn1
p
Cn1
1
3 1
6 4 1
10 10 5 1
..
n1
Cnp
1.2.7
Combinaisons avec rptition
Soit un ensemble F de cardinal n. On nomme combinaison dordre p, avec rptition des lments
de E, une liste de p lments tous extraits de E, les rptitions tant autorises mais lordre dans la liste
nintervient pas.
Le nombre de combinaisons avec rptition, dordre p, est not
p
n1
=
= Cn+p1
pn = Cn+p1
(n + p 1)!
p!(n 1)!
Exemple 1.2.13 5 clients vous commandent 5 composants lectroniques parmi les 8 que vous fabriquez.
Quel est le nombre de commandes globales distinctes dans les cas suivants ?
8!
Les composants sont tous diffrents : C85 =
= 56.
5!3!
5
5 = 792.
Les composants sont tous quelconques : C8+51 = C12
1.2.8
Modle fondamental : schma durne
Il est trs pratique dans les exercices de considrer lensemble E impliqu comme une urne contenant n
boules numrotes de 1 n, chacune des boules sinterprtant comme un lment de E, et de laquelle on tire
p boules. On aura trs souvent les cas suivants :
Tirages successifs avec remise : On tire au hasard une boule dans lurne puis on la remet dans lurne
avant deffectuer le tirage suivant. Si on effectue ainsi p tirages avec remise, le rsultat global sinterprte
comme une p-liste. Il y a donc np tirages avec remise (de p lments) possibles.
Tirages successifs et sans remise : On tire au hasard une boule dans lurne que lon conserve, la boule
nest donc pas remise dans lurne qui contient ainsi aprs chaque tirage une boule de moins. Si on
effectue ainsi p tirages sans remise (p n), le rsultat global sinterprte comme une p-liste dlments
2 2 distincts ou encore comme un arrangement de p lments de E. Il y a donc Apn tirages sans remise
(de p lments) possibles.
Tirages simultans : On tire simultanment p boules de lurne (et non plus successivement, cela revient
dire que lordre du tirage des boules est sans importance). Un tel tirage sinterprte comme un sousensemble de E et donc comme une combinaison de p lments de E. Il y a donc Cnp tirages simultans
(de p lments) possibles.
1.3
Exercices

Exercice 14 Soit un ensemble. On note P lensemble de ses parties.
1. Considrons lensemble 1 = {1}. Dterminez lensemble P(1 ).

2. Considrons lensemble 2 = {1, 2}. Dterminez lensemble P(2 ).
3. Considrons lensemble 3 = {1, 2, 3}. Dterminez lensemble P(3 ).

Exercice 15 Une classe de Master 1 se compose de 20 garons et 8 filles.
1. De combien de faons peut-on dsigner trois garons pour tenir les rles des 3 premiers de la promotion ?
2. De combien de faons peut-on dsigner trois garons et deux filles pour tenir les 5 premiers rles de la
promotion ?

Exercice 16 Afin de tester leur rsistance, 4 appareils lectriques dun mme type sont mis et laisss en
fonctionnement pendant un laps de temps consquent. Chaque appareil peut subir une dfaillance complte
(appele dfaillance catalectique, un court-circuit en est un exemple), une dfaillance partielle nentranant
pas darrt, ou aucune dfaillance.
1. De combien de manires dictinctes les 4 appareils peuvent-ils se comporter ?
2. Parmi toutes les rponses possibles, quelles sont celles qui imposeront de revoir la fabrication des
appareils, cest--dire 3 dfaillances catalectiques ou plus ?

Exercice 17 Un programme informatique gnre de manire alatoire des nombres compris entre 1
20. On lance le programme.
1. Calculez les cardinaux des vnements suivants :

A : obtenir un nombre pair,
B : obtenir un nombre impair,
C : obtenir un nombre divisible par 3,
D : obtenir un nombre au moins gal 2.
2. Dterminez B C et en dduire Card(B C).

Exercice 18 Les 8 analytes (de type I ou II) de 4 chantillons diffrents ont t soumis une spectro-
photomtrie dabsorption atomique permettant de mesurer leur teneur en plomb. On suppose que les 32
mesures sont distinctes, elles sont ensuite ordonnes au sein de leur chantillon, de la plus grande teneur la
plus petite (par exemple, T2,4 dsigne la 2e plus forte teneur en plomb dun analyte provenant de lchantillon
4). On rcupre alors 3 mesures au hasard.
1. Combien y a-t-il de rsultats possibles ?
A : une seule 2e plus forte teneur en plomb,
B : une seule 2e plus forte teneur en plomb provenant de lchantillon 1 ou 2,
C : uniquement les 3e plus fortes teneurs en plomb,
D : au moins une plus forte teneur en plomb,
E : une 4e plus forte teneur en plomb et une 3e plus forte teneur provenant de lchantillon 3 ou 4,
F : une seule 2e plus forte teneur en plomb et deux teneurs provenant du 3e chantillon.

Exercice 19 3 lots P1 , P2 , P3 de Streptomycine ont t titrs par dosage au maltol. Les rsultats sont
classs dans 6 intervalles numrots de 1 6. On note la classe dappartenance de chacun des lots P1 , P2 ,
P3 dans cet ordre et on forme un nombre de 3 chiffres, P1 indiquant le chiffre des centaines, P2 celui des
dizaines et P3 celui des units.
1.3. EXERCICES
11
1. Combien y a-t-il de nombres possibles ?

A : les trois chiffres du nombre sont gaux,
B : les trois chiffres du nombre sont diffrents,
C : deux des trois chiffres au moins sont gaux,
D : le nombre form est pair,
E : le nombre form commence par 3,
F : le nombre form est divisible par 9.

Exercice 20 Un consultant en maintenance industrielle doit visiter 5 entreprises dans les villes suivantes :
Arras, Boulogne, Cherbourg, Digne et Epernay.
1. Combien de circuits diffrents peut-il raliser ?

2. Il commence son voyage par Arras. Combien de circuits diffrents peut-il raliser ?
3. Il commence son voyage par Arras et doit terminer par Epernay. Combien de circuits diffrents peut-il
raliser ?

Exercice 21 Rsoudre dans lensemble des entiers naturels les quations suivantes :
1. A3n = 210n
2. Cn2 = 6
3. Cn1 + Cn2 + Cn3 = 5n

Exercice 22 On effectue 20 fois une mme exprience qui na que deux issues possibles : soit elle russit,
soit elle choue.
1. Combien y a-t-il de suites dobservations des russites et checs ?

2. Combien y a -t-il de suites dobservations comptant 5 russites ?
12
Chapitre 2
La probabilit
2.1
2.1.1
Le vocabulaire
Exprience alatoire et univers
La thorie des probabilits fournit des modles mathmatiques permettant ltude dexpriences dont on
ne peut prvoir le rsultat avec certitude. Une telle exprience est appele exprience alatoire.
On appelle univers, not , tout ensemble dont les lments reprsentent tous les rsultats possibles dune
exprience alatoire. Lensemble des rsultats possibles est connu.
2.1.2
Evnements
Soit un univers correspondant une certaine exprience alatoire. Il sera not gnralement
= {w1 , w2 , . . . , wp }
Les wi , lments de , sont des ventualits. Le singleton {wi } est appel vnement lmentaire. Une
partie de est appele vnement, cest un lment de P() (qui on le rappelle, dfinit lensemble des
parties de ).
Exemple 2.1.1 Dans le cas du lancer dun d 6 faces , les ventualits sont 1, 2, 3, 4, 5, 6, les vnements
lmentaires {1}, {2}, {3}, {4}, {5} et {6}. Les vnements sont les parties de , par exemple, lvnement
obtenir un nombre pair peut scrire A = {2, 4, 6}.
On a galement les dfinitions suivantes : soit A un vnement de ,
on dit que A se ralise si le rsultat obtenu lissue de lexprience alatoire est un lment de A.
Soit A un vnement de . On appelle vnement contraire de A (ou complmentaire), not A,

lensemble des lments de qui nappartiennent pas A. Autrement dit, lvnement A se ralise
lorsque lvnement A ne se ralise pas.
Soient A et B deux vnements de . On appelle intersection de A et B le sous-ensemble des lments
de qui appartiennent la fois A et B et on le note A B. Autrement dit, lvnement A B se
ralise lorsque les vnements A et B se ralisent.
Soient A et B deux vnements de . On appelle runion de A et B le sous-ensemble des lments
de qui appartiennent A ou B et on le note A B. Autrement dit, lvnement A B se ralise
lorsque au moins lun des vnements A et B se ralise.
2.1.3
Proprits de P()
1. P(), est appel vnement certain.

2. A P() A P()
En particulier P() = P(). Lensemble vide est appel vnement impossible.
14
CHAPITRE 2. LA PROBABILIT
3.
A P()
B P()
A B P()
A B P()
4. A B = A B
5. A B = A B
6. A (B C) = (A B) (A C), A (B C) = (A B) (A C)
2.1.4
Oprations sur les vnements
Les oprations sur les ensembles ont une interprtation en matire dvnements.
1. A B : la ralisation de A implique celle de B.
2. A B dsigne lvnement A ou B, il se produit si au moins un des vnements est ralis.
3. A B dsigne lvnement A et B, il se produit si A et B sont tous les deux raliss.
4. Soient deux parties disjointes A et B, cest--dire telles que A B = . Les vnements A et B sont
dits incompatibles.
5. Soit
\un systme dvnements Ai , i I. Les vnements Ai sont dits globalement incompatibles
si
Ai = .
iI
Remarque 2.1.1 Si les Ai sont deux deux incompatibles alors ils sont globalement incompatibles,
par contre la rciproque est fausse.
Exemple 2.1.2 Avec 3 vnements A1 , A2 et A3 :
Figure 2.1
on a donc bien A1 A2 A3 = mais A1 A2 6= , ce qui illustre la remarque prcdente.
2.2
2.2.1
Probabilit
Axiome de probabilit
Soient une exprience alatoire et lunivers associ, P() lensemble des vnements. On dfinit une
probabilit comme une application qui un vnement associe un nombre qui mesure les chances de ralisation
de cet vnement. Mathmatiquement parlant, une probabilit est une application
p : P() R+
A 7 p(A) [0; 1]
On dit que p(A) est la probabilit de lvnement A. Lapplication p vrifie les axiomes suivants
1. p() = 1
2. si A B = (les vnements sont incompatibles) alors p(A B) = p(A) + p(B).
Remarque 2.2.1 Le couple (, P()) est probabilis par la dfinition de la probabilit p. Pour probabiliser
(, P()), il existe une infinit de probabilits possibles. Le choix de la probabilit rsulte dhypothses faites
sur lpreuve alatoire.
15
2.3. ENSEMBLES PROBABILISS
2.2.2
Consquences
1. p() = 0
Preuve : On a = et = donc p() = p() + p() p() = 0.
2. p(A) + p(A) = 1
Preuve :

AA=
p() = 1 = p(A) + p(A).
AA=
3. A B p(A) p(B)
Preuve :

A (B A) = b
p(B) = p(A) + p(B A). Comme p(B A) R+ on a p(A) p(B).
A (B A) =
4. A 0 p(A) 1
Preuve : A p() p(A) p() donc 0 p(A) 1.
5. p(A B) = p(A) + p(B) p(A B)

Preuve :

A B = B (A/B)
p(A B) = p(B) + p(A/B) daprs le deuxime axiome de la probabilit,
B (A/B) =

(A/B) (A B) = A
p(A) = p(A B) + p(A/B),
(A/B) (A B) =
p(A B) p(B) = p(A/B) = p(A) p(A B) donc p(A B) = p(A) + p(B) p(A B).
6. p(A B C) = p(A) + p(B) + p(C) p(A B) p(A C) p(B C) + p(A B C)

Preuve : En posant BC = X on obtient p(ABC) = p(AX) = p(A)+p(X)p(AX) daprs le rsultat prcdent. Or p(X) = p(BC) = p(B)+p(C)p(BC) et AX = A(BC) = (AB)(AC).
Par consquent, p(AX) = p(AB)+p(AC)p(AB AC) = p(AB)+p(AC)p(AB C).
En remplaant cette expression dans p(A B C) on obtient lgalit.
Remarque 2.2.2
Dans le cas o les vnements A, B et C sont incompatibles deux deux, on obtient
p(A B C) = p(A) + p(B) + p(C)
On peut gnraliser cette proprit n vnements incompatibles deux deux
!
[
X
p
Ai =
p(Ai ) avec Ai Aj = pour i 6= j
iI
2.3
2.3.1
iI
Ensembles probabiliss
Ensembles finis probabiliss
1. Soit un ensemble fini de cardinal n N? donn par :
16
= {w1 , w2 , . . . , wn }
On dfinit une probabilit de la faon suivante
pi = p ({wi }) 0
n
X
pi = 1
i=1
Remarque 2.3.1 Si A est une partie de , p(A) =
p ({wi }).
wi A
2. On dit quon a quiprobabilit sur si tous les vnements lmentaires ont la mme probabilit,
autrement dit si
p({1 }) = p({2 }) = . . . = p({n }).
Remarque 2.3.2 Si on a quiprobabilit sur alors, daprs la dfinition dune probabilit, on a
1
p({1 }) = p({2 }) = . . . = p({n }) = .
n
et, pour tout vnement A,
p(A) =
k
Card(A)
=
n
Card()
o, on le rappelle, Card(A) dsigne le nombre dlments contenus dans lensemble A.

Remarque 2.3.3 Considrons lexprience alatoire qui consiste lancer un d cubique. Supposons
que le d soit quilibr (ou non truqu ou non pip), dans ce cas, si pi est la probabilit dobtenir la
1
face i avec i {1, 2, . . . , 6}, p1 = p2 = p3 = p4 = p5 = p6 = .
6
3
Soit A lvnement le numro de la face suprieure du d est pair. Alors p(A) = de par lquipro6
babilit des vnements lmentaires. En effet, p(A) = p({2} {4} {6}) = p({2}) + p({4}) + p({6})
car les vnements (lmentaires) {2}, {4} et {6} sont incompatibles deux deux.
2.3.2
Ensembles infinis dnombrables probabiliss
Un ensemble est un ensemble dnombrable infini sil existe une bijection de N ou de N dans . Il
peut scrire sous la forme :
= {w1 , w2 , w3 , . . . , wn , . . . . . .}
On dfinit
X une probabilit p sur (, P()) en attribuant chaque wi une probabilit pi = p({wi }) 0 telle
que
pi = 1.
iN
Exemple 2.3.1 On ralise une exprience qui na que deux issues possibles (lchec ou la russite) jusqu
ce quelle russisse. On sintresse au nombre de ralisations ncessaires la russite. Ce nombre est variable,
= N donc est un ensemble infini dnombrable.
1
p1 = p ({1}) =
, la russite apparat lors de la premire ralisation,
2
1 1
1
p2 = p ({2}) =
= , la russite apparat lors de la deuxime ralisation,
2 2
4
..
.
n1 n
1
1
1
pn = p ({n}) =
=
, la russite apparat lors de la n-ime ralisation
2
2
2
donc les(n 1) premires ralisations ont donn un chec
..
.
17
2.4. PROBABILIT CONDITIONNELLE
Ainsi,
pi =
iN
1
+
2
2
n
1
1
+ ... +
+ . . ..
2
2
Pour dterminer cette somme, on rappelle la formule

n i
X
1
i=1
En effet,
n
X
n+1
1
2
.
1
1
2
pi est la somme des n premiers termes dune suite gomtrique de raison
i=1
n+1
n i
X
X
1
1
= 0 donc
pi = lim
=
De plus, lim
n 2
n+
2
i=1
iN
2.4
2.4.1
1
2
1
1
2
1
.
2
= 1.
Probabilit conditionnelle
Dfinition
1. tant donn un espace probabilis (, P(), p), A tant un vnement de probabilit non nulle, considrons lapplication note pA telle que
pA : P() R+
X 7 pA (X) =
p(A X)
p(A)
2. Lapplication pA est une probabilit. En effet,

p(A)
p(A )
=
=1
pA () =
p(A)
p(A)
p(A (X Y ))
Si X Y = , pA (X Y ) =
mais on peut remarquer que A (X Y ) = (A X)
p(A)
(A Y ) et (A X) (A Y ) = A X Y = X Y = . Par consquent,
p(A X) + p(A Y )
p(A X) p(A Y )
pA (X Y ) =
=
+
.
p(A)
p(A)
p(A)
Finalement, si X Y = alors pA (X Y ) = pA (X) + pA (Y ).
p(A X)
3. pA (X) =
est encore note p(X/A) et est appele probabilit conditionnelle de X sachant
p(A)
A ou probabilit de X sachant A ou probabilit de X une fois A ralis.
Remarque 2.4.1
Lapplication pA est une probabilit, elle vrifie donc les proprits de la probabilit, en particulier
pA () = 0
pA (X) + pA (X) = 1
Si p(A) 6= 0 et p(B) 6= 0 alors
pA (B) =
p(A B)
p(A B)
= p(B/A) et pB (A) =
= p(A/B)
p(A)
p(B)
Donc
p(A B) = p(A) p(B/A) = p(B) p(A/B)
Pour trois vnements A, B et C, on a :
p(A) p(B/A) p(C/A B) = p(A)
p(B A) p(A B C)
p(A)
p(A B)
18
donc
p(A B C) = p(A) p(B/A) p(C/A B)
2.4.2
Exemple
Un technicien doit rgler de toute urgence un problme lectrique sur une machine. La partie dfaillante
tant hors de vue mais pas hors datteinte, notre rparateur a la possibilit de dconnecter 3 fusibles noirs
(numrots N1 , N2 , N3 ) et 2 fusibles rouges (numrots R1 , R2 ), indiscernables au toucher malheureusement
pour lui. Il doit dconnecter deux fusibles rouges successivement pour rgler le problme.
On a les ventualits suivantes :
(N1 , R1 ) ; (N1 , R2 ) ; (N2 , R1 ) ; (N2 , R2 ) ; (N3 , R1 ) ; (N3 , R2 ) ; (R1 , N1 ) ; (R2 , N1 ) ;
(R1 , N2 ) ; (R2 , N2 ) ; (R1 , N3 ) ; (R2 , N3 ) ; (R1 , R2 ) ; (N1 , N2 ) ; (N1 , N3 ) ; (N2 , N3 ) ;
(R2 , R1 ) ; (N2 , N1 ) ; (N3 , N1 ) ; (N3 , N2 )
On dnombre donc 20 rsultats possibles. On peut retrouver ce nombre en utilisant des techniques de dnombrement : notre problme peut tre asssimil un arrangement dordre 2 des 5 fusibles. On en dnombre
5!
A25 =
= 5 4 = 20.
3!
On considre les vnements :
A : dconnecter un fusible rouge au premier essai.
B : dconnecter un fusible rouge au second essai.
2
2 1
2
1
8
2
On a p(A) = , p(A B) = =
= , p(B) =
= . Ainsi, en utilisant la dfinition de la
5
5 4
20
10
20
5
2
1
p(A B)
= 20 = .
probabilit conditionnelle, p(B/A) =
8
p(A)
4
20
Sans utiliser la dfinition de p(B/A), lvnement A tant ralis (on a dconnect un fusible rouge au
premier essai) dans les 8 cas suivants
(R1 , N1 ) ; (R1 , N2 ) ; (R1 , N3 ) ; (R1 , R2 ) ; (N1 , R1 ) ; (N2 , R1 ) ; (N3 , R1 ) ; (R2 , R1 ),
2
1
quelle est la probabilit de B ? p(B/A) = = cest--dire que sur les 8 cas de ralisation de A, 2 cas
8
4
donnent la ralisation de B, les cas (R1 , R2 ) et (R2 , R1 ).
2.4.3
Indpendance en probabilit
1. tant donn un espace probabilis (, P(), p), on dit que deux vnements A et B sont indpendants
si et seulement si
p(A B) = p(A) p(B)
2. Proprits quivalentes : Si p(A) 6= 0 et p(B) 6= 0,
les vnements A et B sont indpendants si et seulement si p(A) = p(A/B) p(B) = p(B/A),
la ralisation de A ninfluence pas B ; de mme la ralisation de B ninfluence pas A.
Remarque 2.4.2 On ne confondra pas indpendance en probabilit etvnements incompatibles
qui se traduisent respectivement par p(A B) = p(A)p(B) et A B = .
3. Gnralisation : Trois vnements sont dits globalement indpendants en probabilit sils sont deux
deux indpendants en probabilit cest--dire si
p(A B) = p(A)p(B)
p(B B) = p(B)p(C)
p(A C) = p(A)p(C)
19
2.4. PROBABILIT CONDITIONNELLE
4. Soient A et B deux vnements indpendants alors A et B sont indpendants.

En effet p(A B) = p(B) p(A/B) or p(A/B) = 1 p(A/B) donc p(A B) = p(B)[1 p(A/B)] =
p(B)[1 p(A)] car A et B sont indpendants. Enfin, p(A B) = p(B)p(A) ce qui signifie que A et B
sont indpendants.
Remarque 2.4.3 Il en est de mme pour A et B, A et B.

Exercice 23 Une formation en Master GSI compte 4 garons et 6 filles en premire anne, 6 garons
en seconde anne. Combien doit-il y avoir de filles de seconde anne si lon veut que sexe et anne soient
des facteurs indpendants lors du choix au hasard dun tudiant ?
2.4.4
La formule de Bayes
1. Soient (, P(), p) un espace probabilis et un [

systme complet dvnements B1 , B2 , . . . , Bn deux
deux incompatibles (Bi Bj = pour i 6= j et
Bi = ), on dit que les (Bi )iI forment une
iI
partition de .
Soit A un vnement de probabilit non nulle, on peut alors crire la formule de Bayes donnant la
probabilit pour que Bi se ralise sachant A :
p(Bi ) p(A/Bi )
p(Bi /A) = X
p(Bj ) p(A/Bj )
jI
!
Preuve : A = A = A
Bi
iI
pour i 6= j. Par consquent, p(A) =

scrire sous la forme p(Bi /A) =
(A Bi ). De plus, (A Bi ) (A Bj ) = A (Bi Bj ) = A =
XiI
iI
iI
p(A Bi ) =
p(Bi ) p(A/Bi ). Or on sait que p(Bi /A) peut
p(Bi ) p(A/Bi )
p(A Bi )
=
do la formule de Bayes.
p(A)
p(A)
2. Dans le cas dun systme complet de deux vnements B1 et B2 (B1 B2 = , B1 B2 = ),

p(B1 ) p(A/B1 )
p(B1 /A) =
p(B1 ) p(A/B1 ) + p(B2 ) p(A/B2 )
p(B2 ) p(A/B2 )
p(B2 /A) =
p(B2 ) p(A/B2 ) + p(B1 ) p(A/B1 )
3. Dans le cas dun systme complet de trois vnements B1 , B2 et B3 (B1 B2 = B2 B3 = B1 B3 =
, B1 B2 B3 = ), on a par exemple
p(B1 /A) =
p(B1 ) p(A/B1 )
.
p(B1 ) p(A/B1 ) + p(B2 ) p(A/B2 ) + p(B3 ) p(A/B3 )

Exercice 24 On suppose que les essais dun test mdical sur une population ont conduit admettre
pour un individu les probabilits suivantes, le test servant dpister une certaine maladie.
Probabilit pour quun malade ait un test positif (donc probabilit pour que le test soit positif sachant
que la personne est malade) : p(T /M ) = 0, 95.
Probabilit pour quun non-malade ait un test ngatif (donc probabilit pour que le test soit ngatif
sachant que la personne est saine) : p(T /M ) = 0, 95.
Probabilit pour quun individu soit atteint de la maladie p(M ) = 0, 01.
Quelle est la probabilit pour quun individu qui a donn lieu un test positif soit atteint de la maladie ?
20
2.5
Exercices

Exercice 25 On mesure les longueurs des boulons dune certaine bote de 100.
On obtient les rsultats suivants :

Longueur
en cm
[4; 4, 2[
Effectifs
17
[4, 2; 4, 4[
24
[4, 4; 4, 6[
[4, 6; 5[
51
On tire au hasard un boulon. Calculez les probabilits des vnements suivants :

1. Le boulon mesure moins de 4, 2 cm.
2. Le boulon mesure plus de 4, 4 cm.
Un boulon est utilisable si sa longueur est comprise entre 4, 2 et 4, 6 cm.
3. Quelle est la probabilit quun boulon soit utilisable ?
4. On achte 50 botes de 100 boulons. Combien peut-on esprer de boulons utilisables ?

Exercice 26 Deux ateliers, nots A et B, dune mme entreprise produisent chaque jour respectivement
1000 et 800 puces lectroniques dun mme modle. 2% des pices produites par latelier A et 3% des pices
produites par latelier B sont dfectueuses.
1. Compltez le tableau suivant qui dcrit la production journalire .
Nombre
de puces
dfectueuses
Nombre
de puces non
dfectueuses
Total
Nombre de
puces produites
par latelier A
Nombre de
puces produites
par latelier B
Total
1800
2. Un jour donn, on choisit au hasard une puce parmi les 1800 puces produites par les deux ateliers. On
est dans une situation dquiprobabilit. On considre les vnements suivants :
A : la puce choisie provient de latelier A,
B : la puce choisie provient de latelier B,
D : la puce choisie est dfectueuse,
D : la puce choisie nest pas dfectueuse.
Dterminez exclusivement laide du tableau prcdent les probabilits suivantes :
(a) p(D), p(A D), p(A/D).
(b) p(D), p(B D), p(B/D).
3. Vrifiez que p(A D) = p(A/D) p(D) et que p(B D) = p(B/D) p(D).

Exercice 27 Dans un lot de pices fabriques, il y a 3% de pices dfectueuses. Le mcanisme de contrle
des pices est alatoire. Si la pice est bonne, elle est accepte avec une probabilit de 0, 96 et si elle est
dfectueuse elle est refuse avec une probabilit de 0, 98. Calculez les probabilits suivantes :
p0 : pour quune pice soit mauvaise et accepte,
21
2.5. EXERCICES
p1 : pour quil y ait une erreur dans le contrle,

p2 : pour quune pice soit accepte,
p3 : pour quune pice soit mauvaise, sachant quelle est accepte.

Exercice 28 Trois machines A, B et C produisent respectivement 60%, 30% et 10% de la production
des pices dune entreprise. La machine A (respectivement B et C) produit 2% (respectivement 3% et 4%)

dobjets dfectueux.
1. On choisit une pice au hasard la sortie de lusine. Calculez la probabilit de lvnement : La pice
est dfectueuse.
2. On choisit une pice au hasard la sortie de lusine et on voit quelle est dfectueuse. Calculez la
probabilit de lvnement : Cette pice a t fabrique par la machine B.

Exercice 29 Monsieur et Madame A ont quatre enfants. On suppose que la probabilit de naissance dun
garon est la mme que celle dune fille. Calculez la probabilit des vnements suivants :
A : Monsieur et Madame A ont quatre filles,
B : Monsieur et Madame A ont trois filles et un garon,
C : Monsieur et Madame A ont deux filles et deux garons,
D : Monsieur et Madame A nont pas de fille,
E : Monsieur et Madame A ont au moins une fille,
F : Monsieur et Madame A ont au moins une fille et un garon.

Exercice 30 Soit (, A, p) un espace de probabilit et soient A A et B A tels que
1
p(A) = ,
3
1
p(B) = ,
2
1
p(A B) = .
5
Calculez p(A B), p(A), p(B), p(A B), p(A B), p(A B).

Exercice 31 Une urne contient cinq boules, trois rouges, numrotes 1, 2, 3 et deux noires, numrotes 1
et 2. On tire au hasard et simultanment deux boules de cette urne. Les tirages sont quiprobables.
1. Quelle est la probabilit de lvnement A : les deux boules tires sont de la mme couleur ?
2. Quelle est la probabilit de lvnement B : la somme des numros ports sur chacune des deux boules
tires est gale 3 ?
3. Quelle est la probabilit de B sachant que A est ralis ?

Exercice 32 Une urne A contient 4 boules rouges et 2 boules bleues. Une urne B contient 5 boules rouges
et 6 boules bleues et une urne C contient 1 boule rouge et 9 boules bleues. On jette un d parfait numrot
de 1 6.
Si le rsultat est impair, on tire au hasard une boule de A.
Si le rsultat est 2 ou 4, on tire au hasard une boule de B.
Si le rsultat est 6, on tire au hasard une boule de C.
Sachant que la boule tire est bleue, quelle est la probabilit quelle ait t tire de lurne C ?

Exercice 33 Dans un jeu de 52 cartes, on choisit simultanment 3 cartes.
1. Dterminez le nombre de tirages possibles.

2. Calculez la probabilit des vnements suivants :
A : le tirage contient le roi de coeur,
B : le tirage contient un roi exactement,
C : le tirage contient un coeur exactement,
D : le tirage contient deux coeurs dont le roi,
E : le tirage contient au moins un coeur (pensez au complmentaire),
2.5. EXERCICES
F : le tirage contient exactement deux coeurs et exactement un roi.

Exercice 34 On tire 3 boules dun sac contenant 9 boules : 4 vertes, 3 rouges, 1 blanche et 1 noire
1. successivement avec remise. Calculez la probabilit des vnements suivants :

A : le tirage contient 3 boules vertes,
B : le tirage ne contient aucune boule rouge,
C : le tirage contient 3 boules blanches,
D : le tirage contient dans cet ordre : 2 boules vertes et 1 boule rouge,
E : le tirage contient 2 vertes et 1 rouge,
F : le tirage contient 1 verte, 1 rouge et 1 noire.
2. Mmes questions si le tirage se fait successivement sans remise.
3. Mmes questions si le tirage se fait simultanment.
21
22
Chapitre 3
Les variables alatoires relles

3.1
Introduction - Exemple
Une preuve consiste jeter deux ds discernables A et B. On considre la somme des numros apparus
sur la face suprieure des ds. On peut symboliser les rsultats laide du tableau ci-dessous :
HH B
1
A HH
H
10
10
11
10
11
12
Lunivers correspondant cette exprience alatoire est dfini par

= {(i, j), i = 1, 2, 3, 4, 5, 6 et j = 1, 2, 3, 4, 5, 6}, avec Card() = 62 = 36
o chaque vnement lmentaire est quiprobable. On dispose donc dun espace probabilis (, P(), p).
Considrons lapplication
X: R
(i, j) 7 i + j
Lensemble des valeurs prises par X est appel univers image et vaut
X() = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}.
On dfinit ainsi une fonction de probabilit pX associe la variable X, dduite de p par
pX (x) = p({X = x}) = p({X 1 (x)})
Par exemple, pX (3) = p({X = 3}) = p({(1, 2), (2, 1)}) =
2
1
= .
36
18
X est une variable alatoire relle car associe une preuve alatoire relle ( valeurs dans R) et sa fonction
de probabilit pX est dduite de p.
xi
10
11
12
Total
p({X = xi })
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
24
CHAPITRE 3. LES VARIABLES ALATOIRES RELLES
En notant pi = p({X = xi }) on a
pi = 1.
Remarque 3.1.1 la mme preuve alatoire on peut associer plusieurs variables alatoires par exemple
Y (i, j) = i.j, Z(i, j) = sup(i, j), . . .
3.2
Dfinitions et proprits
1. Une variable alatoire relle dfinie sur un espace probabilis (, p(), p) est une application de
dans R dfinie par
X: R
i 7 X(i ) = xi
Lensemble des valeurs prises par la variable alatoire X sappelle lunivers image et est dfini par
X() = {x1 , x2 , . . . , xn }. i tant un des rsultats possibles de lexprience, X(i ) est en quelque sorte
la caractristique de i qui nous intresse.
Comme on ne peut pas prvoir avec certitude quel i on obtiendra lissue de lexprience alatoire,
on ne peut pas non plus prvoir avec certitude quelle valeur prendra X(i ). Cest pourquoi la fonction
X est souvent interprte comme une grandeur alatoire. On note
{X = xi } = {i /X(i ) = xi }
Chaque vnement {X = xi } a une probabilit pi de se produire
p({X = xi }) = pX (xi ) = pi
2. On appelle loi de probabilit de la variable alatoire X lapplication
f : X() [0; 1]
xi 7 f (xi ) = p({X = xi })
Dfinir la loi de probabilit dune variable alatoire revient dterminer la probabilit de chacun des
vnements {X = xi } cest--dire pi = p({X = xi }). On vrifiera alors que
X
pi = 1
3. On peut citer les proprits essentielles suivantes :

Si X et Y sont deux variables alatoires dfinies sur un mme espace probabilis (, P(), p) alors
X.Y ,
X +Y,
aX + bY ,
X + a,
aX,
X2
sont des variables alatoires (a et b tant deux rels).

Exemple 3.2.1 Soit lpreuve consistant jeter un d quilibr, = {1, 2, 3, 4, 5, 6} est lunivers
associ cette exprience. La distribution de probabilit est quiprobable (puisque le d est quilibr).
Soient les variables alatoires dfinies comme suit :
(
X : R
1 si i {1, 2, 3, 5}
i 7 X(i ) =
.
0 si i {4, 6}
Lunivers image de la variable X est X() = {0, 1}. Sa loi de probabilit est dfinie par
4
2
pX (1) = p({X = 1}) = p({1, 2, 3, 5}) = = ,
6
3
2
1
pX (0) = p({X = 0}) = p({4, 6}) = = .
6
3
25
3.3. TYPES DE VARIABLES ALATOIRES RELLES
Y : R
.
i 7 Y (i ) = i2
Lunivers image de la variable Y est Y () = {1, 4, 9, 16, 25, 36}. Sa loi de probabilit est dfinie
par
Valeurs de Y : yi 1 4 9 16 25 36 Total
p({Y = yi }) = pi
1
6
1
6
1
6
1
6
1
6
1
6
Considrons la variable Z = X + 2. Cette variable a pour distribution de probabilit

Valeurs de Z : zi
Total
1 2
1
3 3
Considrons la variable T = 2X. Cette variable a pour distribution de probabilit
p({Z = zi }) = pi
Valeurs de T : ti
Total
1 2
1
3 3
Considrons les variables U = X + Y et V = X Y . On a les rsultats suivants :
p{T = ti } = pi
p(i )
1
6
1
6
1
6
1
6
1
6
1
6
X(i )
Y (i )
16
25
36
(X + Y )(i )
10
16
26
36
(X Y )(i )
25
Lunivers image de la variable U = X + Y est U () = {2, 5, 10, 16, 26, 36}, celui de la variable V est
V () = {0, 1, 4, 9, 25}. Les distributions des variables alatoires U et V sont :
3.3
U =X +Y
10
16
26
36
Total
pU
1
6
1
6
1
6
1
6
1
6
1
6
V =X Y
25
Total
pV
2
1
=
6
3
1
6
1
6
1
6
1
6
Types de variables alatoires relles
Soit X une variable alatoire relle, on envisage trois types de variables alatoires relles.
discrte finie, si lensemble X() est fini. Les variables prcdentes en sont des exemples.
discrte infinie, si lensemble X() est infini dnombrable.
Exemple 3.3.1 Soit lexprience alatoire qui consiste lancer une pice de monnaie, on considre
la variable alatoire X qui dsigne le rang dapparition du premier face obtenu. Lunivers image est
N? . Lvnement {X = k} est obtenu en lanant k fois la pice, les k 1 premiers rsultats tant pile,
le k-ime face. Do
26
k1
k
1
1
1 1
1
1
=
... =
2
2
2
2
2
2
|
{z
}
k1 fois
continue, si X() est un intervalle de R ou une runion dintervalles.
Cette distinction est importante car les techniques dveloppes pour tudier les variables alatoires sont trs
diffrentes selon que les variables sont discrtes ou continues.
p({X = k}) =
3.4
Fonction de rpartition dune variable alatoire discrte
3.4.1
Dfinition
Soit une variable alatoire X dfinie sur un espace probabilis (, P(), p). La fonction de rpartition
de X est dfinie par
F : R [0; 1]
a 7 F (a) = p({X a})
3.4.2
Reprsentation graphique - Exemple
Une bote contient 4 boules numrotes de 1 4. Une deuxime bote contient 3 boules numrotes de
1 3. On prlve au hasard une boule de la premire bote puis une boule de la seconde bote. Soit X la
variable alatoire reprsentant la valeur absolue de la diffrence des nombres indiqus sur les boules tires.
On se propose de
dterminer la loi de probabilit de la variable X,
reprsenter graphiquement sa fonction de rpartition.
1. Si B1 et B2 sont respectivement les boules tires dans la premire et dans la deuxime bote, on a le
tableau ci-dessous :
HH
B
HH 2
1
2
3
B1
H
H
1
Lunivers associ lexprience dcrite prcdemment est dfini par = {(i, j), i = 1, 2, 3, 4 et j =
1, 2, 3}. La variable alatoire X est dfinie par
X: R
(i, j) 7 |i j|
o i et j sont respectivement les numros des boules des urnes B1 et B2 . Lunivers image de la variable
X est X() = {0, 1, 2, 3}.
Lvnement {X = 0} est obtenu de 3 faons :
1
1 1
en tirant les boules no 1 des botes 1 et 2 dont la probabilit est = , les vnements lis
4 3
12
aux deux botes tant indpendants,
1
en tirant les boules no 2 des botes 1 et 2 dont la probabilit est aussi
,
12
1
.
en tirant les boules no 3 des botes 1 et 2 de probabilit
12
1
1
1
3
1
Par consquent, p({X = 0}) =
+
+
=
= .
12 12 12
12
4
Lvnement {X = 1} est obtenu avec les couples (1, 2), (2, 1), (3, 2), (2, 3) et (4, 3). Donc
27
3.4. FONCTION DE RPARTITION DUNE VARIABLE ALATOIRE DISCRTE

1 1
5
= .
4 3
12
Lvnement {X = 2} est obtenu avec les couples (3, 1), (1, 3) et (4, 2). Donc
1 1
3
1
p({X = 2}) = 3 =
= .
4 3
12
4
1 1
1
Lvnement {X = 3} est obtenu avec le couple (4, 1). Donc p({X = 3}) = = .
4 3
12
On en dduit la distribution de probabilit de la variable X :
p({X = 1}) = 5
xi
Total
pi
3
12
5
12
3
12
1
12
2. Reprsentation graphique de la fonction de rpartition. On peut distinguer plusieurs cas selon la valeur
prise par a :
a < 0,
F (a) = p({X a}) = p({X < 0}) = p() = 0
0 a < 1,
F (a) = p({X a}) = p({0 X < 1}) = p({X = 0}) =
3
1
=
12
4
1 a < 2,
F (a) = p({X a}) = p({0 X < 2}) = p({X = 0}) + p({X = 1}) =
5
2
3
+
=
12 12
3
2 a < 3,
F (a) = p({X a}) = p({0 X < 3}) = p({X = 0}) + p({X = 1}) + p({X = 2}) =
a 3, F (a) = p({X a}) = p({0 X 3}) = p() = 1
do la reprsentation graphique
0.6
0.4
0.0
0.2
F(x)=p(X<=x)
0.8
1.0
Fonction de rpartition F
Figure 3.1
o le symbole indique que la valeur en abscisse est exclue.
On donne ci-dessous le code sous R permettant de gnrer ce diagramme en escalier :
3
5
3
11
+
+
=
12 12 12
12
28
>
>
>
>
>
x<-c(0,1,2,3)
probx<-c(3/12,5/12,3/12,1/12)
frepx<-cumsum(probx)
diagesc<-stepfun(x,c(0,frepx))
plot(diagesc,vertical=FALSE,main=Fonction de rpartition F,ylab=F(x)=p(X<=x))
La fonction stepfun retourne un objet de type function qui dfinit une fonction constante par
morceaux et continue droite. La syntaxe est F=stepfun(x, z) o
le vecteur x contient les points de discontinuit de la fonction,
le vecteur z est de la forme c(a, y) o a est la valeur prise par F avant le premier point de discontinuit
et y les valeurs de la fonction aux points de discontinuit x.
Pour reprsenter graphiquement la fonction F , on utilise plot ou lines (pour superposer), avec
largument vertical=FALSE.
3.4.3
Reprsentation graphique - Cas gnral
Soit X une variable alatoire dfinie sur (, P(), p) avec pi = p({X = xi }) et X() = {x1 , x2 , . . . , xn }
lunivers image de X, les xi tant rangs par ordre croissant. Comme F (a) = p({X a}),
a < x1 , F (a) = 0
x1 a < x2 , F (a) = p({X = x1 }) = p1
x2 a < x3 , F (a) = p({X = x1 }) + p({X = x2 }) = p1 + p2
..
.
xi a < xi+1 , F (a) = p1 + p2 + . . . + pi
..
.
a xn , F (a) = 1.
On en dduit la reprsentation graphique ci-dessous : On peut faire les remarques suivantes :
Figure 3.2
la fonction de rpartition est une fonction en escaliers (fonction constante par intervalles),
la fonction F est croissante au sens large,
la fonction F est continue sauf aux points xi o elle est continue droite : lim F (x) = 0,
>
lim F (x) = 1, lim F (x) = 0,
x7+
x7
p({a < X b}) = F (b) F (a),

F (xi+1 ) F (xi ) = pi+1 = p({X = xi+1 }).
x7xi
3.5. FONCTION DE RPARTITION DUNE VARIABLE ALATOIRE CONTINUE - DENSIT DE

PROBABILIT
29
3.5
Fonction de rpartition dune variable alatoire continue - Densit de

probabilit
3.5.1
Dfinition
On dit que la variable alatoire X, de fonction de rpartition F , est absolument continue sil existe une
fonction f dfinie sur R et possdant les proprits suivantes :
f est positive ou nulle : x R, f (x) 0,
f est continue sauf peut-tre en un nombre fini de points,
Z +
f (t)dt = 1,
Z x
F est dfinie par F (x) =
f (t)dt ou alors F 0 (x) = f (x) en tout point o f est continue.
La fonction f , appele densit de probabilit, dfinit la loi de probabilit de la variable X.
3.5.2
Interprtation graphique
Voici une reprsentation graphique possible de la fonction de densit f

N(mu,sig) ; mu = 1, sig = 1.5
0.25
0.20
f(t)
0.15
0.10
0.05
0.00
4
Figure 3.3
1. F (a) =
f (t)dt est la surface du domaine plan limit par la courbe, la droite des abscisses et la
droite dquation x = a
N(mu,sig)
0.25
0.20
f(t)
0.15
0.10
F(a)
0.05
0.00
0
a
t
Figure 3.4
Z
2. F (b) F (a) =
f (t)dt
f (t)dt = p({a X b})
f (t)dt =
a
On donne le code sous R pour gnrer le graphique :

> x.c <- seq(from = -4, to = 6, length = 1000)
> plot(x.c, dnorm(x.c, 1, 1.5), main =N(mu,sig) ; mu = 1, sig = 1.5,
30
N(mu,sig)
0.25
0.20
f(t)
0.15
0.10
F(b)F(a)
0.05
0.00
a
b
t
Figure 3.5
+
>
+
+
+
>
>
>
>
>
>
>
>
Z
xlab =t, ylab =f(t), las = 1, xaxt =n, type =l)

polycurve <- function(x, y, base.y = min(y), ...) {
polygon(x = c(min(x), x, max(x)), y = c(base.y, y, base.y),
...)
}
bons <- which(x.c >= -2 & x.c <= 1.5)
polycurve(x.c[bons], dnorm(x.c, mu, sd)[bons], base.y = 0, col =yellow)
abline(v=0)
abline(h=0)
axis(1, x, x)
text(-1.8,0.01,a)
text(1.2,0.01,b)
text(-0.2,0.08,F(b)-F(a))
+
f (t)dt = 1, laire du domaine plan limit par la courbe et la droite des abscisses vaut 1.
Z a
4. p({X = a}) =
f (t)dt = 0. Il est trs important de comprendre que cette condition nimplique pas
3.
que les nombres p({a X b}) sont nuls mais seulement les formules du type p({X a}) = p({X <
a}) ou p({X a}) = p({X > a}) ou encore p({a X b}) = p({a < X < b}). . .
3.5.3
Proprits de la fonction de rpartition
F est croissante au sens large
lim F (x) = 0, lim F (x) = 1
x7
x7+
F est drivable sauf aux points o f nest pas continue et F 0 = f .
3.5.4
Exemple
3
On considre la densit de probabilit dfinie par : f (x) =
x4
0
f est continue sur R/{1}.
x R, f (x) 0

Z +
Z +
3
1 +
1
= 1 car lim 3 = 0.
f (t)dt =
dt = 3
4
t7+ t
t
t 1
si x 1
si x < 1
31
3.6. MOMENTS DUNE VARIABLE ALATOIRE
Lorsque x < 1, f (x) = 0 F (x) = c mais lim F (x) = 0 donc F (x) = 0.

x7
1
1
3
Lorsque x 1, f (x) = 4 F (x) = 3 + c mais lim F (x) = 1 donc F (x) = 1 3 .
x7+
x
x
x
1
1
7
p({X 2}) = F (2) = 1 3 = 1 = ,
2
8
8
1
1
1
1
19
p({2 < X 3}) = F (3) F (2) = (1 3 ) (1 3 ) = 3 3 =
.
3
2
2
3
216
3.6
Moments dune variable alatoire
3.6.1
Esprance mathmatique
Lesprance mathmatique (ou moment dordre 1, not m1 ) dune variable alatoire relle X est
note E(X) avec
X
si X est discrte, E(X) =
pi xi . Lesprance est dans ce cas la moyenne pondre par les probabilits
i
des diffrentes valeurs possibles que peut prendre la variable X, elle reprsente la valeur moyenne de
la variable alatoire X.
Z +
si X est absolument continue, E(X) =
tf (t)dt.
Exemple 3.6.1
1. Si X est discrte, on peut reprendre lexemple de la section 3.4.2. avec les deux botes
contenant 4 et 3 boules. On a les rsultats suivants :
On en dduit que E(X) =
xi
Total
pi
3
12
5
12
3
12
1
12
p i xi
5
12
6
12
3
12
14
12
p i xi =
7
14
=
12
6
2. Si X est absolument continue, on peut considrer lexemple de la section 3.5.4. :
3
si x 1
f (x) =
x4
0
si x < 1
alors,
E(X) =
Z
tf (t)dt =
Or lim
t7+ t2

= 0 donc E(X) = 0
3
2

3
3 +
dt = 2
.
t3
2t 1
3
= .
2
Lesprance mathmatique a les proprits suivantes :

Si X est une variable alatoire constante (X = k) de probabilit 1 alors E(X) = k.
Si X et Y sont deux variables alatoires et a et b deux rels
E(aX + bY ) = aE(X) + bE(Y )
En particulier,
E(aX + b) = aE(X) + b,
32
E(aX) = aE(X),
E(X + Y ) = E(X) + E(Y ).
On peut gnraliser ces rsultats n variables alatoires X1 , . . . , Xn . Soient a1 . . . , an n rels alors
!
n
n
X
X
E
ai Xi =
ai E(Xi )
i=1
i=1
Preuve : Dans le cas de deux variables alatoires absolument continues dont les densits de probabilit
sont f1 et f2 :
Z +
Z +
Z +
tf2 (t)dt
tf1 (t)dt + a2
E(a1 X1 + a2 X2 ) =
t(a1 f1 + a2 f2 )(t)dt = a1
= a1 E(X1 ) + a2 E(X2 ).
La dmonstration est similaire lorsque les variables X1 et X2 sont discrtes.
Le cas n variables se traite de la mme faon.
3.6.2
Variable centre
Soit X une variable alatoire relle desprance mathmatique E(X). La variable

Z = X E(X)
est la variable alatoire centre associe X. On peut alors vrifier que E(Z) = 0 .
Preuve : E(Z) = E(X E(X)) = E(X) E(X) = 0 car E(X) est une constante et si a R, E(X + a) =
E(X) + a.
3.6.3
Moments dordre k
Soit X une variable alatoire relle. On nomme moment dordre k (k N? ) lesprance mathmatique
de la variable X k . On le note
mk = E(X k )
Dans le cas dune variable discrte, mk =
pi xki .
Dans le cas dune variable alatoire absolument continue de densit de probabilit f , mk =
tk f (t)dt.
Remarque 3.6.1 On a en particulier m1 = E(X).
3.6.4
Moments centrs dordre k
On appelle moments centrs dordre k de la variable alatoire relle X, que lon note k , les moments
dordre k de la variable centre Z = X E(X).
X
Dans le cas dune variable discrte, k = E(X E(X))k =
pi (xi E(X))k .
Z
Dans le cas dune variable absolument continue, k =
[t E(X)]k f (t)dt.
Remarque 3.6.2 On a en particulier 1 = 0.
3.6.5
Variance et cart-type
1. On appelle variance de la variable alatoire X le moment centr dordre 2 de cette variable.

V (X) = 2 = E(X E(X))2
33
3.6. MOMENTS DUNE VARIABLE ALATOIRE
On a la dfinition quivalente suivante :

V (X) = E(X 2 ) E(X)2
Preuve : E(X E(X))2 = E(X 2 2XE(X) + (E(X))2 ) or E(X) est une constante donc V (X) =
E(X 2 ) 2E(X)E(X) + (E(X))2 = E(X 2 ) E(X)2 .
X
Si X est une variable discrte (admettant une esprance et telle que la srie
pi x2i est convergente),
i
!
X
X
V (X) =
pi (xi E(X))2 =
pi x2i (E(X))2 .
i
i
Z +

Z +
Si X est absolument continue, V (X) =
(t E(X))2 f (t)dt =
t2 f (t)dt (E(X))2 .
Exemple 3.6.2 (a) Si X est discrte, on peut reprendre lexemple de la section 3.4.2. avec les deux
botes contenant 4 et 3 boules. On a les rsultats suivants :
xi
pi
3
12
p i xi
pi x2i
5
12
5
12
5
12
3
12
6
12
12
12
1
12
3
12
9
12
13
On trouve ainsi V (X) =

6
Total
1
14
7
=
12
6
26
13
E(X 2 ) =
=
12
6
E(X) =
2
7
29
= .
6
36
(b) Si X est absolument continue, on peut considrer lexemple de la section 5.4. :
3
si x 1
f (x) =
.
x4
0
si x < 1
2 +
Z +
3 2
3
3
3
9
3
On a E(X) = . Par consquent, V (X) =
t dt
=
or lim
=0
4
t7+ t
2
t
2
t 1
4
1
3
9
donc V (X) = 3 = .
4
4
2. La variance a les proprits suivantes :
Si X est une variable alatoire constante (X = k) de probabilit 1 alors V (X) = 0.
V (aX) = a2 V (X)
Preuve : V (aX) = E(aX (E(aX)))2 = E(aX a(E(X)))2 = a2 E(X E(X))2 = a2 V (X)

V (aX + b) = a2 V (X)
Preuve : Dmonstration identique
La variance na pas de proprit de linarit et en gnral, V (X + Y ) 6= V (X) + V (Y ).

3. On a vu que si la variable alatoire X est multiplie par un rel a, sa variance est multiplie par a2 alors
que son esprance est multiplie par a. Pour cette raison, lorsque lon veut mesurer de faon homogne
la moyenne et la dispersion, on utilise plutt que la variance la notion dcart-type.
34
Lcart-type de la variable X, not X , est la racine carre de la variance de X :

p
X = V (X) = (X)
Remarque 3.6.3 En utilisant le dernier rsultat sur la variance, on a lgalit (aX + b) = |a|(X).
4. Soit X une variable alatoire, desprance mathmatique E(X) et dcart-type (X). On appelle variable centre rduite la variable
X E(X)
.
X? =
(X)
Cette variable vrifie les proprits E(X ? ) = 0 et (X ? ) = 1
Preuve :
?
E(X ) = E
V (X ? ) =
3.6.6
X E(X)
(X)

=
1
1
E(X E(X)) =
(E(X) E(X)) = 0,
(X)
(X)
1
1
2 (X)
V
(X
E(X))
=
V
(X)
=
= 1.
2 (X)
2 (X)
2 (X)
Moments factoriels
On appelle moment factoriel dordre k 1, not [k] , lesprance mathmatique de la variable X(X
1) . . . (X k + 1) soit
[k] = E[X(X 1) . . . (X k + 1)]
Remarque 3.6.4 On peut facilement vrifier que E(X) = m1 = [1] et V (X) = m2 (m1 )2 = [2] .
3.7
Exercices

Exercice 35 Dans une grande surface, on a relev sur une longue priode le nombre darticles de type
A vendus.
Ltude statistique permet dadmettre que la variable alatoire X qui associe un jour ouvrable choisi au
hasard pendant un mois le nombre darticles de type A vendus ce jour l a une probabilit dfinie par le
tableau suivant.
On donnera les valeurs approches arrondies 102 prs des rsultats.
Nombre xi
de pices
vendues
p({X = xi })
0, 10
0, 16
0, 25
0, 30
0, 13
0, 05
0, 01
1. Reprsentez graphiquement la fonction de rpartition de la variable alatoire X.

2. Calculez lesprance mathmatique E(X) de la variable alatoire X. Que reprsente E(X) ?
3. Calculez la variance et lcart-type de la variable alatoire X

Exercice 36 Une partie de loterie consiste lcher une bille dans un appareil qui comporte six portes
de sortie, numrotes de 1 6.
Soit X la variable alatoire qui chaque partie associe le numro de la porte de sortie franchie. Sa loi de
probabilit est dfinie par le tableau suivant :
35
3.7. EXERCICES
p({X = xi })
1
32
5
32
10
32
10
32
5
32
1
32
La rgle du jeu est la suivante : un joueur mise 2 euros : il reoit 12 euros si la bille franchit les portes 1 ou
6, 2 euros si elle franchit les portes 3 ou 4. Les portes 2 et 5 ne rapportent rien.
Le gain dun joueur est la diffrence entre ce quil reoit lissue de la partie et sa mise. Le gain peut donc
tre ventuellement un nombre ngatif ou nul.
Soit Y la variable alatoire qui chaque partie effectue par un joueur donn associe le gain.
1. Quelles sont les valeurs possibles de Y ?
2. Dterminer la loi de probabilit de Y ?
3. Un jeu est quitable si lesprance mathmatique du gain est nulle. Ce jeu est-il quitable ?

Exercice 37 Dans cet exercice, les tirages sont quiprobables.
Un sac contient quatre jetons noirs et quatre jetons blancs. On tire quatre jetons du sac simultanment.
Soit X la variable alatoire qui chaque tirage associe le nombre de jetons noirs tirs.
Dterminez la loi de probabilit de X, son esprance mathmatique et son cart-type.

Exercice 38
1. Calculez lesprance mathmatique, la variance et lcart-type de la variable alatoire X dont la loi de

probabilit est donne par le tableau :
xi
12
p({X = xi })
1
6
1
2
1
3
2. Construisez la reprsentation graphique de la fonction de rpartition de la variable alatoire X.

Exercice 39 Soit X la variable alatoire qui associe un mois choisi au hasard le dcouvert des comptes en
banque dune entreprise. Une tude statistique permet dadmettre que la loi de probabilit de X est donne
par le tableau suivant.
xi
200000
150000
120000
90000
70000
p({X = xi })
1
10
1
6
1
5
1
3
1
5
Calculez lesprance mathmatique E(X) de la variable alatoire X. Que reprsente E(X) ?

Exercice 40 On lance trois pices de monnaie (non truques), une de 50 centimes deuros, une de 1 euro,
une de 5 euros.
Un rsultat est donn sous la forme dun triplet, par exemple (P, P, F ) o le premier lment est le rsultat
pour la pice de 50 centimes deuros, le deuxime le rsultat pour la pice dun euro et le troisime pour la
pice de 5 euros.
1. Dterminez lensemble des rsultats possibles.
2. On gagne 10 euros si on obtient 3 fois face, 2 euros si on obtient 2 fois face et on perd 2 euros si on
obtient une seule fois face ou aucune fois face. On note X la variable alatoire qui tout lancer des 3
pices associe le gain obtenu, une perte tant considre comme un gain ngatif.
(a) Dfinissez la loi de probabilit de X en prsentant les rsultats laide dun tableau.
36
(b) Calculez lesprance mathmatique E(X) de la variable alatoire X. Que reprsente E(X) ? Le
jeu est-il quitable ?
Remarque 3.7.1 Un jeu est quitable lorsque les gains et les pertes squilibrent sur un trs
grand nombre de parties.

Exercice 41 Dans une urne se trouvent 10 boules numrotes de 0 9 identiques au toucher. On tire
simultanment 2 boules dans lurne sans remise et on considre lala numrique X qui chaque tirage
associe le plus petit des 2 nombres ports par les 2 boules.
1. Dterminez la distribution de probabilit de X.
2. Construisez la reprsentation graphique de la fonction de rpartition de X dans un repre (O,~i, ~j).
3. Calculez les probabilits des vnements suivants :
A = {X < 5},
B = {X 3},
C = {1 X 6},
D = {X 7},
E = {|X 5| > 2},
G = {X 2 5X + 4 < 0}.

Exercice 42 Un d cubique non truqu admet 3 faces portant un 1, 2 faces portant un 2 et une
face portant un 3. On le lance deux fois de suite et on considre la variable alatoire X associant chaque
tirage la somme des points lus sur la face suprieure du d obtenue chacun des deux lancers. Donnez la
distribution de probabilit de X.

Exercice 43 Soit X une variable alatoire dfinie sur un espace probabilis (, P(), p) avec la distri-
bution de probabilit suivante :

2
3
2
1
2
6,
, 3,
, 0,
, 3,
, 4,
.
10
10
10
10
10
Calculez E(X), V (X) et (X), en dduire la variable centre rduite X 0 associe X.

Exercice 44 Une urne contient 5 boules dont 2 blanches et 3 noires. On tire une boule de lurne, sans
la remettre, 3 fois de suite. Calculez lesprance mathmatique, la variance et lcart-type de la variable

alatoire X correspondant au nombre de boules blanches tires.

Exercice 45 On considre une exprience alatoire consistant jeter une boule sur la roulette dun casino.
On peut admettre que la boule se dplace sur un cercle de centre O et simmobilise en un point M . Si A est
~\
~ ) est une variable alatoire prenant ses valeurs
un point du cercle, la mesure en radians de langle (OA,
OM
dans lintervalle [0; 2[. Si on suppose que la boule a autant de chances de sarrter sur un point que sur un
autre, on montre que X est une variable alatoire continue densit et que la densit de X est une fonction
f dfinie sur R par :
1
si x [0; 2[
f (x) =
.
2
0
sinon
1. Dterminez la fonction de rpartition de X.
2. Calculez les probabilits pour que X soit compris entre 0 et
et entre 0 et .
2
39
3.7. EXERCICES
0

x+1
Exercice
46
On
considre
la
fonction
f
dfinie
par
:
f
(x)
=

x + 1
si x < 1 ou x > 0
si x [1; 0]
.
si x [0; 1]
1. Montrez que f est une densit de probabilit dune variable alatoire X.

2. Dterminez la fonction de rpartition de X, on la note F .
3. crivez en fonction de F puis calculer p({X < 0, 5}), p({0, 5 X 0, 5}), p({X > 0, 25}).
4. Montrez que X admet une esprance et une variance que lon dterminera.
40
Chapitre 4
Lois de probabilits discrtes usuelles

4.1
4.1.1
Loi et variable de Bernoulli

Dfinition
Soit une preuve alatoire comportant deux issues, deux vnements lmentaires appels souvent succs
et chec dont les probabilits respectives sont p et q avec p + q = 1.
On dfinit alors
= {S, E}
avec p(S) = p et p(E) = q. Soit la variable alatoire X : 7 {0, 1} telle que
X(S) = 1
X(E) = 0
La variable X est appele variable de Bernoulli dont la loi de probabilit est

xi
Total
pi
p i xi
E(X) = p
pi x2i
E(X 2 ) = p
On note cette loi

X
B(p)
Remarque 4.1.1 Cette loi ne dpend que dun paramtre p, la probabilit de succs.
4.1.2
Moments
1. Esprance :
2. Variance :
3. cart-type :
E(X) = p
V (X) = p p2 = p(1 p) = pq
(X) =
pq
Exemple 4.1.1 Un entreprise possde 10 chanes de fabrication C1 , C2 ,. . . ,C10 . Elle sait quune chane
possde un problme mais elle ignore laquelle, elle choisit alors une chane au hasard. On considre la variable
alatoire X prenant la valeur 1 si la chane teste et la chane dfaillante et 0 sinon. Dans ce cas X est une
1
variable de Bernoulli de paramtre
. Lesprance et la variance de cette variable valent respectivement
10
42
CHAPITRE 4. LOIS DE PROBABILITS DISCRTES USUELLES
4.2
4.2.1
Loi et variable binomiales

Dfinition
Soit une preuve de Bernoulli. n rptitions indpendantes de cette preuve de Bernoulli sont associes
n variables alatoires X1 , X2 ,. . . ,Xn indpendantes.
On considre la variable alatoire X = X1 + X2 + . . . + Xn . Cette variable X dsigne le nombre de succs
lors de n preuves. Lunivers image de la variable X est {0, 1, 2, . . . , n}. On a
p({X = k}) = Cnk pk q nk .
Preuve : Lvnement {X = k} est obtenu par le rsultat de k succs et n k checs. On peut avoir par
exemple
S
. . S} E
. . E}
| .{z
| .{z
k fois (nk) fois
de probabilit pk q nk , mais il existe Cnk vnements comportant k succs et (n k) checs do le rsultat.

La variable ainsi dfinie suit une loi binomiale et on note :
B(n, p)
On a bien dfini une loi de probabilit puisque pour p ]0; 1[, Cnk pk (1 p)nk 0, k {0, 1, . . . , n} et
n
X
pk (1 p)nk = p + (1 p) = 1 daprs la formule du binme.
k=1
Remarque 4.2.1 Si une variable alatoire X reprsente le nombre de succs dans une srie de n expriences
de Bernoulli identiques et indpendantes alors X suit une loi binomiale de paramtres n et p o p reprsente
la probabilit de succs lors dune preuve de Bernoulli.
4.2.2
Moments
1. Esprance :
E
n
X
!
Xi
i=1
n
X
E(Xi ) = np
i=1
2. Variance : les variables Xi tant indpendantes,

!
n
n
X
X
V
Xi =
V (Xi ) = npq
i=1
i=1
(X) =
3. cart-type :
Remarque 4.2.2 On a le rapport
npq
p({X = k + 1})
C k+1 pk+1 q nk1
nk p
= n k k nk
=
p({X = k})
k+1
q
Cn p q
p({X = k + 1}) =
do
nk p
p({X = k})
k+1
q
relation qui permet de disposer de p({X = k + 1}) lorsquon a dja p({X = k}).
Remarque 4.2.3 Dans une population trs nombreuse, on estime que la probabilit pour quune personne
soit atteinte dune maladie donne est 0, 1. On choisit au hasard 1000 personnes de cette population (avec
lventualit de choisir plusieurs fois la mme personne). On note X la variable alatoire reprsentant le
nombre de personnes atteintes de la maladie parmi les 1000. X reprsente le nombre de succs (cest--dire
tre atteint par la maladie) dans une suite de 1000 preuvess de Bernoulli (la personne est atteinte ou pas)
43
4.2. LOI ET VARIABLE BINOMIALES
4.2.3
Somme de deux variables binomiales indpendantes
Soient X1 et X2 telles que X1

B(n1 , p) et X2
B(n2 , p), X1 et X2 tant supposes indpendantes.
Alors, la variable Z = X1 + X2 suit une loi binomiale B(n1 + n2 , p).
Preuve : Lunivers image de la variable Z est {0, 1, 2, . . . , n1 + n2 }. Lvnement {X1 + X2 = k} est obtenu
de la faon suivante :
{X1 = 0} {X2 = k}
{X1 = 1} {X2 = k 1}
..
.
{X1 = p} {X2 = k p}
..
.
{X1 = k} {X2 = 0}
k
[
Ainsi, {X1 + X2 = k} =
({X1 = i} {X2 = k i}). Les variables X1 et X2 tant indpendantes, on a
i=1
(
p({X1 + X2 = k}) = p
k
[
)!
({X1 = i} {X2 = k i})
k
X
p({X1 = i})p({X2 = k i}).
i=0
i=1
Par consquent,
p({X1 + X2 = k}) =
k
X
Cni 1 pi q n1 i Cnki
pki q n2 k+i =
2
k
X
Cni 1 Cnki
pk q n1 +n2 k = pk q n1 +n2 k
2
k
X
i=0
i=0
Il est trs simple de montrer que
k
X
Cni 1 Cnki
.
2
i=0
Cni 1 Cnki
= Cnk1 +n2 . En effet, choisir k lments parmi ceux de deux
2
i=0
groupes contenant respectivement n1 et n2 lments revient choisir i lments du premier groupe et k i

lments du deuxime groupe, do p({Z = k}) = p({X1 + X2 = k}) = Cnk1 +n2 pk q n1 +n2 k . Par consquent,
Z = X1 + X2
B(n1 + n2 , p).
Remarque 4.2.4 On peut gnraliser cette proprit l variables binomiales indpendantes.
4.2.4
Loi et variable frquences
X
Soit X
B(n, p). On dfinit la variable Fn = .
n
X dsigne le nombre de succs obtenus au cours des n preuves, Fn le nombre de succs divis par le nombre
dpreuves soit la frquence du succs. Fn est la variable frquence associe X :
n
X1 + X2 + . . . + Xn
1X
Fn =
=
Xi .
n
n
i=1

Lunivers image de Fn est

k
n
k
1
0, , . . . , , . . . ,
. On a {X = k} = Fn =
donc
n
n
n
n

k
p
Fn =
= Cnk pk q nk
n
Concernant les moments

de cette variable,
X
1
np
E(Fn ) = E
= E(X) =
= p donc
n
n
n
E(Fn ) = p
1
npq
pq
44
pq
V (Fn ) =
n
r
et
(Fn ) =
pq
n
Remarque 4.2.5 Soit X

B(n, p), X dsigne le nombre de succs et Y = n X le nombre dchecs. Par
consquent, p({X = k}) = p({Y = n k}) = Cnk pk q nk .

Exercice 47 Pour raliser le montage dun systme lectronique, on dispose de rsistances issues dune
production importante, o lon sait que le pourcentage P de dfectueuses est de 5%. On doit utiliser 4
rsistances.
1. Quelle est la probabilit den avoir 3 de mauvaises ?
2. Quelle est la probabilit den avoir un nombre infrieur ougal 3 de mauvaises ?
4.3
4.3.1
Loi et variable multinomiales

Exemple
On jette 50 fois une pice de monnaie truque. Pile apparat avec une probabilit 0, 3, face avec une
probabilit 0, 6, la pice retombe sur la tranche avec une probabilit de 0, 1.
Quelle est la probabilit dobtenir 20 pile, 25 face, 5 tranches ?
Cet vnement peut tre obtenu de la faon suivante
. . F} T
. . T}
P
. . P} F
| .{z
| .{z
| .{z
20 fois
25 fois
5 fois
et sa probabilit vaut (0, 3)20 (0, 6)25 (0, 1)5 . Le nombre de ces 50-uplets est gal au nombre de faons de
disposer 20 fois la lettre P , 25 fois la lettre F et 5 fois la lettre T dans un mot de longueur 50. Ce nombre
20 C 25 C 5 = C 20 C 25 , la probabilit de cet vnement vaut par consquent
est C50
30 5
50 30
20 C 25 (0, 3)20 (0, 6)25 (0, 1)5 .
C50
30
4.3.2
Loi trinomiale
Soit une preuve alatoire 3 issues A de probabilit p, B de probabilit q et C de probabilit r avec

p + q + r = 1. Pour n rptitions indpendantes de cette preuve, on cherche la probabilit dobtenir k fois
A, i fois B et donc n k i fois C. Cette probabilit vaut :
nki k i nki
i
Cnk Cnk
Cnki
p qr
nki
i
or Cnki
= 1 et Cnk Cnk
=
n!
. Conclusion, cette probabilit vaut :
k!i!(n k i)!
p=
n!
pk q i rnki
k!i!(n k i)!
Exemple 4.3.1 Une quipe de football gagne un match avec une probabilit de 0, 3, le perd avec une
probabilit de 0, 4, fait match nul avec une probabilit de 0, 3. Sur les 36 matchs jous dans lanne, on
cherche la probabilit dobtenir 15 succs, 18 checs et 3 nuls. Cette probabilit vaut
15 18 3
p = C36
C21 C3 (0, 3)15 (0, 4)18 (0, 3)3 =
36!(0, 3)15 (0, 4)18 (0, 3)3
45
4.4. LOI ET VARIABLES HYPERGOMTRIQUES
4.3.3
Loi multinomiale
Supposons quil y ait dans une urne N boules de r couleurs distinctes C1 , C2 ,. . . ,Cr . Soit ni le nombre
ni
de boules de couleur Ci et pi =
la proportion de boules de la couleur Ci dans lurne. On a
N
r
r
X
X
N=
ni = n1 + n2 + . . . + nr et
pi = 1.
i=1
i=1
Supposons que lon effectue un tirage de n boules, chaque boule tant remise dans lurne avant le tirage de
la boule suivante ; les tirages rpts des boules sont des preuves indpendantes. On cherche la probabilit
dobtenir lvnement A dfini par
m1 boules de la couleur C1
m2 boules de la couleur C2
..
.
mi boules de la couleur Ci
..
.
mr boules de la couleur Cr
avec m1 + m2 + . . . + mr = n.
Cet vnement est ralis par exemple avec le n-uplet
C1 . . . C1
| {z }
m1 boules C1
C2 . . . C2 . . . Cr . . . Cr
| {z }
| {z }
m2 boules C2
mr boules Cr
mr
1 m2
de probabilit pm
1 p2 . . . pr . Le nombre de ces n-uplets est gal au nombre de faons de disposer m1 fois
la lettre C1 , m2 fois la lettre C2 ,. . . , mr fois la lettre Cr dans un mot de longueur n = m1 + m2 + . . . + mr
do la probabilit de lvnement A :
m2
mr
(p1 )m1 (p2 )m2 . . . (pr )mr .
p(A) = Cnm1 Cnm
. . . Cm
r
1
m2
mr
On a la relation Cnm1 Cnm
=
. . . Cm
r
1
n!
, par consquent,
m1 !m2 ! . . . mr !
p(A) =
n!
(p1 )m1 (p2 )m2 . . . (pr )mr
m1 !m2 ! . . . mr !
Exemple 4.3.2 Une urne est compose de 10% de boules rouges, 20% de boules blanches, 40% de boules
vertes, 30% de noires. Le nombre de boules de lurne est N > 20. On effectue un tirage avec remise de 12
boules. Quelle est la probabilit dobtenir 3 boules rouges, 5 boules blanches, 3 boules vertes et une boule
noire ?
p=
4.4
4.4.1
12!
(0, 1)3 (0, 2)5 (0, 4)3 (0, 3)1 .
3!5!3!1!
Loi et variables hypergomtriques

Dfinition
Soit une urne contenant N boules dont a boules blanches et b boules noires avec a + b = N . On effectue
n tirages dune boule sans remise (ou on prlve simultanment n boules) avec n N . Le tirage sans remise
est dit exhaustif. Soit X la variable alatoire reprsentant le nombre de boules blanches obtenues.
La variable X est dite hypergomtrique. On utilise la notation
46
Cette loi dpend de trois paramtres et

p({X = k}) =
Cak Cbnk
n
CN
En effet, {X = k} est lensemble des parties k lments parmi a donc Card({X = k}) = Cak Cbnk .
Remarque 4.4.1 Si p est la proportion des boules blanches de lurne, q celle des noires, on a p =
avec p + q = 1 donc a = pN , b = qN et p({X = k}) =
4.4.2
k C nk
CpN
qN
n
CN
k C nk
CpN
(1p)N
n
CN
b
a
et q =
N
N
. La loi est note H(N, p, n).
Les moments
On admettra les proprits suivantes :

Lesprance mathmatique est donne par :
E(X) = np
la formule est identique celle de la loi binomiale.
La variance est dfinie par :
V (X) = npq
avec =
N n
= npq
N 1
N n
dfinissant le coefficient dexhaustivit.
N 1
Remarque 4.4.2 Gnralement n > 1 donc < 1. La variance dune variable hypergomtrique (tirages
sans remise) est infrieure la variance de la variable binomiale (tirages avec remise).
Exemple 4.4.1 Chaque matin, un professeur interroge 4 tudiants pour tester leur connaissance du cours.
Une indiscrtion lui permet de savoir que dans la classe compose de 45 tudiants, 10 ne connaissent pas le
10
cours. On se trouve dans la situtation dun ensemble E comprenant 45 lments dont une proportion
est
45
de type 1 (les tudiants ne connaissent pas le cours), le professeur interroge 4 tudiants successivement, sans
interroger deux fois le mme (ce qui correspond 4 tirages successifs sans remise dun lment de E) alors
la
variable alatoire
X reprsentant le nombre dlments de type 1 obtenu suit une loi hypegomtrique

10
H 45, 4,
.
45
4.4.3
Limite dune variable hypergomtrique
Soit X une variable hypergomtrique, X
H(N, p, n). Lorsque N tend vers +,
H(N, p, n) B(n, p).

En effet, le nombre N de boules tant infiniment grand, la non-remise de la boule tire ne modifie presque
pas la proportion de boules blanches. Dans la pratique,
si N >10n
H(N, p, n) B(n, p).
4.5
Loi et variable de Poisson
On rappelle la formule
lim
n
X
xk
X xk
= ex
47
4.5. LOI ET VARIABLE DE POISSON
4.5.1
Dfinition
On dit que la variable alatoire X suit une loi de Poisson de paramtre ( R+ ) si et seulement si
lunivers image de X est N et
e k
p({X = k}) =
k!
On note cette variable
Puisque
X
iN
pi =
iN
P()
X i
i
e k
= e
= e e = 1 et k N,
0, on a bien une loi de probabilit.
i!
i!
k!
iN
Remarque 4.5.1 La loi de Poisson est encore appele loi des vnements rares. On peut admettre que le
nombre de pannes survenant sur une machine donne au cours dune priode donne suit une loi de Poisson,
ou encore le nombre daccidents qui se produisent un carrefour donn pendant une priode donne.
4.5.2
Les moments
Esprance : on a la relation
E(X) =
Preuve : Soit X
P() alors E(X) =
ke
kN
En ralisant un changement dindice, E(X) = e
kN
+ i
X
i=0
i!
k=1
k=1
= e e = .
Variance et cart-type : on a les rsultats suivants
V (X) = et (X) =
Preuve : Dterminons E(X(X 1)) = E(X 2 ) E(X).

X k(k 1)k e
X
k e
E(X(X 1)) =
=
= e 2
k!
(k 2)!
kN
X k
X k
X k1
k
k
= e
= e
= e
.
k!
k!
(k 1)!
(k 1)!
kN/{0,1}
gement dindice dans la somme et E(X(X 1)) = e 2
X i
iN
i!
X
kN/{0,1}
k2
. On effectue un chan(k 2)!
= e 2 e = 2 .
Ainsi E(X 2 ) E(X) = 2 E(X 2 ) = 2 + . Par consquent, V (X) = 2 + 2 = donc

V (X) = et (X) = .
Remarque 4.5.2
pk
e k (k 1)!
= (k1)
= ce qui signifie que pk = pk1 .
pk1
k
k
e
k!
Il existe des tables (voir annexe A1) donnant pk = p({X = k}) pour diffrentes valeurs de k et des
n
X
tables donnant
pk (voir annexe A2 et A3) cest--dire la valeur de la fonction de rpartition de X
k=0
P. Pour le calcul de p({X > k}), il suffit dutiliser la relation p(A) + p(A) = 1 avec
k
X
A = {X > k} et A = {X k} ce qui permet de calculer p({X > k}) = 1 p({X k}) = 1
pj .
en n pour X
j=0
Exemple 4.5.1 Dans une entreprise. on admet que le nombre de pices dfectueuses produites par minute
est une variable alatoire X avec X
P(3). Dterminons la probabilit de lvnement A : le nombre de
pices dfectueuses produites en 1 minute est suprieur 3.
48
4.5.3
Somme de deux variables de Poisson indpendantes
Soient X1
P(1 ) et X2
P(2 ), X1 et X2 tant indpendantes. La variable X = X1 + X2 suit alors
une loi de Poisson de paramtre = 1 + 2
X = X1 + X2
P(1 + 2 )
Preuve : Lunivers image de X est N. Lvnement {X = X1 + X2 = k} est ralis pour les vnements
suivants {X1 = 0} {X2 = k} ou {X1 = 1} {X2 = k 1} ou . . . ou {X1 = k} {X2 = 0}. Donc
k
[
{X = X1 + X2 = k} =
({X1 = i} {X2 = k i}).
i=0
Les variables X1 et X2 tant indpendantes, on a p({X1 = i} {X2 = k i}) = p({X1 = i}) p({X2 = k i}).
Par consquent,
k
k
X
X
ki
i
p({X = k}) =
p({X1 = i} {X2 = k i}) =
e1 1 e2 2
i!
(k i)!
i=0
i=0
k
X
i1 ki
(1 +2 )
2
p({X = k}) = e
i!(k i)!
i=0
or Cki =
k
k
X
k!
e(1 +2 ) X i i ki
Cki i1 2ki on a
donc p({X = k}) =
Ck 1 2 . Comme (1 + 2 )k =
i!(k i)!
k!
i=0
i=0
e(1 +2 )
p({X = k}) =
(1 + 2 )k et la variable X suit une loi de Poisson de paramtre 1 + 2 .
k!
Remarque 4.5.3 On peut gnraliser ce rsultat n variables de Poisson indpendantes.
4.5.4
Limite dune variable binomiale
Soit X une variable binomiale B(n, p). Si p tend vers zro lorsque n tend vers + de telle sorte que
np ait une limite finie , la loi binomiale B(n, p) tend vers une loi de Poisson P().
Dans la pratique on approxime la loi binomiale B(n, p) par une loi de Poisson P() avec = np si
n 30, p < 0, 1 et np 10.
Lintrt de cette approximation est lutilisation des tables de la loi de Poisson, plus commodes que
celles de la loi binomiale.
4.6
4.6.1
Loi et variable gomtriques

Dfinition
Soit une preuve alatoire deux issues, succs et chec, de probabilits respectives p et q avec p + q = 1.
On rpte cette preuve (preuves indpendantes) jusqu obtenir le premier succs. On considre la variable
alatoire X donnant le rang du premier succs ou encore le nombre dpreuves ncessaires lobtention dun
premier succs
Lorsque X est une variable gomtrique, lunivers image est N .
Lvnement {X = k} est obtenu par la ralisation de k 1 checs puis dun succs.
p({X = k}) = q k1 p
On notera alors :
49
4.7. EXERCICES
On peut vrifier quon a bien dfini une loi de probabilit. On a besoin pour cela du rappel suivant :
Rappel : Si |x| 1 alors lim
n+
n
X
xk =
k=0
1
.
1x
On a par consquent k N? , q k1 p 0 et
n
X
q k1 p = p
n+
j = 0n1 q j p
k=1
+
X
1
= 1 donc
q k1 p =
1q
k=1
1.
Exemple 4.6.1 On considre une urne contenant des boules blanches en proportion p et des boules noires
en proportion q = 1 p, on tire une infinit de fois une boule avec remise. La variable alatoire X reprsente
le rang o on obtient une boule blanche pour la premire fois.
4.6.2
Moments
Lesprance mathmatique est dfinie par

E(X) =
1
p
Preuve : E(X) = X admet une esprance si et seulement si la srie
kp({X = k}) est absolument
convergente. La srie tant termes positifs, la convergence absolue est qivalente la convergence.
Rappel : Si x ] 1; 1[ alors lim
n
On a par consquent
n
X
k=0
n
X
kxk1 =
k=1
kp({X = k}) =
n
X
1
.
(1 x)2
kq k1 p = p
k=0
n
X
n+
kq k2 p
k=0
p
1
1
= 2 =
(1 q)2
p
p
La variance et lcart-type sont respectivement dfinis par
q
V (X) = 2
p
et
(X) =
q
p
On admettra ce rsultat.
4.7
Exercices

Exercice 48 Une bote contient 4 boules rouges, 3 boules vertes et 7 boules jaunes. On tire simultanment
2 boules de la bote et on suppose que les tirages sont quiprobables.

1. On considre les vnements suivants :
A : obtenir 2 boules de la mme couleur,
B : obtenir 2 boules de couleurs diffrentes.
Calculez les probabilits p(A) et p(B).
2. On rpte 10 fois lpreuve prcdente en remettant les 2 boules tires dans la bote, aprs chaque tirage.
Les 10 preuves alatoires lmentaires sont donc indpendantes. On note X la variable alatoire qui,
chaque partie de 10 preuves, associe le nombre de fois o lvnement A est ralis.
(a) Expliquez pourquoi X suit une loi binomiale. Donner les paramtres de cette loi.
(b) Donnez une loi de probabilit de X en compltant, aprs lavoir reproduit, le tableau suivant,
dans lequel on fera figurer des valeurs approches arrondies avec un seul chiffre diffrent de zro.
k
p({X = k})
50

Exercice 49 On envisage linstallation dune pompe chaleur en relve de chaudire dans un htel deux
toiles en construction.
On se propose dtudier si le contrat de maintenance forfaitaire annuel propos par linstallateur, aprs la
priode de garantie dun an, est plus avantageux que la facturation au prix rel des interventions ponctuelles.
Une tude statistique permet au constructeur daffirmer que la probabilit de lvnement la pompe chaleur tombe en panne une fois pendant un mois donn est 0, 125.
Dans un but de simplification, on admet que, pendant un mois donn, la pompe chaleur ne peut tomber
en panne quau plus une fois et que les pannes ventuelles survenues deux mois dune mme anne sont
indpendantes. On note X la variable alatoire qui, chaque anne (de douze mois), associe le nombre de
pannes survenues la pompe.
1. Expliquez pourquoi X suit une loi binomiale. Donner les paramtres de cette loi.
2. Calculez la probabilit des vnements suivants :
A : il ny a pas de panne dans lanne,
B : il y a au plus deux pannes dans lanne.
3. Calculez lesprance mathmatique, note E(X), de la variable alatoire X. Que reprsente E(X) ?
4. Les rsultats dune tude statistique mene auprs de nombreux utilisateurs de ce modle de pompe
chaleur nayant souscrit de contrat de maintenance annuel permettent dadmettre que le cot dune
intervention est de 320 euros. Soit Y la variable alatoire qui chaque anne associe le montant total
en euros des frais de rparation de la pompe chaleur.
(a) crivez une relation entre les variables Y et X.
(b) Dterminez lesprance mathmatique, note E(Y ), de la variable Y . Que reprsente E(Y ) ?
(c) Le contrat de maintenance forfaitaire annuel de la pompe chaleur est propos par linstallateur
au prix de 685 euros TTC.
Quelle est la solution de maintenance la plus intressante sur une longue priode ?
5. On approche la loi binomiale du 1. par une loi de Poisson de paramtre = np o n et p sont les
paramtres de cette loi binomiale.
En utilisant la loi de Poisson, dterminez les probabilits respectives de deux vnements A et B de la
question 2.
6. On considre que, pour un vnement, lapproximation dune loi binomiale par une loi de Poisson est
p p0
justifie lorsque lerreur relative
est, en valeur absolue, infrieure 10% (p tant la probabilit de
p
cet vnement mesure avec la loi de Poisson). Pour chacun des deux vnements prcdents, dterminez
si lapproximation de la loi binomiale du 1. par la loi de Poisson du 5. est justifie.

Exercice 50 La probabilit quune imprimante de modle PRINT ne puisse transcrire correctement un
caractre est 0, 0005 ; on suppose que les qualits de transmission des caractres sont indpendantes.
On dsigne par X la variable alatoire qui tout lot de 10000 caractres associe le nombre de caractres
transcrits incorrectement par limprimante.
1. Quelle est la loi de probabilit de X ?
2. On admet que la loi de probabilit suivie par X peut tre approche par une loi de Poisson dont on
dterminera le paramtre.
Quelle est la probabilit que, parmi 10000 caractres imprimer,
(a) tous soient transcrits correctement ?
(b) au moins 9998 soient transcrits correctement ?
(c) plus de 5 caractres soient transcrits incorrectement ?

Exercice 51 Dans une urne, il y a 10 boules blanches et 18 boules rouges indiscernables au toucher.
On considre lpreuve qui consiste extraire, au hasard, lune aprs lautre et sans remise, deux boules de
51
4.7. EXERCICES
1. Dterminer la probabilit de lvnement suivant :

E : la premire boule tire est blanche.
2. On rpte 5 fois de suite lpreuve prcdente. Aprs chaque preuve, les 2 boules tires sont remises
dans lurne : les 5 preuves lmentaires prcdentes sont donc indpendantes.
Soit X la variable alatoire qui, chaque partie de 5 preuves, associe le nombre de fois que se produit
lvnement E.
(a) Expliquer pourquoi X suit une loi binomiale et prciser les paramtres de cette loi.
(b) Calculer la probabilit de lvnement
F : E se produit exactement 2 fois.

Exercice 52 Soit X une variable alatoire qui suit une loi de Poisson de paramtre 4. Dterminez la
probabilit davoir 7 X 9.

Exercice 53 3% des bouteilles deau fabriques par une usine sont dfectueuses. On appelle X la variable
alatoire qui, tout lot de 100 bouteilles prises au hasard, associe le nombre de bouteilles dfectueuses. On
admet que X suit une loi de Poisson de paramtre 3.
Trouvez la probabilit de chacun des 3 vnements suivants :
1. Un tel lot na aucune bouteille dfectueuse
2. Un tel lot a deux bouteilles dfectueuses
3. Un tel lot a trois bouteilles dfectueuses

Exercice 54 Une urne contient 6 boules blanches et 4 boules noires.
1. On tire dans cette urne trois fois 1 boule avec remise de cette boule aprs tirage. On note X le nombre
de boules blanches obtenues.
Dteminez la loi de X puis donner les valeurs de E(X) et V (X).
2. On tire dans cette urne trois fois une boule sans remise de cette boule aprs tirage. On note Y le
nombre de boules blanches obtenues.
Dterminez la loi de Y puis donner les valeurs de E(Y ) et V (Y ).

Exercice 55 On considre une urne contenant 3 boules blanches et 7 boules noires. On tire successive-
ment et sans remise les dix boules de lurne. On note X1 le numro du tirage o lon obtient une boule
blanche pour la premire fois. Dterminez la loi de X1 .

Exercice 56 Le systme de navigation dun navire comporte un quipement E dont la fiabilit est ex-
ponentielle avec un MTBF (mean time between failures - temps moyen entre pannes) thorique gal 500
heures. Ce navire doit effectuer une mission de 2500 heures sans ravitaillement technique.
1. Si lon veut la certitude pratique (98%) de la continuit de la fonction assure par E, combien au dpart
doit-on emporter dquipements E ?
2. On suppose maintenant que lon puisse rparer bord lquipement E et lon estime que le temps
dindisponibilit pour la rparation nexcde pas 250 heures. Combien doit-on emporter dquipements
E pour avoir la certitude ( 100% prs par hypothse) de la continuit de la fonction assure par E ?
N.B. On estime que la rparation ne dgrade pas le M T BF = 500 heures.
52
ANNEXE A1 - Probabilits individuelles de la loi de Poisson P().

e k
Cette table donne p({X = k}) =
pour X
P() :
k!
HH
H
HH
H
0
1
2
3
4
5
6
H
HH
H
H
H
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0, 1
0, 2
0, 3
0, 4
0, 5
0, 6
0, 7
0, 8
0, 9
0, 9048
0, 0905
0, 0045
0, 0002
0, 8187
0, 1637
0, 0164
0, 0011
0, 0001
0, 7408
0, 2222
0, 0333
0, 0033
0, 0003
0, 6703
0, 2681
0, 0536
0, 0072
0, 0007
0, 0001
0, 6065
0, 3033
0, 0758
0, 0126
0, 0016
0, 0002
0, 5488
0, 3293
0, 0988
0, 0198
0, 0030
0, 0004
0, 4966
0, 3476
0, 1217
0, 0284
0, 0050
0, 0007
0, 0001
0, 4493
0, 3595
0, 1438
0, 0383
0, 0077
0, 0012
0, 0002
0, 4066
0, 3659
0, 1647
0, 0494
0, 0111
0, 0020
0, 0003
1, 0
1, 5
2, 0
2, 5
3, 0
3, 5
4, 0
4, 5
5, 0
0, 3679
0, 3679
0, 1839
0, 0613
0, 0153
0, 0031
0, 0005
0, 0001
0, 2231
0, 3347
0, 2510
0, 1255
0, 0471
0, 0141
0, 0035
0, 0008
0, 0001
0, 1353
0, 2707
0, 2707
0, 1804
0, 0902
0, 0361
0, 0120
0, 0034
0, 0009
0, 0002
0, 0821
0, 2052
0, 2565
0, 2132
0, 1336
0, 0668
0, 0278
0, 0099
0, 0031
0, 0009
0, 0002
0, 0492
0, 1454
0, 2240
0, 2240
0, 1680
0, 1008
0, 0504
0, 0216
0, 0081
0, 0027
0, 0008
0, 0002
0, 0001
0, 0302
0, 1057
0, 1850
0, 2158
0, 1888
0, 1322
0, 0771
0, 0385
0, 0169
0, 0066
0, 0023
0, 0007
0, 0002
0, 0001
0, 0183
0, 0733
0, 1465
0, 1954
0, 1954
0, 1563
0, 1042
0, 0595
0, 0298
0, 0132
0, 0053
0, 0019
0, 0006
0, 0002
0, 0001
0, 0111
0, 0500
0, 1125
0, 1898
0, 1898
0, 1708
0, 1281
0, 0824
0, 0463
0, 0232
0, 0104
0, 0043
0, 0016
0, 0006
0, 0002
0, 0001
0, 0067
0, 0337
0, 0842
0, 1404
0, 1755
0, 1755
0, 1462
0, 1044
0, 0653
0, 0363
0, 0181
0, 0082
0, 0034
0, 0013
0, 0005
0, 0002
0, 0001
53
4.7. EXERCICES
ANNEXE A2 - Probabilits individuelles et cumules de la loi de Poisson P().

e k
pour X
k!
P() et F (k) =
k
X
l=0
l
:
l!
p(k, )
F (k)
p(k, )
F (k)
p(k, )
F (k)
p(k, )
F (k)
p(k, )
F (k)
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0, 3679
0, 3679
0, 1839
0, 0613
0, 0153
0, 0031
0, 0005
0, 0001
0, 3679
0, 7358
0, 9197
0, 9810
0, 9963
0, 9994
0, 9999
1, 0000
0, 1353
0, 2707
0, 2707
0, 1804
0, 0902
0, 0361
0, 0120
0, 0034
0, 0009
0, 0002
0, 1353
0, 4060
0, 6767
0, 8571
0, 9473
0, 9834
0, 9955
0, 9989
0, 9998
1, 0000
0, 0498
0, 1494
0, 2240
0, 2240
0, 1680
0, 1008
0, 0504
0, 0216
0, 0081
0, 0027
0, 0008
0, 0002
0, 0001
0, 0498
0, 1991
0, 4232
0, 6472
0, 8152
0, 9161
0, 9665
0, 9881
0, 9962
0, 9989
0, 9997
0, 9999
1, 0000
0, 0183
0, 0733
0, 1465
0, 1954
0, 1954
0, 1563
0, 1042
0, 0595
0, 0298
0, 0132
0, 0053
0, 0019
0, 0006
0, 0002
0, 0001
0, 0183
0, 0916
0, 2381
0, 4335
0, 6288
0, 7851
0, 8893
0, 9489
0, 9786
0, 9919
0, 9972
0, 9991
0, 9997
0, 9999
1, 0000
0, 0067
0, 0337
0, 0842
0, 1404
0, 1755
0, 1755
0, 1462
0, 1044
0, 0653
0, 0363
0, 0181
0, 0082
0, 0036
0, 0013
0, 0005
0, 0002
0, 0001
0, 0067
0, 0404
0, 1247
0, 2650
0, 4405
0, 6160
0, 7622
0, 8666
0, 9319
0, 9682
0, 9863
0, 9945
0, 9980
0, 9993
0, 9998
0, 9999
1, 0000
10
p(k, )
F (k)
p(k, )
F (k)
p(k, )
F (k)
p(k, )
F (k)
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
0, 0025
0, 0149
0, 0446
0, 0892
0, 1339
0, 1606
0, 1606
0, 1377
0, 1033
0, 0688
0, 0413
0, 0225
0, 0113
0, 0052
0, 0022
0, 0009
0, 0003
0, 0001
0, 0025
0, 0174
0, 0620
0, 1512
0, 2851
0, 4457
0, 6063
0, 7440
0, 8472
0, 9161
0, 9574
0, 9799
0, 9912
0, 9964
0, 9986
0, 9995
0, 9998
1, 0000
0, 0009
0, 0064
0, 0223
0, 0521
0, 0912
0, 1277
0, 1490
0, 1490
0, 1304
0, 1014
0, 0710
0, 0452
0, 0264
0, 0142
0, 0071
0, 0033
0, 0014
0, 0006
0, 0002
0, 0001
0, 0009
0, 0073
0, 0296
0, 0818
0, 1730
0, 3007
0, 4497
0, 5987
0, 7291
0, 8305
0, 9015
0, 9466
0, 9730
0, 9872
0, 9943
0, 9976
0, 9990
0, 9996
0, 9999
1, 0000
0, 0003
0, 0027
0, 0107
0, 0286
0, 0573
0, 0916
0, 1221
0, 1396
0, 1396
0, 1241
0, 0993
0, 0722
0, 0481
0, 0296
0, 0169
0, 0090
0, 0045
0, 0021
0, 0009
0, 0004
0, 0002
0, 0001
0, 0003
0, 0030
0, 0138
0, 0424
0, 0996
0, 1912
0, 3134
0, 4530
0, 5925
0, 7166
0, 8159
0, 8881
0, 9362
0, 9658
0, 9827
0, 9918
0, 9963
0, 9984
0, 9993
0, 9997
0, 9999
1, 0000
0, 0001
0, 0011
0, 0050
0, 0150
0, 0337
0, 0607
0, 0911
0, 1171
0, 1318
0, 1318
0, 1186
0, 0970
0, 0728
0, 0504
0, 0324
0, 0194
0, 0109
0, 0058
0, 0029
0, 0014
0, 0006
0, 0003
0, 0001
0, 0001
0, 0012
0, 0062
0, 0212
0, 0550
0, 1157
0, 2068
0, 3239
0, 4557
0, 5874
0, 7060
0, 8030
0, 8758
0, 9261
0, 9585
0, 9780
0, 9889
0, 9947
0, 9976
0, 9989
0, 9996
0, 9998
0, 9999
1, 0000
p(k, )
F (k)
0, 0005
0, 0023
0, 0076
0, 0189
0, 0378
0, 0631
0, 0901
0, 1126
0, 1251
0, 1251
0, 1137
0, 0948
0, 0729
0, 0521
0, 0347
0, 0217
0, 0128
0, 0071
0, 0037
0, 0019
0, 0009
0, 0004
0, 0002
0, 0001
0, 0005
0, 0028
0, 0104
0, 0293
0, 0671
0, 1302
0, 2203
0, 3329
0, 4580
0, 5381
0, 6968
0, 7916
0, 8645
0, 9166
0, 9513
0, 9730
0, 9857
0, 9928
0, 9965
0, 9984
0, 9993
0, 9997
0, 9999
1, 0000
54
ANNEXE A3 - Probabilits individuelles et cumules de la loi de Poisson P().

e k
pour X
k!
k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
11
12
P() et F (k) =
l=0
13
p(k, )
F (k)
p(k, )
F (k)
0, 0002
0, 0010
0, 0037
0, 0102
0, 0224
0, 0411
0, 0646
0, 0888
0, 1085
0, 1194
0, 1194
0, 1094
0, 0926
0, 0728
0, 0534
0, 0367
0, 0237
0, 0145
0, 0084
0, 0046
0, 0024
0, 0012
0, 0006
0, 0003
0, 0001
0, 0002
0, 0012
0, 0049
0, 0151
0, 0375
0, 0786
0, 1432
0, 2320
0, 3405
0, 4599
0, 5793
0, 6887
0, 7813
0, 8541
0, 9075
0, 9442
0, 9679
0, 9824
0, 9908
0, 9954
0, 9978
0, 9990
0, 9996
0, 9999
1, 0000
0, 0001
0, 0004
0, 0018
0, 0053
0, 0127
0, 0255
0, 0437
0, 0655
0, 0874
0, 1048
0, 1144
0, 1144
0, 1056
0, 0905
0, 0724
0, 0543
0, 0383
0, 0255
0, 0161
0, 0097
0, 0055
0, 0030
0, 0016
0, 0008
0, 0004
0, 0002
0, 0001
0, 0001
0, 0005
0, 0023
0, 0076
0, 0203
0, 0458
0, 0895
0, 1550
0, 2424
0, 3472
0, 4616
0, 5760
0, 6816
0, 7721
0, 8445
0, 8988
0, 9371
0, 9626
0, 9787
0, 9884
0, 9939
0, 9969
0, 9985
0, 9993
0, 9997
0, 9999
1, 0000
k
X
l
:
l!
14
15
p(k, )
F (k)
p(k, )
F (k)
p(k, )
F (k)
0, 0002
0, 0008
0, 0027
0, 0070
0, 0152
0, 0281
0, 0457
0, 0661
0, 0859
0, 1015
0, 1099
0, 1099
0, 1021
0, 0885
0, 0719
0, 0550
0, 0397
0, 0272
0, 0177
0, 0109
0, 0065
0, 0037
0, 0020
0, 0010
0, 0005
0, 0002
0, 0001
0, 0001
0, 0010
0, 0037
0, 0107
0, 0259
0, 0540
0, 0997
0, 1658
0, 2517
0, 3532
0, 4631
0, 5730
0, 6751
0, 7636
0, 8355
0, 8905
0, 9302
0, 9574
0, 9751
0, 9680
0, 9925
0, 9962
0, 9982
0, 9992
0, 9997
0, 9999
1, 0000
0, 0001
0, 0004
0, 0013
0, 0037
0, 0087
0, 0174
0, 0304
0, 0473
0, 0663
0, 0844
0, 0984
0, 1060
0, 1060
0, 0989
0, 0866
0, 0713
0, 0554
0, 0409
0, 0286
0, 0191
0, 0121
0, 0074
0, 0043
0, 0024
0, 0013
0, 0007
0, 0003
0, 0002
0, 0001
0, 0005
0, 0018
0, 0055
0, 0142
0, 0316
0, 0620
0, 1093
0, 1756
0, 2600
0, 3584
0, 4644
0, 5704
0, 6693
0, 7559
0, 8272
0, 8826
0, 9235
0, 9521
0, 9712
0, 9833
0, 9907
0, 9950
0, 9974
0, 9987
0, 9994
0, 9997
0, 9999
1, 0000
0, 0002
0, 0007
0, 0019
0, 0048
0, 0104
0, 0194
0, 0324
0, 0486
0, 0663
0, 0829
0, 0956
0, 1024
0, 1024
0, 0960
0, 0847
0, 0706
0, 0558
0, 0418
0, 0299
0, 0204
0, 0133
0, 0083
0, 0050
0, 0029
0, 0016
0, 0009
0, 0004
0, 0002
0, 0001
0, 0001
0, 0002
0, 0009
0, 0028
0, 0076
0, 0180
0, 0374
0, 0698
0, 1184
0, 1847
0, 2676
0, 3622
0, 4656
0, 5680
0, 6640
0, 7487
0, 8193
0, 8751
0, 9169
0, 9468
0, 9672
0, 9805
0, 9888
0, 9938
0, 9967
0, 9983
0, 9992
0, 9996
0, 9998
0, 9999
1, 0000
Chapitre 5
Lois de probabilits continues usuelles

5.1
5.1.1
Loi et variable uniformes

Dfinition
On dit que la loi de probabilit dune variable alatoire relle est uniforme sur un segment [a; b], avec
0 a < b, si sa densit de probabilit f est dfinie par
1
f (x) =
ba
0
pour x < a ou x > b
U([a; b]). f admet la reprsentation graphique de la Figure 5.1.
f(x)
1 (b a)
On note alors X
pour x [a; b]
b
x
Figure 5.1
On a bien une densit de probabilit puisque

f (x) 0 x R,
f est continue sur ] ; a[]a; b[]b; +[,
Z +
Z a
Z b
Z +
f (t)dt =
f (t)dt +
f (t)dt +
f (t)dt = 0 + 1 + 0 = 1.
5.1.2
Fonction de rpartition
Z
1. On sait que F (x) = p({X x}) =
f (t)dt donc si X
U([a; b]),
56
CHAPITRE 5. LOIS DE PROBABILITS CONTINUES USUELLES
xa
F (x) =
ba
1
pour x < a
pour a x b
pour x > b
Preuve : On distingue
Z xtrois cas : Z x
si x < a, F (x) =
f (t)dt =
0dt = 0,
Z
Z
Z x
x
a
1
xa
si a x b, F (x) =
f (t)dt =
0dt +
dt =
,
ba
ba
Z a Z b a
Z x
Z x
1
0dt +
f (t)dt =
si x > b, F (x) =
0dt = 0 + 1 + 0 = 1.
dt +
a ba
F(x)
2. Reprsentation graphique
b
x
Figure 5.2
5.1.3
Moments
U([a; b]) alors

b
Z +
Z b
t
t2
a+b
dt =
=
.
E(X) =
tf (t)dt =
2(b a) a
2
a ba

a2 + ab + b2
a + b 2 (b a)2
V (X) =
=
.
3
2
12

b
Z b 2
t
t3
b3 a3
a2 + ab + b2
2
En effet, on a E(X ) =
dt =
=
=
.
3(b a) a 3(b a)
3
a ba
Si X
Exemple 5.1.1 On considre la fonction f dfinie par :

0 pour x < 0 ou x > 1
f (x) =
.
1 pour 0 x 1
Il apparat en intgrant que

0 pour x < 0
x pour 0 x 1
F (x) =
1 pour x > 1
1
1
On trouve E(X) = et V (X) = .
2
12
Remarque 5.1.1 Dans lexemple prcdent,
comme dans toute variable alatoire absolument continue, on
Z
a
a p({X = 0}) = 0. En effet, a R,
f (t)dt = 0.
57
5.2. LA LOI EXPONENTIELLE
5.2
La loi exponentielle
5.2.1
Dfinition
Une variable alatoire X suit une loi exponentielle de paramtre ( R+? ) si X est une variable
alatoire absolument continue dont la densit de probabilit est dfinie par

0
pour x < 0
f (x) =
ex pour x 0
E(). La fonction f admet la reprsentation graphique de la Figure 5.3.
f(x)
On note alors X
0
x
Figure 5.3
On a
bien une densit de probabilit puisque

f (x) 0 x R,
+
?
fZ est continue sur
Z R et RZ ,
+
f (t)dt =
0dt +
Z
+
A + donc
dt. Or, si A > 0,
A
et dt = [et ]A
1 quand
0 = 1e
f (t)dt = 1.
La loi exponentielle peut tre considre comme lquivalent en continu de la loi gomtrique dans le cas
discret. En effet, elle modlise un temps dattente du premier succs dans un processus de Poisson.
5.2.2
Si X
E(), on a

F (x) =
0
1 ex
pour x < 0
pour x 0
dont la reprsentation graphique est donne la Figure 5.4.
5.2.3
Les moments
E(),
Z +
Z
1. E(X) =
tf (t)dt =
Si X
tet dt =
1
laide dune intgration par parties.
1
1
2. V (X) = 2 et (X) = .
En effet, on sait que V (X) = E(X 2 ) (E(X))2 . Comme E(X 2 ) =

2
intgrations par parties, on obtient E(X ) =
Z
0
t2 et dt, laide de deux
58
F(x)
0
x
Figure 5.4
5.3
5.3.1
La loi de Laplace-Gauss ou loi normale

Dfinition
On appelle variable alatoire normale ou gaussienne toute variable alatoire absolument continue
dont la densit de probabilit f est dfinie par
1
f (x) = e
2
(x m)2
2 2
m tant une constante relle, une constante relle strictement positive. On utilise la notation suivante
X
N (m, )
Remarque
5.3.1 On admettra que f est bien une densit de probabilit (la difficult tant de montrer que
Z +
f (t)dt = 1).
5.3.2
Reprsentation graphique
La courbe reprsentative de f est donne par la Figure 5.5.
Figure 5.5
59
5.3. LA LOI DE LAPLACE-GAUSS OU LOI NORMALE
Remarque 5.3.2
La courbe, dite courbe en cloche, a un axe de symtrie qui est la droite dquation x = m.
1
La densit f a un maximum atteint pour x = m valant .
2
La courbe est dautant plus pointue que est petit.
Rappels : Pour dterminer le(s) point(s) dinflexion dune fonction, on calcule sa drive seconde et on
dtermine le signe de cette dernire. Si le signe change pour une abscisse particulire, la fonction y admet
un point dinflexion.
Dterminons le(s) point(s) dinflexion de f . Le calcul de la drive premire donne :
1 2
f 0 (x) =
(x m)e
2
2 2
(x m)2
2 2
=
3 2
(x m)2
2 2 .
(x m)e
Le calcul de la drive seconde donne :

f 00 (x) =
(x m)2
(x m)2

(x m)2
1
2 2
2 2 .
1
e
= [(x m )(x m + )]e
2
2
5 2

On a le tableau de signes suivant :

x
f 00 (x)
m+
+
+
Par consquent, la courbe admet deux points dinflexion pour x = m + et x = m .

Exemple 5.3.1 Les variables normales sont trs frquentes, par exemple la variable alatoire relle poids
dun franais adulte, la variable alatoire quotient intellectuel dune population donne.
5.3.3
Les moments
Lesprance et la variance dune variable normale sont respectivement donnes par :

E(X) = m et V (X) = 2
5.3.4
Variable normale centre rduite
Si m = 0 et = 1, la variable normale est appele variable normale centre rduite et est note Z
ou , on note alors
Z
N (0, 1)
La courbe reprsentative de la fonction g est donne par la Figure 5.6. Sa densit de probabilit est la fonction
2
1 x
g dfinie par g(x) = e 2 .
2
Cette fonction g est paire, la courbe a un axe de symtrie qui est la droite des ordonnes. En x = 0, la
1
fonction g vaut g(0) = .
2
Les points dinflexion de la fonction g se trouvent en x = 1 et x = 1.
2
1 x
En gnral, les valeurs de g(x) = e 2 sont donnes laide dune table pour x 0.
60
Figure 5.6
Figure 5.7
5.3.5
Si on note la fonction de rpartition de la loi normale centre rduite Z associe X,

Z z
(z) =
g(x)dx = p({Z z})
cette fonction est reprsente graphiquement la Figure 5.7. Il existe des tables qui donnent la valeur de
(z) pour z 0 (voir annexe A). (z) dsigne laire du domaine plan en jaune (voir Figure 5.8).
Figure 5.8
Exemple 5.3.2 (0) = 0, 5 ce qui est vident puisquon considre exactement la moiti de laire totale (qui
Pour z > 0 on a la relation
(z) + (z) = 1
On peut observer cette proprit laide de la Figure 5.9.
Figure 5.9
Exemple 5.3.3 p({Z 1}) = (1) = 1 (1) = 1 0, 8413 = 0, 1587.
Soit z R, on a la relation
p({Z > z}) = 1 p({Z z}) = 1 (z)
Figure 5.10
Exemple 5.3.4 p({Z > 1}) = 1 (1) = 0, 1587.
Soient a, b R vrifiant a < b alors
p({a Z b}) = (b) (a)

Exemple 5.3.5 p({1 Z 2}) = (2) (1) = 0, 9772 0, 8413 = 0, 1359.
Soit z > 0 alors
p({z Z z}) = (z) (z) = 2(z) 1
61
62
Figure 5.11
Figure 5.12
5.3.6
Table de lcart rduit
Soit un intervalle centr en 0 de probabilit 1 , on note Z et Z ses bornes. Alors

p({Z z Z }) = 1 = 2(Z ) 1
ou encore
(Z ) = 1
Par consquent,
p({z > Z }) = p({z < Z }) =
Il existe une table (ne figurant pas dans les annexes) qui pour fix donne Z , ce qui permet dobtenir les
bornes dun intervalle centr en 0 dont la probabilit est connue.
Exemple 5.3.7 Pour = 0, 03 on obtient Z = 2, 170090 ce qui signifie
p({2, 17090 Z 2, 17090}) = 0, 97
p({Z > 2, 17090}) = 0, 015
p({Z < 2.17090}) = 0, 015
63
Figure 5.13
5.3.7
Exemples
X 30
N (0, 1).
3
Dterminons les probabilits p({X = 28}), p({X 33}), p({X 27}), p({27 X 33}) et
p({X > 33}).
1. Soient X
N (m = 30, = 3) et sa variable Z centre rduite associe vrifiant Z =
p({X = 28}) = 0.
33 30
X 33 Z
= 1 donc p({X 33}) = p({Z 1}) = (1) = 0, 8413.
3

27 30
{X 27} = Z
= 1 donc p({X 27}) = p({Z 1}) = (1) = 1 (1) =
3
0, 1587.
{27 X 33} = {1 Z 1} par consquent p({27 X 33}) = p({1 Z 1}) =
(1) (1) = 2(1) 1 ce qui donne p({27 X 33}) = 2 0, 8413 1 = 0, 6826.
p({X > 33}) = 1 p({X 33}) = 1 (1) = 0, 1587.
2. Soit une variable alatoire relle dont on sait quelle suit une loi normale. On sait de plus que
p({X 3}) = 0, 5517 et p({X > 7}) = 0, 0166.
Dterminons les paramtres m et de la loi normale que suit X.
N (m, ) Z =
X m
N (0, 1) donc

3m
3m
3m
et p({X 3}) = p
Z
= 0, 5517. Alors
= 0, 5517 or
X3Z
3m
(0, 13) = 0, 5517 donc
= 0, 13.

7m
7m
7m
X>7Z>
et p({X 7}) = 0, 9834 = p
Z
. Ainsi
= 0, 9834 or
7m
(2, 13) = 0, 9834 donc
= 2, 13.
Afin de dterminer m et , on rsout le systme

7 m = 2, 13
4 = 2
= 2
.
3 m = 0, 13
m = 3 0, 13
m = 3 0, 26 = 2, 74
On a X
64
5.3.8
Remarques
X m
N (0, 1) donc :
{m X m + } = {1 Z 1} et p({m X m + }) = (1) (1) =

2(1)1 = 0, 6826. On peut alors affirmer que 68, 26% de la population tudie appartient lintervalle
[m ; m + ].
On sait que X
N (m, ) Z =
{m 2 X m + 2} = {2 Z 2} et p({m 2 X m + 2}) = 2(2) 1 = 0, 9544. On

peut alors affirmer que 95, 44% de la population tudie appartient lintervalle [m 2; m + 2].
{m 3 X m + 3} = {3 Z 3} et p({m 3 X m + 3}) = 2(3) 1 = 0, 9973. On
peut alors affirmer que 99, 73% de la population tudie appartient lintervalle [m 3; m + 3].
5.3.9
Relation entre la fonction de rpartition et la densit de probabilit des loi normale et loi normale centre rduite
Soit X
N (m, ) de densit f . La fonction de rpartition F est dfinie par F (x) = p({X x}) et
vrifie alors la relation
F0 = f
Soit Z
N (0, 1) de fonction de rpartition et de densit g alors

0 = g

xm
xm
On a lgalit {X x} = Z
ainsi que la relation F (x) =
. Par drivation,

1
xm
1
xm
F 0 (x) = 0
f (x) = g
,
ce qui permet lutilisation de la table de densit de probabilit de la loi N (0, 1) pour calculer les valeurs
de la densit de probabilit de N (m, ).

5.3.10
Proprits
Soit X
N (m, ) et k une constante. On a les rsultats suivants :
la variable kX suit une loi normale N (km, |k|),

la variable k + X suit une loi normale N (k + m, ).
5.3.11
Somme de deux variables normales indpendantes
Soient deux variables X1
N (m1 , 1 ) et X2
X1 + X2
N (m2 , 2 ) indpendantes. Alors,

q
N (m1 + m2 , 12 + 22 )
et
X1 X2
N (m1 m2 ,
12 + 22 )
Preuve : Ces proprits sont obtenues en utilisant les rsultats suivants

E(X1 + X2 ) = E(X1 ) + E(X2 ) ; E(X1 X2 ) = E(X1 ) E(X2 )
p
p
(X1 + X2 ) = 2 (X1 ) + 2 (X2 ) ; (X1 X2 ) = 2 (X1 ) + 2 (X2 ).
Plus gnralement, soient n variables alatoires indpendantes deux deux telles que Xi
N (mi , i ),
65
la variable X =
n
X
ai Xi suit une loi normale N (m, )
i=1
de moyenne m =
n
X
v
u n
uX
ai mi et dcart-type = t
a2i i2 .
i=1
i=1
Remarque 5.3.3 Si les Xi suivent la mme loi N (m, ),

p
la variable X = X1 + X
2 + . . . + Xn suit une loi normale de moyenne nm et dcart-type
2 + 2 + . . . + 2 = n 2 = n.
X1 + X2 + . . . + Xn
nm
La variable Y =
suit une loi normale de moyenne
= m, dcart-type .
n
n
n
5.3.12
Approximation dune loi binomiale par une loi normale
Soit une loi binomiale B(n, p) de moyenne m = np, dcart-type = npq.
On montre que lon peut approximer la loi binomiale B(n, p) par la loi normale N (m = np, = npq) si
n 15, p et q tant non voisins de 0. Dans la pratique, lapproximation est admise si n 20, np 10,
nq 10.
Exemple 5.3.8 Soit X
ce cas
B(n = 100; p = 0, 4) avec E(X) = 40 et (X) =
40 0, 6 =
24. On a dans
n = 100 20
np = 40 10
nq = 60 > 10
npq = 24
ce qui implique que X
N (m = 40, =
24). Calculons p({X < 38}).

X 40
On a p({X = 38})B = p({37, 5 X 38, 5})N . Posons Z =
alors
24

1, 5
2, 5
Z
= {0, 510 Z 0, 306}.
{37, 5 X 38, 5} =
24
24
Ainsi, p({X = 38})B = (0, 306) (0, 510) = (0, 510) (0, 306) = 0, 6950 0, 6202 =
0, 0748.
Montrons que (0, 306) = 0, 6202 laide de linterpolation linaire : on a (0, 30) = 0, 6179 et
(0, 31) = 0, 6217 et le tableau suivant
0, 6179
x
0, 6217
0, 30
0, 306
0, 31
0, 306 0, 30
0, 006
x 0, 6179
=
x = 0, 6179 + 0, 0038
= 0, 6202.
0, 6217 0, 6179
0, 31 0, 30
0, 01

38, 5 40
Ensuite, p({X > 38})B = p({X > 38, 5})N et {X > 38, 5} = Z >
. Par consquent,
24
p({X > 38})B = p({X > 38, 5})N = 1 p({X 38, 5})N ou encore
p({X > 38})B = 1 (0, 306) = (0, 306) = 0, 6202.

Enfin, p({X 38})B = p ({X 38, 5})N et {X 38, 5} =

1, 5
p({X 38})B = p
Z
= (0, 306).
24
B

40 38, 5
. Par consquent,
Z
24
66
5.3.13
Rsum sur les approximations de lois
H(N, p, n) B(n, p) pour N > 10n,

B(n, p) P( = np) pour n 30, p 0, 1 et np 10,
B(n, p) N (m = np, =

npq) avec
P( = np) N (m = np, =
n 20
ou
0, 1 < p < 0, 9
np 10
ou npq > 3.
nq 10
npq) pour np 10.
Loi et variable du 2 (Khi-deux) de Pearson
5.4
5.4.1
La distribution du 2
1. On considre n variables indpendantes dune loi normale centre rduite T1 , T2 ,. . . ,Tn . La quantit
T12 + T22 + . . . + Tn2 =
n
X
Ti2
i=1
est une variable alatoire dont la distribution est celle dun 2 n degrs de libert de moyenne et
variance respectives,
E(2n ) = n et V (2n ) = 2n
Lorsque n augmente, la densit f dune loi du 2 ressemble de plus en plus la densit dune loi
normale (voir la Figure 5.14) : La variable 2 est tabule en fonction du nombre n de degrs de libert.
Figure 5.14
La table (voir annexe B) donne pour diffrentes valeurs de , la valeur de x telle que :
P ({2n < x}) = 1
2. Graphiquement, cette valeur est gale la surface grise de la Figure 5.15 :
Exemple 5.4.1 Calculer p({210 > 20, 5}). On rcupre laide de la table, la probabilit p({210 <
20, 5}) = 0, 975. Par consquent, la probabilit recherche p({210 > 20, 5}) est gale 10, 975 = 0, 025.
Remarque 5.4.1 Attention, dautres tables donnent la probabilit , en fonction du nombre de degrs
de libert pour quune variable alatoire X suivant une loi de 2 soit suprieure ou gale une valeur
donne x : = p({X x}).
On a la proprit suivante :
2
5.4. LOI ET VARIABLE DU 2 (KHI-DEUX) DE PEARSON
67
Figure 5.15
Ce 2 admet
une moyenne E(2m+n ) = m + n,
une variance 2 (2m+n ) = 2(m + n)
et ceci par application directe du thorme sur laddition de variables alatoires indpendantes.
5.4.2
Les donnes du problme
Certains tests ont pour objet de tirer des conclusions relatives la valeur des paramtres (moyenne,
frquence, variance) dune ou plusieurs populations, sur la base dinformations partielles fournies par un ou
plusieurs chantillons.
La mme dmarche peut tre applique pour porter un jugement sur les caractristiques encore plus gnrales de la population : la forme mme de distribution du caractre tudi, la validit de sa reprsentation
laide de telle ou telle loi de probabilit particulire, les relations ventuelles entre plusieurs variables.
Concrtement, on dispose dune distribution statistique empirique se prsentant sous la forme dune table
deffectifs ou de frquences du caractre tudi. On dsire savoir si ces effectifs ou ces frquences sont compatibles avec une distribution thorique dtermine telle que la loi binomiale, la loi de Poisson, la loi normale
ou toute autre loi de probabilit. Il sagit en dautres termes dapprcier ladquation dune distribution
thorique particulire, en tant que reprsentation dun phnomne concret observ (srie empirique).
La dmarche consiste donc tester lhypothse selon laquelle notre chantillon serait tir dune population rgie par une certaine loi de probabilit.
Il est vident que, mme si le phnomne tudi suit effectivement la loi de probabilit dont on teste ladquation, les frquences exprimentales (ou empiriques) observes sur un chantillon particulier diffreront
ncessairement peu ou prou des probabilits (frquences que lon devrait thoriquement observer selon la loi
en question).
La problmatique du test revient en dfinitive savoir si les diffrences constates entre la distribution
exprimentale et la distribution thorique suppose sont explicables par lala li la constitution de lchantillon ou si elles sont trop importantes pour tre imputables au seul hasard. En ce cas, cest lhypothse de
travail avance sur la nature de la distribution qui devrait tre mise en cause.
5.4.3
Ajustement dune distribution observe une distribution thorique
Construction du test
1. Les hypothses du test sont les suivantes :
H : X suit la loi thorique L,
68
H1 : X ne suit pas L.
2. La variable observe est :
soit discrte et prend k valeurs x1 , x2 ,. . . ,xk
soit continue et classe en k classes [a0 ; a1 [, [a1 ; a2 [,. . . ,[ak1 ; ak [ de centres respectifs x1 , x2 ,. . . ,xk1 ,
xk .
3. Les N observations de lchantillon sont rparties sur les k valeurs de X (si X est discrte) ou sur les
k classes de X (si X est continue). On a les tableaux suivants :
avec N =
k
X
xi
ni
x1
n1
x2
n2
..
.
..
.
xk
nk
Classes
Centres
xi
Effectifs
ni
[a0 ; a1 [
x1
n1
[a1 ; a2 [
x2
n2
..
.
..
.
..
.
[ak1 ; ak [
xk
nk
ni = n1 + n2 + . . . + nk .
i=1
4. Sous H0 on note pi la probabilit dite thorique dfinie par

pi = p({X = xi /X
L}) si X est discrte,
pi = p({X [ai1 ; ai [/X
L}) si X est continue.
ei = N pi est leffectif thorique de la i-ime classe de X.

5. Lindicateur dcart entre les distributions observes et thoriques est
k
X
(ni N pi )2
i=1
N pi
(1)
dit 2 observ ou calcul. Cet cart suit pour N suffisamment grand une loi du 2 do le nom du test.
Intuitivement, on comprend que cette grandeur statistique traduise lcart entre lchantillon et la
loi conjecture.
Si lajustement tait parfait, cette expression du 2 serait nulle, les effectifs empiriques concidant
exactement avec les effectifs thoriques.
En revanche, plus grands sont les carts entre les effectifs observs et les effectifs thoriques (ni ei )
et plus forte sera la valeur du 2 .
En outre, comme la quantit (1) ne peut pas tre ngative, le test dajustement est ncessairement
un test unilatral droit.
Le paramtre indiant 2 dfinit le nombre de degrs de libert. Cest le nom donn au nombre
dobservations linairement indpendantes qui apparaissent dans une somme de carrs. Autrement dit,
cest le nombre dobservations alatoires indpendantes qui lon soustrait le nombre de contraintes
imposes ces observations.
Le nombre de degrs de libert est gal
si les paramtres de la loi dajustement L sont donns,
69
En effet, aucun paramtre nest estimer puisque la loi dajustement est totalement spcifie. Le 2
est constitu de k carts (ni ei ). Les carts sont relis par la contrainte
X
X
X
X
(ni ei ) =
(ni N pi ) =
ni N
pi = N N = 0
En dautres termes, lorsquon connat la valeur de k 1 carts, on peut en dduire la valeur du
dernier qui nest donc pas libre de varier de manire alatoire,
si la loi dajustement L comporte r paramtres inconnus,
=kr1
On impose de ce fait autant de contraintes supplmentaires entre les observations, diminuant dautant
le nombre de degrs de libert.
Remarque 5.4.2 Le nombre dobservations par classes ne doit pas tre faible, N pi doit tre suprieur
5, i = 1, 2, . . . , k. Dans le cas contraire, on regroupe deux ou plusieurs classes adjacentes de faon
raliser cette condition. On tient compte de ce regroupement pour le nombre de degrs de libert.
6. Pour un risque de premire espce , la rgion critique est dfinie pour
k
X
(ni N pi )2
i=1
N pi
2,1
do la rgle de dcision :
2 observ < 2,1 , on dcide H0 et X
L.
2 observ 2,1 , on dcide H1 et X ne suit pas la loi L.
Exemple 5.4.2 Loi uniforme.
Une statistique relative aux rsultats du concours dentre une grande cole fait ressortir les rpartitions
des candidats et des admis selon la profession des parents.
Profession des candidats
Nombre de candidats
Nombre dadmis
1 Fonctionnaires et assimils
2244
180
2 Commerce, industrie
988
89
3 Professions librales
575
48
4 Propritaires rentiers
423
37
5 Propritaires agricoles
287
13
6 Artisans, petits commerants
210
18
7 Banque, assurance
209
17
Total
4936
402
Question : Tester lhypothse (risque = 0, 05) selon laquelle la profession des parents na pas dinfluence
sur laccs cette grande cole.
Il sagit du test dajustement dune distribution thorique, on considre les hypothses :
H0 : la profession des parents na pas dinfluence sur laccs cette grande cole, la proportion des
402
' 0, 0814.
admis est constante pour toutes les professions soit p =
4936
H1 : la profession des parents influe sur laccs cette grande cole.
70
Ni
ni effectif observ
Ni p effectif thorique
(ni Ni p)2
Ni p
2244
180
2244 402
' 182, 76
4936
0, 0416
988
89
988 402
' 80, 47
4936
0, 9042
575
48
575 402
' 46, 83
4936
0, 0293
423
37
423 402
' 34, 45
4936
0, 1887
287
13
287 402
' 23, 37
4936
4, 6050
210
18
210 402
' 17, 10
4936
0, 0471
209
17
209 402
' 17, 02
4936
'0
Total
4936
402
402
5, 8181
Le 2 observ vaut 5, 8181. Le nombre de degrs de libert est 7 1 = 6. La table de lannexe B fournit
26;0,95 = 12, 59 donc 2 observ < 26/0,95 . On choisit H0 , ce qui signifie que la profession des parents na pas
dinfluence sur laccs cette grande cole.
Exemple 5.4.3 Loi binomiale.
Supposons quon ait recueilli 300 botes contenant chacune trois ampoules. Dans chaque bote, on compte le
nombre dampoules dfectueuses. On obtient les rsultats suivants :
Nombre dampoules
dfectueuses xi
Nombre de botes
observes ni
190
95
10
Total
300
Pour chaque ampoule teste, on peut observer deux tats diffrents : lampoule est dfectueuse ou non. Le
nombre X dampoules dfectueuses par bote suit une loi binomiale de paramtres n = 3 et p.
Dans la distribution observe, le nombre dampoules dfectueuses est de
0 190 + 1 95 + 2 10 + 3 5 = 130
soit 130 ampoules dfectueuses sur un total de 900 ampoules. La proportion dampoules dfectueuses est
130
alors de
' 0, 144. Prenons p = 0, 15 et ralisons alors le test suivant : soit X le nombre dampoules
900
dfectueuses par bote
H0 : X
B(3; 0, 15).
H1 : X ne suit pas cette loi binomiale.

On dtermine les probabilits thoriques :
p0 = p({X = 0/X
B}) = (0, 85)3 ' 0, 6141
p1 = p({X = 1/X
B}) = C31 (0, 15)(0, 85)2 ' 0, 3251
p2 = p({X = 2/X
B}) = C32 (0, 15)2 (0, 85) ' 0, 0574
p3 = p({X = 3/X
B}) = (0, 15)3 ' 0, 0034
71
On a le tableau
xi
effectif
observ
ni
pi
effectif
thorique
N pi
190
0, 6141
184, 23
95
0, 3251
97, 53
10
0, 0574
17, 22
0, 0034
1, 02
Total
N = 300
300
Leffectif thorique de la quatrime classe est faible : 1, 02 < 5. On effectue un regroupement de classes, les
classes 2 et 3.
xi
ni
N pi
(ni N pi )2
N pi
190
184, 23
0, 18071
95
97, 53
0, 06563
2 ou 3
15
18, 24
0, 57553
Total
300
300
0, 82187
Aprs le regroupement, le nombre de classes est 3, le nombre de degrs de libert est 3 1 = 2.

Au risque = 0, 01 on a 22;0,99 = 9, 21. Donc
2 observ = 0, 82187 < 22;0,99 .
On ne rejette pas H0 au profit de H1 . On considre que le nombre dampoules dfectueuses par bote suit
une loi binomiale de paramtres n = 3 et p = 0, 15 au risque = 0, 01.
Exemple 5.4.4 Loi normale.
On suppose que le rendement X (quintaux par hectares dune parcelle de bl) suit une loi normale N (m, ).
Lobservation du rendement de 1000 parcelles a donn les rsultats suivants :
Rendement
[0; 10[
[10; 20[
[20; 30[
[30; 40[
[40; 50[
[50; 60[
[60; 70[
[70; 80[
[80; 90[
Nombre de parcelles
40
168
288
277
165
49
1. Dterminer la moyenne arithmtique et lcart-type de la distribution observe.

X
ni xi
x=
02 =
N
X
i
= 49, 76
ni x2i
x2 = 164, 5424 donc 0 ' 12, 827.
72
2. Vrifier pour un test du 2 avec un risque de 0, 05 si lajustement de la distribution observe une loi
normale N (n = 50, = 13) est acceptable.
Les hypothses du test du 2 sont les suivantes :
H0 : X
N (50, 13)
H1 : X ne suit pas N (50, 13)
On dsigne par [a0 ; a1 [, [a1 ; a2 [,. . . ,[a8 ; a9 [ les classes et par x1 , x2 ,. . . ,x9 les centres de ces classes.
X 50
Sous H0 , X
N (50, 13) et Z =
N (0, 1), donc pi = p({X [ai1 ; ai [}) = (zi ) (zi1 )
13
ai 50
ai1 50
avec zi =
et zi1 =
. Leffectif thorique de la i-me classe est 1000pi et
13
13
X (ni N pi )2
2
N pi
i
(ni N pi )2
N pi
N pi
corrig
ni
corrig
10, 4
11
0, 0346
51, 5
51, 5
40
2, 568
0, 1589
158, 9
158, 9
168
0, 5211
0, 5
0, 2791
279, 1
279, 1
288
0, 283
0, 7692
0, 7791
0, 2791
279, 1
279, 1
277
0, 0158
165
1, 5385
0, 9380
0, 1589
158, 9
158, 9
165
0, 234
[70; 80[
49
2, 3077
0, 9895
0, 0515
51, 5
51, 5
49
0, 1214
[80; 90[
3, 0769
0, 9990
0, 0095
9, 5
9, 5
5, 9211
Total
1000
1000
1000
1000
9, 7
Classe
[xi1 ; xi [
ni
zi
(zi )
pi
N pi
[0; 10[
3, 0769
0, 001
0, 0009
0, 9
[10; 20[
2, 3077
0, 0105
0, 0095
9, 5
[20; 30[
40
1, 5385
0, 0620
0, 0515
[30; 40[
168
0, 7692
0, 2209
[40; 50[
288
[50; 60[
277
[60; 70[
On effectue le regroupement des deux premires classes car N pi < 5. Le 2 observ vaut 9, 7. Aprs
le regroupement, il reste 8 classes, les deux paramtres de la loi normale sont donns, le nombre de
degrs de libert est = (9 1) 1 = 7. laide de la table, on obtient 27;0,95 = 14, 07. Ainsi,
2 observ < 27;0,95 .
On choisit H0 , lajustement de la distribution observe une loi normale N (50, 13) est acceptable.
Exemple 5.4.5 Loi de Poisson.
Souvent, lorsquon envisage une modle pour un phnomne quon tudie, on ne spcifie pas compltement la
loi quon considre. Supposons quon sintresse au nombre de voitures se prsentant par minute un poste
de page sur une autoroute. On peut se demander si cette variable alatoire peut tre modlise par une loi
de Poisson. On souhaite donc tester lhypothse fondamentale
P()
H0 : X
contre lhypothse alternative
H1 : X ne suit pas P().

On ne prcise pas la valeur du paramtre . On peut toutefois lestimer partir des donnes disponibles
mais dans ce cas, r = 1. Le nombre de degrs sera alors = k r 1 = k 2.
On effectue 200 comptages au page.
xi
Total
ni
15
40
42
37
30
10
12
200
73
5.5. LOI DE STUDENT-FISCHER
o xi est le nombre de voitures par minute lors de la i-ime lobservation et ni est leffectif correspondant.
Par exemple, x1 = 0 et n1 = 6 cest--dire que lors de 6 observations, il y a 0 voiture.
La moyenne arithmtique de cette distribution observe est
X
ni xi
727
i
x= X
=
= 3, 635 ' 3, 5
200
ni
i
On peut tester lhypothse
H0 : X
P( = 3, 5).
xi
ni
pi
N pi
N pi corrig
ni corrig
(ni N pi )2
N pi
0, 0302
6, 04
6, 04
0, 00026
15
0, 1057
21, 14
21, 14
15
1, 78333
40
0, 1850
37
37
40
0, 24324
42
0, 2158
43, 16
43, 16
42
0, 03118
37
0, 1888
37, 76
37, 76
37
0, 01530
30
0, 1322
26, 44
26, 44
30
0, 47933
10
0.0771
15, 42
15, 42
10
1, 90508
12
0, 0385
7, 7
7, 7
12
2, 40130
0, 0169
3, 38
5, 34
1, 32502
0, 0098
1, 96
Total
200
200
200
200
8, 18404
On a pi = p({X = xi /X
P(3, 5)}) donc
p0 = p({X = 0/X
P(3, 5)}) = e3,5 ' 0, 0302 et
p1 = p({X = 1/X
P(3, 5)}) = e3,5 3, 5 ' 0, 1057.
On a effectu le regroupement des deux dernires classes car leffectif thorique y est infrieur 5. Aprs ce
regroupement, le nombre de classes est de 9. Le nombre de degrs de libert est 9 1 1 = 7. Au risque
= 0, 01, 27;0,99 = 18, 48 donc
2 observ = 8, 18404 < 27;0,99 .
On ne rejette pas lhypothse H0 et X
5.5
5.5.1
P( = 3, 5) au risque = 0, 01.
Loi de Student-Fischer
Dfinition
La loi de Student est une loi continue qui comme la loi du 2 dpend dun seul paramtre quon
appellera galement degr de libert et quon note ( N? ). La variable X distribue selon cette loi quon
note
X
t
prend toutes ses valeurs dans R. Si Y
N (0, 1) et Z
Y
X = r suit une loi de Student degrs de libert.
Z
2 , Y et Z tant indpendantes, la variable
74
On dit quune variable alatoire relle densit X a une loi de probabilit de Student degrs de libert (n entier > 0) si, et seulement si, sa densit de probabilit est donne par la formule :

+1
2
f (x) =
+1 .

2
x2
2 1 +
Dans cette formule, est la fonction Gamma dEuler dfinie, lorsque la partie relle de x est positive, par :
Z +
(x) =
eu ux1 du.
0
La loi de Student degrs de libert est la loi de probabilit du quotient dune variable normale centre
rduite par la racine carre de la somme des carrs de variables normales centres rduites indpendantes
entre elles et indpendantes de la premire variable.
Pour = 1, la loi de Student sappelle loi de Cauchy, ou loi de Lorentz. Cest la loi du rapport de
deux variables normales centres rduites indpendantes.
5.5.2
Les courbes
Figure 5.16
La courbe est unimodale, centre, symtrique et plus plate que la courbe dune loi normale. Lorsque le
nombre de degrs de libert augmente, la loi de Student tend vers la loi normale N (0, 1) (voir Figure 5.16).
5.5.3
Les moments
Soit X
t , on a
E(X) = 0 et V (X) =
pour > 2.
2
Remarque 5.5.1
Lorsque lesprance existe, elle est nulle, puisque la loi est symtrique autour de 0.
Lorsque = 1 ou = 2, la variance nest pas dtermine.
Lorsque tend vers linfini, la variance tend vers 1.
5.5.4
Les tables
Soit X
que
t . Il existe une table (voir annexe C1) qui fournit les valeurs t,1 pour et donns, telles
75
5.6. LOI DE FISCHER-SNEDECOR
Figure 5.17
Graphiquement, cette probabilit est donne par la surface grise de la Figure 5.17 :
Exemple 5.5.1
= 10, = 0, 1 et X
= 20, = 0, 05 et X
t10 donc p({X < 1, 372}) = 0, 9 et t10;0,9 = 1, 372.

t20 donc p({X < 1, 725}) = 0, 95 et t20;0,95 = 1, 725.
Il existe une autre table (voir annexe C2) qui fournit pour et donns la valeur t, telle que
p({t, < X < t, }) = 1 .
Graphiquement, cette probabilit est donne par la surface grise de la Figure 5.18 :
Figure 5.18
On remarque alors que p({X < t, }) = p({X > t, }) =
1 (1 )
= .
2
2
Exemple 5.5.2 = 12, = 0, 4 et t12;0,4 = 0, 873 donc p({0, 873 < X < 0, 873}) = 0, 6 et p({X <
0, 873}) = p({X > 0, 873}) = 0, 2.
5.6
5.6.1
Loi de Fischer-Snedecor
Dfinition
1. La loi de Fischer-Snedecor est une loi continue dpendant de deux paramtres nots 1 et 2 , entiers
naturels non nuls. La variable X distribue selon cette loi prend toutes ses valeurs dans R+? ou dans
R+ .
Y
Si Y
21 et Z
22 , Y et Z tant indpendantes, la variable X = 1 suit une loi de FischerZ
2
Snedecor. On note
76
La loi F de Fischer-Snedecor (1 , 2 ) degrs de libert est la loi de probabilit du rapport de deux

variables de khi-deux indpendantes divises par leurs nombres de degrs de libert (1 pour le numrateur, 2 pour le dnominateur).
Pour 1 = 1, la loi F de Fischer-Snedecor (1,2 ) degrs de libert est la loi de probabilit du carr
dune variable de Student 2 degrs de libert.
2. La densit de probabilit est, par dfinition :

1 + 2
1
1
2
x 2 1
2
?
2
2

f(1 ,2 ) (x) = 1 2
1 +2 pour x > 0, 1 et 2 N .
1
2
(1 x + 2 ) 2
2
2
Dans cette formule, est la fonction Gamma dEuler dfinie, lorsque la partie relle de x est positive,
par :
Z +
(x) =
eu ux1 du.
0
La fonction f(1 ,2 ) est bien une densit de probabilit sur ]0; +[, car :
ses valeurs sont positives,
la fonction est intgrable et son intgrale est donne par :
Z +
1
Z +
1 +2
1
2
x 2 1
2
2
2

f(1 ,2 ) (x)dx = 1 2
1 +2 dx.
21 22 0
0
(1 x + 2 ) 2
1
Z +
x 2 1
1 x
n2 dt
Pour calculer lintgrale I =
dx =
. De
1 +2 dx, on pose t =
1 x + 2
n1 1 t2
0
(1 x + 2 ) 2
1
plus, 1 x + 2 = 2
ce qui implique que lorsque x = 0, t = 0 et lorsque x tend vers linfini, t
1t
tend vers 1. Par consquent,
1 1
1 +2
Z 1
Z 1
2
2
1
2
2 t
1t
2 dt
21 22
1
1
2
2
I=
t
=
(1
t)
dt.
1
2
1 1 t
2
1 (1 t)2
0
0
Dans lintgrale, on reconnat la fonction Beta dEuler dfinie, lorsque les parties relles de x et de y
sont positives, par :
Z 1
(x)(y)
B(x, y) =
ux1 (1 u)y1 du =
(x + y)
0
Z 1

1
2
1
2
donc
t 2 1 (1 t) 2 1 dt = B
,
ce qui implique que
2 2
0

Z +
1
2
2
1
2
1 +
21 22 2 2
2
2
2

= 1.
f(1 ,2 ) (x)dx = 1 2
2
2
21 22 1
1 +
0
2
Lintgrale de f(1 ,2 ) est bien gale 1, ce qui montre que f(1 ,2 ) est bien une densit de probabilit.
1
1
3. Si X
F (1 , 2 ) la variable
F (2 , 1 ) donc F (1 , 2 , 1 ) =
.
X
F (2 , 1 , )
5.6.2
Les courbes
On a reprsent ci-dessus (Figure 5.19) la loi F de Fischer-Snedecor pour diverses valeurs de 1 et de 2 .
5.6.3
Les moments
Soit X
F (1 , 2 ).
Pour 2 > 2, lesprance est dfinie par
77
5.7. EXERCICES
Figure 5.19
E(X) =
2
2 2
Remarque 5.6.1 Pour 2 2, lesprance nest pas dtermine.

Pour 2 > 4, la variance est dfinie par
V (X) =
222 (1 + 2 2)
1 (2 2)2 (2 4)
Remarque 5.6.2 Pour 2 4, la variance nest pas dtermine.
5.6.4
Les tables
Soit X
F (1 , 2 ). La table (voir annexe D) fournit, pour = 0, 025, pour 1 et 2 donns, les valeurs
F1 ,2 ,1 telles que p({X < F1 ,2 ,1 }) = 1 . Cette table sert la comparaison des variances de deux
populations partir de deux chantillons.
5.7
Exercices

Exercice 57 Une entreprise de transport a un parc total de 150 camions. On dsigne par X la variable
alatoire qui chaque camion choisi au hasard dans le parc, associe la distance quil a parcourue dans une
journe (les distances sont mesures en kilomtres). Un tude statistique permet dadmettre que cette variable alatoire X suit une loi normale de moyenne 120 et dcart-type 14.
Dterminer 104 prs la probabilit quun camion parcourt un jour donn une distance comprise entre 110
et 130 kilomtres (utiliser ventuellement une interpolation affine).

Exercice 58
1. Statistique - Avant daccepter un contrat de livraison de vhicules, une socit dquipements automobiles tablit une statistique de production journalire sur 100 jours. Le nombre de vhicules quips
journellement se rpartit comme suit :
Production journalire
de vhicules quips
95
96
97
98
99
100
Nombre de jours
1
3
6
8
10
13
Production journalire
de vhicules quips
102
103
104
105
106
107
Nombre de jours
14
9
8
6
2
2
78
Dterminer la valeur moyenne de la production journalire et une valeur approche 102 prs de
lcart-type de cette production.
2. Probabilits - La production exige par le contrat est de 100 vhicules quips au moins par jour,
pendant 100 jours de travail conscutif. chaque journe on associe le nombre de vhicules quips
que lon suppose indpendant du nombre obtenu chacun des autres jours. On dfinit ainsi une variable
alatoire X. On admet que la variable alatoire discrte X peut tre approche par la loi normale de
paramtres m = 101 et = 2.59. On note Y une variable alatoire suivant la loi N (101; 2, 59).
Calculer la probabilit de lvnement le contrat est rempli, cest--dire p({Y 99, 5}).

Exercice 59 On jette 10 fois de suite une pice de monnaie bien quilibre en notant chaque fois le
rsultat, ce qui constitue une partie.
1. On note X la variable alatoire qui chaque partie associe le nombre de face obtenu.
(a) Justifier que la loi de probabilit suivie par la variable X est une loi binomiale (on prcisera les
paramtres de cette loi).
(b) Calculer la probabilit de lvnement E :
le nombre de face est compris entre 3 et 6 (bornes incluses).
2. On dcide dapprocher la loi de variable alatoire discrte X par la loi normale de paramtres m et .
(a) Expliquer pourquoi on prend m = 5 et = 2, 5.
(b) On considre une variable alatoire Y suivant une la loi N (5; 2, 5). En utilisant cette approximation, calculer la probabilit de lvnement :
le nombre de face est compris entre 3 et 6 (bornes incluses)
cest--dire p{(2, 5 Y 6, 5}).

Exercice 60 Une entreprise fabrique des imprimantes de modle PRINT et constate que le nombre de
commandes journalires dfinit une variable alatoire Y dont la loi peut tre approche par la loi normale
de paramtres m = 80 et = 60. On dsigne par Z la variable alatoire qui, chaque mois de 25 jours
ouvrables, associe le nombre dunits du modle PRINT demand. Il y a indpendance entre les commandes
journalires.
1. Montrer que la loi de Z peut tre approche par la loi normale N (2000, 300).
Lentreprise a en stock, au dbut du mois, 2300 units. Quelle est la probabilit quelle ne puisse
satisfaire la demande ?
2. On veut que la probabilit quelle ne puisse satisfaire la demande soit infrieure 0, 05. Quel doit
tre le nombre minimal dunits que lentreprise doit stocker en dbut de mois ?

Exercice 61 La variable alatoire X suit une loi normale N (20, 5). Calculer
1. p({X 28})
2. p({X 28})
3. p({X 12})
4. p({X 12})
5. p({12 X 28})

Exercice 62 Pour mesurer limpact dun rgime amaigrissant, un club a choisi au hasard un chantillon de
5 individus avant le rgime, et un chantillon de 5 autres individus aprs. Les masses corporelles se prsentent
ainsi :
Avant
84
92
72
91
84
79
5.7. EXERCICES
1. Dterminer un intervalle de confiance 95% pour :

(a) la masse corporelle moyenne avant le rgime,
(b) la masse corporelle moyenne aprs le rgime,
(c) la perte moyenne de masse corporelle durant le rgime.
2. Tout compte fait, on a dcid quil aurait peut-tre t plus adapt de peser les mmes individus avant
et aprs le rgime. On a obtenu :
Individu
Avant
84
92
72
91
84
Aprs
81
88
74
81
90
Sur la base de cet chantillon, dterminer un intervalle de confiance 95% pour la perte moyenne de
masse corporelle durant le rgime. Conclusion ?

Exercice 63 Un laboratoire veut fabriquer des pilules se composant de deux substances A et B. Pour
chaque pilule de la fabrication, on considre les masses a et b respectivement des 2 substances A et B qui
la constituent. On dsigne par X et Y respectivement les variables alatoires qui associent chaque pilule
la masse a et la masse b des substances de cette pilule. On suppose que ces variables sont indpendantes et
suivent des lois normales de moyennes respectives mX = 8, 55 mg et mY = 5, 20 mg et de mme cart-type
X = Y = 0, 05 mg.
1. Dterminer les probabilits p({8, 45 X 8, 70}) et p({5, 07 Y 5, 33}).
2. Les normes imposes pour la fabrication sont les suivantes : 8, 45 a 8, 70 et 5, 07 b 5, 33
(a) Calculer le pourcentage de pilules qui seront hors normes la sortie de la chane de fabrication.
(b) En dduire que le procd de fabrication ne peut tre retenu si on veut que le pourcentage de
pilules dfectueuses ne dpasse pas 3%. On modifie alors la fabrication de la substance B. La
moyenne de Y ne change pas mais son cart-type est modifi. Trouver la valeur minimum de ce
nouvel cart-type pour que le pourcentage de pices dfecteuses soit infrieur 3%.
3. (a) Dterminer la moyenne et lcart-type de la variable alatoire S qui associe chaque pilule sa
masse totale, les variables X et Y gardant leurs caractristiques de la question 1.
(b) On admet que S est encore une variable alatoire normale dont les paramtres sont ceux calculs
prcdemment. Calculer p({13, 6 S 13, 8}).
4. On assure le conditionnement des pilules par botes de 100 units. Une bote est constitue partir
dun tirage au hasard dans un stock assez grand pour quon puisse estimer que les tirages successifs
se font avec remises. On dsigne par Z la variable alatoire qui, chaque bote associe le nombre de
pilules hors normes au sens de la question 2.(a). On pourra prendre pour probabilit p dune pilule
hors-norme p = 0, 01.
(a) Dans ces conditions, montrer que Z est une variable binomiale dont on prcisera les paramtres.
(b) Dire pourquoi on peut approcher cette variable par une loi de Poisson. En utilisant cette loi,
donner une valeur approximative de p({Z 5}).
5. On dsigne par U la variable alatoire qui chaque bote associe le nombre de pilules dont la masse
totale est suprieure 13, 8. L aussi, on peut supposer que U est une variable binomiale de paramtres
n et p.
(a) Calculer p.
(b) Dire pourquoi on peut approcher U par une variable normale. laide de cette approximation,
donner une valeur approche de p({U {70, 71, . . . , 85}}).
80
ANNEXE A - Fonction de rpartition de la loi normale centre rduite N (0, 1).

Cette table donne (x) = p({X x}) pour X
N (0, 1) :
0, 00
0, 01
0, 02
0, 03
0, 04
0, 05
0, 06
0, 07
0, 08
0, 09
0, 0
0, 1
0, 2
0, 3
0, 4
0, 5000
0, 5398
0, 5793
0, 6179
0, 6554
0, 5040
0, 5438
0, 5832
0, 6217
0, 6591
0, 5080
0, 5478
0, 5871
0, 6255
0, 6628
0, 5120
0, 5517
0, 5910
0, 6293
0, 6664
0, 5160
0, 5557
0, 5948
0, 6331
0, 6700
0, 5199
0, 5596
0, 5987
0, 6368
0, 6736
0, 5239
0, 5636
0, 6026
0, 6406
0, 6772
0, 5279
0, 5675
0, 6064
0, 6443
0, 6808
0, 5319
0, 5714
0, 6103
0, 6480
0, 6844
0, 5359
0, 5753
0, 6141
0, 6517
0, 6879
0, 5
0, 6
0, 7
0, 8
0, 9
0, 6915
0, 7257
0, 7580
0, 7881
0, 8159
0, 6950
0, 7291
0, 7611
0, 7910
0, 8186
0, 6985
0, 7324
0, 7642
0, 7939
0, 8212
0, 7019
0, 7357
0, 7673
0, 7967
0, 8238
0, 7054
0, 7389
0, 7704
0, 7995
0, 8264
0, 7088
0, 7422
0, 7734
0, 8023
0, 8289
0, 7123
0, 7454
0, 7764
0, 8051
0, 8315
0, 7157
0, 7486
0, 7794
0, 8078
0, 8340
0, 7190
0, 7517
0, 7823
0, 8106
0, 8365
0, 7224
0, 7549
0, 7852
0, 8133
0, 8389
1, 0
1, 1
1, 2
1, 3
1, 4
0, 8413
0, 8643
0, 8849
0, 9032
0, 9192
0, 8438
0, 8665
0, 8869
0, 9049
0, 9207
0, 8461
0, 8686
0, 8888
0, 9066
0, 9222
0, 8485
0, 8708
0, 8907
0, 9082
0, 9236
0, 8508
0, 8729
0, 8925
0, 9099
0, 9251
0, 8531
0, 8749
0, 8944
0, 9115
0, 9265
0, 8554
0, 8770
0, 8962
0, 9131
0, 9279
0, 8577
0, 8790
0, 8980
0, 9147
0, 9292
0, 8599
0, 8810
0, 8997
0, 9162
0, 9306
0, 8621
0, 8830
0, 9015
0, 9177
0, 9319
1, 5
1, 6
1, 7
1, 8
1, 9
0, 9332
0, 9452
0, 9554
0, 9641
0, 9713
0, 9345
0, 9463
0, 9564
0, 9649
0, 9719
0, 9357
0, 9474
0, 9573
0, 9656
0, 9726
0, 9370
0, 9484
0, 9582
0, 9664
0, 9732
0, 9382
0, 9495
0, 9591
0, 9671
0, 9738
0, 9394
0, 9505
0, 9599
0, 9678
0, 9744
0, 9406
0, 9515
0, 9608
0, 9686
0, 9750
0, 9418
0, 9525
0, 9616
0, 9693
0, 9756
0, 9429
0, 9535
0, 9625
0, 9699
0, 9761
0, 9441
0, 9545
0, 9633
0, 9706
0, 9767
2, 0
2, 1
2, 2
2, 3
2, 4
0, 9772
0, 9821
0, 9861
0, 9893
0, 9918
0, 9778
0, 9826
0, 9864
0, 9896
0, 9920
0, 9783
0, 9830
0, 9868
0, 9898
0, 9922
0, 9788
0, 9834
0, 9871
0, 9901
0, 9925
0, 9793
0, 9838
0, 9875
0, 9904
0, 9927
0, 9798
0, 9842
0, 9878
0, 9906
0, 9929
0, 9803
0, 9846
0, 9881
0, 9909
0, 9931
0, 9808
0, 9850
0, 9884
0, 9911
0, 9932
0, 9812
0, 9854
0, 9887
0, 9913
0, 9934
0, 9817
0, 9857
0, 9890
0, 9916
0, 9936
2, 5
2, 6
2, 7
2, 8
2, 9
0, 9938
0, 9953
0, 9965
0, 9974
0, 9981
0, 9940
0, 9955
0, 9966
0, 9975
0, 9982
0, 9941
0, 9956
0, 9967
0, 9976
0, 9982
0, 9943
0, 9957
0, 9968
0, 9977
0, 9983
0, 9945
0, 9959
0, 9969
0, 9977
0, 9984
0, 9946
0, 9960
0, 9970
0, 9978
0, 9984
0, 9948
0, 9961
0, 9971
0, 9979
0, 9985
0, 9949
0, 9962
0, 9972
0, 9979
0, 9985
0, 9951
0, 9963
0, 9973
0, 9980
0, 9986
0, 9952
0, 9964
0, 9974
0, 9981
0, 9986
3, 0
3, 1
3, 2
3, 3
3, 4
0, 9987
0, 9990
0, 9993
0, 9995
0, 9997
0, 9987
0, 9991
0, 9993
0, 9995
0, 9997
0, 9987
0, 9991
0, 9994
0, 9995
0, 9997
0, 9988
0, 9991
0, 9994
0, 9996
0, 9997
0, 9988
0, 9992
0, 9994
0, 9996
0, 9997
0, 9989
0, 9992
0, 9994
0, 9996
0, 9997
0, 9989
0, 9992
0, 9994
0, 9996
0, 9997
0, 9989
0, 9992
0, 9995
0, 9996
0, 9997
0, 9990
0, 9993
0, 9995
0, 9996
0, 9997
0, 9990
0, 9993
0, 9995
0, 9997
0, 9998
81
5.7. EXERCICES
ANNEXE B - Probabilits individuelles de la loi du 2 ,

Cette table donne les valeurs (quantiles) 2,1 telles que p({2 < 2,1 }) = 1 :
PP
PP 1
PP
P
P
0, 005
0, 010
0, 025
0, 050
0, 100
0, 900
0, 950
0, 975
0, 990
0, 995
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
0, 0000393
0, 0100
0, 072
0, 207
0, 412
0, 676
0, 989
1, 34
1, 73
2, 16
2, 60
3, 07
3, 57
4, 07
4, 60
5, 14
5, 70
6, 26
6, 84
7, 43
8, 03
8, 64
9, 26
9, 89
10, 52
11, 16
11, 81
12, 46
13, 12
13, 79
20, 71
27, 99
35, 53
43, 28
51, 17
59, 20
67, 33
0, 000157
0, 0201
0, 115
0, 297
0, 554
0, 872
1, 24
1, 65
2, 09
2, 56
3, 05
3, 57
4, 11
4, 66
5, 23
5, 81
6, 41
7, 01
7, 63
8, 26
8, 90
9, 54
10, 20
10, 86
11, 52
12, 20
12, 88
13, 56
14, 26
14, 95
22, 16
29, 71
37, 48
45, 44
53, 54
61, 75
70, 06
0, 000982
0, 0506
0, 216
0, 484
0, 831
1, 24
1, 69
2, 18
2, 70
3, 25
3, 82
4, 40
5, 01
5, 63
6, 26
6, 91
7, 56
8, 23
8, 91
9, 59
10, 28
10, 98
11, 69
12, 40
13, 12
13, 84
14, 57
15, 31
16, 05
16, 79
24, 43
32, 36
40, 48
48, 76
57, 15
65, 65
74, 22
0, 00393
0, 103
0, 352
0, 711
1, 145
1, 64
2, 17
2, 73
3, 33
3, 94
4, 57
5, 23
5, 89
6, 57
7, 26
7, 96
8, 67
9, 39
10, 12
10, 85
11, 59
12, 34
13, 09
13, 85
14, 61
15, 38
16, 15
16, 93
17, 71
18, 49
26, 51
34, 76
43, 19
51, 74
60, 39
69, 13
77, 93
0, 0158
0, 211
0, 584
1, 064
1, 61
2, 20
2, 83
3, 49
4, 17
4, 87
5, 58
6, 30
7, 04
7, 79
8, 55
9, 31
10, 09
10, 86
11, 65
12, 44
13, 24
14, 04
14, 85
15, 66
16, 47
17, 29
18, 11
18, 94
19, 77
20, 60
29, 05
37, 69
46, 46
55, 33
64, 28
73, 29
82, 36
2, 71
4, 61
6, 25
7, 78
9, 24
10, 64
12, 02
13, 36
14, 68
15, 99
17, 28
18, 55
19, 81
21, 06
22, 31
23, 54
24, 77
25, 99
27, 20
28, 41
29, 62
30, 81
32, 01
33, 20
34, 38
35, 56
36, 74
37, 92
39, 09
40, 26
51, 81
63, 17
74, 40
85, 53
96, 58
107, 6
118, 5
3, 84
5, 99
7, 81
9, 49
11, 07
12, 59
14, 07
15, 51
16, 92
18, 31
19, 68
21, 03
22, 36
23, 68
25, 00
26, 30
27, 59
28, 87
30, 14
31, 41
32, 67
33, 92
35, 17
36, 42
37, 65
38, 89
40, 11
41, 34
42, 56
43, 77
55, 76
67, 50
79, 08
90, 53
101, 9
113, 1
124, 3
5, 02
7, 38
9, 35
11, 14
12, 83
14, 45
16, 01
17, 53
19, 02
20, 48
21, 92
23, 34
24, 74
26, 12
27, 49
28, 85
30, 19
31, 53
32, 85
34, 17
35, 48
36, 78
38, 08
39, 36
40, 65
41, 92
43, 19
44, 46
45, 72
46, 98
59, 34
71, 42
83, 30
95, 02
106, 6
118, 1
129, 6
6, 63
9, 21
11, 34
13, 28
15, 09
16, 81
18, 48
20, 09
21, 67
23, 21
24, 73
26, 22
27, 69
29, 14
30, 58
32, 00
33, 41
34, 81
36, 19
37, 57
38, 93
40, 29
41, 64
42, 98
44, 31
45, 64
46, 96
48, 28
49, 59
50, 89
63, 69
76, 15
88, 38
100, 4
112, 3
124, 1
135, 8
7, 88
10, 60
12, 84
14, 86
16, 75
18, 55
20, 28
21, 96
23, 59
25, 19
26, 76
28, 30
29, 82
31, 32
32, 80
34, 27
35, 72
37, 16
38, 58
40, 00
41, 40
42, 80
44, 18
45, 56
46, 93
48, 29
49, 64
50, 99
52, 34
53, 67
66, 77
79, 49
91, 95
104, 2
116, 3
128, 3
140, 2
82
ANNEXE C1 - Probabilits individuelles et cumules de la loi de Student-Fischer t, ,

Cette table donne les valeurs (quantiles) t,1 telles que p({t < t,1 }) = 1 :
PP
PP 1 0, 55
PP
P
P
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
80
120
0, 158
0, 142
0, 137
0, 134
0, 132
0, 131
0, 130
0, 130
0, 129
0, 129
0, 129
0, 128
0, 128
0, 128
0, 128
0, 128
0, 128
0, 127
0, 127
0, 127
0, 127
0, 127
0, 127
0, 127
0, 127
0, 127
0, 127
0, 127
0, 127
0, 127
0, 126
0, 126
0, 126
0, 126
0, 60
0, 65
0, 70
0, 75
0, 80
0, 85
0, 90
0, 95
0, 975
0, 99
0, 995
0, 9995
0, 325
0, 289
0, 277
0, 271
0, 267
0, 265
0, 263
0, 262
0, 261
0, 260
0, 260
0, 259
0, 259
0, 258
0, 258
0, 258
0, 257
0, 257
0, 257
0, 257
0, 257
0, 256
0, 256
0, 256
0, 256
0, 256
0, 256
0, 256
0, 256
0, 256
0, 255
0, 254
0, 254
0, 253
0, 510
0, 445
0, 424
0, 414
0, 408
0, 404
0, 402
0, 399
0, 398
0, 397
0, 396
0, 395
0, 394
0, 393
0, 393
0, 392
0, 392
0, 392
0, 391
0, 391
0, 391
0, 390
0, 390
0, 390
0, 390
0, 390
0, 389
0, 389
0, 389
0, 389
0, 388
0, 387
0, 386
0, 385
0, 727
0, 617
0, 584
0, 569
0, 559
0, 553
0, 549
0, 546
0, 543
0, 542
0, 540
0, 539
0, 538
0, 537
0, 536
0, 535
0, 534
0, 534
0, 533
0, 533
0, 532
0, 532
0, 532
0, 531
0, 531
0, 531
0, 531
0, 530
0, 530
0, 530
0, 529
0, 527
0, 526
0, 524
1, 000
0, 816
0, 765
0, 741
0, 727
0, 718
0, 711
0, 706
0, 703
0, 700
0, 697
0, 695
0, 694
0, 692
0, 691
0, 690
0, 689
0, 688
0, 688
0, 687
0, 686
0, 686
0, 685
0, 685
0, 684
0, 684
0, 684
0, 683
0, 683
0, 683
0, 681
0, 679
0, 677
0, 674
1, 376
1, 061
0, 978
0, 941
0, 920
0, 906
0, 896
0, 889
0, 883
0, 879
0, 876
0, 873
0, 870
0, 868
0, 866
0, 865
0, 863
0, 862
0, 861
0, 860
0, 859
0, 858
0, 858
0, 857
0, 856
0, 856
0, 855
0, 855
0, 854
0, 854
0, 851
0, 848
0, 845
0, 842
1, 963
1, 386
1, 250
1, 190
1, 156
1, 134
1, 119
1, 108
1, 100
1, 093
1, 088
1, 083
1, 079
1, 076
1, 074
1, 071
1, 069
1, 067
1, 066
1, 064
1, 063
1, 061
1, 060
1, 059
1, 058
1, 058
1, 057
1, 056
1, 055
1, 055
1, 050
1, 046
1, 041
1, 036
3, 078
1, 886
1, 638
1, 533
1, 476
1, 440
1, 415
1, 397
1, 383
1, 372
1, 363
1, 356
1, 350
1, 345
1, 341
1, 337
1, 333
1, 330
1, 328
1, 325
1, 323
1, 321
1, 319
1, 318
1, 316
1, 315
1, 314
1, 313
1, 311
1, 310
1, 303
1, 296
1, 289
1, 282
6, 314
2, 920
2, 353
2, 132
2, 015
1, 943
1, 895
1, 860
1, 833
1, 812
1, 796
1, 782
1, 771
1, 761
1, 753
1, 746
1, 740
1, 734
1, 729
1, 725
1, 721
1, 717
1, 714
1, 711
1, 708
1, 706
1, 703
1, 701
1, 699
1, 697
1, 684
1, 671
1, 658
1, 645
12, 706
4, 303
3, 182
2, 776
2, 571
2, 447
2, 365
2, 306
2, 262
2, 228
2, 201
2, 179
2, 160
2, 145
2, 131
2, 120
2, 110
2, 101
2, 093
2, 086
2, 080
2, 074
2, 069
2, 064
2, 060
2, 056
2, 052
2, 048
2, 045
2, 042
2, 021
2, 000
1, 980
1, 960
31, 821
6, 965
4, 541
3, 747
3, 365
3, 143
2, 998
2, 896
2, 821
2, 764
2, 718
2, 681
2, 650
2, 624
2, 602
2, 583
2, 567
2, 552
2, 539
2, 528
2, 518
2, 508
2, 500
2, 492
2, 485
2, 479
2, 473
2, 467
2, 462
2, 457
2, 423
2, 390
2, 358
2, 326
63, 657
9, 925
5, 841
4, 604
4, 032
3, 707
3, 499
3, 355
3, 250
3, 169
3, 106
3, 055
3, 012
2, 977
2, 947
2, 921
2, 898
2, 878
2, 861
2, 845
2, 831
2, 819
2, 807
2, 797
2, 787
2, 779
2, 771
2, 763
2, 756
2, 750
2, 704
2, 660
2, 617
2, 576
635, 619
31, 598
12, 924
8, 610
6, 869
5, 959
5, 408
5, 041
4, 781
4, 587
4, 437
4, 318
4, 221
4, 150
4, 073
4, 015
3, 965
3, 922
3, 883
3, 850
3, 819
3, 792
3, 767
3, 745
3, 725
3, 707
3, 690
3, 674
3, 659
3, 648
3, 551
3, 460
3, 373
3, 291
83
5.7. EXERCICES
ANNEXE C2 - Probabilits individuelles et cumules de la loi de Student-Fischer t, .

Cette table donne les valeurs t, telles que p({t, < t < +t, }) = 1 :
HH
0, 90
HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
80
120
0, 158
0, 142
0, 137
0, 134
0, 132
0, 131
0, 130
0, 130
0, 129
0, 129
0, 129
0, 128
0, 128
0, 128
0, 128
0, 128
0, 128
0, l27
0, l27
0, l27
0, l27
0, l27
0, l27
0, l27
0, l27
0, l27
0, l27
0, l27
0, l27
0, l27
0, l26
0, l26
0, l26
0, l26
0, 80
0, 70
0, 60
0, 50
0, 40
0, 30
0, 20
0, 10
0, 05
0, 02
0, 01
0, 001
0, 325
0, 289
0, 277
0, 271
0, 267
0, 265
0, 263
0, 262
0, 261
0, 260
0, 260
0, 259
0, 259
0, 258
0, 258
0, 258
0, 257
0, 257
0, 257
0, 257
0, 257
0, 256
0, 256
0, 256
0, 256
0, 256
0, 256
0, 256
0, 256
0, 256
0, 255
0, 254
0, 254
0, 253
0, 510
0, 445
0, 424
0, 414
0, 408
0, 404
0, 402
0, 399
0, 398
0, 397
0, 396
0, 395
0, 394
0, 393
0, 393
0, 392
0, 392
0, 392
0, 391
0, 391
0, 391
0, 390
0, 390
0, 390
0, 390
0, 390
0, 389
0, 389
0, 389
0, 389
0, 388
0, 387
0, 386
0, 385
0, 727
0, 617
0, 584
0, 569
0, 559
0, 553
0, 549
0, 546
0, 543
0, 542
0, 540
0, 539
0, 538
0, 537
0, 536
0, 535
0, 534
0, 534
0, 533
0, 533
0, 532
0, 532
0, 532
0, 531
0, 531
0, 531
0, 531
0, 530
0, 530
0, 530
0, 529
0, 527
0, 526
0, 524
1, 000
0, 816
0, 765
0, 741
0, 727
0, 718
0, 711
0, 706
0, 703
0, 700
0, 697
0, 695
0, 694
0, 692
0, 691
0, 690
0, 689
0, 688
0, 688
0, 687
0, 686
0, 686
0, 685
0, 685
0, 684
0, 684
0, 684
0, 683
0, 683
0, 683
0, 681
0, 679
0, 677
0, 674
1, 376
1, 061
0, 978
0, 941
0, 920
0, 906
0, 896
0, 889
0, 883
0, 879
0, 876
0, 873
0, 870
0, 868
0, 866
0, 865
0, 863
0, 862
0, 861
0, 860
0, 859
0, 858
0, 858
0, 857
0, 856
0, 856
0, 855
0, 855
0, 854
0, 854
0, 851
0, 848
0, 845
0, 842
1, 963
1, 386
1, 250
1, 190
1, 156
1, 134
1, 119
1, 108
1, 100
1, 093
1, 088
1, 083
1, 079
1, 076
1, 074
1, 071
1, 069
1, 067
1, 066
1, 064
1, 063
1, 061
1, 060
1, 059
1, 058
1, 058
1, 057
1, 056
1, 055
1, 055
1, 050
1, 046
1, 041
1, 036
3, 078
1, 886
1, 638
1, 533
1, 476
1, 440
1, 415
1, 387
1, 383
1, 372
1, 363
1, 356
1, 350
1, 345
1, 341
1, 337
1, 333
1, 330
1, 328
1, 325
1, 323
1, 321
1, 319
1, 318
1, 316
1, 315
1, 314
1, 313
1, 311
1, 310
1, 303
1, 296
1, 289
1, 282
6, 314
2, 920
2, 353
2, 132
2, 015
1, 943
1, 895
1, 860
1, 833
1, 812
1, 796
1, 782
1, 771
1, 761
1, 753
1, 745
1, 740
1, 734
1, 729
1, 725
1, 721
1, 717
1, 714
1, 711
1, 708
1, 706
1, 703
1, 701
1, 699
1, 697
1, 684
1, 671
1, 658
1, 645
12, 706
4, 303
3, 182
2, 776
2, 571
2, 447
2, 365
2, 306
2, 262
2, 228
2, 201
2, 179
2, 160
2, 145
2, 131
2, 120
2, 110
2, 101
2, 093
2, 086
2, 080
2, 074
2, 069
2, 064
2, 060
2, 056
2, 052
2, 048
2, 045
2, 042
2, 021
2, 000
1, 980
1, 940
31, 821
6, 965
4, 541
3, 747
3, 365
3, 143
2, 998
2, 896
2, 821
2, 764
2, 718
2, 681
2, 650
2, 624
2, 602
2, 583
2, 567
2, 552
2, 539
2, 528
2, 518
2, 508
2, 500
2, 492
2, 485
2, 479
2, 473
2, 467
2, 462
2, 457
2, 423
2, 390
2, 358
2, 326
63, 657
9, 925
5, 841
4, 604
4, 032
3, 707
3, 499
3, 355
3, 250
3, 169
3, 106
3, 055
3, 012
2, 977
2, 947
2, 921
2, 898
2, 878
2, 861
2, 845
2, 831
2, 819
2, 807
2, 797
2, 787
2, 779
2, 771
2, 763
2, 756
2, 750
2, 704
2, 660
2, 617
2, 576
636, 619
31, 598
12, 929
8, 610
6, 869
5, 959
5, 408
5, 041
4, 781
4, 587
4, 437
4, 318
4, 221
4, 140
4, 073
4, 015
3, 965
3, 922
3, 883
3, 850
3, 819
3, 792
3, 767
3, 745
3, 725
3, 707
3, 690
3, 674
3, 649
3, 656
3, 551
3, 460
3, 373
3, 291
647,8
38,51
17,44
12,22
10,01
8,81
8,07
7,57
7,21
6,94
6,72
6,55
6,41
6,30
6,20
6,12
6,04
5,98
5,90
5,87
5,83
5,79
5,75
5,72
5,69
5,66
5,63
5,61
5,59
5,57
5,42
5,29
5,15
5,02
PP
P P 1
2
PP
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
799,5
39,00
16,04
10,65
8,43
7,26
6,54
6,06
5,71
5,46
5,26
5,10
4,97
4,86
4,77
4,69
4,62
4,56
4,51
4,46
4,42
4,38
4,35
4,32
4,29
4,27
4,24
4,22
4,20
4,18
4,05
3,93
3,80
3,69
864,2
39,17
15,44
9,98
7,76
6,60
5,89
5,42
5,08
4,83
4,63
4,47
4,35
4,24
4,15
4,08
4,01
3,95
3,90
3,86
3,82
3,78
3,75
3,72
3,69
3,67
3,65
3,63
3,61
3,59
3,46
3,34
3,23
3,12
899,6
39,25
15,10
9,60
7,39
6,23
5,52
5,05
4,72
4,47
4,28
4,12
4,00
3,89
3,80
3,73
3,66
3,61
3,56
3,51
3,48
3,44
3,41
3,38
3,35
3,33
3,31
3,29
3,27
3,25
3,13
3,01
2,89
2,79
4
921,8
39,30
14,88
9,36
7,15
5,99
5,29
4,82
4,48
4,24
4,04
3,89
3,77
3,66
3,58
3,50
3,44
3,38
3,33
3,29
3,25
3,22
3,18
3,15
3,13
3,10
3,08
3,06
3,04
3,03
2,90
2,79
2,67
2,57
5
937,1
39,33
14,73
9,20
6,98
5,82
5,12
4,65
4,32
4,07
3,88
3,73
3,60
3,50
3,41
3,34
3,28
3,22
3,17
3,13
3,09
3,05
3,02
2,99
2,97
2,94
2,92
2,90
2,88
2,87
2,74
2,63
2,52
2,41
6
948,2
39,36
14,62
9,07
6,85
5,70
4,99
4,53
4,20
3,95
3,76
3,61
3,48
3,38
3,29
3,22
3,16
3,10
3,05
3,01
2,97
2,93
2,90
2,87
2,85
2,82
2,80
2,78
2,76
2,75
2,62
2,51
2,39
2,29
7
956,7
39,37
14,54
8,98
6,76
5,60
4,90
4,43
4,10
3,85
3,66
3,51
3,39
3,29
3,20
3,12
3,06
3,01
2,96
2,91
2,87
2,84
2,81
2,78
2,75
2,73
2,71
2,69
2,67
2,65
2,53
2,41
2,30
2,19
8
963,3
39,39
14,47
8,90
6,68
5,52
4,82
4,36
4,03
3,78
3,59
3,44
3,31
3,21
3,12
3,05
2,98
2,93
2,88
2,84
2,80
2,76
2,73
2,70
2,68
2,65
2,63
2,61
2,59
2,57
2,45
2,33
2,22
2,11
9
968,6
39,40
14,42
8,84
6,62
5,46
4,76
4,30
3,96
3,72
3,53
3,37
3,25
3,15
3,06
2,99
2,92
2,87
2,82
2,77
2,73
2,70
2,67
2,64
2,61
2,59
2,57
2,55
2,53
2,51
2,39
2,27
2,16
2,05
10
976,7
39,41
14,34
8,75
6,52
5,37
4,67
4,20
3,87
3,62
3,43
3,28
3,15
3,05
2,96
2,89
2,82
2,77
2,72
2,68
2,64
2,60
2,57
2,54
2,51
2,49
2,47
2,45
2,43
2,41
2,29
2,17
2,05
1,94
12
984,9
39,43
14,25
8,66
6,43
5,27
4,57
4,10
3,77
3,52
3,33
3,18
3,05
2,95
2,86
2,79
2,72
2,67
2,62
2,57
2,53
2,50
2,47
2,44
2,41
2,39
2,36
2,34
2,32
2,31
2,18
2,06
1,94
1,83
15
993,1
39,45
14,17
8,56
6,33
5,17
4,47
4,00
3,67
3,42
3,23
3,07
2,95
2,84
2,76
2,68
2,62
2,56
2,51
2,46
2,42
2,39
2,36
2,33
2,30
2,28
2,25
2,23
2,21
2,20
2,07
1,94
1,82
1,71
20
997,2
39,46
14,12
8,51
6,28
5,12
4,42
3,95
3,61
3,37
3,17
3,02
2,89
2,79
2,70
2,63
2,56
2,50
2,45
2,41
2,37
2,33
2,30
2,27
2,24
2,22
2,19
2,17
2,15
2,14
2,01
1,88
1,76
1,64
24
1001
39,46
14,08
8,46
6,23
5,07
4,36
3,89
3,56
3,31
3,12
2,96
2,84
2,73
2,64
2,57
2,50
2,44
2,39
2,35
2,31
2,27
2,24
2,21
2,18
2,16
2,13
2,11
2,09
2,07
1,94
1,82
1,69
1,57
30
1006
39,47
14,04
8,41
6,18
5,01
4,31
3,84
3,51
3,26
3,06
2,91
2,78
2,67
2,59
2,51
2,44
2,38
2,33
2,29
2,25
2,21
2,18
2,15
2,12
2,09
2,07
2,05
2,03
2,01
1,88
1,74
1,61
1,48
40
1010
39,48
13,99
8,36
6,12
4,96
4,25
3,78
3,45
3,20
3,00
2,85
2,72
2,61
2,52
2,45
2,38
2,32
2,27
2,22
2,18
2,14
2,11
2,08
2,05
2,03
2,00
1,98
1,96
1,94
1,80
1,67
1,53
1,39
60
1014
39,49
13,95
8,31
6,07
4,90
4,20
3,73
3,39
3,14
2,94
2,79
2,66
2,55
2,46
2,38
2,32
2,26
2,20
2,16
2,11
2,08
2,04
2,01
1,98
1,95
1,93
1,91
1,89
1,87
1,72
1,58
1,43
1,27
120
1018
39,50
13,90
8,26
6,02
4,85
4,14
3,67
3,33
3,08
2,88
2,72
2,60
2,49
2,40
2,32
2,25
2,19
2,13
2,09
2,04
2,00
1,97
1,94
1,91
1,88
1,85
1,83
1,81
1,79
1,64
1,48
1,31
1,00
84
ANNEXE D - la loi de Fischer-Snedecor,

Cette table donne, pour = 0, 025, pour 1 et 2 donns, les valeurs F1 ,2 ,1 telles que
p({X < F1 ,2 ,1 }) = 1 ,

Probas Master1 GSI PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probas Master1 GSI PDF

Transféré par

Droits d'auteur :

Formats disponibles

MESURES ET ANALYSES STATISTIQUES DE DONNES

Laboratoire de Mathmatiques Pures et Appliques Joseph Liouville

Table des matires

variables alatoires relles

TABLE DES MATIRES

3.4.3 Reprsentation graphique - Cas gnral . . . . . . . . . .

4 Lois de probabilits discrtes usuelles

5 Lois de probabilits continues usuelles

TABLE DES MATIRES

TABLE DES MATIRES

Soient deux ensembles finis E et F .

2. E 2 est le produit cartsien de E.

Soit n un entier naturel non nul (n N ), on dfinit n! = 1 2 3 . . . n qui se lit factorielle n.

Exercice 1 Simplifiez a = (n 1)! n N , b = (n 2)! avec n N {0; 1}.

1. Soient deux ensembles finis E et F de cardinaux respectifs n et p. Le cardinal du produit cartsien de

Nombre dapplications dun ensemble E de cardinal p dans un ensemble F de

1. Le nombre dapplications de E dans F est

2. p-listes ordonnes avec remise

Parties dun ensemble et cardinaux

1. Le nombre de parties dun ensemble E de cardinal n est 2n .

langues. Dnombrez ceux qui connaissent au moins une langue.

1. Soient un ensemble F de cardinal n et p un entier naturel tel que 1 p n. On appelle arrangement,

ce qui signifie que

2. Cas particuliers : Avec la convention 0! = 1 le rsultat prcdent implique

mots - au sens large - de 5 lettres distinctes peut-on former ?

1. On appelle permutation dun ensemble F de cardinal n, un arrangement dordre n de F . Le nombre

Les Cnp sont encore appels coefficients binomiaux.

2. Proprits des nombres Cnp

Exemple 1.2.12 (x + y)5 = C50 x0 y 5 + C51 x1 y 4 + C52 x2 y 3 + C53 x3 y 2 + C54 x4 y 1 + C55 x5 y 0 .

nombre rel quelconque

Combinaisons avec rptition

Modle fondamental : schma durne

1. Considrons lensemble 1 = {1}. Dterminez lensemble P(1 ).

20. On lance le programme.

1. Calculez les cardinaux des vnements suivants :

1. Combien y a-t-il de nombres possibles ?

Arras, Boulogne, Cherbourg, Digne et Epernay.

1. Combien de circuits diffrents peut-il raliser ?

soit elle choue.

1. Combien y a-t-il de suites dobservations des russites et checs ?

Soit A un vnement de . On appelle vnement contraire de A (ou complmentaire), not A,

1. P(), est appel vnement certain.

Oprations sur les vnements

2.3. ENSEMBLES PROBABILISS

5. p(A B) = p(A) + p(B) p(A B)

6. p(A B C) = p(A) + p(B) + p(C) p(A B) p(A C) p(B C) + p(A B C)

1. Soit un ensemble fini de cardinal n N? donn par :

Remarque 2.3.1 Si A est une partie de , p(A) =

o, on le rappelle, Card(A) dsigne le nombre dlments contenus dans lensemble A.

Ensembles infinis dnombrables probabiliss

2.4. PROBABILIT CONDITIONNELLE

Pour dterminer cette somme, on rappelle la formule

pi est la somme des n premiers termes dune suite gomtrique de raison

2. Lapplication pA est une probabilit. En effet,

2.4. PROBABILIT CONDITIONNELLE

4. Soient A et B deux vnements indpendants alors A et B sont indpendants.

1. Soient (, P(), p) un espace probabilis et un [

pour i 6= j. Par consquent, p(A) =

p(Bi ) p(A/Bi ). Or on sait que p(Bi /A) peut

2. Dans le cas dun systme complet de deux vnements B1 et B2 (B1 B2 = , B1 B2 = ),

On obtient les rsultats suivants :

On tire au hasard un boulon. Calculez les probabilits des vnements suivants :

p1 : pour quil y ait une erreur dans le contrle,