Académique Documents
Professionnel Documents
Culture Documents
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
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
E de cardinal
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
probabiliss
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
3.5
3.6
3.7
. . . . . . . . .
de probabilit
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
28
29
29
29
30
30
31
31
32
32
32
32
34
34
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
55
55
55
55
56
57
57
57
57
58
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
III
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
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
CHAPITRE 1. LE DNOMBREMENT
1.1.3
Notation factorielle
n!
n!
1.2
Le dnombrement
1.2.1
Ensemble produit
1.2.2
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 ?
quatre lettres ?
CHAPITRE 1. LE DNOMBREMENT
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
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
(n p)(n p 1) . . . 2 1
,
(n p)(n p 1) . . . 2 1
n!
(n p)!
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
1.2.5
Permutations
CHAPITRE 1. LE DNOMBREMENT
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!
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 ?
3. Binme de Newton
On a la formule
(x + y)n =
n
X
Cnp xp y np
pour n 0.
p=0
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
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
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.
CHAPITRE 1. LE DNOMBREMENT
1.3
Exercices
Exercice 14 Soit un ensemble. On note P lensemble de ses parties.
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
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 ?
2. Calculez les cardinaux des vnements suivants :
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. 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,
12
CHAPITRE 1. LE DNOMBREMENT
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.
2.1.3
Proprits de P()
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
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
2.2.2
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.
2.3
2.3.1
iI
Ensembles probabiliss
Ensembles finis probabiliss
16
CHAPITRE 2. LA PROBABILIT
= {w1 , w2 , . . . , wn }
On dfinit une probabilit de la faon suivante
pi = p ({wi }) 0
n
X
pi = 1
i=1
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()
2.3.2
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
Ainsi,
pi =
iN
1
+
2
2
n
1
1
+ ... +
+ . . ..
2
2
En effet,
n
X
n+1
1
2
.
1
1
2
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)
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
CHAPITRE 2. LA PROBABILIT
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
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
!
Preuve : A = A = A
Bi
iI
(A Bi ). De plus, (A Bi ) (A Bj ) = A (Bi Bj ) = A =
XiI
iI
iI
p(A Bi ) =
p(Bi ) p(A/Bi )
p(A Bi )
=
do la formule de Bayes.
p(A)
p(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
CHAPITRE 2. LA PROBABILIT
2.5
Exercices
Exercice 25 On mesure les longueurs des boulons dune certaine bote de 100.
[4; 4, 2[
Effectifs
17
[4, 2; 4, 4[
24
[4, 4; 4, 6[
[4, 6; 5[
51
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
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.
2.5. EXERCICES
21
22
CHAPITRE 2. LA PROBABILIT
Chapitre 3
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
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
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
X +Y,
aX + bY ,
X + a,
aX,
X2
25
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
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
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
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
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
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
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,
>
x7+
x7
x7xi
3.5
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.
3.5.2
Interprtation graphique
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 =
a
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
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
x7
x7+
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
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
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 :
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
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
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
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 .
tk f (t)dt.
3.6.4
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
[t E(X)]k f (t)dt.
3.6.5
Variance et cart-type
33
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
Total
1
14
7
=
12
6
26
13
E(X 2 ) =
=
12
6
E(X) =
2
7
29
= .
6
36
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)
34
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
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
12
p({X = xi })
1
6
1
2
1
3
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
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-
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]
40
Chapitre 4
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
Total
pi
p i xi
E(X) = p
pi x2i
E(X 2 ) = p
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
4.2
4.2.1
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
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
i=1
(X) =
3. cart-type :
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
4.2.3
Ainsi, {X1 + X2 = k} =
i=1
(
p({X1 + X2 = k}) = p
k
[
)!
({X1 = i} {X2 = k i})
k
X
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
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
4.2.4
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
npq
pq
44
pq
V (Fn ) =
n
r
et
(Fn ) =
pq
n
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
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
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 =
45
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!
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
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
Les moments
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
4.5
On rappelle la formule
lim
n
X
xk
X xk
= ex
47
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
ke
kN
kN
+ i
X
i=0
i!
k=1
k=1
= e e = .
V (X) = et (X) =
X k
X k
X k1
k
k
= e
= e
= e
.
k!
k!
(k 1)!
(k 1)!
kN/{0,1}
X i
iN
i!
X
kN/{0,1}
k2
. On effectue un chan(k 2)!
= e 2 e = 2 .
= (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
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
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
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
1
p
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
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. 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
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
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
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
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
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
f(x)
1 (b a)
On note alors X
pour x [a; b]
b
x
Figure 5.1
f (t)dt =
f (t)dt +
f (t)dt +
f (t)dt = 0 + 1 + 0 = 1.
5.1.2
Fonction de rpartition
Z
f (t)dt donc si X
U([a; b]),
56
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
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
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
f (t)dt = 0.
57
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
f (t)dt =
0dt +
Z
+
A + donc
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
Fonction de rpartition
E(), on a
F (x) =
0
1 ex
pour x < 0
pour x 0
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) = .
Z
0
58
F(x)
0
x
Figure 5.4
5.3
5.3.1
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
Figure 5.5
59
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
(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
m+
+
+
5.3.3
Les moments
5.3.4
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
Fonction de rpartition
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
(z) + (z) = 1
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
Figure 5.10
Exemple 5.3.4 p({Z > 1}) = 1 (1) = 0, 1587.
Soient a, b R vrifiant a < b alors
61
62
Figure 5.11
Figure 5.12
5.3.6
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
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.
.
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 :
On sait que X
N (m, ) Z =
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
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
5.3.11
N (m1 , 1 ) et X2
X1 + X2
et
X1 X2
N (m1 m2 ,
12 + 22 )
N (mi , i ),
65
la variable X =
n
X
i=1
de moyenne m =
n
X
v
u n
uX
ai mi et dcart-type = t
a2i i2 .
i=1
i=1
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
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
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, =
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
npq) avec
P( = np) N (m = np, =
n 20
ou
0, 1 < p < 0, 9
np 10
ou npq > 3.
nq 10
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
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
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
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
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
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).
p0 = p({X = 0/X
p1 = p({X = 1/X
p2 = p({X = 2/X
p3 = p({X = 3/X
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
[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
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
Total
ni
15
40
42
37
30
10
12
200
73
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
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
p0 = p({X = 0/X
p1 = p({X = 1/X
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
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
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
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
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
5.6.3
Les moments
Soit X
F (1 , 2 ).
77
5.7. EXERCICES
Figure 5.19
E(X) =
2
2 2
222 (1 + 2 2)
1 (2 2)2 (2 4)
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
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 .
(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
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
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
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
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
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
CHAPITRE 5. LOIS DE PROBABILITS CONTINUES USUELLES