Vous êtes sur la page 1sur 50

Probabilits et Statistiques

Introduction :
Les statistiques sont utilises dans beaucoup de domaines, aussi bien dans les diagnostics mdicaux que dans
le domaine des assurances, dans les prvisions mtorologiques ou conomiques (ex : conomtrie).
Dans le domaine des sciences sociales, le poids des maths na cess de grandir et de nombreux choix
politiques concernant les technologies ou bien lconomie sont fonds sur des analyses ayant pour base le
calcul des probabilits. Lobjectif sera de prsenter les bases de la thorie de la probabilit et de dfinir les
principaux outils de modlisation qui en dcoulent.
Les proccupations de modlisation des jeux de hasard sont fort anciennes, hasard signifiant jeux de d
en arabe. Au dpart il sagissait de quantifier et de prdire dans le but de gagner. Pascal fut le premier
laborer une thorie des jeux, qui a volu pour devenir une thorie des probabilits. Ceux quils lont fait
volu sont des auteurs comme : LAPLACE, GAUSS, POISSON au XVIIIe et BOREL, KOLMOGOROV
au XXe sicle. De nos jours les outils trs divers de la thorie des probas sappliquent dans diffrents
domaines, comme par exemple la Gntique (chanes de MARKOV), lEconomie (mathmatiques
financires).
La thorie des probabilits constitue un outil puissant de modlisation mathmatique, un modle sapplique
sur le rel peru, dune part pour quantifier et dautre part pour prdire.
Dans le cas des probabilits la thorie vise modliser le hasard, c.--d. des phnomnes alatoires ou
imprvisibles.
Il existe 2 manires de construire un modle :
- La manire inductive ; qui est fonde sur lexprience passe sans en comprendre forcment les
causes
- La manire dductive ; elle est fonde sur lanalyse des causes physiques
Dans le premier (manire inductive) cas les probabilits utilisent les statistiques pour dterminer les lois
sous-jacentes. Ex : quelle est la probabilit que la premire naissance en 2012 sur la commune de Strasbourg
soit une fille. ( on sait par exprience que cette probabilit est trs proche de 0,5, maison connat trs mal les
causes de ce rsultat, cela fait appel un processus biologique trs complexe)
Dans le deuxime cas (manire dductive), le raisonnement dterministe nous dit que connaissant les
conditions initiales on est capable de connatre les conditions finales.
Il y a un bmol, cest que la somme et la complexit denchanement de phnomnes dterministes nous
amne entrevoir une modlisation qui peut tre alatoire. Exemple : si on lche une pice de monnaie de
1milimtre de hauteur puis de 10 mtres de hauteur. Dans le premier cas on peut prdire le rsultat, sans
risque de se tromper, alors que le second on va avoir plus de mal, alors que les lois physiques et mcaniques
mises en cause sont connues et sont les mmes.

Chapitre 1 : Dnombrements et analyse combinatoire


I)

Notions de dnombrements

Pour une grande partie des calculs de probabilit discrte, on cherche calculer le nombre
dvnements ralisables, le nombre dvnements favorables, etc. Do la ncessit dutiliser des outils
de dnombrement et danalyse combinatoire.
Dans tout ce paragraphe, E dsigne ensemble n lments que lon suppose distinguables.
1. Permutations
On appelle permutation des n lments de lensemble E toute disposition ordonnes de ces n
lments.
Remarque :
Deux permutations ne diffrent donc que par lordre des n lments distinct qui la composent. Le
nombre de permutations de n lments est le nombre de manires possibles dordonner ces n lments.
Exemple :
les permutations de lensemble (1,2,3) sont :

(1,2 ,3) ,(1,3 ,2),(2,1 ,3) ,(2,3 ,1),(3,1 ,2)(3,2 ,1) .


Propositions :
Le nombre de permutations n lments est

n ! (n factorielle)

Dmonstration :
On dmontre ce rsultat par rcurrence. Il y a 1! manires de permuter 1 lment.
Supposons quil y en a (k 1) ! pour la permutation de (k 1) lments. Alors tant donn k
lments, on en choisit 1 parmi k , ce qui donne k possibilits, et il reste (k 1) lments
ordonner, soit (k 1) ! possibilits. Le total fait donc k ( k1)!=k !
Par convention on pose 0 !=1
Exemple :
Dans une urne contenant n boules distinguables (numrotes), on tire les n boules lune aprs
lautre (on sintresse lordre), sans les remettre dans lurne (on nautorise pas de rptition). Le
nombre de tirages possibles est le nombre de permutations de lensemble (1,2 ,.. , n) , c'est dire
n! .

2. Arrangement sans rptition


Dfinition :
On appelle arrangement sans rptition de p lments pris parmi les n lments de E, toute
disposition ordonne de p lments de E.
Remarque :
Un arrangement de n lments pris parmi les n lments dun ensemble E est une permutation.
Dans un arrangement on se contente de p lments pris parmi les n, tel que p<n ( si gale on peut
avoir une permutation)
Exemple :
Les arrangements 2 lments de lensemble

(1,2 ,3) sont

(1,2),(1,3),(2,1),(2,3),(3,1) ,(3,2)
Proposition :
le nombre darrangements sans rptition de p lments pris dans un ensemble n lments est
p

An =

n!
=n( n1)...(n p+1)
(n p)!

Dmonstration :
il y a n faons de choisir le premier lment de larrangement parmi les n lments de
lensemble. Pour le deuxime lment de larrangement il y a (n1) faons de le choisir, puisquil
ne doit pas y avoir rptition dun lment.
En itrant on vrifie quil y a (np+1) faons de choisir le p ime lment de larrangement.
Au total, le nombre darrangements est donc n( n1)....( n p+1) .
Exemple :
Dans une urne contenant
n boules distinguables (numrotes) on tire les
p boules
lune aprs lautre (on sintresse lordre), sans les remettre dans lurne (on nautorise pas de
rptition). Le nombre de tirages possibles est le nombre darrangements sans rptition p lments
p
A23=32=6 np+1=32+1=2
de lensemble 1,2 ,... , n , c'est dire An

3. Combinaison sans rptition


Dfinition :
On appelle combinaison sans rptition de p lments pris parmi les
E toute disposition non ordonne de p lments de E.

lments dun ensemble

Remarque :
Deux combinaisons ne diffrent que par la nature des lments qui la composent, lordre de ces
lments est indiffrent.
Exemple :
Les combinaisons deux lments de lensemble 1,2 ,3
(Cest le cas du loto par exemple, car lordre nest pas important)

sont :

1,2 ,1,3 2,3 .

Proposition :
Le nombre de combinaisons sans rptition de p lments pris dans un ensemble n lments est

C pn =

n!
p ! (n p)!

Dmonstration :
Le nombre darrangements sans rptition de

n!
A=
n p
p
n

lments pris parmi

lments est

Pour une combinaison de p lments donns il y a


lments (correspondant au nombre de permutations des
final le nombre de combinaisons sans rptitions de p

p! arrangements diffrents de ces p


p lments de la combinaison) est donc au
lments pris parmi n lments est donc

A np
n!
=
p ! p !(n p)
Exemple :
Dans une urne contenant n boules distinguables on tire p boules simultanment (donc sans
ordre et sans rptition, le nombre de tirages possibles est le nombre de combinaison sans rptition

p lments de lensemble 1,2 ,... , n , c'est dire

C pn

C32=

3!
32
=
=3
2 ! (32 !) 21

Proposition :
On a les proprits suivantes :

n!
(n , p)N
p ! (np) !
p1
C np=C n1
+C pn1 (n , p) N
p

n p

C n =C n

Exemple :
7 salaris sont convoqus pour un contrle mdical
2 vont avoir un cardiogramme et les 5 autres font une prise de sang
1) De combien de faons peut-on choisir les deux personnes qui commenceront la visite par un
lectrocardiogramme ?
2) De combien de faons peut-on choisir les 5 personnes qui commenceront la visite par une prise
sang ?
Solution :
Il y a C27

faons de choisir 2 parmi 7,

C7 =

7!
76
=
=21 =
5 ! (75) ! 2 !

Exemple :
Lun deux sappelle JEAN
De combien de faons peut-on constituer le groupe des 5 personnes qui commencent par la prise de sang
si lon impose ;
a) Que Jean fasse partie du groupe
b) Que Jean nen fasse pas partie
Rponse :
a) Si Jean fait partie du groupe prise de sang , il ne reste plus qu choisir 4 personnes parmi 6 ce
qui donne
possibilits, soit 15 groupes possibles
b) Si Jean ne fait pas parti de ce groupe il faut choisir 5 salaris parmi 6 ce qui donne
possibilits, soit 6 groupes possibles
Constat :

15+6= 21. On retrouve le nombre total de groupes de 5 personnes choisies parmi 7

Proposition : Le triangle de PASCAL


On appelle triangle de Pascal le tableau de nombres suivants :

Grce
1
1
1
1
1
1
1

1
2
3
4
5
6

et

1
3
6
10
15

et

1
4 1
10 5 1
20 15 6 1

Proposition : Formule du binme de Newton

Exemple :
Exercice :
E tant un ensemble fini de cardinal n dterminant le nombre de parties de E (de combinaison) sans oublier
lensemble vide ( ) et E lui-mme.
Solution :
Lensemble de toutes les parties de E comprend :

Lensemble vide 1 (

Les parties de E 1 lments, il yen a

Les parties de E 2 lments, il y en a

..

Les parties de E (n-1) lments, il y en a

Lensemble E soit 1 (

Donc en tout, il y a

partie

) partie
parties.

En appliquant la formule du binme de Newton avec a=1 et b=1, on obtient :

. Donc si card (E)=n, le nombre de parties de E est donc


4. Changement avec rflexion
Dfinition :
On appelle arrangement avec rptition de lments pris parmi les n lments de lensemble E toute
disposition ordonne de p lments, non ncessairement distincts de E.
Exemple :
Les arrangements avec rptition 2 lments de {1,2,3} sont (1,1), (1,2), (1,3), (2,1), (2,2), (2,3), (3,1),
(3,2), (3,3)
Proposition
Le nombre darrangement avec rptition de p lments de larrangement parmi les n lments de lensemble
et donc au total, le nombre darrangement avec rptition est
Exemple :

Dans une urne contenant n boules distinguables (numrotes), on tire p boules lune aprs lautre (on
sintresse lordre) en les remettant dans lurne aprs chaque tirage (on accepte les rptitions), le nombre
de tirages possibles est le nombre darrangement avec rptition p lments de lensemble {1,2,3, ..,n}
c.--d.
Exemple :
n=3, p=2,
5.

Combinaison avec rptition

Dfinition :
On appelle combinaison avec rptition de p lments pris parmi les n lments dun ensemble E toute
disposition non ordonne de p lments, non ncessairement distincts de E.
Exemple :
Les combinaisons avec rptition deux lments de lensemble {1,2,3} sont:
{1,1},{1,2},{1,3},{2,2},{2,3} et {3,3}
Proposition :
Le nombre de combinaisons avec rptition de p lments pris dans un ensemble n lments est
Exemple :
Dans une urne contenant n boules distinguables (numrotes), on tire p boules en les remettant dans lurne
aprs chaque tirage (on accepte les rptitions). On ne sintresse pas lordre dapparition des boules. Le
nombre de tirages possible est le nombre de combinaisons avec rptition p lments de lensemble {1,2,
..,n} c.--d.

Exemple davant
.n=1, p=2,

=6

6. Permutation avec rptition


Dfinition :
Supposons que le n lments de lensemble E se rpartissent en l (petit L) catgories. Il y

lments de

type 1,

lments de type 2,.,

lments de type l.

Au total :
On appelle permutation avec rptition de n lments de lensemble E, toute disposition o figure
lment de type 1,

fois un lments de type 2, ..,

fois un

fois un lments de type l.

Remarque :
La permutation avec rptition nest pas un cas particulier darrangement avec rptition, contrairement au
cas sans rptition. La rptition nagit pas dans le mme contexte pour permutation et larrangement. 2
points :
- Dans le cas des permutations, rptition signifie quun type dlments donn de lensemble E peut
tre prsent plusieurs fois.
-

Dans le cas darrangement, rptition signifie quun mme lment de lensemble E peut tre
rutilis plusieurs fois.

Proposition :
Le nombre de permutations avec rptition des n lments de lensemble E (rpartissant l catgories) :
lments de type 1,..,

lments de type l , avec

+.. =n est :

Dmonstration :
Il y a n! permutations diffrentes des n lments de lensemble. Pour obtenir le nombre de permutations
avec rptition il faut considrer le fait que les lments dun mme type vont fournir une mme
permutation. Or le nombre de permutations identiques fournies par les lments de type k est

. Au total

le nombre de permutations avec rptition est

Exemple 1:
Dans une urne contenant n boules de l couleurs diffrentes avec
couleur C2, .,

boules de couleur

boules de

boules de couleur Cl (avec n1+n2+nl=n) sans les remettre dans lurne ( la

rptition joue au niveau des couleurs). Le nombre de tirages possibles distincts est le nombre de
permutations de ces n boules avec rptition des l couleurs, c.--d.

Exemple 2 :
Quel est le nombre de tirages distincts possibles quon peut faire partir de 5 boules, en sachant quil y en a
2 blanches et 3 noires.
n=5, n1=3

(tirages distincts possibles)

7. Pratique du dnombrement
Soit une exprience alatoire E compose de r expriences successives, la premire pouvant produire un
rsultat quelconque parmi n1 rsultats possibles, la deuxime produisant un rsultat quelconque parmi n2
rsultats possibles,.., la rime pouvant produire un rsultat quelconque parmi nr rsultats possibles.
Le nombre total de rsultats possibles pour lexprience alatoire E est le produit de n1*n2 *n3*..*nr.
Autrement dit, le nombre de choix possibles pour une exprience alatoire consistant faire un choix et un
choix est obtenu en effectuant le produit du nombre de ces choix. ((etproduit))

Exemple :
Calculons le nombre de plaques minralogiques distinctes disponibles par dpartement quand la
numrotation comprend 4 chiffres et 2 lettres.
On choisit 4 chiffres parmi 10 avec ordre et avec remise et on choisit 2 lettres parmi 26 avec ordre et
avec remise. Le nombre total de possibilits est =

Si une exprience alatoire E peut tre ralis de r manires diffrentes, la premire fournissant n1
rsultats distincts possibles,, la rime fournissant nr rsultats distincts possibles, alors le nombre
total de rsultats possibles = n1+n2 +.+nr.
Autrement dit le nombre de choix possibles pour une exprience alatoire consistant faire 1 choix
ou 1 choix est obtenu en effectuant la somme du nombre de ces choix. ((ousomme)).

Exemple :
Dans une urne contenant 49 boules numrotes de 1 49, on tire simultanment 6 boules. Calculons le
nombre de tirages possibles ayant (au moins) 5 numros entre 1 et 6.
Au moins 5 bons numros cest exactement 5 bons ou exactement 6 bons numros. Il y a 1 seul
tirage donnant 6 numros entre 1 et 6. Le nombre de tirages possibles avec exactement 5 bons
numros est

(on choisit sans ordre et sans remise 5 numros parmi les 6 bons numros et

on choisit 1 numro parmi les 43 numros.

Au total : 1+

tirages possibles.

8. Synthse
On considre une urne de n boules distinguables, o on effectue p tirages successifs. Combien il y a-t-il de
tirages possibles ?
SANS REMISE
AVEC ORDRE
SANS ORDRE

AVEC REMISE

Chapitre 2 : CALCUL DES PROBABILITES


I)

Rappels mathmatiques

1) Ensemble, lments
On appelle ensemble toute liste ou collection dobjets bien dfinis, explicitement ou implicitement. On
appelle lments ou membre de lensemble, les objets appartenant lensemble, et on note

p A si p est un lments de A

B est partie de A ou sous-ensemble de A et on note B c A ou A B, si x B x A

On dfinit un ensemble soit en listant ces lments, soit en donnant la dfinition de ces lments.
Exemple
A= {1, 2, 3}
X= {x :x est un entier positif}
Notation

La ngation de x

est x A

est lensemble vide

est lensemble universel

2) Oprations sur les ensembles


Soient A et B 2 ensembles quelconques :
Intersection
Lintersection de A et B, note A B est lensemble des lments de x tels que x A et x B, soit :
A B ={x : x A et x B}

Le terme et est employ au sens x A et x B, si x appartient la fois A et B.

A B
A

E
Cas particulier

Si A B = , on dit que A et B sont disjoints ou incompatibles

Runion :

La runion de A et B, note A B est lensemble des lments x tel que x A ou x B, soit :

A B= {x : x A ou x B}

Le terme ou signifie que x A ou x B ou x A et x A et B.

A B

Complmentaire
Le complmentaire de A est lensemble des lments de E qui nappartiennent pas A. on note :
= {x :x A}

Diffrence
La diffrence entre A et B ou complmentaire relatif A est lensemble des lments de A qui
nappartient pas B.

A-B=

={x : x

B et x A}

B
E

Proprits :
AUA=A
A A=A
AUB=BUA
(AUB)UC=AU(BUC)
(A B)C=A (B C)
A B=B A
AU(B C)=(AUB)

(AUC)

A (BUC)=(A B) U (A C)
AU =A
A E=A
AUE=E
A

=
=A

(
(

)=
)= U

3) Ensembles finis, dnombrables, non dnombrables


Un ensemble est fini sil est vide ou sil contient 1 nombre fini dlments sinon il est infini
Exemple :

A= {

} est fini

I= {x

} est infini

Un ensemble infini est dit dnombrable si on peut faire correspondre de faon unique chaque
lment de lensemble un seul et un seul entier naturel.
A= {n:n est un entier pair} est infini dnombrable
Un ensemble infini est non dnombrable dans le cas contraire.
(Dans la pratique les seul ensemble non dnombrables que nous rencontreront seront des
intervalles de R.)

R2 : {(x,y) x :

[a,b] et y

[c,d]}

4) Ensembles produits
Soient A et B deux ensembles lensemble produit de A et de B, not A x B , est lensemble
de tous les couples ordonnes (a,b), avec a A et b B
Exemple :
A={a, b, c}
et B={1, 2}
AxB = {(a,1), (a,2), (b,1), (b,2), (c,1), (c,2)}
5) Familles densemble
Les lments dun ensemble peuvent eux-mmes tre un ensemble. On dit alors que ces
ensembles font partie de la mme classe ou de la mme famille.
Parties :
Soit un ensemble A quelconque, on appelle famille des parties de A lensemble des sous-sembles
de A.
Exemple :
A={1,2}
P(A) = {

Partition
Une partition dun ensemble A est une subdivision de A en sous-ensembles disjoints dans
runion forme A.
A2

A2

A3

A5

A4
A6

A7

Notation

Soit une famille densembles {Ai}= {


{ }={

} qui peut tre finie ou non

On note :
??...i ? U =
?...i ?

II)

lments de calcul des probabilits

1) Exprience alatoire, ensemble fondamental et vnement


Exprience alatoire
Cest une exprience dont le rsultat nest pas prvisible
Une exprience alatoire est aussi appele une preuve
Ensemble fondamental
Pour une exprience alatoire donne, lensemble des rsultats possibles est aussi appel
lensemble fondamental. On va noter E en gnral. Chaque rsultat dexprience est un point de
E ou un lment de E.
Evnement
Un vnement A est un sous ensemble de E, cd un semble de rsultats.
Lvnement {a} constitu par un seul point de E, donc par un seul rsultat a

E est appel

vnement lmentaire.
Lensemble vide ne contient aucun des rsultats possibles, il est appel lvnement impossible.
Lensemble E contient tous les rsultats possibles, cest lvnement certain.

E
E et aussi
2) Oprations sur les vnements
Les vnements peuvent se combiner entre eux pour former de nouveau vnements. Si A et B sont
deux vnements, les oprations de combinaison sont :

A B est lvnement qui ce produit si A ou B (ou les 2) est ralis. Aussi A+B ou AouB

A B est lvnement qui ce produit se A et B sont ralises tous les 2. Aussi not A.B ou
AetB

est lvnement qui se produit quand A nest pas ralis. On lappelle aussi ngation de
A ou non A

ou Abarre

vnements incompatibles
Quand 2 lments A et B sont tels que A B = , ils ne peuvent tre raliss simultanment. On dit
quils sexcluent mutuellement ou quils sont incompatibles.
Systme complet dvnements
On dit que les vnements A1,A2,.An forment une famille complte si les Ai constituent une
partition de E, cd si :

Les vnements sont 22 disjoints : quelque soit (ij), (Ai Aj = )

Ils couvrent tout lespace : UAi=E

Exemple :
E= {1,2,3,4,5,6 } A={2,4,6} (paire)
B= {1,2,3,5} (premier) C={3}
AUB={1,2,3,4,5,6}
A B= {2}
= {1,2,3,4,5,6}
A C=
3) Rgles de calcul des probabilits
Soit un ensemble fondamental E. nous introduisons une fonction Pr (P) qui, tout vnement A,
associe un nombre rel positif ou nul.
Pr est dite fonction de probabilit, et Pr(A) est appele proba de lvnement A, si les conditions ou
rgles suivantes sont satisfaites.

a) Pr(A) 0 pout tout vnement A


b) Pr( E) =1

c) (A B= ) (Pr (AUB) = Pr(A) +Pr(B)]


a permet le calcul de la proba de la runion de 2 vnements disjoints

d) Soit un ensemble dnombrable, fini ou non dvnements Ai 2 2 disjoints, Ai Aj= , alors


Pr(A1UA2U,..) = Pr (A1)+Pr(A2)+..
Proprits importantes

a) Pr( =0
b) Pr(A) 1
c) Pr( ) = 1-Pr(A)
d) Si AcB, alors Pr(A) Pr(B)

e) Pr(AUB) =P(A) +P(B) P(A B)


4) Illustration de quelques ensemble probabilits
a) Ensemble probabilise fini
Soit E = {a1, a2, a3,an}
un ensemble fondamental fini, on probabilise cet ensemble en attribuant chaque point ai un
nombre Pi =pr=vnement lmentaire {ai} tel que :
a. pi0
b. p1+p2++pn=1
Donc la probabilit dun vnement quelconque A est la somme des probabilits des Ai quil
contient= Pr(A)= (ai

pi

Exemple :
On jette trois pices de monnaie et on compte le nombre de faces obtenues. Lensemble
fondamental correspondant cette exprience cest E= {0, 1, 2, 3}
On peut obtenir 0 fois face (3 fois pille), 1 fois face, 2 fois face, ou 3 fois face (0 pille)
On comptabilise en donnant p0,p1,p2,p3 aux vnements {0}, {1}, {2}, {3}
p.ex : p0 = 1/8
p1=3/8
p2= 3/8
et
p3 = 1/8
soit lvnement A tel que lon ait au moins 2 fois face , A {a2, a3}
Pr(A)= p2+p3= 3/8 +1/8 = 1/ 2
b) ensemble fini quiprobable
cest un ensemble fini probabilis tel que tous les vnements lmentaires ont la mme
probabilit. On dit aussi quil sagit dun espace probabilis uniforme.
E= {a1, a2, .., an} et Pr(a1) = p1,
Avec P1=p2=.=pn=1/n

Pr2(a2) = p2 Pr (an) = Pn

Exemple : jeu de ds
E= {1,2,3,4,5,6}, p1=p2=p3= ..P6= 1/6
Remarque :
Lorsquon tire au hasard on sous-entend que lespace probabilis est quiprobable.

CHAPITRE 3 : LES VARIABLES ALATOIRES


Introduction
Variable alatoire X est une application permettant dassocier un nombre rel toute
ventualit.
On note X() lensemble de toutes les valeurs que peut prendre X. X est dite :

Discrte lorsque lensemble des valeurs que peut prendre est dnombrable
Continue lorsquelle peut prendre toutes les valeurs dun intervalle de IR

Exemple 1 :
On lance 2 ds. On note S lapplication qui chaque lance associe la somme des
rsultats obtenus.
S est une variable alatoire qui peut prendre toutes les valeurs de lensemble S()={2,3,
,12}
Exemple 2 :
Aprs mise en sachet on pse les paquets de farine. On note Y lappli cation qui chaque
paquet associe son poids en gramme. On a constat que les poids varient entre 955 et
1100 gr.
Y est une variable alatoire continu qui peut prendre toutes les valeurs de lintervalle
Y() = [950 ;1100]

I) Variable alatoires discrtes


A) Loi de probabilit ou fonctions de distribution.
1. Dfinition
Lapplication qui chaque valeur possible x dune variable alatoire X associe la
probabilit P(X=x) est appele loi de probabilit ou fonction de distribution de la variable
alatoire X.
X est la variable alatoire et x est une ralisation / valeur possible de cette variable X.

P(X=x) : probabilit de raliser lvnement de variable alatoire X prend la valeur


x
(X=x) : dsigne lvnement la variable alatoire X prend la valeur x

2. Exemple

Monsieur PLANDO a 3 bateaux louer la journe. X dsigne le nombre de bateaux lous


par jour sur un mois. Il a pu tablir la loi suivante
X
P(X=x)

0
0,6

1
0,25

2
0,1

3
0,05

Diagramme en Btons
G1
Remarque :
X est dfinie comme tant le nombre de bateaux lous par jour en mai. Cest un abus de
langage puisque X nest pas un nombre mais une variable alatoire. Donc il est sousentendu que X est lapplication qui chaque jour de mai associe le nombre de bateaux
lous ce jour l.
3. Proprit
La somme des P(X=x) vaut 1.

Exemple :
P(X=0) + P(X=1) + P(X=2) + P(X=3)
= 0,6 + 0,25 + 0,1 + 0,05
=1

B) Fonction de rpartition
1. Dfinition
Lapplication F qui, tout rel x associe la probabilit que la variable alatoire X prenne
une valeur infrieure ou gale x, est, par dfinition, la fonction de rpartition de X.
Pour tout x rel, F(X) = P(X x)
2. Proprits

F est une fonction croissante ;

Pour tout x, on a 0 F(x) 1

or (x + ) est lvnement certain, donc

: lvnement impossible,

Et surtout : Pour tout a et tout b rels,

Exemple :
On a une population dtudiants. 10% sont abonns 3 journaux, 20% 2 journaux et
40% 1 seul, les autres aucun. On note X (variable alatoire) qui associe chaque
tudiant le nombre dabonnement quil a souscrit. F est la fonction de rpartition qui est
chercher.
Loi de proba de X :
X
P(X=x)

0
0,3

1
0,4

2
0,2

F(0) = P(X 0) = P(X=0) = 0,3


F(1) = P(X 1) = P(X=0) + P(X=1) = 0,3 + 0,4 = 0,7
F(2) = P(X 2) = 0,3 + 0,4 + 0,2 = 0,9
F(3) = 1

Expression de F sur IR
Si x < 0

F(x)=0

Si x [0,1[

F(x)=0,3

Si x [1,2[

F(x)=0,7

Si x [2,3[

F(x)=0,9

Si x 3

F(x)=1

Lorsque X est discrte, F est une fonction en escalier

Reprsentation graphique de F
---G2

3
0,1

+ P(X > 2) = 1 - P(x 2) = 1 - F(2) = 1 - 0,9 = 0,1


+ P(0 < x < 3) = P(1 x 2) = P(1 x < 3) = P(0 < x 2) = F(2) - F(0) = 0,9 - 0,3
= 0,6

C)

Variables alatoires discrtes indpendantes

Dfinition :
Deux variables alatoires discrtes X et Y sont indpendantes si et seulement si pour tout
couple (x ;y) de valeurs possibles pour X et Y, les vnements X=x est Y=y sont
indpendants.

P(X=x et Y=y)=P(X=x) * P(Y=y)


Exemple :
Un assureur a fait une tude sur ses clients qui pratiquent du ski. Il a tabli que la loi du
nombre annuel X daccidents de voiture de ces clients est :
x
P(X=x)

0
0,6

1
0,3

2
0,1

Pour les mmes clients Y dsigne le nombre de semaines passes la montagne au cours
de lanne
y
P(Y=y)

1
0,5

2
0,45

3
0,05

Tableau des probabilits des vnements (X=x et Y=y) si X et Y indpendants.


P(X=x et Y=y) = P(X=x) * P(Y=y)
X

0,3*
0,27
0,03

0,15
0,135
0,015

0,05
0,045
0,005

1
2
3

Tableau de la loi conjointe :


O,3 = 0,6*0,5

Pour savoir si les variables sont indpendantes, alors il faut que les lignes et colonnes
aient un rapport de proportionnalit.

D) Esprance, variance, covariance


1. Dfinitions
a) Esprance mathmatique
Lesprance mathmatique de X qui est note E(x) ou

est dfinie par

Cest bien la moyenne arithmtique des valeurs de x pondre par leur probabilit.
E(X) est un paramtre de position ou de tendance de X
b) Variance et cart-type
La variance de X note V(X) est lesprance de la variable alatoire
Donc V(X)=

Formule de Kenig
V(X)=E[x2]-[E(x)]2 = E(X2)-

Remarque :
V(x)0
T(X)=

Ecart-type

V(x) et G(x) = mesure la dispersion des valeurs prises par X autour de son esprance
c) Covariance de 2 variables alatoires
La covariance de X et Y, note cov(X,Y) est lesprance de la variable alatoire

Formule de Kenig gnralise

2. Proprits
a) Proprits desprance
X v.a. et a et b 2 constantes, on a :
E[aX+b] = aE[X] + b
E[X1+X2++Xn] = E[X1] + E[X2] + + E[Xn]
E[X1-X2] = E[X1] - E[X2]
b) Proprits de la covariance

Cov(X,k)=0 et

cov(k,Y)=0 avec k=constant

Cov(X,Y)=cov(Y,X)

Cov(aX+b,aY+b)=aacov(X,Y)

a,a,b,b => constant

c) Proprits de la variance

V(aX+b)=a2V(X)

T(aX+b)=|a|T(x)

V(X+Y)=V(X)+V(Y)+2cov(X,Y)

d) Cas particulier des v.a. indpendantes


Si X et Y sont indpendantes, on a

donc cov(X,Y)=0

V(X+Y)=V(X)+V(Y)

Cette proprit se gnralise n v.a. indpendantes


V(X1+X2++Xn)=V(X1)++V(Xn)
V(X-Y)=V(X)+V(Y)=V(X+(-1)Y)=V(X)+(-1) 2V(Y)
Exemple :

Une agence loue des voitures la journe. Elle a 6 vhicules et la loi du nombre X de
voitures loues par jour est donne par le tableau :
x
P(X=x)

0
0,05

1
0,1

2
0,37

3
0,27

4
0,17

5
0,03

6
0,01

E(X)=(0*0,05)+(1*0,10)+(2*0,37)+(3*0,27)+(4*0,17)+(5*0,03)+(6*0,01)=2
,54

E(X2)=
(02*0,05)+(12*0,10)+(22*0,37)+(32*0,27)+(42*0,17)+(52*0,03)+(62*0,01)
=7,84
V(X)= E(X2)- =7,84-2,542=1,3884
T(x)=

=1,18

Le bnfice B ralis = 450X-375

E[B]=E[450X-375]=450E[X]-375=768
V(B)=V(450X-375)=4502V(X)=281151

T(B)=

=530,24

E) Les moments
Lesprance et la variance ne sont que des cas particuliers de ce que lon appelle les
moments dune variable alatoire.
Les expressions

E(Xk)=

En pratique, seuls les moments dordre 4 sont utiliss (o k4)

F) Lois marginales
A partir de la li conjointe du couple alatoire (X,Y) on dtermine les lois marginales des
(X,Y)
Loi de X :
P(X=xi)=
Loi de Y :
P(Y=yj)=
Exemple :
7

Loi du couple (X,Y) ou loi conjointe :

Y
X
1
2
L(Y)

L(X)

0,3
0,2
0,5

0,4
0,1
0,5

0,7
0,3

Lois marginales :

E(X)
E(Y)
V(X)
V(Y)

=
=
=
=

1*0,7 + 2*0,3 = 1,3


1,5
0,7*12 + 0,3*22 - 1,32 = 0,21
0,5*12 + 0,5*22 - 1,52 = 0,25

E(XY)=1*1*0,3 + 1*2*0,4 + 2*1*0,2 + 2*2*0,1 = 1,9


=
Cov(X,Y) = E(XY) - E(X)E(Y) = 1,9-1,3*1,5
G) Ingalit de Bienaym - Tchebychev
Elle donne la situation concrte en terme de probabilit des valeurs prises par une v.a.
Soit a>0, on dmontre que la proba de lensemble des valeurs de la v.a. qui sont
lextrieur de lintervalle [E(X)-aT ;E(X)+aT] est infrieurs 1/a2
Exemple :
La proba des valeurs de la v.a. en dehors de [E(x)-2T ;E(x)+2T] est infrieurs 1/22 = ,
cd quavec une proba de 0,75, 1 v.a. prend ses valeurs dans 1 intervalle de longueurs 4T
centr sur E(X)
H) Variable centre rduite associe X
Soit X une v.a., desprance m et dcart-type T

La v.a. Xc=X-m est appel v.a. centre associe X. son esprance est nulle.
E[Xc]=E[X-m]=E[X]-m=m-m=0

La variable alatoire Xr dfinie par


Son cart-type vaut 1 :

, variable rduite associe X.

Son esprance est nulle et lcart-type vaut 1

Moments :
E[(x-N)k]=

(discret)

(N=m)

E[(x-N)k]=
Ces moments correspondent aux moments centrs dordre k.
Si
k=1
=>
Esprance
K=2
=>
Variance
Exercice :
Reprise de lexercice prcdent.
Dterminer la variable centre rduite T associe B. Interprtation de P(T>2) et P(T>5)

Par dfinition,

: proba que B dpasse son esprance de plus de 2 fois sont cart-type


Idem P(T>5)

Exprimer en fonction de T la proba que B ne scarte pas de son esprance de plus


de cart type
P(E(B)-

Donc T value la distance entre B et son esprance mesure en nombre dcart


types

II) Variables alatoires continues.


9

Exemple :
Reprise de lexemple des paquets de farine dont le poids (en grammes) est une variable
alatoire Y : [950,1100].
- Lorsquon prend un paquet au hasard, la proba dobtenir un poids de farine
rigoureusement gale 978,2g, p.ex., est nulle.
- Lvnement (Y=978,2) est dit quasi impossible.
- Plus gnralement :
Si X est une variable alatoire continue, on a :
P(X=x)=0 pour tout x

A) Fonction de rpartition
1. Dfinition
Lapplication qui, tout rel x, associe la proba que la variable alatoire X prenne une
valeur infrieure ou gale x, est par dfinition la fonction de rpartition de X.
Pour tout rel x, F(x)=P(Xx)
2. Proprits

F est croissante

Pour tout x, 0F1

Pour tous rels a et b :P(aXb)=F(b)-F(a)


Puisque P(X=a)=P(X=b)=0, on a galement :
P(a<X<b)=P(aXb)=(aX<b)=F(b)-F(a)

Exemple:
Dans une banque entre 9h et 10h le temps dattente dun employ entre 2 clients en
minutes est une variable alatoire X dont la fonction de rpartition F est dfini par F(x)=0
si x<0 et
si x0. Un client vient juste de partir. Dterminer la proba que
le client suivant se prsente
a) dans 5 minutes exactement
b) dans moins de 3 minutes
c) dans plus de 3 minutes mais moins de 10
Solutions :
a) P(X=5)=0
b) P(X<3)=P(X3)=F(3)=1-e-0,1*3 0,259
P(3<x<10)=F(10)-F(3)=(1-e-0,1*10)-(1-e-0,1*3)=0,373

B) Variables alatoires continues indpendantes


10

1. Dfinition :
Deux variables alatoires continues X et Y sont indpendantes ssi, pour tous rels x et y,
les vnements (Xx) et (Yy) sont indpendants, ce qui signifie que lon a :
P(Xx et Yy)=P(Xx)*P(Yy)
Si X et Y sont indpendantes :
P(X>x et Y>y)=P(X>x et Y>y) = P(X>x)P(Y>y)
Exemple :
Un appareil fonctionne grce 2 lments identiques mais indpendants dont les dures
de vie T1 et T2 sont telles que P(T1>10)=P(T2>10)=0,04. Il suffit que lun des deux
lments tombe en panne pour que lappareil ne fonctionne plus. Quelle est la proba que
cet appareil fonctionne pendant plus de 10 ans ?
Solution :
Lappareil fonctionne pendant plus de 10 ans si lvnement (T1>10 et T2>10) est ralis.
Or, P(T1>10 et T2>10)=P(T1>10)P(T2>10)=0,04 2=0,0016

C) Loi ou densit de probabilit dune variable alatoire continue.


1. Dfinition
SI X est une variable alatoire continue de fonction de rpartition F drivable, la loi de
probabilit de X est dfinie par la drive de F, que lon note f. f est appel densit de
probabilit ou fonction de densit de X.
f(x)=F(x)
Exemple :
Dterminer la densit de proba de X,

F(x)=0 si x<0
F(x)=1-e-0,1x sinon

Si x<0, F(x)=0 donc F(x)=0


Si x0, F(x)= 1-e-0,1x donc F(x)=0
F(x)=0-(-0,1)e-0,1x
La densit de proba de X :
f(x)=0 si x<0
f(x)= 0,1e-0,1x sinon

2. Proprits
a) La densit est une fonction positive
En effet, la fonction de rpartition F est dcroissante. Donc sa drive f est positive ou
nulle. Graphiquement, cela signifie que la courbe de f est entirement situe au dessus de
laxe des abscisses.

11

b) Calcul de P(a<Xb)=F(b)-F(a)

Or F est une primitive de f, donc

c)

En effet (-<x+) est lvnement certain.


Graphiquement cela signifie que lair de la portion de plan situ entre laxe de labscisse et
la courbe reprsentative de f vaut 1 en unit dair)
d) Expression de F en fonction de f
F(x)=P(Xx)
En prenant a=- et b=x, avec la proprit b), on obtient :

F est la primitive de f, mais pas nimporte quelle, cest celle qui tend vers 0 en -
e) Reprsentation graphique
G4
Exemple :
La quantit de caf (en kg) vendu par un torrfacteur est une variable alatoire X prenant
ses valeurs dans lintervalle X=[10,70] de densit f :

f(x)=0 sinon

12

Vrifier que

Dterminer et reprsenter la fonction de rpartition de X(F)


Calculer la proba quil vende
Moins de 20kg de caf (A)
Plus de30kg (B)
Entre 20 et 30kg (C)

iscrtes de probabilits

I)

Loi uniforme directe U(n)

1. Dfinition
Cette loi se rencontre lorsque les vnements ont la mme probabilit de ralisation. Soit X la
variable alatoire prenant les valeurs 1,2,,n avec la probabilit . Sa loi de probabilit est
x=1,2,,n

2. Reprsentation
U(10)
0,1

10

Fonction de rpartition
1

0,1
1

3. Esprance, variance

10

II) Loi binomiale


1. Dfinition
Considrons une preuve (dite preuve de Bernoulli) nayant que 2 issus possibles :
- lun appel succs avec une probabilit p de se raliser
- lautre appel chec qui a la probabilit q=1-p de se raliser.
Cette preuve est rpte n fois, les preuves successives tant indpendantes (la probabilit des
succs reste donc p chaque fois). La variable alatoire X est gale au nombre de succs obtenu au
cours des n preuves suit alors par dfinition la loi binomiale de paramtre n et p.
On note :
X peut prendre toutes les valeurs k entires comprises entre 0 et n

En effet, lvnement (X=k) signifie quil y a eu k succs au cours des n priodes. Notons S pour
succs et E pour chec et considrons une ventualit ralisant cet vnement.
Par exemple :

Les preuves tant par hypothse indpendantes, la probabilit de raliser cette ventualit est :

Soit
Or il y a
possibilits de raliser les k succs au cours des n preuves. Il y a donc en tout
ventualits diffrentes ralisant lvnement (X=k) et chacune la proba pk(1-p)n-k de se raliser.
Exemple :
Un vivier contient 100 truites. 5 dentre elles psent moins que 200gr, les autres plus que
200gr. 3 fois de suite, on va sortir une truite, la peser et la remettre dans le vivier. Soit X le
nombre de truites de plus de 200 gr obtenus lissu de ces 3 pess, dterminez la loi de X.
Solution :
Peser une truite constitue une preuve avec 2 issus possibles :
o La truite pse plus de 200gr (p=0,95)
o La truite pse moins de 200gr (q=1-p=0,05).
Cette preuve est rpte 3 fois et les preuves sont indpendantes. Aprs chaque pes, on
remet les truites dans le vivier. X est le nombre de truites de plus de 200gr obtenus au cours

de ces 3 preuves, donc


Remarque : le tirage avec remise a 2 consquences.
La premire ; la proportion de truites de plus de 200gr contenu dans le vivier reste la mme
chaque tirage, ce qui justifie lindpendance des tirages.
Deuxime remarque ; une mme truite peut tre pese plusieurs fois.

2. Reprsentation graphique de B(10 ; )


Loi de probabilit :
2010-03-18-4
3. Esprance, variance
a) Variable de Bernoulli
K
P(X=k)

0
q
q=1-p

1
p

E[X]=p
V[X]=p-p2=p(1-p)=p*q
b) Dcomposition dune variable binomiale en somme de variables de Bernoulli
X1,X2,,Xn : n variables de Bernoulli ayant la mme loi que X.
X1+X2++Xn est gal au nombre de succs obtenus au cours des n preuves.
X=X1+X2++Xn suit la B(n,p)
B=binomiale
c) Valeurs caractristiques dune variable binomiale
E[X] = E[X1+X2++Xn]
= E[X1] + + E[Xn]
= n*p
De plus, les n variables de Bernoulli sont indpendantes
V(X) = V(X1++Xn)
= V(X1)+ + V(Xn)
=n*p*q
Si X suit la binomiale B(n,p),

son esprance :
sa variance :
son cart-type :

E[X]=np
V(X)=npq

d) La somme de variables alatoires binomiales indpendantes


Si X1 et X2 sont 2 v.a. indpendantes suivant les lois binomiales
B(n1,p) et B(n2,p), alors X1 + X2 (suit, komeschen Feil) B(n1+n2,p)
III)

Loi de poisson

1. Dfinition
Dfinition :
Soit Lambda un rel strictement positif, une variable alatoire discrte X suit la loi de poisson
de paramtre Lambda si elle peut prendre toutes les valeurs entires k avec la probabilit
P(X=k)=
X (suit, komeschen Feil) P( lambda )
On a:

Exemple
Un employ dune entreprise de transport contrle chaque lundi 100 voyageurs. On note X le
nombre de personnes quil trouve en situation irrgulire. On admet que X suit la loi de poisson de
paramtre 2 (X komeschen Feil P(2)) Dterminez la loi de X

K
P(X=k)

0
0,1353

1
0,2707

2
0,1804

2. Reprsentation graphique
2010-03-18-5

3. Esprance, variance
Si X (sui, Feil) P( Lamda )
E[X]= lamda
V[X]= lamda

4. Somme de variables alatoires de poisson indpendantes

9
0,0002

Si X1 et X2 sont 2 var. indep., suivant les lois de Poisson P( lamda 1) P( lamda 2), alors X1 +
X2 (komeschen Feil) P(lambda1, Lamda2)
Exemple :
Dans la compagnie de transport, la loi du nombre de fraudeurs parmi 100 voyageurs (suit) P(2) le
lundi et (suit) P(1) le dimanche.
Un employ contrle 100 personnes le dimanche et 100 autres le lundi.
Proba quil trouve 2 personnes en situation irrgulire ?
Notons :

X : nombre de fraudeurs sur 100 le lundi


Y : nombre de fraudeurs sur 100 le dimanche
Z : nombre total de fraudeurs sur les 200 contrls.

X (suit) P(2), Y (suit) P(1) indpendants


Z = X+Y (suit) P(2+1) = P(3)
-

P(Z=3) = 0,224

=P(X=0) P(Y=2) + P(X=1) P(Y=1) + P(X=2) P(Y=5)


=0,224
5. Approximation dune loi binominale par une loi de Poisson
Si les 3 conditions suivantes sot vrifies :
n grand (n30)
p petit (p0,1)
et np pas trop grand (np),
on peut approcher la loi binomiale B(n,p) par la loi de Poisson P(lamda) avec (lamda)=np, ce qui
permet dcrire :

Les conditions ne sont pas rigides et donc lintrt est de remplacer et donc de simplifier les
calculs numriques
2010-03-18-6
6. Principaux cas o cette loi sapplique
La loi de poisson sapplique entre autre dans le cadre dpreuve de Bernoulli au cours desquels la
probabilit p de succs est faible. Elle est donc parfois appele loi des petites probabilits ou loi des
phnomnes rares. On la rencontre souvent pour des phnomnes accidentels ou des phnomnes de
files dattentes. On peut retenir les principaux exemples suivants :
- Nombres de pices dfectueuses dans un lot
- Nombre derreurs dans une comptabilit
- Nombre de pannes dun appareil au cours dune priode donne
- Nombre dappels tlphoniques reus au cours dune priode donne

Nombre de personnes arrivant un guichet au cours dune priode donne

2010-04-01
B) Loi normale de paramtres m et , ou loi normale gnralise
1. Densit, esprance, cart-type
Une variable alatoire continue X suit la loi normale desprance m et dcart-type

si elle admet

pour densit la fonction g dfini sur R par


X (suit, komeschen Feil) N(m, )
g est une fonction positive. On admet que
On peut dmontrer:

2010-04-01-1
2. Variable centre rduite associe
SI X suit l loi normale desprance m et dcart-type
normale ; komeschen Feil) N(0,1)

(suit la loi

2010-04-01-F1
3. Calculs pratiques
Si X suit N(m,
on pose T=(X-m)/
On sait que T suit n(0,1) et on note
On a alors :

sa fonction de rpartition.

2010-04-01-F2

Exercice : Dans les rayons dunhypermarch, le poids en grammes dun paquet de sucre est une v.a.
X qui suit une loi normale desprance 8 gramme et dcart-type 8gr. Dterminez la probabilits que
le poids dun paquet pris au hasard soit compris entre 1000 et 1008 gr, suprieur 1008 grammes,
compris entre 992 et 1008 gr et ne scarte pas de son esprance de plus de 2 cart-types.
X (suit) N(1000 ;8)

p1=P(1000<x<1008)
=
=P(0<T<1)= (1)=0,8413-0,50=0,3413
(cf. table de la v.a. Normale rduite)
p2=p(992<x<1008)
=p(
=p(-8/8 < T < 1) = P(-1 < T < 1)
=
=2
=0,6826
p3=p(X>1008)=p(T>1)
=1-p(T)=1-0,8413
=0,1587
p4=p(1000-2*8<x1000+2*8)
=p(984<x1016)
=p(
=p(-2<T<2)=

(-2)

=
=2*0,9772-1=0,9544
Avec les mmes donnes, trouvez les intervalles (1013/1000) dans lequel se trouvent les poids de
99% de paquets de sucre.
On cherche a tel que :
P(1000-a<X<1000+a)=0,99

Donc : a/8 = 2,57


a=20,6
Il y a 99 chances sur 100 que le poids dun paquet soit compris entre (1000-20,6=979,4) et
(1000+20,6=1020,6)gr

4. Probabilit de quelques intervalles centrs sur lesprance


Si X suit N(m, ), il y a environ :
- 68 ne sloigne pas de plus de 1 cart-type
- 95 chances ur 100 que X ne sloigne pas de son esprance de plus de 2 cart-types
- Plus de 99 chances sur 100 que X ne sloigne pas de son esprance de plus de 3 cart-types
5. Oprations sur les variables alatoires normales
a) Fonction affine dune variable normale
a et b tant 2 rels et X une variable alatoire qui suit la loi normale de paramtre (m, , ), la
variable Y=aX+b suit la loi normale desprance (am+b) [Y=aX+b (feil)N(am+b,|a|, ]
b) Somme et diffrences de variables alatoires normales indpendantes
SI X1 (feil) N(m1, , 1),,Xn (feil) N(mn, , n) et si elles sont indpendantes 2 2, alors :
X1+X2++Xn (suit) N(m1+m2++mn,
X1-X2 (suit) N(m1-m2,

Ex. : On transporte des paquets de dans un carton qui pse 30kg. Le poids dun paquet en
grammes suit la loi normale desprance 1000gr et dcart-type 100gr [Feil N(1000,100)]. Les
poiuds des paquets sont indpendants. La livraison des lots se fait par un monte de charge qui ne
fonctionne pas quand le poids du lot dpasse 35 kg. Chercher la proba quun lot ne puisse pas tre
livr.
Notons X1, X500 les poids (en g) des paquets dun lot et Y le poids (g) dun lot. Pour tout i, Xi
suit la loin normale (1000,100). Comme les X sont indpendants, X1++X500 (Feil)N(
,
Soit X1++X500(Feil)N(500'000,1000

Or Y = 30000+X1++X500
Donc Y (suit) N(530'000,1000 )
Un lot ne peut pas tre livr sil ralise lvnement (Y>535'000)
P(Y>535'000)=11,25% des lots ne peuvent pas tre livrs
c) Situations ou sapplique la loi normale

De faon gnrale, cest lorsque les valeurs prises par une v.a. X rsultent dun trs grand nombre
de causes alatoires qui sajoutent dont les variations sont petites mutuellement indpendantes et
dont aucune ne domine. Dans ce cas, la variable de X suit la loi de Gauss.
La loi normale peut tre une bonne approximation de la loi binomiale et/ou la loi de poisson.

IV)

Approximations par une loi normale

A) Approximation dune loi binomiale


1) Conditions dapproximation
Si la variable alatoire discrte X suit la loi binomiale de paramtre (n,p) [X(Feil)B(n,p)] et lune
des conditions suivantes est ralise
- n grand (n30) et p et q voisins de 0,5
- ou np > 15 et nq >15
- ou npq>10
on peut approcher la loi de X par la loi normale de paramtres : np et
X(Feil) B(n,p)
X* (Feil) N(np,

2) Calcul de P(x=k) avec k entier


a) 1ire mthode : utilisation de la densit de X* de la variable continue
g dsigne la densit de X*, P(x=k)=
2010-04-01-3
Exemple : X (suit) B(35 ;0,45)
X* (suit) N(15,75 ; 2,94)
P(X=10)=

P(X*=10)=
b) 2ime mthode : fonction de rpartition de X*
T=
P(X=10)=P(10-0,5<X*<10+0,5)
=p(
=

3) Calcul de P(aXb) a et b entiers


P(axb) = P(a-0,5<x*<b+0,5)
B) Approximation dune loi de Poisson
1. Conditions
Si la v.a. discrte suit la loi de Poisson P() et si est grand (>10), on peut approcher la loi de X
par la loi normale de paramtre et

2. Calculs pratiques
Un magasin propose par tlphone un cadeau aux couples qui se rendent au magasin. Lopration
dure 25 jours raison de 200 appels par jour. Le nombre de couples qui se dplacent est une v.a. qui
suit la loi de poisson de paramtre 5. Quel est le nombre minimum de cadeau prvoir pour avoir
plus de 90% de chances pour ne pas en rompre.
Xi est le nombre de couples contact le iime jour qui vont chercher leur cadeau.
X est le nombre total de couples qui se dplacent les 25 jours.
n est le nombre de cadeaux prvoir
On a donc : X= X1 + + X25. Pour tout i, Xi (suit) P(5), Xi indpendants, donc
X(suit)P(25*5)=P(125)
Comme 125 est grand
X* (suit) N(125,
P(Xn)>0,90

Chapitre 4 : Lois fondamentales discrtes de probabilits

I)

Loi uniforme directe U(n)

1. Dfinition
Cette loi se rencontre lorsque les vnements ont la mme probabilit de ralisation. Soit X la
variable alatoire prenant les valeurs 1,2,,n avec la probabilit . Sa loi de probabilit est
x=1,2,,n

2. Reprsentation
U(10)
0,1

10

Fonction de rpartition
1

0,1
1

3. Esprance, variance

10

II) Loi binomiale


1. Dfinition
Considrons une preuve (dite preuve de Bernoulli) nayant que 2 issus possibles :
- lun appel succs avec une probabilit p de se raliser
- lautre appel chec qui a la probabilit q=1-p de se raliser.
Cette preuve est rpte n fois, les preuves successives tant indpendantes (la probabilit des
succs reste donc p chaque fois). La variable alatoire X est gale au nombre de succs obtenu au
cours des n preuves suit alors par dfinition la loi binomiale de paramtre n et p.
On note :
X peut prendre toutes les valeurs k entires comprises entre 0 et n

En effet, lvnement (X=k) signifie quil y a eu k succs au cours des n priodes. Notons S pour
succs et E pour chec et considrons une ventualit ralisant cet vnement.
Par exemple :

Les preuves tant par hypothse indpendantes, la probabilit de raliser cette ventualit est :

Soit
Or il y a
possibilits de raliser les k succs au cours des n preuves. Il y a donc en tout
ventualits diffrentes ralisant lvnement (X=k) et chacune la proba pk(1-p)n-k de se raliser.
Exemple :
Un vivier contient 100 truites. 5 dentre elles psent moins que 200gr, les autres plus que
200gr. 3 fois de suite, on va sortir une truite, la peser et la remettre dans le vivier. Soit X le
nombre de truites de plus de 200 gr obtenus lissu de ces 3 pess, dterminez la loi de X.
Solution :
Peser une truite constitue une preuve avec 2 issus possibles :
o La truite pse plus de 200gr (p=0,95)
o La truite pse moins de 200gr (q=1-p=0,05).

Cette preuve est rpte 3 fois et les preuves sont indpendantes. Aprs chaque pes, on
remet les truites dans le vivier. X est le nombre de truites de plus de 200gr obtenus au cours
de ces 3 preuves, donc
Remarque : le tirage avec remise a 2 consquences.
La premire ; la proportion de truites de plus de 200gr contenu dans le vivier reste la mme
chaque tirage, ce qui justifie lindpendance des tirages.
Deuxime remarque ; une mme truite peut tre pese plusieurs fois.

2. Reprsentation graphique de B(10 ; )


Loi de probabilit :
2010-03-18-4
3. Esprance, variance
a) Variable de Bernoulli
K
P(X=k)

0
q
q=1-p

1
p

E[X]=p
V[X]=p-p2=p(1-p)=p*q
b) Dcomposition dune variable binomiale en somme de variables de Bernoulli
X1,X2,,Xn : n variables de Bernoulli ayant la mme loi que X.
X1+X2++Xn est gal au nombre de succs obtenus au cours des n preuves.
X=X1+X2++Xn suit la B(n,p)
B=binomiale
c) Valeurs caractristiques dune variable binomiale
E[X] = E[X1+X2++Xn]
= E[X1] + + E[Xn]
= n*p
De plus, les n variables de Bernoulli sont indpendantes
V(X) = V(X1++Xn)
= V(X1)+ + V(Xn)
=n*p*q
Si X suit la binomiale B(n,p),

son esprance :
sa variance :
son cart-type :

E[X]=np
V(X)=npq

d) La somme de variables alatoires binomiales indpendantes


Si X1 et X2 sont 2 v.a. indpendantes suivant les lois binomiales
B(n1,p) et B(n2,p), alors X1 + X2 (suit, komeschen Feil) B(n1+n2,p)
III)

Loi de poisson

1. Dfinition
Dfinition :
Soit Lambda un rel strictement positif, une variable alatoire discrte X suit la loi de poisson
de paramtre Lambda si elle peut prendre toutes les valeurs entires k avec la probabilit
P(X=k)=
X (suit, komeschen Feil) P( lambda )
On a:

Exemple
Un employ dune entreprise de transport contrle chaque lundi 100 voyageurs. On note X le
nombre de personnes quil trouve en situation irrgulire. On admet que X suit la loi de poisson de
paramtre 2 (X komeschen Feil P(2)) Dterminez la loi de X

K
P(X=k)

0
0,1353

1
0,2707

2. Reprsentation graphique
2010-03-18-5

3. Esprance, variance
Si X (sui, Feil) P( Lamda )
E[X]= lamda
V[X]= lamda

2
0,1804

9
0,0002

4. Somme de variables alatoires de poisson indpendantes


Si X1 et X2 sont 2 var. indep., suivant les lois de Poisson P( lamda 1) P( lamda 2), alors X1 +
X2 (komeschen Feil) P(lambda1, Lamda2)
Exemple :
Dans la compagnie de transport, la loi du nombre de fraudeurs parmi 100 voyageurs (suit) P(2) le
lundi et (suit) P(1) le dimanche.
Un employ contrle 100 personnes le dimanche et 100 autres le lundi.
Proba quil trouve 2 personnes en situation irrgulire ?
Notons :

X : nombre de fraudeurs sur 100 le lundi


Y : nombre de fraudeurs sur 100 le dimanche
Z : nombre total de fraudeurs sur les 200 contrls.

X (suit) P(2), Y (suit) P(1) indpendants


Z = X+Y (suit) P(2+1) = P(3)
-

P(Z=3) = 0,224

=P(X=0) P(Y=2) + P(X=1) P(Y=1) + P(X=2) P(Y=5)


=0,224
5. Approximation dune loi binominale par une loi de Poisson
Si les 3 conditions suivantes sot vrifies :
n grand (n30)
p petit (p0,1)
et np pas trop grand (np),
on peut approcher la loi binomiale B(n,p) par la loi de Poisson P(lamda) avec (lamda)=np, ce qui
permet dcrire :

Les conditions ne sont pas rigides et donc lintrt est de remplacer et donc de simplifier les
calculs numriques
2010-03-18-6
6. Principaux cas o cette loi sapplique
La loi de poisson sapplique entre autre dans le cadre dpreuve de Bernoulli au cours desquels la
probabilit p de succs est faible. Elle est donc parfois appele loi des petites probabilits ou loi des
phnomnes rares. On la rencontre souvent pour des phnomnes accidentels ou des phnomnes de
files dattentes. On peut retenir les principaux exemples suivants :
- Nombres de pices dfectueuses dans un lot
- Nombre derreurs dans une comptabilit

Nombre de pannes dun appareil au cours dune priode donne


Nombre dappels tlphoniques reus au cours dune priode donne
Nombre de personnes arrivant un guichet au cours dune priode donne

2010-04-01
B) Loi normale de paramtres m et , ou loi normale gnralise
1. Densit, esprance, cart-type
Une variable alatoire continue X suit la loi normale desprance m et dcart-type

si elle admet

pour densit la fonction g dfini sur R par


X (suit, komeschen Feil) N(m, )
g est une fonction positive. On admet que
On peut dmontrer:

2010-04-01-1
2. Variable centre rduite associe
SI X suit l loi normale desprance m et dcart-type
normale ; komeschen Feil) N(0,1)

(suit la loi

2010-04-01-F1
3. Calculs pratiques
Si X suit N(m,
on pose T=(X-m)/
On sait que T suit n(0,1) et on note
On a alors :

sa fonction de rpartition.

2010-04-01-F2

Exercice : Dans les rayons dunhypermarch, le poids en grammes dun paquet de sucre est une v.a.
X qui suit une loi normale desprance 8 gramme et dcart-type 8gr. Dterminez la probabilits que
le poids dun paquet pris au hasard soit compris entre 1000 et 1008 gr, suprieur 1008 grammes,
compris entre 992 et 1008 gr et ne scarte pas de son esprance de plus de 2 cart-types.

X (suit) N(1000 ;8)

p1=P(1000<x<1008)
=
=P(0<T<1)= (1)=0,8413-0,50=0,3413
(cf. table de la v.a. Normale rduite)
p2=p(992<x<1008)
=p(
=p(-8/8 < T < 1) = P(-1 < T < 1)
=
=2
=0,6826
p3=p(X>1008)=p(T>1)
=1-p(T)=1-0,8413
=0,1587
p4=p(1000-2*8<x1000+2*8)
=p(984<x1016)
=p(
=p(-2<T<2)=

(-2)

=
=2*0,9772-1=0,9544
Avec les mmes donnes, trouvez les intervalles (1013/1000) dans lequel se trouvent les poids de
99% de paquets de sucre.
On cherche a tel que :
P(1000-a<X<1000+a)=0,99

Donc : a/8 = 2,57


a=20,6

Il y a 99 chances sur 100 que le poids dun paquet soit compris entre (1000-20,6=979,4) et
(1000+20,6=1020,6)gr

4. Probabilit de quelques intervalles centrs sur lesprance


Si X suit N(m, ), il y a environ :
- 68 ne sloigne pas de plus de 1 cart-type
- 95 chances ur 100 que X ne sloigne pas de son esprance de plus de 2 cart-types
- Plus de 99 chances sur 100 que X ne sloigne pas de son esprance de plus de 3 cart-types
5. Oprations sur les variables alatoires normales
a) Fonction affine dune variable normale
a et b tant 2 rels et X une variable alatoire qui suit la loi normale de paramtre (m, , ), la
variable Y=aX+b suit la loi normale desprance (am+b) [Y=aX+b (feil)N(am+b,|a|, ]
b) Somme et diffrences de variables alatoires normales indpendantes
SI X1 (feil) N(m1, , 1),,Xn (feil) N(mn, , n) et si elles sont indpendantes 2 2, alors :
X1+X2++Xn (suit) N(m1+m2++mn,
X1-X2 (suit) N(m1-m2,

Ex. : On transporte des paquets de dans un carton qui pse 30kg. Le poids dun paquet en
grammes suit la loi normale desprance 1000gr et dcart-type 100gr [Feil N(1000,100)]. Les
poiuds des paquets sont indpendants. La livraison des lots se fait par un monte de charge qui ne
fonctionne pas quand le poids du lot dpasse 35 kg. Chercher la proba quun lot ne puisse pas tre
livr.
Notons X1, X500 les poids (en g) des paquets dun lot et Y le poids (g) dun lot. Pour tout i, Xi
suit la loin normale (1000,100). Comme les X sont indpendants, X1++X500 (Feil)N(
,
Soit X1++X500(Feil)N(500'000,1000

Or Y = 30000+X1++X500
Donc Y (suit) N(530'000,1000 )
Un lot ne peut pas tre livr sil ralise lvnement (Y>535'000)
P(Y>535'000)=11,25% des lots ne peuvent pas tre livrs
c) Situations ou sapplique la loi normale

De faon gnrale, cest lorsque les valeurs prises par une v.a. X rsultent dun trs grand nombre
de causes alatoires qui sajoutent dont les variations sont petites mutuellement indpendantes et
dont aucune ne domine. Dans ce cas, la variable de X suit la loi de Gauss.
La loi normale peut tre une bonne approximation de la loi binomiale et/ou la loi de poisson.

IV)

Approximations par une loi normale

A) Approximation dune loi binomiale


1) Conditions dapproximation
Si la variable alatoire discrte X suit la loi binomiale de paramtre (n,p) [X(Feil)B(n,p)] et lune
des conditions suivantes est ralise
- n grand (n30) et p et q voisins de 0,5
- ou np > 15 et nq >15
- ou npq>10
on peut approcher la loi de X par la loi normale de paramtres : np et
X(Feil) B(n,p)
X* (Feil) N(np,

2) Calcul de P(x=k) avec k entier


a) 1ire mthode : utilisation de la densit de X* de la variable continue
g dsigne la densit de X*, P(x=k)=
2010-04-01-3
Exemple : X (suit) B(35 ;0,45)
X* (suit) N(15,75 ; 2,94)
P(X=10)=

P(X*=10)=
b) 2ime mthode : fonction de rpartition de X*
T=
P(X=10)=P(10-0,5<X*<10+0,5)
=p(
=

3) Calcul de P(aXb) a et b entiers


P(axb) = P(a-0,5<x*<b+0,5)
B) Approximation dune loi de Poisson
1. Conditions
Si la v.a. discrte suit la loi de Poisson P() et si est grand (>10), on peut approcher la loi de X
par la loi normale de paramtre et

2. Calculs pratiques
Un magasin propose par tlphone un cadeau aux couples qui se rendent au magasin. Lopration
dure 25 jours raison de 200 appels par jour. Le nombre de couples qui se dplacent est une v.a. qui
suit la loi de poisson de paramtre 5. Quel est le nombre minimum de cadeau prvoir pour avoir
plus de 90% de chances pour ne pas en rompre.
Xi est le nombre de couples contact le iime jour qui vont chercher leur cadeau.
X est le nombre total de couples qui se dplacent les 25 jours.
n est le nombre de cadeaux prvoir
On a donc : X= X1 + + X25. Pour tout i, Xi (suit) P(5), Xi indpendants, donc
X(suit)P(25*5)=P(125)
Comme 125 est grand
X* (suit) N(125,
P(Xn)>0,90