Académique Documents
Professionnel Documents
Culture Documents
USMBA
Professeur : Driss TOUIJAR
Semestre S2
Section : D
Ce document est un support de Cours et
non pas Le Cours.
Par conséquent, votre présence aux
séances du cours est indispensable pour
mieux cerner le programme du Calcul
des Probabilités...
29/03/2017
INTRODUCTION
GENERALE
29/03/2017
" Comment oser parler des lois du
hasard ? Le hasard n'est-il pas
l'antithèse de toute loi ? "
(joseph Bertrand);
5
• Un peu d’histoire
Analyse combinatoire
analyse combinatoire
(combinatorial analysis, combinatorics)
1) Définitions
• Définition 1 : Ensemble
Exemples
:Ensemble des nombres entiers naturels,
ℤ :Ensemble des nombres entiers relatifs,
९ = ሼ0,1ሽ:Ensemble des chiffres binaires, etc.
15
I) Notions sur les ensembles
1) Définitions
• Définition 2 : élément
1) Définitions
17
I)Notions sur les ensembles
1) Définitions
1) Définitions
Exemple :
Alors
1 3 6
A B
4
2 5
19
I) Notions sur les ensembles
1) Définitions
Remarque importante :
(1,2) ≠ (2,1)
mais
E = {1, 2} = {2,1}
20
I) Notions sur les ensembles
1) Définitions
Exemples
E = {1, 3, 4}
࣪ ( = ) ܧሼ߶, ሼ1ሽ, ሼ3ሽ, ሼ4ሽ, ሼ1,3ሽ, ሼ1,4ሽ, ሼ3,4ሽ, ܧሽ 21
I) Notions sur les ensembles
• Définition 1 :
• Définition 2 :
Exemple
1 3 6
E F
2 5 23
I) Notions sur les ensembles
• Définition 3 :
• Définition 4 : Le Complémentaire
26
I) Notions sur les ensembles
2) Operations sur les ensembles :
Alors
A − B = {1, 2} , B − A = {5, 6}
1 6
3
A B
4
2 5 28
I)Notions sur les ensembles
• Définition 1
29
I)Notions sur les ensembles
• Définition 2
• On dit que l'ensemble E est dénombrable s'il
est fini ou s'il existe une bijection de ℕ dans E.
Les éléments de E s'écrivent alors sous forme
d'une suite infinie ݁0 , ݁1 , … , ݁݊ , …
• Exemples :
• ℕ∗ est dénombrable (n n+1 bijective)
• ℤ est dénombrable
• Mais ℝ ne l'est pas. 30
I)Notions sur les ensembles
• Définition 3
• On dit que l'ensemble E est fini s'il est vide ou
s'il existe un entier naturel n et une bijection
de ሼ1,2, … , ݊ሽ dans E. Les éléments de E
s'écrivent alors sous forme ሼ݁1 , … , ݁݊ ሽ .
• Remarques :
• ܵ݅ ∅ ≠ ܧ, n est appelé le cardinal de E: ܿܽ݊ = ) ܧ (݀ݎ
• On convient d'écrire : ܿܽ = )∅ (݀ݎ0
• Dénombrer un ensemble c'est déterminer son 31
cardinal.
I)Notions sur les ensembles
4) Propriétés des Cardinaux
• Proposition 1
• Soit E un ensemble fini. Si F est un ensemble
tel qu’il existe une bijection de E dans F, alors
F est un ensemble fini et Card E = Card F
• Proposition 2
• Soit E un ensemble fini. Toute partie A de E est
finie et Card A ≤ Card E.
• Si A est une partie de E: A=E ⟺ Card A = Card E.
32
I) Notions sur les ensembles
• Définition
a) Soient E et F deux ensembles finis, où
• Si on pose :
=݅݊ڂ = ܨ × ܧ1 ; ݅ܣù = ݅ܣ൛൫݁݅ , ݂݆ ൯| 1 ≤ ݆ ≤ ൟ
ݎ3 ݊
ฎ ܿܽ = ) ܨ × ܧ(݀ݎ ܿܽܣ(݀ݎ
⇒ ᇣᇧᇧᇤᇧᇧᇥ݅ ) = ݊
݅=1 =
• Proposition 4 :
• Soient E et F deux ensembles finis :
Remarques :
• 1) Définition :
Soit p un entier naturel non nul. On appelle
p-liste d'un ensemble E à n éléments, une
liste ordonnée de p éléments de E (avec
répétition possible).
Remarques :
Une p-liste est un élément de Ep
Une p-liste est aussi appelée p-uplet
Exemple
Soit E=ሼ0,2,3,5ሽ :
(0,2,3) ݁( ݐ5,3,3) sont deux 3-listes de E
(0,2,3) ݁( ݐ2,0,3) sont deux 3-listes différentes
II) p-listes
• 1) Définition :
Preuve :
• 1) Définition :
Soit p un entier naturel non nul et ݊ ≤ .
On appelle arrangement de p éléments de E,
une p-liste d'éléments distincts de E.
• 2) Nombre d'Arrangements :
Soit E un ensemble à n éléments et ݊ܣle
nombre de p-liste d'éléments distincts de E.
On a :
݊!
݊ܣ = ݊(݊ − 1) … (݊ − + 1) = (݊−!)
Exemple : E=ሼ0,2,3,5,7ሽ
(0,2,3) ݁(ݏܽ ݏ݅ܽ݉ ݐ݊݁݉݁݃݊ܽݎݎܽ ݊ݑ ݐݏ5,3,3)
5!
ܣ35 = = 60
2!
IV) Permutations
• 1) Définition :
• 2) Nombre de permutations :
Le nombre de permutations de E est : ݊!
݊( × ݊ = ݊݊ܣ− 1) × (݊ − 2) … × 3 × 2 × 1 = ݊!
• Exercice 1 :
41
• Exercice 2 :
Combien de façons a-t-on pour composer le
mot de passe d’un fichier électronique de 6
chiffres différents?
10 !
Réponse: On a ( A
6
10 = = 151200 ) façons de
4!
le composer.
42
V) Combinaisons
• 1) Définition :
Soit p un entier naturel non nul et ݊ ≤ .
On appelle combinaison de p éléments de E,
un sous-ensemble de p éléments distincts de E.
0 ≤ p ≤ Card E
L’ordre des éléments d’une combinaison
n’a pas d’importance.
{0 , 2 , 5} = {0 , 5 , 2}
{0 , 5 , 5} n’est pas une combinaison.
44
V) COMBINAISONS
• 2) Nombre de combinaisons
Le nombre
de combinaison de p éléments de
E, noté ∁݊ est égal à :
p n!
C =
n p ! (n − p )!
n × (n − 1 ) × L × (n − p + 1 )
=
p!
p
= A n 45
p!
Remarque :
p
C est aussi appelé coefficient binomial
n
p
C
Dém : Il y a n façons de choisir une
combinaison de p éléments de E. Et pour
chacune d’elles il y a p! permutations de
ses éléments. Par conséquent
An = p!Cn
p
p
Exemple :
3
A 10× 9 × 8
= = = 120
3 10
C 3!
10
3× 2 ×1
46
V) COMBINAISONS
p
• 3) Propriétés des coefficients C n
C =C = ≥
0 n
n n
1 ; où n 0.
n −p
C =C ; où 0 ≤ p ≤ n.
p
n n
n −1
C =C = n ; où n > 0.
1
n n
n p −1
C n = p C n −1; où 1 ≤ p ≤ n −1 et n > 0
p
47
• Formule du binôme de Newton
n
(a + b )
n
= ∑C a b
k k
n
n−k
; où (a, b ) ∈ R et n ∈ N
2
k =0
•Remarque :
n
2 = ∑Cn
n k
k =0
•
•Formule du triangle de Pascal
p p p −1
C n
=C n −1
+ C n −1
; où 1 ≤ p ≤ n − 1
VI. MODELE FONDAMENTAL : CAS D’URNE
p
Autrement on aura An tirages sans remise.
VI. MODELE FONDAMENTAL : CAS D’URNE
p
Autrement on aura Cn tirages simultanés.
VII. En Résumé
Objets Objets
Placer
discernables indiscernables
Plusieurs p p
dans 1 case n C n + p −1
1 seul dans 1 p p
case An Cn
Chapitre 2
Notion de probabilité
I. Introduction:
Exemple :
Ω = {1 ; 2 ; 3 ; 4 ; 5 ; 6}
3)- Evénements
On définit un événement comme un
ensemble de résultats possibles de
l’expérience aléatoire.
Exemple :
a) Expérience 1 : A1 est l’événement « le numéro
obtenu est impair » : A1 = {1 ; 3 ; 5}
A2 l’événement « le numéro obtenu est
inférieur ou égal à 3» : A2 = {1 ; 2;3}
b) Expérience 2 : Soit B l’événement « la somme
des deux numéros obtenus est 5 »:
B = {( 2;3) , (1; 4 ) , ( 3; 2 ) , ( 4;1)}
Remarques :
Un événement est un sous-ensemble de Ω :
A ⊂ Ω ⇒ A ∈ P (Ω)
Ω = [ 0; + ∞[
En effectuant l’Expérience 1, on obtient un
nombre ω tel que ω ∈ Ω = {1 ; 2 ; 3 ; 4 ; 5 ; 6}.
Alors on dit que A1 est réalisé si ω ∈ {1 ; 3 ; 5} :
A1 est réalisé ⇔ ω ∈ {1 ; 3 ; 5}
De même A2 est réalisé ⇔ ω ∈ {1 ; 2;3}
Ω est réalisé ⇔ ω ∈ {1 ; 2 ; 3 ; 4 ; 5 ; 6}
ω ∈A ⇔ ω ∉A
Exemple : Ω et ∅ sont contraires.
On dit que l’événement « A et B » est réalisé
si et seulement si A et B sont réalisés au cours
de la même expérience :
ω ∈ " A et B " ⇔ ω ∈ A et ω ∈ B ⇔ ω ∈ A I B
On dit que A et B sont disjoints(incompatibles)
s’ils ne peuvent se réalisés simultanément :
A IB =∅
Exemple : Pour le jet d’un dé à six faces, les
événements A=« avoir un nombre pair » et
B=« avoir un nombre impair » sont disjoints
a) Définition 1: TRIBU
On dit que A est une tribu sur Ω, si c'est un
ensemble de parties de Ω stable par intersection et
par union et dénombrable.
Exemple :
P (Ω), l’ensemble des parties de Ω, est une tribu
sur Ω.
Remarques :
Tout élément de A est appelé événement.
Tout singleton {ω} de Ω est appelé événement
élémentaire.
Dorénavant on considérera la tribu P (Ω).
P (A I B )
( )
P A
B
=
P (B )
c) Propriété :
Soit deux événements A et B où P ( A ) ≠ 0 et P ( B ) ≠ 0
P (A I B ) = P A ( B) ( A )× P (A )
× P (B ) = P B
d) Exemple:
Soit l’univers Ω ={1 , 2 , 3 , 4 , 5 , 6}muni de P (Ω)
Soit P1 et P2 les probabilités définies sur (Ω ;P (Ω)):
i 1 2 3 4 5 6
P1 ({i } ) 1/6 1/9 1/6 1/9 1/3 1/9
i 1 2 3 4 5 6
P2 ({i } ) 1/6 1/6 1/6 1/6 1/6 1/6
A ={1,3} ; B ={3,5} sont-ils indépendants pour P1
1 1 1 1 1 1
P1 ( A ) = + = P1 ( B ) = + =
6 6 3 6 3 2
Et P1 ( A I B ) = P1 ({3} ) =
1
6
1
Or P1 ( A ) × P1 ( B ) = d 'où l 'égalité
6
d) Exemple:
Soit l’univers Ω ={1 , 2 , 3 , 4 , 5 , 6}muni de P (Ω)
Soit P1 et P2 les probabilités définies sur (Ω ;P (Ω)):
i 1 2 3 4 5 6
P1 ({i } ) 1/6 1/9 1/6 1/9 1/3 1/9
i 1 2 3 4 5 6
P2 ({i } ) 1/6 1/6 1/6 1/6 1/6 1/6
A ={1,3} ; B ={3,5} sont-ils indépendants pour P2
1 1 1 1 1 1
P2 ( A ) = + = P2 ( B ) = + =
6 6 3 6 6 3
Et P2 ( A I B ) = P2 ({3} ) =
1
6
1
Or P2 ( A ) × P2 ( B ) = ≠ P2 ( A I B )
9
d) Formule des probabilités totales:
Soit A1 ,A2 , …, An un système complet
d’événements non impossibles. Pour tout B, on a
n n
P ( B ) = ∑ P ( Ai I B ) = ∑ P ( Ai ) × P B
i =1 i =1 Ai
e) Formule de Bayes :
Soit A1 ,A2 , …, An un système complet
d’événements non impossibles et B non
impossible. Pour tout j tel que 1 ≤ j ≤ n on a :
B
P (Aj )× P
j
A A j
P = n
B B
∑ P ( i) A
A × P
i =1 i
Bayes
75
6)- Notion d’Equiprobabilité :
a) Définitions :
i) Soit l’univers Ω ={ω1 , ω2 , … , ωn}. On dit qu’il y a
équiprobabilité si :
∀i ∈ {1,K , n } , P ({ωi } ) = =
1 1
n Card Ω
Autrement, les probabilités de tous les événements
élémentaires sont égales.
b) Théorème :
Lorsque tous les événements élémentaires sont
équiprobables; alors :
Exemple :
On reconsidère l'Expérience 2 :
Ω = {1 ; 2 ; 3 ; 4 ; 5 ; 6}
2
∀ ( i , j ) ∈ Ω , P ({(i , j )} ) = 2 et P (B ) =
1 Card B 4 1
2
= =
6 Card Ω 36 9
Chapitre 3
Variables Aléatoires
I. Introduction:
Définition :
On définit la Fonction de Répartition F
d’1variable aléatoire X comme étant la
fonction :
F : R → [ 0;1]
x a F (x ) = P (X ≤ x )
Remarque :
→ ∀x ∈ R , 0 ≤ F ( x ) ≤ 1
→ F est croissante car si x < y ⇒ ( X ≤ x ) ⊂ ( X ≤ y )
donc F ( x ) = P ( X ≤ x ) ≤ P ( X ≤ y ) = F ( y )
→ Lim F ( x ) = 0
F(x)
x →−∞
1
→ Lim F ( x ) = 1
x →+∞
Loi de Probabilité :
On appelle Loi de Probabilité d’1variable
aléatoire discrète, la donnée, pour chaque
valeur xi prise par X, de la Probabilité de
l’événement (X= xi), notée pi : P(X= xi )=pi .
Remarque :
n
+∞
⇒ xi 0 1 2
pi =P(X= xi ) 1/4 1/2 1/4
En effet
p2 = P ( {X ({ω / X (ω ) = 1}) = P ({( f , p ) ; ( p , f )})
= 1} ) = P
Remarque :
Si g(x)= x3
( )
E X 3
= ∑ x i3 p i
i
Exemple (suite) :
xi 0 1 2
pi =P(X= xi ) 1/4 1/2 1/4
3 3
E ( X ) = ∑ x i P ( X = x i ) = ∑ x i pi
i =1 i =1
= ( 0 × p1 + 1× p 2 + 2 × p 3 )
1 1
= 1× + 2 × = 1
2 4
et
( )
3
1 1 3
E X 2
= ∑ x pi = 1 × + 2 × =
i
2 2 2
i =1
2 4 2
B)- VAD :
Variance et Ecart-type :
On appelle Variance d’1variable aléatoire
discrète, notée V(X), la quantité :
Si X(Ω) est fini n
V ( X ) = E ( X − E ( X )) = (x i − E (X
∑ ))
2 2
pi
i =1
Remarque : +∞ +∞
i i
→ En général : V ( X +Y ) ≠ V ( X ) +V (Y )
→V ( a + X ) =V ( X )
→V ( aX ) = a V 2
(X )
Exemple (suite) : 2
V ( X ) = E X 2 − E [ X ] = ∑ x i pi − ∑ x i pi
2 2
i i
3 2 1 xi 0 1 2
= −1 =
2 2 pi =P(X= xi ) 1/4 1/2 1/4
B)- VAD :
Ecart-type :
On appelle écart-type d’1variable aléatoire
discrète, notée σ(X), la racine de la Variance :
σ (X ) = V (X )
Remarque :
σ ( aX ) = a σ (X ) .
X − E (X )
Z = est dite V.A. centrée réduite :
σ (X )
en effet E ( Z ) = 0 et V ( Z ) = 1 .
C)- VAC à densité :
Ici X est telle que X(Ω) est un intervalle de R
( ou R entier).
Densité de Probabilité :
On dit qu’une variable aléatoire X est à densité
s’il existe une fonction f de R dans R définie,
positive, continue sur R (sauf peut être en un
nombre fini ou dénombrable, de réels), telle
que pour tout réel x :
F ( x ) = P ( X ≤ x ) = ∫ f (t ) dt ;où Fest lafonctionde répartitionde X
x
−∞
= ∫ f ( x ) dx = F (b ) − F (a)
b
a
f(x)
0 a b X
C)- VAC à densité :
Exemple:
Soit f la fonction définie sur R par :
π
= cos x si x ∈ 0,
f (x ) = 2
= 0 sinon
f est continue sur R\{0}
∀x ∈R , f ( x ) ≥ 0
π π
+∞ + +∞
∫ f ( x ) dx = ∫ f{
( x ) dx + ∫ f ( x ) dx + ∫ π f ( x ) dx = [sin x ] =1
0 2
2
−∞ −∞ 0 { + {
2
=0 cos x 0 0
1.0
f(x) = cos(x)
π
0.9
si x ∈ [0, ]
2
0.8
0.7
0.6
f(x)
0.5
0.4
0.3
0.2
0.1
π
0
0.0
0.00 1.57
96
x
C)- VAC à densité :
Exemple (suite) :
Soit F la fonction de répartition d’1 VAC X de
densité f :
= 0 si x ∈ ]−∞, 0 ]
= 0 f t dt + x f t dt = sin x si x ∈ 0, π
∫−∞ { ( ) ∫0 { () 2
F (x ) =
=0 cos t
π
= π
f (t ) dt + ∫ f (t ) dt + ∫π f (t ) dt = 1 si x ∈ , +∞
0 x
∫−∞ {
2
0 { { 2
2
= 0 cos t 0
Par exemple, on peut calculer :
π π 2 2
P 0 ≤ X ≤ = F − F ( 0) = −0 =
4 4 2 2
Fonction de répartition de X VAC
1.0
0.9
0.8
0.7
0.6 1
F(x)
0.5
0.4
0.3
0.2
0.1
0.0
0 π 2
-1.0 -0.6 -0.2 0.2 0.5 0.8 1.1 1.4 1.7 2.0 2.3 2.6 2.9
98
x
C)- VAC :
Espérance mathématique d’1 VA à densité :
+∞
E ( X ) = ∫ xf ( x ) dx
−∞
( )
+∞
une espérance et E X 2
= ∫ x 2 f ( x ) dx
−∞
C)- VAC :
Variance d’une V.A. à densité:
On appelle Variance d’1variable aléatoire X de
densité f, notée V(X), la quantité réelle :
V ( X ) = E ( X − E ( X )) = +∞ ( x − E ( X )) f ( x ) dx
2 2
∫−∞
quand E ( X ) et E X ( )existent .
2
(∫ )
2
→V ( X ) = E X − ( E [ X ])
+∞ +∞
x f ( x ) dx − xf ( x ) dx
2
2
=∫ 2
−∞ −∞
→ En général : V ( X +Y ) ≠V ( X ) +V (Y )
→V ( a + X ) = V ( X )
→V ( aX ) = a 2V (X )
C)- VAC :
Ecart-type :
On appelle écart-type d’1 VAC, notée σ(X), la
racine de la Variance :
σ (X ) = V (X )
Remarque :
σ ( aX ) = a σ (X ) .
X − E (X )
Z = est dite V.A. centrée réduite :
σ (X )
en effet E ( Z ) = 0 et V ( Z ) = 1 .
C)- VAC à densité :
Exemple (suite) :
π
+∞ +
E ( X ) = ∫ xf ( x ) dx = ∫ 2
x cos x dx
−∞ 0
π
π + π
= [ x sin x ] − ∫
2 2
sin x dx = −1
0 0 2
Exemple (suite) : Calcul de La variance V(X) :
π
π
2
V ( X ) = E X − ( E [ X ]) = ∫
2 +
2 2
x cos x dx − −1
2
0
2
Or
π
+
π
π2 π +
π
E X 2 = x 2 sin x 2 − 2∫ 2 x sin x dx = + 2[ x cos x ]02 − ∫ 2 cos x dx
0 0 4 14243 0
0
π 2 π
π 2
= − 2[sin x ]02 = − 2
4 1424 3 4
1
D 'où
π π
2 2
V ( X ) = − 2 − −1 = π − 3
4 2
D)- COUPLE DE VARIABLES
ALEATOIRES DISCRETES :
LOI CONJOINTE :
Soient X et Y 2 VAD définies sur le même
espace probabilisé (Ω ;P (Ω) ; P). On appelle
couple de V.A. réelles, une application :
Ω→R2
ω a ( X (ω ) ; Y (ω ) )
Supposons que X ( Ω ) = {x i , i ∈ I } et Y ( Ω ) = { y j , j ∈ J }
On appelle loi conjointe du couple (X,Y)
l’ensemble des triplets ( xi , yj , pij ) où
p ij = P ( X = x i ) I (Y = y j )
Les pij Sont des probabilités qui vérifient :
∑∑ p
i ∈I j ∈J
ij = ∑∑ p ij = 1
j ∈J i ∈I
x1 p 11 p 12 p 1k p 1.
x2 p 21 p 22 p 2k p 2.
M M
xi p ij p i.
M M
xm p m1 p m2 p mk p m.
TOTAL p .1 p .2 L p .j L p .k 1
D)- COUPLE DE VARIABLES ALEATOIRES
DISCRETES :
LOI MARGINALE :
k k
p i • = P ( X = x i ) = ∑ P ( X = x i ) I (Y = y j ) = ∑ p ij
j =1 j =1
m m
p • j = P (Y = y j ) = ∑ P ( X = x i ) I (Y = y j ) = ∑ p ij
i =1 i =1
D)- COUPLE DE VARIABLES
ALEATOIRES DISCRETES :
Exemple:
Un sac contient 4 boules numérotées de 1 à
4. On tire deux boules avec remises, et on
note X et Y les numéros obtenus.
Soit Z=Sup(X,Y) et P probabilité uniforme
sur (Ω ;P (Ω))
Ω = {1, 2,3, 4}
2
Loi marginale de Z
D)- COUPLE DE VARIABLES ALEATOIRES
DISCRETES :
Propriétés
Soient X et Y 2 V.A. indépendantes , on a :
→ E ( X ×Y ) = E ( X ) × E (Y )
→ V ( X +Y ) = V ( X ) +V (Y )
Exemple (suite) :
4 4
E ( X × Z ) = ∑ ∑ i × j × p ij
i =1 j =1
1 + 2 + 3 + 4 + 8 + 6 + 8 + 27 + 12 + 64 135
= =
16 16
4
4 + 8 + 12 + 16
E ( X ) = ∑ i × pi • = = 2, 5
i =1
16
4
1 + 6 + 15 + 28
E ( Z ) = ∑ j × p• j = = 3,12
j =1
16
→ E (X × Z ) ≠ E (X )× E (Z )
Donc X et Z sont dépendantes
D)- COUPLE DE VARIABLES ALEATOIRES
DISCRETES :
Propriétés
→ Cov ( X ,Y ) = E ( X ×Y ) − E ( X ) × E (Y )
→ Cov ( X , X ) =V ( X )
→ Si X etY sont indépendantes , alors cov ( X ,Y ) = 0
→V ( X +Y ) =V ( X ) +V (Y ) + 2 cov ( X ,Y )
D)- COUPLE DE VARIABLES ALEATOIRES
DISCRETES :
Lois Classiques et
Convergence
INTRODUCTION
• La pratique des probabilités dans la modélisation statistique
passe très souvent par une parfaite connaissance des lois
usuelles ; le probabiliste-statisticien a en effet besoin :
Moments :
n
1 n 1 n ( n + 1) n + 1
Espérance: E ( X ) = ∑ i p i = ∑ i = =
i =1
n i =1 n 2 2
Variance: V ( X ) = E X 2 − ( E [ X n 2 −1
])
2
=
12
I. LOIS DISCRETES USUELLES :
DOMAINES ET LIMITATIONS :
i =1
= 0 + 1× p − p 2 = p (1 − p ) = pq
C) DOMAINES ET LIMITATIONS
La loi de Bernoulli est utilisée lorsqu’une expérience
aléatoire n’a que deux résultats possibles quali. Ou quanti
Jakob Bernoulli
123
3- LOI BINOMIALE B(n , p)
On appelle processus de Bernoulli toute modélisation
par une suite X1,X2,X3, . . ., Xn de V.A. i.i.d.
(indépendantes et identiquement distribuées), chacune
de loi B (p). Dans ce cas, on peut citer différents types
de comptages, menant à des lois différentes:
loi binomiale : comptage des succès en s’arrêtant à un
nombre de répétitions fixé à l’avance.
loi géométrique : comptage des échecs avant
d’atteindre le premier succès.
loi binomiale négative : comptage des échecs avant
d’atteindre le r-ième succès ().
loi de poisson : comptage de nb d’occurrences dans
un laps de temps
3- LOI BINOMIALE B(n , p)
P ( X = k ) = pq k −1
; k =1, 2,K
C) DOMAINES ET LIMITATIONS
La loi Géométrique est utilisée en météorologie et en
files d’attente.
B)- Moments :
Espérance:
Léspérance mathématique de la loi
géométrique de paramètre p est 1/p
∞
E ( X ) = ∑ kpq k −1
(
= p 1 + 2q + 3q + L =
2 1
p)
k =1
Variance :
La variance de la loi géométrique de paramètre p
est p/q2 :
2
( )
q p
V ( X ) = pq 1 + 2 q + 3 q + L − = 2
2 2 2
p q
D)- définition : Loi Binomiale négative BN (r , p)
La loi binomiale négative BN (r , p) est une
généralisation de la loi géométrique où l’on
considère X « nombre d’échecs avant de parvenir
au r ème succès». Sa fonction de probabilité est
P (X = k ) = ( k
r + k −1
r
p q k
; k = 0,1, 2,K
En effet pour toute séquence de k échecs et
r succès la probabilité est pr qk. Sachant que le
dernier résultat de la séquence doit être un
succès, il reste à dénombrer les séquences avec
k échecs et r−1 succès ce qui revient à
dénombrer les possibilités de choix de k positions
parmi k+r−1 positions, soit ( kr + k −1 .
La loi binomiale négative est extrêmement utilisée pour décrire les
phénomènes suivants : modélisation de la fréquentation de
magasin, de la fidélité… etc.
B)- Moments :
Espérance:
L’espérance mathématique de la loi binomiale
négative BN (r , p) est r(1-p)/p
r (1 − p )
E (X ) =
p
Variance :
La variance de la loi binomiale négative BN (r , p)
est r(1-p)/p2 :
r (1 − p )
V (X ) = 2
p
5- LOI HYPERGEOMETRIQUE H (N, n, Np)
A)- définition : Soit une population de N objets
parmi lesquels une proportion p possède un
certain caractère, on prélève un échantillon de n
individus, sans remise, dans cette population.
Soit X le nombre d'objets qui possèdent cette
propriété. On a
k n −k
( (
P (X = k ) = Np N − Np
n
; k = 0,1, 2,K
(N
Espérance: E ( X ) = np
N −n
Variance : V ( X ) = npq
N −1
C) DOMAINES ET LIMITATIONS
Elle est utilisée en contrôle de qualité.
C’est la loi du tirage exhaustif. C’est celle aussi
qui décrit certains jeux tel celui du Keno (quelle
est la probabilité de donner 8 numéros sur 10
dans une liste de 66 nombres ?).
6 Loi de Poisson
A)- définition :
Une v.a. X suit une loi de Poisson P (λ ) de
paramètre λ > 0 si c’est une variable à valeurs
entières, X(Ω) = N et tel que :
λk
P (X = k ) = e −λ
; k = 0,1, 2,K
k!
On note : X P (λ )
B)- Moments :
C) Exemple
On considère des évènements se produisant en
moyenne 1,5 fois par minute.
Pour étudier le nombre d'évènements se
produisant dans un laps de temps de 6 minutes,
on utilise comme modèle une loi de Poisson de
paramètre ߣ = 1,5 × 6 = 9
Remarque : la loi de poisson correspond à la
lois des événement rares (proba. Faible)
C) DOMAINES ET LIMITATIONS
est utilisée dans les cas suivants : le nombre de
pannes d’un système arrivées dans un laps de
temps... nombre d’appels téléphoniques
enregistrés par un central ...nombre d’accidents
survenus à un assuré ...nombre d’arrivées à un
guichet et la dans la finance pour modéliser la
probabilité de défaut d'un crédit,...
138
Loi multinomiale
• Définition : Un vecteur aléatoire
( ) ݇
ܺ = ܺ1 , ܺ2 , … , ܺ݇ ,∈ ℕ , suit une loi
multinomiale de paramètres
݊ ∈ ℕ, 1 … ∈ ݇ሾ0,1ሿ, 1 + ⋯ + = ݇1
Notée ℳ (݊, 1 … ) ݇, ∶ ݅ݏ
݊ ݊1 ݊݇
ℙ൫ܺ = (ݔ1 , ݔ2 , … , ) ݇ݔ൯ = ! 1 … ݇,
݊1 ! … ݊݇ !
݊1 + ⋯ + ݊݇ = ݊ ݁ ݐù ݊1 , … , ݊݇ ∈ ℕ
140
Loi multinomiale
Moments :
a+b (b − a)
2
Espérance et Variance: E ( X ) = 2 et V ( X ) =
12
Applications : cette loi est à la base de la
simulation de plusieurs autre lois continues.
II. LOIS CONTINUES USUELLES :
0 x
II. LOIS CONTINUES USUELLES :
• 2- Loi de Paréto
• Définition. Une variable aléatoire X, à valeurs
positives, suit une loi de Paréto
de paramètre p > 1 si sa densité est :
−1
݂ ( = )ݔঌሾ1,∞ ሾ ()ݔ
ݔ
−1
Espérance : ॱ(ܺ ) = ( ) > ݅ݏ2
−2
−1
Va r i a n c e : ॽ ( ܺ ) = (−3 )(−2 )2
> ݅ݏ3 144
II. LOIS CONTINUES USUELLES :
• Loi de Paréto
• Applications :
145
II. LOIS CONTINUES USUELLES :
3- LOI Exponentielle
Définition. — Soit λ un nombre strictement positif ;
une variable aléatoire X à valeurs dans ]0,+∞[
est dite exponentielle de paramètre λ>0, si elle
admet pour densité
f ( x ) = λ e
− λx
si x > 0
la densité f est
0 si ≤ 0
On note X E (λ)
E(X ) = et V ( X ) =
1 1
Moments :
λ λ
2
f(x)
µ X 148
II. LOIS CONTINUES USUELLES :
Propriété 1
si:X N (µ , σ2 ) et si Y=aX+b alors Y N (aµ+b, a2σ2)
Propriété 2
si X N (µ , σ 2 ) et si Y N (µ’,, σ’2)
et si X et Y sont indépendantes, alors
S=X+Y N (µ + µ’ , σ2 +σ’2 )
Propriété 3
X −µ
si: X N (µ , σ2 ) alors Z= N (0, 1)
σ
On dit que Z suit la loi normale centrée réduite.
II. LOIS CONTINUES USUELLES :
Remarque :
Si X suit une loi Normale centrée réduite alors:
−1 2
la densité de f est ∀x ∈ R f ( x ) =
1
exp x
2π 2
Fonction de Répartition de N (0 , 1 ) et Propriétés :
−1 2
F (x ) = ∫
x 1
exp t dt
−∞
2π 2 1 f(x)
2π
F (0 ) = P( X < 0) = 0,5 2,5%
σ=1
σ=1
et
F (1,96) = 0,975 0 1,96 X
0.4
0.3
p(x)
0.2
dans 2.58 S
de la moyenne
-3 -2 -1 0 1 2 3
x 151
III. Approximation de LOIS :
1- Approximation de la loi Binomiale par la loi de
Poisson :
Si n ≥ 30 et p ≤ 0.1 alors B (n , p) ≈ P (λ =np
= )
Exemple:
Soit X une VA suivant une loi binomiale B (n=36 , p=0.04)
P ( X = 3) = (336 0.0430.9633 = 0.1188
n
si le taux de sondage est inférieur à 10%:τ = ≤ 0.1
N
Alors :
H (N, n , Np) ≈ B (n , p)
En effet, par le logiciel R, on obtient:
> dbinom(3,10,0.2)
[1] 0.2013266
> dhyper(3,20,80,10)
[1] 0.2092081
N − Np ; où N = 100 et p = 0.2
III. Approximation de LOIS :
S n − E (S n ) F−p
Z=
σS
= n ≈ N (0 , 1 )
n pq
Sn
Où F =
n
Exemple:
Soit X une VA suivant une loi binomiale B (n=36 , p=0.2)
On désire calculer P ( X = 7 ) ?
n = 36 ≥ 30 ; np = 7.2 ≥ 5 ; nq = 28.4 ≥ 5 ⇒ X ≈ N 7.2 ; 5.76
TCL
( )
En utilisant, ce qu'on appelle, la correction de continuité :
P ( X = k ) = P (k − 0.5 ≤ X < k + 0.5)
[1] 0.1653428
> pnorm((7.5-7.2)/sqrt(5.76))- pnorm((6.5-7.2)/sqrt(5.76))
[1] 0.164
III. Approximation de LOIS :
Alors si λ ≥ 18
X −λ ≈ N (0 , 1 )
Z=
λ