Vous êtes sur la page 1sur 81

Département des Sciences de Gestion

Probabilités
Licence d’excellence en sciences de gestion
Semestre 2

Pr. El Marzouki

Année universitaire 2019-2020


1
ANALYSE COMBINATOIRE
Les Arrangements
Définition
Ce sont toutes les suites ordonnées de « p »
éléments pris parmi les « n » éléments distincts
d’un ensemble (n ≥ p).

 Si les « p » éléments sont distincts, l’arrangement


est dit sans répétition. Le nombre d’arrangements
est donné par la formule:

2
Les Arrangements
Si un même élément peut être répété
plusieurs fois dans un même
arrangement, l’arrangement est alors
avec répétition, il est obtenu par:

3
Les arrangements
Règles de calcul:
n! n  (n 1)  (n  2)  ...2  (n  (n  2))  (n  (n 1))
n! n  (n 1)!
Arrangement sans répétition sur la calculatrice:
Par exemple pour calculer

On click sur 6 puis sur nPr puis sur 3

4
Les ARRANGEMENTS
Exemple 1:
Dans une course de 10 voitures. Combien peut
il y avoir de podiums ( les 3 premières places)
différents?
Réponse
L’expérience est ordonnée, et sans répétition.
dans la 1ere place, on a 10 possibilités, et dans
la 2ème on a 9 possibilités, et la 3ème on a 8
possibilités, donc 10x9x8= 720 possibilités
ou bien tout simplement
5
Les ARRANGEMENTS
Exemple 2:
Combien de codes à 4 chiffres peut-on
former?
Réponse
→ P=4
→ n =10 { 0,1,2,3,4,5,6,7,8,9 }
Dans cette expérience l’ordre est présent
et la répétition aussi
Arrangement avec répétition

codes6
LES PERMUTATIONS
Ce sont toutes les suites ordonnées des
« n » éléments d’un ensemble. Il s’agit
d’arrangements dans lesquels n=p. Le
nombre de permutations est obtenu
selon les cas par les formules suivantes:

 si les permutations sont sans répétition,


alors :

7
LES PERMUTATIONS
 s’ il existe des répétitions des effectifs
partielles (n1,n2, .... ,ni) de l’effectif total «n»

n!
Pn 
k1!k 2 !...ki1!

Avec (K1, K2 ,....., Ki) les nombres des


répétitions de chaque élément.

8
Les permutations
Exercice 2:
Combien y a-t-il de permutations
possibles avec les lettres du mot :
BANANE
Réponse
Ici il y a deux lettres répétées.
Il y a deux « A » et deux « N »
Il faut donc enlever les permutations
de ces lettres doublées
On a alors :
9
Les permutations
Exercice 1:
Combien de codes à 5 lettres peut-on
former à partir des lettres : ABCDE?

Réponse
Comme les 5 lettres sont distinctes, il y a :

120 permutations possibles.

10
Exercice 3:
Combien de nombres différents à
trois chiffres peut-on former ?

Réponse
A103  A92  720  72  648
n = 10 { 0,1,2,3,4,5,6,7,8,9 }
3
A10 les nombres à 3 chiffres
,y compris ceux qui commencent
avec 0, donc les nombres à 2 chiffres
et A92 permet d’éliminer ces derniers
11
Exercice 4
Dans un jeu de 32 cartes on tire 8 au
hasard. De combien de façons peut-on
avoir :
a- 2 as et 3 piques dont l’as de pique ?
b- 2 as et 3 piques sans l’as de pique ?
c- 2 as et 3 piques?
Réponse
a- C1 C3C7 C21  8379
1 1 2 4

b-
2
C C C
3
3
7
3
21  139650
c- Le nombre de façons de choisir 2 as et 3
piques est : a+b= 8379 + 139650 = 148029

12
Exercice 4
Une entreprise fabrique 4 types de pièces A, B, C et D. Le stock est
composé de: 8 pièces de type A au prix de 8 DH chacune,
7 pièces de type B au prix de 6 Dh chacune,
6 pièces de type C au prix de 5 dh chacune,
5 pièces de type D au prix de 4dh chacune.
Le service des ventes se propose de faire des lots de pièces. De
combien de façons distinctes peut-on constituer:
1- un lot de 4 pièces ayant au moins une pièce A?
2- un lot de 4 pièces ayant au moins une pièce A et au moins une pièce B?
3- un lot de 4 pièces ayant au moins une pièce A au moins une pièce B et
au moins une pièce C?
4- un lot de pièces dont le prix est égal à 18 DH?
5- un lot de pièces dont le prix est inférieur ou égal à 14 DH?

Réponse
1- l'ensemble de lots de 4 pièces () est :
4
C26  14950

Soit E l'ensemble de lots ne contenant pas de pièce A Card (E)  C18  3060
4

Le nombre de lots de 4 pièces contenant au moins une pièce A est


donc: 4
C26  C184  14950  3060  11890 13
Exercice 4
Une entreprise fabrique 4 types de pièces A, B, C et D. Le stock est
composé de: 8 pièces de type A au prix de 8 DH chacune,
7 pièces de type B au prix de 6 Dh chacune,
6 pièces de type C au prix de 5 dh chacune,
5 pièces de type D au prix de 4dh chacune.
Le service des ventes se propose de faire des lots de pièces. De
combien de façons distinctes peut-on constituer:
2- un lot de 4 pièces ayant au moins une pièce A et au moins une pièce B?
Réponse
Soit F l'ensemble des lots de 4 pièces ne contenant pas de pièces B:
Card (F)  C19
4

On a Card (E  F) = Card E + Card F - Card (E  F)


Card ( E  F )  C18
4
 C19
4
 C11
4

D'où le nombre de lots contenant au moins une pièce A et au moins


une pièce B est égal:
Card   Card ( E  F )  C264  C184  C194  C114  8344
14
Exercice 4
Une entreprise fabrique 4 types de pièces A, B, C et D. Le stock est composé de:
8 pièces de type A au prix de 8 DH chacune,
7 pièces de type B au prix de 6 chacune,
6 pièces de type C au prix de 5 chacune,
5 pièces de type D au prix de 4 chacune.
Le service des ventes se propose de faire des lots de pièces. De combien de façons
distinctes peut-on constituer:
3- un lot de 4 pièces ayant au moins une pièce A au moins une pièce B et au moins une
pièce C?
Réponse
Soit G l'ensemble des lots de 4 pièces ne contenant pas de pièce C:
CardG  C20
4

Card (EF G)=Card E+Card F+Card G-Card (E  F)-Card(E  G)-Card (FG)+Card (E F G)
Card (E  F  G)  C184  C194  C204  C114  C124  C134  C54  10246
D'où le nombre de lots contenant au moins une pièce A, et au moins une pièce B et au moins
une pièce C est égal à:
Card   Card (E  F  G)  C264  C184  C194  C204  C114  C124  C134  C54
=14950- 10246= 4704 lots
15
Exercice 4
Une entreprise fabrique 4 types de pièces A, B, C et D. Le stock est
composé de: 8 pièces de type A au prix de 8 DH chacune,
7 pièces de type B au prix de 6 Dh chacune,
6 pièces de type C au prix de 5 dh dh chacune,
5 pièces de type D au prix de 4 dh chacune.
Le service des ventes se propose de faire des lots de pièces. De
combien de façons distinctes peut-on constituer:
4- un lot de pièces dont le prix est égal à 18 DH?
Réponse
4- un lot de pièces dont le prix est égal à 18 DH peut se composer de
- 3 pièces de type B, soit ,
C 73
- 2 pièces de C et une pièce de A, soit ,
C C
2
6
1
8
- 1 pièce de A, une pièce de B et une pièce de D, soit .
C81  C71  C51
soit au total :
C73  C62 .C81  C81.C71 .C51  35  15  280  330
16
Exercice 4
Une entreprise fabrique 4 types de pièces A, B, C et D. Le stock est
composé de: 8 pièces de type A au prix de 8 DH chacune,
7 pièces de type B au prix de 6 Dh chacune,
6 pièces de type C au prix de 5 dh dh chacune,
5 pièces de type D au prix de 4 dh chacune.
Le service des ventes se propose de faire des lots de pièces. De
combien de façons distinctes peut-on constituer:
5- un lot de pièces dont le prix est inférieur ou égal à 14 DH?
Réponse
5- Les lots de 3 pièces dont le prix soit inférieur ou égal à 14 DH se
composent de:

lot de 12 DH : 3 pièces D, soit , C53  10


lot de 13 DH : 2 pièces D et une pièce C, soit , C52  C61  60
lot de 14 DH : 2 pièces D et une pièce B ou 2 pièces C et une pièce D,
soit C 2  C 1  C 2  C 1  145
5 7 6 5

C53  C52  C61  C52  C61  C62  C51  115 17


Soit au total :
Probabilités

Probabilités élémentaires
El Marzouki
Année universitaire 2019-2020 18
Définitions
Expérience aléatoire ou épreuve: une expérience dont le résultat
est inconnu avant sa réalisation, mais qui appartient à un ensemble
de résultats possibles .

Ensemble fondamental : ensemble composé de tous les résultats


possibles.

Evénement : représente un résultat de l’expérience.


- événement impossible dont la probabilité de réalisation est nulle
- événement certain dont la probabilité de réalisation est égale à un

Evénement élémentaire, simple ou éventualité : correspond à un


seul résultat.

Evénement composé AՍB : correspond à la réunion de A ou B


c’est l’ensemble des éléments appartenant à A ou à B.

Evénement A∩B correspond à l’ensemble des éléments


appartenant à A et à B
19
Définitions
Evénements incompatibles : la réalisation de l’un exclue la réalisation de l’autre :
A  B = .

Deux événements indépendants : la réalisation de l’un n’a pas d’influence sur la


réalisation de l’autre.

Probabilité totale :
P(A  B) = P(A) + P(B) – P(A  B)
Si A et B sont incompatibles : A  B = , on aura : P(A  B) = P(A) + P(B)

Pour trois événements A, B et C, on a :

P(A  B  C) = P(A) + P(B) + P(C) – P(A  B) – P(A  C) – P(B  C) + P(A  B  C)

Si A, B et C sont incompatibles deux à deux: A  B = , A  C = , B  C= , on


aura: P(A  B  C) = P(A) + P(B) + P(C)

20
Probabilité composée:

C’est la probabilité de réalisation simultanée de plusieurs


événements:

P(A  B) = P(A) . P(B/A) = P(B).P(A/B)


P(A  B  C) = P(A).P(B/A).P(C/A  B)

P(B/A), c’est la probabilité conditionnelle de B sachant A : la


probabilité de réalisation de B sachant que A est réalisé.
Si A et B sont indépendants, P(B/A) = P(B) et P(A/B) = P(A). Alors
P(A  B) = P(A). P(B)

Opérations sur les événements


_
P( A)  1  P( A)

P( A  B)  P( A  B)
P( A  B)  P( A  B)
21
Théorème de Bayes
Soit un événement A qui peut résulter de l’intervention de l’un des causes C1,
C2 , …, Cn. Ces événements ou causes doivent satisfaire les conditions
suivantes :
•Incompatibles deux à deux :
 i  j : Ci  Cj = 
•Leur réunion donne l’ensemble fondamentale :
C1  C2  C3  ……..  Cn = .
•P(Ci) : la probabilité de chaque cause.
•P(A/Ci) : la probabilité d’intervention de chaque cause dans la réalisation de
l’événement A.
Ces deux probabilités sont connues.
Nous cherchons la probabilité P(Ci /A) : la probabilité que, sachant que A est
réalisée, l’événement Ci se réalise.

P(Ci /A) = P(Ci ∩A)/ P(A)?

22
Théorème de Bayes

P(Ci /A) = P(Ci ∩A)/ P(A)


= [P(Ci) . P(A/ Ci)]/ P(A∩ (C1  C2  C3  ……..  Cn ))
= [P(Ci) . P(A/Ci)]/ P((A ∩ C1)  (A ∩ C2)  …..  (A ∩ Cn))
= [P(Ci) . P(A/Ci)]/ P((A ∩ C1) + (A ∩ C2) + ….. +(A ∩ Cn))
(les événements Ci sont incompatibles deux à deux, les événements (Ci ∩A) le sont
aussi).
Alors
P(Ci /A)= [P(Ci) . P(A/Ci)]/[P(C1) . P(A/C1)+P(C2) . P(A/C2)+...+P(Cn) . P(A/Cn)]

La formule de Bayes :
P(Ci ).P( A / Ci )
P(Ci / A)  n

 P(C ).P( A / C )
i 1
i i

23
Exercice 1
Dans une course comportant 10 chevaux,
quelle est la probabilité pour qu’un joueur
jouant au hasard touche le tiercé dans

l'ordre? dans le désordre?
Réponse
•Dans l'ordre: il y a ordre mais il n' y a pas
de répétitions. A  720
3
10

Le nombre de cas possibles est:


Le nombre de cas favorables est: 1
(il y a un seul résultat favorable)
La probabilité P
1
 0,0014
720
•Dans le désordre:
Le nombre de cas favorables : 3! - 1 = 5, (3! -1 :
permutations de 3 chiffres gagnants moins le cas où
ils sont dans l'ordre).
5
La probabilité P  0,0069
720
24
Exercice 2
On jette deux dés.
1- Quelle est la probabilité d'amener un total de 8?
• 2-Si on jette 3 dés, quelle est la probabilité d'obtenir une
somme inférieure à 7.
Réponse
1- Nombre de cas possibles:
A 6
2
 6 2
 36
Nombre de cas favorables: nombre de couples formés
de deux points ayant une somme de 8: (2,6);
(3,5);(4,4);(5,3);(6,2). Il y a 5 couples.
5
La probabilité P   0,14
36

2- Cas possibles : A63  63  216


Le nombre de cas favorables est égal au nombre de triplets
formés de 3 points et ayant une somme inférieure à 7.
Le nombre de ces triplets est égal à 21.
21
P  0,0069
La probabilité 720 25
Exercice 2
Dans une classe:
 4 % jouent au golf,
 58% jouent au football,
 32% jouent au tennis,
 6% jouent au handball.
On sait d'autre part que 87% des golfeurs, 22% de ceux qui pratiquent un sport
collectif (football ou handball) et 3% des tennismen ont un rhésus négatif.
Un étudiant blessé est amené à l'hôpital.
1- Il est déclaré rhésus négatif par le test, quelle est la probabilité que cet étudiant
soit un golfeur?
2- Il est déclaré rhésus négatif par le test, quelle est la probabilité que cet étudiant
soit un joueur de tennis?
3- Il est déclaré rhésus positif par le test, quelle est la probabilité que cet étudiant
soit un joueur pratiquant le sport collectif?
Réponse
Soit : G: "l'étudiant joue au golf", : P(G) = 0.04 ; P(R/G) = 0.87
F: " l'étudiant joue au golf foot", P(F) = 0.58 ;
T: " l'étudiant joue au golf Tennis", P(T) = 0.32 , P(R/T) = 0.03
H: "l'étudiant joue au golf hand", P(H) = 0.06
C: " l'étudiant pratique un sport collectif", P(C) = 0.64
R: " l'étudiant a un rhésus négatif". P(R/C) = 0.22

26
Exercice 2
1- Un étudiant blessé est amené à l'hôpital. Il est déclaré rhésus négatif par
le test, quelle est la probabilité que cet étudiant soit un golfeur?
Réponse
Soit : G: "l'étudiant joue au golf", : P(G) = 0.04 ; P(R/G) = 0.87
F: " l'étudiant joue au golf foot", P(F) = 0.58 ;
T: " l'étudiant joue au golf Tennis", P(T) = 0.32 , P(R/T) = 0.03
H: "l'étudiant joue au golf hand", P(H) = 0.06
C: " l'étudiant pratique un sport collectif", P(C) = 0.64
R: " l'étudiant a un rhésus négatif". P(R/C) = 0.22

Théorème de Bayes

P(G/R) = P(G).P(R/G) / P(G).P(R/G) + P(T).P(R/T) + P(C ) .P(R/C)


= 0.04 . 0.87 / 0.04 . 0.87 + 0.32 . 0.03 + 0.64 . 0.22
= 0.1879

27
Exercice 2
2- Il est déclaré rhésus négatif par le test, quelle est la probabilité que cet
étudiant soit un joueur de tennis?
Réponse
Soit : G: "l'étudiant joue au golf", : P(G) = 0.04 ; P(R/G) = 0.87
F: " l'étudiant joue au golf foot", P(F) = 0.58 ;
T: " l'étudiant joue au golf Tennis", P(T) = 0.32 , P(R/T) = 0.03
H: "l'étudiant joue au golf hand", P(H) = 0.06
C: " l'étudiant pratique un sport collectif", P(C) = 0.64
R: " l'étudiant a un rhésus négatif". P(R/C) = 0.22

Théorème de Bayes

P(T/R) = P(T).P(R/T) / P(G).P(R/G) + P(T).P(R/T) + P(C ) .P(R/C)


= 0,32 ×0,03 / 0,04 × 0,87 + 0,32 × 0,03 + 0,64 × 0,22
= 0,0518

28
Exercice 2
3- Il est déclaré rhésus positif par le test, quelle est la probabilité que cet étudiant
soit un joueur pratiquant le sport collectif?
Réponse
Soit : G: "l'étudiant joue au golf", : P(G) = 0.04 ; P(R/G) = 0.87
F: " l'étudiant joue au golf foot", P(F) = 0.58 ;
T: " l'étudiant joue au golf Tennis", P(T) = 0.32 , P(R/T) = 0.03
H: "l'étudiant joue au golf hand", P(H) = 0.06
C: " l'étudiant pratique un sport collectif", P(C) = 0.64
R: " l'étudiant a un rhésus négatif". P(R/C) = 0.22
Théorème de Bayes
P(C )  P ( R / C )
P(C / R ) 
P(C )  P( R / C )  P(G )  P ( R / G )  P (T )  P ( R / T )
0,64  0,78

0,64  0,78  0,04  0,13  0,32  0,97
 0,6127

P( R / G)  0,13
P(R/G) = 0.87
P( R / T )  0,97
P(R/T) = 0.03
P(R/C) = 0.22 P( R / C )  0,78

29
Probabilités
Variables aléatoires

El Marzouki
Année universitaire 2019-2020
VARIABLE ALEATOIRE DISCRETE VAD

Définitions
On définit une variable aléatoire, si à chaque
événement élémentaire E on associe un nombre.
On définit une loi de probabilité, si à chaque valeur
possible de la variable aléatoire on associe la
probabilité de l’événement qui lui correspond.
Remarque : Déterminer la loi de probabilité d’une
variable aléatoire revient soit à calculer la
probabilité relative à chaque valeur, soit à donner la
ou les formules qui permettent de calculer cette
probabilité.
Une variable aléatoire est discrète VAD si son ensemble
de définition est fini ou infini dénombrable.
VARIABLE ALEATOIRE DISCRETE
Définitions
La représentation graphique de la VAD est un diagramme en
bâtons, et celle de la fonction de répartition est une courbe en
escalier.
Fonction de répartition : est définie par : F(xi) = P(X<=xi)
Caractéristiques d’une variable aléatoire
a- Espérance mathématique : E(X)
Cas discret : E(X) = pixi
Les propriétés de l’espérance mathématique
E(a) = a
E(a X + b) = a E(X) + b
E(X + Y) = E(X) + E(Y)
E(X – Y) = E(X) – E(Y)
E(XY) = E(X) E(Y) (si X et Y indépendantes)
Si X1, X2, …..Xn , sont n variables aléatoires de même espérance
mathématique m, alors: X  X  ...  X 1
E( X )  m (E( 1 2 n
)  mn  m
n n
VARIABLE ALEATOIRE DISCRETE
Caractéristiques d’une variable aléatoire
b – Variance : V(X)
Est l’espérance des carrés des écarts par rapport à l’espérance
mathématique.
V(X) = E(X – E(X))2= pi (xi – E(X))2
Après développement cette formule devient:
V(X) = E{(X – E(X))2}
= E{X2 – 2XE(X) + E(X)2}
= E(X2) – 2E(X)2 + E(X)2
V(X) = E(X2) – E(X)2
Avec E(X2) = pi.xi2

L’écart-type est la racine carré de la variance. Il mesure la


distance moyenne des données par rapport à l’espérance
mathématique.   V (X )
X
VARIABLE ALEATOIRE DISCRETE
Propriétés de la variance
V(a) = 0 (a : constante)
V (aX + b) = a2 V(X)
V(aX + b) = E [(aX + b – E(aX + b))2 ] =E[( aX +b – aE(X)– b)2 ]
= E[(aX – aE(X))2] = E[a2 (X – E(X))2]
= a2 E((X – E(X))2)
= a2 V(X)
Si X et Y sont indépendantes, on a:
V(X + Y) = V(X) + V(Y)
V(X - Y) = V(X) + V(Y)
Si X et Y ne sont pas indépendantes, on a:
V(aX+bY)= a2 V(X)+ b2 V(Y)+2.a.b.Cov(X,Y)
avec Cov(X,Y) covariance X et Y
Cov(X,Y)= E(XY)-E(X).E(Y)
Si X1, X2, ... Xn, n variables aléatoires indépendantes de même
variance 2, alors :  X 1  X 2  ...  X n  1  2
V (X )  V   2 .n 
2

 n  n n
VARIABLE ALEATOIRE CONTINUE VAC

Définitions
• Une variable aléatoire est Continue VAC si son
ensemble de définition est infini ou fini indénombrable.
• Sa représentation graphique est une courbe appelée :
courbe de densité de probabilité, et sa fonction de
répartition est une courbe croissante.
•Pour une V.A continue, on parle d’une fonction de
densité de probabilité (et non d’une loi de probabilité).
•f(x) est la fonction de densité de probabilité de X, elle
doit vérifier : 
f(x)  = 0 &  f ( x)dx  1
VARIABLE ALEATOIRE CONTINUE VAC
Définitions
•La fonction de répartition
F ( x)   f (t )dt
x



•La probabilité d’un intervalle [a, b] est la somme prise


entre a et b par f(x) : b
f ( x)dx  F ( x)  F (b)  F (a)
b

a a

•Caractéristiques d’une variable aléatoire Continue


a- Espérance mathématique : E(X)

E ( x)   x  f ( x)dx


E(X) a les mêmes propriétés que l’espérance mathématique


d’une VAD
VARIABLE ALEATOIRE CONTINUE VAC
Définitions
•Variance et écart-type

V ( x)   f ( x)( x  EX ))2 dx


• Comme pour le cas discret


V(X) = E(X2) – E(X)2
Avec

E( X )   x 2 f ( x)dx
2


Les propriétés de la V(X) d’une VAC sont les mêmes que


celles d’une VAD

L’écart type  X  V (X )
Exercices et applications
Exercice 1
Soit une distribution de probabilité de la VA X
1- Est-ce vraiment une distribution de x P(X=x)
probabilité? 20 0,20
2- Quelle est la probabilité que X soit 25 0,15
égale à 30? 30 0,25
3- Quelle est la probabilité que X soit 40 0,40
Inférieure à 25? ∑ 1,00
4- Quelle est la probabilité que X soit supérieure à 30?
5- Quelle est la probabilité que X soit comprise entre 20
et 30?
Réponses
1- P(x)>=0 et la somme des probabilités est égale à 1, il
s’agit donc d’une vraie distribution de probabilité.
2- P(x=30)=0,25; 3- P(x<25)=0,20 4- P(x>30)=0,40
5- P(20<=x<=30)=0,60
Exercices et applications
Exercice 2
Soit une distribution de probabilité de la VA Y
1- Donner la fonction de répartition y P(X=x) F(x)
2- Calculer l’espérance mathématique. 2 0,20 0,20
3- Calculer la variance et l’écart type. 4 0,30 0,50
7 0,40 0,90
8 0,1 1,00
∑ 1,00 ----
Réponses
1- La fonction de répartition F(x) =P(X<=x)
Troisième colonne du tableau
2- E(Y)= ∑y.P(y)=2.0,2+4.0,3+7.0,4+8.0,1= 5,2
3- V(Y)= E(Y2) – E(Y)2 = 31,6- 5,2. 5,2= 4,56
E(Y2)= ∑y2 .P(y)= 4 .0,2+16.0,3+49.0,4+64.0,1= 31,6
X  V (X )
 4.56
 2,14
Exercice 3 Exercices et applications
Une entreprise estime que la demande (en milliers d'unités par mois)
concernant l'un des articles qu'elle produit est une variable aléatoire
continue X dont la densité de probabilité est une fonction f définie par:
f(x) = 0 si x  0
f(x) = -3x+2 si 0  x  1/3
f(x) = 1 si 1/3  x  2/3
f(x) = -3x+3 si 2/3  x 1
f(x) = 0 si x  1.
1- Calculer la moyenne et l'écart-type de la demande.
2- Déterminer la fonction de répartition F(x).
3- Quelle est la probabilité que la demande d'un mois soit:
- inférieure à 500 unités?
- Comprise entre 200 et 600 unités?
- Supérieure à 1000 unités?
4- Déterminer le nombre d'unités tel que la moitié des demandes lui soit
inférieure, c'est-à-dire le nombre d tel que P(Xd) = 0,5. Que représente
d?
Exercice 3 Exercices et applications
La fonction f de densité de probabilité de la demande X est définie
par: f(x) = 0 si x  0
f(x) = -3x+2 si 0  x  1/3
f(x) = 1 si 1/3  x  2/3
f(x) = -3x+3 si 2/3  x 1
f(x) = 0 si x  1.
1- L’espérance de la demande.
Réponse
 0 1/ 3 2/3 1 
E( X )   xf ( x)dx   x.0dx   x.(3x  2)dx   xdx   x.(3x  3)dx   x.0dx
  0 1/ 3 2/3 1
2/3 1
x   3x 
 
2 2
1/ 3
  x3  x 2 0      x 3  
 1 / 3 
2 2 2/3

E( X )  0,370 1000  370 unités


Exercice 3 Exercices et applications
La fonction f de densité de probabilité de la demande X est définie
par: f(x) = 0 si x  0
f(x) = -3x+2 si 0  x  1/3
f(x) = 1 si 1/3  x  2/3
f(x) = -3x+3 si 2/3  x 1
f(x) = 0 si x  1.
1- Le calcule de l'écart-type de la demande σ(X).
Réponse
V ( X )  E( X 2 )  E( X )2
0 1/ 3 2/3 1 
E( X )   x .0dx   x .(3x  2)dx   x dx       .0dx
2 2 2 2 2
x .( 3 x 3) dx x
 0 1/ 3 2/3 1
1/ 3 2/3 1
  3x 4 2 x 3   x3   3x 4 3
         x   0,2037
 4 3 0  1 / 3 
3 4 2/3

V ( X )  0,0665 .106
 ( X )  0,258 .10 unités
3
Exercice 3 Exercices et applications
La fonction f de densité de probabilité de la demande X est définie
par: f(x) = 0 si x  0
f(x) = -3x+2 si 0  x  1/3
f(x) = 1 si 1/3  x  2/3
f(x) = -3x+3 si 2/3  x 1
f(x) = 0 si x  1.
2- Détermination de la fonction de répartition F(x).
Réponse
x
F ( x)  P( X  x)   f (t )dt

x
Sur [-ꝏ, 0[ F ( x)  P( X  x)   0dt  0

x 0 x
Sur [0, 1/3[ F ( x)  P( X  x)   f (t )dt   0dt   (3t  2)dt
  0
x
 3t 2  3x 2
   2t     2x
 2 0 2
Exercice 3 Exercices et applications
La fonction f de densité de probabilité de la demande X est définie
par: f(x) = 0 si x  0
f(x) = -3x+2 si 0  x  1/3
f(x) = 1 si 1/3  x  2/3
f(x) = -3x+3 si 2/3  x 1
f(x) = 0 si x  1.
2- Détermination de la fonction de répartition F(x).
Réponse
x
F ( x)  P( X  x)   f (t )dt


Sur [1/3, 2/3[ 1/ 3 x


F ( x)   (3t  2)dt   dt
0 1/ 3
1/ 3
 3t 2  3(1 / 3) 2
 2t   t 1/ 3  
1
   2(1 / 3)  x 
x

 2 0 2 3

1
F ( x)  x 
6
Exercice 3 Exercices et applications
La fonction f de densité de probabilité de la demande X est définie
par: f(x) = 0 si x  0
f(x) = -3x+2 si 0  x  1/3
f(x) = 1 si 1/3  x  2/3
f(x) = -3x+3 si 2/3  x 1
f(x) = 0 si x  1.
2- Détermination de la fonction de répartition F(x).
Réponse x
F ( x)  P( X  x)   f (t )dt

1/ 3 2/3 x

Sur [2/3, 1[
F ( x)   (3t  2)dt   dt   (3t  3)dt
0 1/ 3 2/3
1/ 3 x
 3t 2    3t 2 
   2t   t 1/ 3    3t 
2/3

 2 0  2 2/3
3(1 / 3) 2 2 2 1 3x 2 3( 2 / 3) 2
      3x   3( 2 / 3)
2 3 3 3 2 2
 3x 2 1
F ( x)   3x 
2 2
Exercice 3 Exercices et applications
La fonction f de densité de probabilité de la demande X est définie
par: f(x) = 0 si x  0
f(x) = -3x+2 si 0  x  1/3
f(x) = 1 si 1/3  x  2/3
f(x) = -3x+3 si 2/3  x 1
f(x) = 0 si x  1.
2- Détermination de la fonction de répartition F(x).
Réponse x
F ( x)  P( X  x)   f (t )dt

1/ 3 2/3 1 x

Sur [ 1,+ꝏ[
F ( x)   (3t  2)dt   dt   (3t  3)dt   0dt
0 1/ 3 2/3 1
1/ 3 1
 3t 2    3t 2 
   2t   t 1/ 3    3t 
2/3

 2 0  2 2/3
3(1 / 3) 2 2 2 1 3 3( 2 / 3) 2
     3  3( 2 / 3)
2 3 3 3 2 2

F ( x)  1
Exercice 3 Exercices et applications
3- Quelle est la probabilité que la demande d'un mois soit:
- inférieure à 500 unités?
- Comprise entre 200 et 600 unités?
- Supérieure à 1000 unités?
Réponse

- P( X  0,5)  F (0,5)  0,5 


1
 0,67
6
- 1 3.0,22
P(0,2  X  0,6)  F (0,6)  F (0,2)  0,6    2.0,2  0,43
6 2

-- P( x  1)  1  P( X  1)  1  F (1)  1 1  0
Exercice 3 Exercices et applications
4- Déterminer le nombre d'unités tel que la moitié des demandes lui
soit inférieure, c'est-à-dire le nombre d tel que P(Xd) = 0,5. Que
représente d?

Réponse

- P( X  d )  0,5

d représente la médiane
1 1 1
P( X  d )  F ( )    0,5
3 3 6
-- Donc la médiane = 333 unité
Probabilités
Lois de Probabilité
El Marzouki
Année universitaire 2019-2020 49
LES LOIS DE PROBABILITE DISCRETES USUELLES

Objectifs
•Connaitre les caractéristiques des principales lois de probabilité
discrètes
•Reconnaitre les situations concrètes modélisables par ces lois

1- Loi de Bernoulli:
C'est la loi qui correspond à la réalisation d'une expérience aléatoire
une seule fois. Elle ne prend que les valeurs 1(événement succès)
avec une probabilité égale à p, ou 0 (événement échec) avec une
probabilité égale à q (q = 1-p).
Loi de probabilité
xi 0 1 ∑
P(xi) q p 1

X ̴ Br(p)

Les caractéristiques de cette loi :


E(X) =∑xi P(X=xi)=0*q+1*p=p
V(X) =E(X2)-E(X)2==∑xi2 P(X=xi)- p2= 02.q+12.p-p2 =p-p2=pq

50
LES LOIS DE PROBABILITE DISCRETES USUELLES
1- Loi de Bernoulli:
Les études qui portent sur les individus d’une population révèlent
souvent 2 catégories d’individus.
Chômeur –non chômeur
Défectueux –non défectueux
Excédentaire- Déficitaire

2 - La loi binomiale:
Une variable aléatoire qui suit une loi Binomiale permet de compter
le nombre d’occurrence d’un événement (succès) lors d’une série
d’expériences aléatoires indépendantes et à 2 issues.
Autrement la loi Binomiale est une série d’expériences de Bernoulli
X=∑Xi avec Xi ̴ Br(p) ; X ̴ B (n, p)

Elle s'applique s'il y a deux conditions:


Présence de deux alternatives mutuellement exclusives,
Probabilité de réalisation de l'événement est constante, ce qui
correspond à un tirage avec remise.

E(X) = np ; V(X) = npq


51
LES LOIS DE PROBABILITE DISCRETES USUELLES
Application
On lance un Dé équilibré 4 fois. Soit l’événement A « obtenir la face six au ième
lancée ». X est la V A correspondant au nombre d’obtention de la face six après les 4
lancées.
1- Quelle est la loi suivie par X ? Et quels sont ses paramètres ?
Quelle est la probabilité d’obtenir la face Six
Une fois ?
Deux fois?
Trois fois ?
Quatre fois?
3- Quelle est la probabilité de ne pas obtenir la face Six ?
4- Calculer l’espérance mathématique de X et son écart type ?
Réponse
1- La variable aléatoire X est une binomiale de paramètres n=4 et p=1/6 X ̴ B (4,1/6)
2- P( X  x)  Cnx p x q n x

P( X  1)  C41 (1/ 6)1 (5 / 6) 3  0.386 P( X  3)  C43 (1/ 6) 3 (5 / 6)1  0.015

P( X  2)  C42 (1/ 6) 2 (5 / 6) 2  0.116 P( X  4)  C44 (1/ 6) 4 (5 / 6) 0  0.001


3-
P( X  0)  C40 (1/ 6) 0 (5 / 6) 4  0.482
4- E(x)=np= 4*1/6=0.667 et V(X)=npq= 4.1/6.5/6= 0.556 ; σ(x)=0,745
52
LES LOIS DE PROBABILITE DISCRETES USUELLES
3 - La loi hypergéométrique:

La loi hypergéométrique correspond au tirage sans remise.


x n x
CNp CNq
P( X  x) 
CNn
Elle dépend de trois paramètres:
N : taille de la population.
P : proportion des éléments auxquels on s'intéresse dans la population,
n : nombre de tirages.
X H(N, n, p)
E(X) = np

V(X) = npq . (N-n)/(N-1)

(N-n)/(N- 1) est le coefficient d'exhaustivité.


Lorsque N devient grande par rapport à n, le coefficient (N-n)/(N-1) tend vers 1, et
la variance de la loi hypergéométrique tend vers la variance de la loi binomiale.
Si, donc, N est grande par rapport à n, on peut approcher la loi hypergéométrique
par une loi binomiale.
Si p=Np/N <=0,10 Hyper approximée par Binomial
53
LES LOIS DE PROBABILITE DISCRETES USUELLES
3 - La loi hypergéométrique:
Application
un centre hospitalier reçoit 40 malades parmi lesquels 4 souffrent d’une
inflammation au genou. 20 patients seront examinés et X la VA désignant « Le
nombre de patients souffrant d’une inflammation »
a- X suit quelle loi et quels sont ses paramètres ?
b- Donner le domaine de définition de X.
c- Quelle est la probabilité que parmi les 20 patients aucun ne souffre
d’inflammation ?
d- Calculer E(X) et σ(x) ?
Réponse
a- X suit une loi hypergéométrique N= 40 malades, n=20 malades examinés, Np= 4
malades souffrant d’une inflammation au genou, Nq=36 les malades qui n’ont pas
d’une inflammation au genou. x 20  x
C4 C36
P( X  x)  20
C40
b- Df X={0,2,3,4}
c- C 40C36
20
P ( X  0)  20
 0,053
C 40

d- E(X)=np= 20.1/4=5 et  ( X )  1,92  1,39  1


N n 1 3 40  20
V ( X )  npq  20     1,92
N 1 4 4 40  1 54
5 - La loi de Poisson:
Les phénomènes rares sont modélisés par
l’application de cette loi.
Elle caractérise les événements dont les chances
de réalisation sont faibles.

m xem
P( X  x) 
x!

La loi de Poisson ne dépend que d'un seul


paramètre E(X) = m.
E(X) = m
V(X) = m.
On peut appliquer la loi de Poisson soit:
•lorsqu'on approxime une loi binomiale par une loi
de Poisson, quand n est grand et p devient faible de
sorte que le produit np tend vers une limite finie (5)
m: B(n,p) P(m). 55
Exercice1
Une urne contient 5 boules blanches et 5
boules noires. On tire simultanément 5
boules. Le tirage d’une boule blanche permet
de gagner 10 Dh et celui d’une boule noire 5
Dh.
Soit X le nombre de boules blanches tirées.
1- Donner la loi de probabilité de X.
2- Calculer E(X) et σ(X).
3- Donner l’espérance et l’écart type du gain.
Réponse
1- X suit une loi hypergéométrique :
X  H(10 ;5 ; ½) x 5 x
C5 C5
P( X  x)  5
C10
X 0 1 2 3 4 5 Pi
P(xi) 1/252 25/252 100/252 100/252 25/252 1/252 1

56
Réponse

2- E(X) et σ(X).
E(X) = np = 5. ½ = 5/2
V(X) = npq (N-n)/N-1) = 5/2 . ½ . 5/9 = 25/36
σ(X)=5/6
3- L’espérance et l’écart type du gain
Soit G : le gain
G = 10 X + 5 (5 – X) = 5X + 25

- E(G) = E(5X + 25) = 5 E(X) + 25 = 30 Dh

- V (G)  25V ( X )  25.25 / 36

- σ(G)=25/6 =4,17 Dh

57
Exercice 2
Six personnes jettent chacun une pièce de monnaie
équilibrée. Une personne gagne la partie si elle
obtient le contraire de tous les autres.
Quelle est la probabilité qu’une partie comporte un
gagnant ?

Réponse
Soit X : le nombre de piles obtenus.
Il y a gagnant dans la partie si on obtient une seule
fois pile les autres obtiennent tous des faces ,ou si
on obtient cinq fois pile et un joueur obtient face
: X = 1 ou X = 5.
X  B(6 ; ½)
1 5 5
1 1 1 1
P( X  1)  P( X  5)  C      C65    
1
6
2 2 2 2
6 6 12
    18,17%
64 64 64 58
Exercice 3
Un fabricant produit des transistors dont 1% sont
défectueux. Il les ensache par paquet de 100 et les
garantit à 98%.
Quelle est la probabilité que cette garantie tombe en
panne ?
Réponse
La garantie du fabricant tombe en panne s’il y a dans
un paquet plus de deux transistors défectueux.
Soit X : le nombre de transistors défectueux dans un
paquet.
La probabilité qu’un transistor soit défectueux est
constante p = 0 ,01.
X  B(100 ; 0,01)
Or p est petite, on peut approximer X par une loi de
Poisson de paramètre np = 100x0,01 = 1
X  P(1)
Donc :
P(X  3) = 1 – P(X  2) = 1 – 0,92 = 0,08
10 e 1 11 e 1 12 e 1
P( X  2)     0,92 59
0! 1! 2!
Exercice 4
Les enfants appartenant à 200 familles sont réparties
comme suit:
Nombre d'enfant 0 1 2 3 4
Effectif de familles 109 65 22 3 1

Peut-on approximer cette distribution à l'aide d'une loi de


Poisson?
Réponse
Pour appliquer la loi de Poisson, on prend comme
paramètre de cette loi, la moyenne
arithmétique de la distribution.
On a x =  nixi / ni = 122/200 = 0,61.
Donc m = 0,61.

0,61x e 0, 61
P( X  x) 
x!
X 0 1 2 3 4
P(x) 0,543 0,331 0,101 0,021 0,003

Les effectifs théoriques sont obtenus en multipliant les probabilités


trouvées par 200. X 0 1 2 3 4
ni 109 66 20 4 1
Les effectifs théoriques calculés à l'aide de la loi de Poisson sont trop proches des effectifs réels.
Donc l'approximation est satisfaisante. 60
Exercice 5
Une pièce produite dans une entreprise peut être retournée à
l’usine à cause d’un défaut de fabrication type A ou B. les
causes sont supposées indépendantes entre elles.
Le nombre X de pièce retournées pour cause A est supposé
suivre une loi de poisson de paramètre m1 inconnu.
Sachant que σ(X)=2, le nombre Y de retour pour cause B est
aussi supposé suivre une loi de poisson de paramètre m2
inconnu. On sait que la probabilité d’avoir au plus 3 retours
pour cause B est égale à 0,875.
a- Calculez la probabilité d’avoir moins de 3 retours usine pour
la cause A.
b- Calculez la probabilité pour que le nombre total des retours
usine soit inférieur à 5.
c- Si chaque retour usine coûte à l’entreprise 300 DH, calculez
la probabilité d’avoir moins de 2100 DH comme frais en une
journée donnée.

61
Exercice 6
X suit une Poisson de paramètre m1, σ(X)=2
Y suit une Poisson de paramètre m2 , P(Y<=3)=0,875.
m1 e  m1 m2 e  m2
x x
P( X  x)  P (Y  y ) 
x! x!
a- La probabilité d’avoir moins de 3 retours usine pour la cause A.
b- Calculez la probabilité pour que le nombre total des retours usine
soit inférieur à 5.
Réponse
a- P(X<3)
m1 est inconnu, mais m1 =E(X); or E(X)= V(X)= σ2 = 4
P ( X  3)  P ( X  0)  P( X  1)  P( X  2)
4 0 e  4 41 e  4 4 2 e  4
    0,2381
0! 1! 2!

b-La probabilité pour que le nombre total des retours usine soit
inférieur à 5.
Soit Z est le nombre total des retours usine Z=X+Y
X et Y suivent des lois de poisson et elles sont indépendantes,
donc Z suit une loi de poisson de paramètre m=E(Z)
E(Z)=E(X)+E(Y)=m1+m2
Or m2? P(Y<=3)=0,875 à partir de la table de la fonction de
62
répartition de cette m2 = 2
 xe
P( X  x) 
x!

Table de la loi de Poisson P( X  x)

63
Exercice 6
b- Calculez la probabilité pour que le nombre total des retours usine
soit inférieur à 5.
c- Si chaque retour usine coûte à l’entreprise 300 DH, calculez la
probabilité d’avoir moins de 2100 DH comme frais en une journée
donnée.
Réponse
b- probabilité pour que le nombre total des retours usine soit
inférieur à 5. m z e  m 6 z e 6
P( Z  z )  
z! z!

P( Z  5)  P( Z  0)  P( Z  1)  P( Z  2)  P( Z  3)  P( Z  4)
 0,2851
Voir Table de loi de Poisson (diapo précédente)
c- Le retour usine coûte 300 DH, la probabilité d’avoir moins de 2100
DH comme frais en une journée donnée.
Retour usine pour cause A ou B coute 300 Dh
Cout de retour C=300Z= 21000 dh

Coût total de retour C=300Z 21000


P(C  21000)  P( Z  )  P( Z  7)  P( Z  6)
300
 0,6063 64
LES LOIS DE PROBABILITE CONTINUES USUELLES
1 - la loi Normale

Une VA X suit la loi normale (Loi gaussienne, Loi de


Laplace-Gauss), lorsqu'elle est composée d'un grand
nombre de facteurs qui s'additionnent les uns aux autres
sans qu’aucune ne soit prédominant et qui agissent de
manière indépendante.
Considérée comme une loi universelle, ses
caractéristiques se retrouvant aussi bien dans les
sciences exactes que dans les sciences humaines et
sociales.
La loi normale garde une place particulière de par sa
simplicité. Elle est à la base de nombreux résultats dans
la statistique paramétrique, en théorie de l'estimation et
théorie des tests.

65
LES LOIS DE PROBABILITE CONTINUES USUELLES
1 - la loi Normale
La loi normale a pour densité de probabilité f(x)
2
1  x m 
1   
2  
f ( x)  e
2 .
2
1  x m 
Sa fonction de répartition est : 1 x   

e
2  
F ( x)  dx
2 . 
Notation : X  N(m , )

2 - La loi normale centrée réduite

Toutes les lois normales peuvent être ramenées en une


loi normale centrée réduite (NCR) par changement de
variable X m
Z

La fonction de densité de probabilité de la loi NCR Z :


1
1  z2
f ( z)  e 2
2 1
1  t2
e
z
Sa fonction de répartition est : ( z )  2
dt
2 

Notation ; Z  N(0 , 1), Possède une table de probablité 66


LES LOIS DE PROBABILITE CONTINUES USUELLES
Exercice 1
Calculer les probabilités suivantes à l’ aide de la table de la
loi normale : X  N(35,5)
a- P(X  40)
b- P(X  40)
c- P(X  35)
d- P(X  30)
e- P(30  X  40)
Réponse
Un changement de variable s’impose pour pouvoir utiliser la
table de la loi normale centrée réduite Z  X  m  X  35
 5

40  35
a- P( x  40)  P( Z  )  P( Z  1)  F (1)  0,84135
5
40  35
b- P( x  40)  P( Z  )  P( Z  1)  1  P( Z  1)  1  0,84135  0,15865
5
35  35
c- P( x  35)  P(Z  )  P( Z  0)  F (0)  0,5
5
30  35
P ( x  30)  P ( Z  )  P ( Z  1)  1  P ( Z  1)
d- 5
 1  0,84135  0,15865

30  35 40  35
e- P(30  x  40)  P ( Z )
5 5
67
 P( Z  1)  P( Z  1)  0,84135  0,15865  0,68271
Loi Normale Centrée Réduite
Fonction de répartition F(z)=P(Z<z)

68
LES LOIS DE PROBABILITE CONTINUES USUELLES
Exercice 2
La moitié des notes d’une classe est inférieure à 11, et 15%
des notes est supérieure à 14.
Soit X la variable aléatoire désignant la note d’un étudiant
et suivant une loi normale de moyenne m et d’écart type .
Déterminer m et .
Réponse
X est la note d’un étudiant choisi au hasard
X  N(m , )
P( X  11)  0,5
& P( X  14)  0,15
X m
Z

11  m 11  m
P( Z  )  0,5  0 m=11
 
14  m 14  m
P( Z  )  0,15  1  P( Z  )
 
14  m 14  m
P( Z  )  0,85   1,04  =2,88
  69
LES LOIS DE PROBABILITE CONTINUES USUELLES
Exercice 3
Un groupe céréalier dispose d’un magasin portuaire d’une
capacité de 70000 tonnes et doit satisfaire, chaque mois, une
demande aléatoire. La variable aléatoire qui mesure la demande
mensuelle suit une loi normale, de moyenne 70000 tonnes et
d’écart-type 6000 tonnes. Pour confronter une demande
excédentaire, le groupe peut s’approvisionner dans ses magasins
de stockage intérieure.
Quel doit être le stock minimum Smin supplémentaire prévu
pour que la probabilité de défaillance ne soit pas supérieure à
0,025 ?
Réponse
Soit D : « la demande mensuelle du groupe »
D  N(70000 ; 6000)
On cherche Stok qui a une probabilité inférieure à 0,025 d’être
dépassée. P( D  Stock )  0,025
Stock  70000
P( D  Stock )  1  P( Z  )  0,025
6000
Stock  70000
P( Z  )  0,975
6000
Stock  70000
 1,96  Stock  81760 tonnes
6000
Donc Smin= 81760-70000=11760 tonnes 70
LES LOIS DE PROBABILITE CONTINUES USUELLES
Exercice 4
Les salaires des employés du secteur privé d’un pays sont supposés
suivre une loi normale de moyenne 5000 DH et de variance 4
millions. D’après la loi des impôts, il est :
- Exonéré d’impôt tout salaire inférieur à 4000 DH ;
- Taxé à 10% tout salaire compris entre 4000 et 6000 DH ;
- Taxé à 20% tout salaire supérieur à 6000 DH.
1- Un employé du secteur privé a été choisi au hasard. Donner la
loi de probabilité pour que son salaire soit :
a- Compris entre 4500 et 5500 DH ;
b- Supérieur à 5500 DH.
2- Donner le taux d’imposition moyen.
Réponse
1-On définit par X : « le salaire d’un employé pris au hasard parmi
les employés du secteur privé »
X suit une loi normale de moyenne 5000 Dh et d’écart type 2000 Dh
X  N(5000 ; 2000)
a-

b-
71
LES LOIS DE PROBABILITE CONTINUES USUELLES
Exercice 4
2- Donner le taux d’imposition moyen.
Réponse
2- Le calcul du taux d’imposition moyen : il est indispensable de
connaître la loi de probabilité du taux d’imposition.
On définit par T la variable aléatoire « taux d’imposition ». Les
valeurs possibles pour cette variable sont 0 ; 0,10 et 0,20. Les
probabilités sont données par :

D’où la loi de probabilité de T :


ti 0 0,1 0,2
P (T=ti) 0,3085 0,383 0,3085 1

Le taux d’imposition moyen ou encore l’espérance mathématique


de T est égale 72
LES LOIS DE PROBABILITE CONTINUES USUELLES
La loi uniforme
Une VA X suit une loi uniforme si sa fonction de densité est
constante sur un intervalle [a, b]
 1
 si x  [a, b]
f ( x)   b  a

 0 ailleurs

Notation X  U ([a, b])

La fonction de répartition
0 si xa
x a
:
F ( x)   si x  [ a, b]
b  a
1 si x  b

Les caractéristiques ou les moment de X:

ba (b  a) 2
E( X )  &V (X ) 
2 12

73
Exercice 5 Exercices et applications
Soit une variable aléatoire définie sur [0;10]
Sa densité de probabilité est f(x)= 1/10
a- Donner la fonction de répartition
b- Calculer les probabilités
- P(X<5),
- P(3<X<6) et
- P(X>7)
c- Calculer E(X) et l’écart type de X
Réponse
X suit une loi uniforme de paramètres a=0 et b=10
a- La fonction de répartition
0 si x0
 x
F ( x)   si x  [0,10]
10
1 si x  10

74
Exercice Exercices et applications
b- Calculer les probabilités 0 si x  0
 x
- P(X<5), F ( x)   si x  [0,10]
10
- P(3<X<6) et 1 si x  10

- P(X>8)
c- Calculer E(X) et l’écart type de X
Réponse

- P(X<5)=F(5)=1/2
- P(3<X<6)=F(6)-F(3)=6/10-3/10=3/10=0,33
- P(X>8)=1-P(X<8)=1-8/10=2/10=0,2
c- Calculer E(X) et l’écart type de X

b  a 10 (b  a) 2 100
E( X )   &V (X )  
2 2 12 12
75
LES LOIS DE PROBABILITE CONTINUES USUELLES
Loi exponentielle
La loi exponentielle de paramètre θ>0 est celle d’une variable
aléatoire de fonction de densité définie sur IR
e  x si x  0
f ( x)  
0 si x  0
Notation X   ( )

La fonction de répartition

0 si x  0
: 
F ( x)  
1  e  x si x  0

Les caractéristiques

1 1
E( X )  & V (X ) 
 2

76
LES LOIS DE PROBABILITE CONTINUES USUELLES
Exercice 6
Soit X qui suit une loi exponentielle

 1  12 x
 si x  0
f ( x)   2 e

 0 si x  0
1- calculer les probabilités
-P(X<2)
- P(X>3)
- P(2<X<3)
2- Donner les caractéristiques de X
: Réponse
1- calculer les probabilités
- P(X<2)=F(2)=1-e-1 =0,63
-P(X>3)= 1- P(X<3)=1-(1-e-3/2)=0,22
- P(2<X<3=F(3)-F(2)=(1-e-3/2)- (1-e-1 )=0,78-0,63=0,15

2- Les caractéristiques de X
1 1
E( X )  2 & V (X )  4
  2

77
LES LOIS DE PROBABILITE CONTINUES USUELLES
Loi gamma
Une VA X suit une loi gamma de paramètres p > 0 et θ> 0 est
positive, de densité :

p
f ( x)  e  x x p 1 si x  0
( p )
La fonction gamma est définie pout tout p>0, par:


( x)   e  x x p 1dx
0

: Notation
X   ( p, )

Les caractéristiques

p p
E( X )  & V (X ) 
 2

78
LES LOIS DE PROBABILITE CONTINUES USUELLES
Loi du Khi-deux
La loi du khi-deux à n degrés de liberté, notée  n , est la loi γ(n/2, 1/2)
2

où n est un entier positif. Ses moments se déduisent de ceux de la loi


gamma
si X   n2

p n/2 p n/2
E( X )    n & V (X )  2   2n
 1/ 2  1/ 4

Autrement, si X1, . . . ,Xn sont des VA indépendantes et de même loi


N(0, 1), alors X12+・ ・ ・+Xn2 suit une loi du khi-deux à n degrés de
:
liberté.

si X   n2 & Y   m2 sont des var iables indépendantes alors, X  Y   n2 m

79
LES LOIS DE PROBABILITE CONTINUES USUELLES

Loi de Student

Z est une VA qui suit une loi N(0, 1) et qui est


indépendante de Y qui est une autre VA qui suit une
loi 2
n

Alors le rapportU  Z
Y
suit une loi de Student à n
degrés de liberté, n
notée Tn.
:

U  Tn

Les caractéristiques ou les moment de U:

E(U) = 0 pour n > 1 et V(U) = n/(n − 2) pour n > 2

80
LES LOIS DE PROBABILITE CONTINUES USUELLES
Loi de Fisher-Snedecor

si X   n2 & Y   m2 et si en plus X et Y sont indépendantes,

alors X / n  F suit une loi de Fisher-Snedecor à n et m degrés de


Y /m liberté, notée F(n ,m).

F  F (n, m)

Les caractéristiques ou les moments de F:


:

m
E(F )  pour m>2
m2
&
2m 2 (n  m  2)
V (X )  pour m  4
n(m  4)(m  2)

81

Vous aimerez peut-être aussi