Académique Documents
Professionnel Documents
Culture Documents
Otheman Nouisser
20 septembre 2012
Introduction
Exemple
Un sac contient 10 boules indiscernables au toucher : 4 boules
blanches, 6 boules noires. On tire simultanément du sac 3 boules.
Calculer la probabilité d’avoir : 3 boules blanches.
des boules différentes.
Les boules sont indescernables, les tirages sont équiprobables.
Pour calculer la probabilité il faut d’abord calculer :
Le nombre de tirages possibles de 3 boules parmi 10 : Cas
possibles.
Le nombre de tirages de trois 3 boules blanches parmi les 4 :
cas favorables.
Définition
L’analyse combinatoire est le développement de quelques techniques
permettant de déterminer le nombre de résultat possibles d’une
experience particulière. Elle permet de recenser les dispositions qu’il
est possible de former à partir d’un ensemble donné d’éléments.
une disposition est un sous ensembles ordonnées ou non d’un
ensemble.
Les techniques de dénombrements sont utiles pour le calcul de
probabilité des événements équiprobables.
I- Principe multiplicatif
Remarque
- Si chacune des étapes d’un choix séffectue avec chacune des
autres, on applique alors la règle de multiplication.
Par contre,
- Si un choix peut peut se faire ou bien d’une façon ou bien d’une
autre, on applique la règle d’addition.
I- Principe multiplicatif
Conséquence
Si une expérience consiste à répéter n fois de façons indépendantes
une même expérience qui a p résultats possibles, alors on a
pn = p × p × p · · · × p( n fois) résultats possibles.
Exemple
Une urne contient 4 boules, une noire, une blanche, une rouge et une
verte. On effectue deux tirages successifs avec remise. Combien
y-a-t-il de résultats possibles ? Au total il y a 4 × 4 = 16.
I- Principe multiplicatif
Conséquence
Si une expérience consiste à répéter n fois de façons indépendantes
une même expérience qui a p résultats possibles, alors on a
pn = p × p × p · · · × p( n fois) résultats possibles.
Exemple
Une urne contient 4 boules, une noire, une blanche, une rouge et une
verte. On effectue deux tirages successifs avec remise. Combien
y-a-t-il de résultats possibles ? Au total il y a 4 × 4 = 16.
I- Principe multiplicatif
Exemple
Jacques arrive au restaurant. Il désire prendre un repas complet
(c’est à dire un potage, un plat de résistance, un légume, un dessert
et une boisson). On lui présente un menu à la carte offrant un choix
de 6 potages, 4 plats de résistance, 3 légumes, 5 desserts et 8
boissons.
Combien de repas complets différents jacques peut-il composer ?
I- Principe multiplicatif
Illustration de la règle de multiplication
Souvent lorsque on a un problème qui fait appel à la règle de
multiplication, on en présente la solution à l’aide de cases adjacentes
à l’intérieure on inscrit le nombre de possibilités pour chacune des
étapes de choix. Ainsi dans notre exemple on a :
6 4 3 5 8
I- Principe multiplicatif
Exemple
Jacques vient au restaurant pour prendre une collation ( c’est-à-dire
ou bien un potage, ou bien un sandwich, ou bien un dessert). On lui
présente un menu offrant un choix de 5 potages, 7 sandwiches et 4
desserts. Combien de collations différentes peut-il choisir ?
II- Permutations
Définition
Une permutation de n éléments distincts est une disposition
ordonnée de ces n éléments.
Exemple
Considérons 4 personnes qui prennent places successivement sur
un bac à 4 places. Combien de dispositions ordonnées (c.à.d
permutations) existe-t-il ?
II- Permutations
II- Permutations
Théorème
Le nombre de permuations de n éléments distincts noté Pn est donné
par :
Pn = n(n − 1)(n − 2) · · · × 3 × 2 × 1 = n!.
Preuve.
Soit n éléments a1 , a2 , · · · , an .
a1 : on peut le mettre dans n’importe qu’elle case, donc on a n
possibilités.
a2 : on peut le mettre dans n − 1 cases, donc il y a n − 1 possibilités.
..
.
an : on peut le mettre dans une case, donc une seule possibilités.
D’où il y a n(n − 1) · · · 2 = n! dispositions ordonnées.
II- Permutations
Exemple
1- Donner le nombre des permutations qu’il est possible de former
avec les éléments a, b, c.
2- Une étudiante a reçu 5 livres différents en cadeau. De combien de
façons peut-elle les disposer entre des appuis-livres ?
II- Permutations
Exemple
1- Donner le nombre des permutations qu’il est possible de former
avec les éléments a, b, c.
2- Une étudiante a reçu 5 livres différents en cadeau. De combien de
façons peut-elle les disposer entre des appuis-livres ?
Définition
Un arrangement de p éléments parmi n, désigne toute disposition
ordonnée de p éléments distincts parmi n éléments distincts (la
répétition n’étant pas permise). C’est une façon de ranger p éléments
distincts pris parmi n éléments distincts en tenant compte de l’ordre.
Remarque
Exemple
Considérons 7 personnes qui sont condidats pour occuper 3 postes.
De conbien de façon différentes peut-on pourvoir ces 3 postes.
- Pour le 1er poste on a 7 possibilités.
- Pour le 2ème poste on a 6 possibilités.
- Pour le 3ème poste on a 5 possibilités.
Au total, il y a 7 × 6 × 5 = 210 possibilités.
Théorème
Le nombre d’arrangements de p éléments choisis parmi n noté Apn est
donné par :
n!
Apn = n(n − 1)(n − 2) · · · (n − p + 1) = .
(n − p)!
Preuve
Pour la première place on a n possibilités.
Pour la deuxième place on a n − 1 possibilités.
de proche en proche on a :
Pour la pième place on a :n − p + 1 possibilités.
n!
Ainsi, au total il y a n × (n − 1) × · · · × (n − p + 1) = .
(n − p)!
Exemple
Combien de tiercés peut-on fomrer si une course comporte 12
cheveaux ?
C’est un arrangement de 3 parmi 12 donc le nombre de tiercés est
A312 = 12!
9! = 1320.
Remarque
Un arrangement avec répétition de p éléments parmi n est une
disposition ordonnée de p éléments avec autant de répétition que l’on
souhaite.
Le nombre d’arrangements avec répétition est de np .
Définition
Une combinaison de p éléments parmi n est une disposition
non-ordonnée de p éléments distincts choisis parmi n éléments
distincts.
Remarque
L’ordre n’intervient pas ici. Par exemple les ensembles suivants sont
pareils : {a,b,c}={a,c,b}={b,a,c}={b,c,a}.
Exemple
Considérons l’ensemble E = {1, 2, 3}. Le nombre des combinaisons
de deux éléments choisis parmi les 3 éléments est 3 à savoir
{1, 2}; {1, 3}; {2, 3}.
Théorème
Le nombre de combinaisons de p éléments choisis parmi n éléments,
noté Cnp , est donné par :
n!
Cnp = .
p!(n − p)!
Preuve
A partir d’une combinaison de p éléments on peut faire p!
arrangements, c.à.d.,
1 p
Apn = p!Cnp =⇒ Cnp = A .
p! n
Proposition
Cn0 = Cnn = 1
j
Cn+1 = Cnj−1 + Cnj
n
X
(a + b)n = Cnk ak bn−k Formule de Binôme de Newton.
k =0
Exemple
Une "main" est constituée de 13 cartes placées dans un ordre
quelconque. Calculer le nombre de "mains" distinctes susceptibles
d’être formées à partir d’un jeu de 52 cartes ?
C’est une combinaison de 13 parmi 52, donc le nombre de mains
est :
13 52!
C52 = = 635013560000.
39!13!
Théorème
Le nombre de permutation de n objets dont n1 sont semblables, n2
n!
sont semblables, · · · , nk sont semblables est : .
n1 !n2 ! · · · nk !
Exemple
Quel est le nombre d’anagrammes différents ayant un sens ou non
qu’il est possible de former avec les lettres du mot : SES.
Ce mot comporte deux fois la lettre S. On notera S1 , S2 , E, alors les
possibiltés qu’on a sont :
ES1 S2 S1 S2 E S1 ES2
ESS = , SSE = , SES =
ES2 S1 S2 S1 E S2 ES1
Exemple
Refait le même exemple avec les mots : TETE et CASABLANCA.
VI- Echantillonage
Définition
Soit une population de n éléments. On appelle un échantillon de taille
k, toute suite ordonnée de k éléments de cette population.
Exemple
On extrait r boules l’une après l’autre d’une urne contenant n boules.
On considère deux cas :
i) Echantillon non-exhaustifs (avec remise) : Dans ce cas avant de
tirer une nouvelle boule, on remet dans l’urne la boule qu’on vient
d’extraire, il y a n façons différentes d’extraires chaque boule, et donc
il y a n × n × n × · · · × n = nr exhantillon non-exhaustif difféfents de
taille r .
ii) Echantillons exhaustifs ( sans remise) : ici on ne remet pas la
boule tirée, c’est donc un arrangement sans répétition de r objets
parmi n, il y a donc Arn échantillon exhaustif de taille r .
VI- Echantillonage
Exemple
De combien de façon peut-on tirer l’une après l’autre, 3 cartes d’un
jeu de 52 cartes.
i) Si le tirage est non-exhautif : il y a (52)3 façons.
ii) Si le tirage est exhaustif : il y a A352 façons.
Définitions et propriétés
- Un ensemble est une collection d’objets appelés éléments.
- L’ensemble vide noté ∅ est l’ensemble qui ne contient aucun
élément.
- Soit Ω un ensemble.
Un ensemble A est dit un sous-ensemble de Ω ou une partie de Ω si
tous les éléments de A sont des éléments de Ω.
L’ensemble des parties de Ω est noté P(Ω).
Exemple
Donner l’ensemble des parties de Ω = {a, b, c}.
P(Ω) = {{a, b, c}, {a, b}, {a, c}, {b, c}, {a}, {b}, {c}, ∅}.
Définitions et propriétés
Soient Ω, A, B ∈ P(Ω)
Inclusion : A ⊂ B signifie que tous les éléments de A sont
dans B.
A * B signifie qu’il existe au moins un élément de A
n’appartient pas à B.
Complémentaire : A est l’ensemble des éléments de Ω qui
n’appartiennent pas à A appelé
complémentaire de A.
Union : A ∪ B : (x ∈ A ∪ B ⇔ x ∈ A ou x ∈ B).
Intersection : A ∩ B : (x ∈ A ∩ B ⇔ x ∈ A et x ∈ B).
Remarque
1- A ∪ A = A; A ∩ A = A; A ∪ ∅ = A; A ∩ ∅ = ∅,
2- Si A ⊂ B alors A ∪ B = B et si A ⊂ B alors A ∩ B = A.
Définitions et propriétés
A et B sont dits disjoints si et seuleument si A ∩ B = ∅.
A\B = A ∩ B est l’ensemble des éléments qui appartiennent à A
et qui n’appartiennent pas à B.
Proposition
Soient A, B, C des parties de Ω, on a :
A∪B =B∪A
A∩B =B∩A
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ c) = (A ∩ B) ∪ (A ∩ C)
A∩B =A∪B
A∪B =A∩B
Proposition
card(A) = card(Ω) − card(A)
card(A ∪ B) = card(A) + card(B) − card(A ∩ B)
card(A \ B) = card(A) − card(A ∩ B)
card(∅) = 0
Otheman Nouisser
3 octobre 2011
1- Epreuve aléatoire :
C’est une expérience qu’on peut répéter dans les mêmes conditions
et qui donne plusieurs résultas.
Exemple
Lancer un dé- le jeu de pile ou face.
Exemple
Si on lance un dé, l’univers Ω est l’ensemble Ω = {1, 2, 3, 4, 5, 6}.
3- Evénement :
C’est la réalisation d’une ou plusieures éventualités lors de l’examen
des résultats d’une épreuve. Autrement dit, c’est un sous-ensemble
ou partie de l’univers Ω.
Si un évenement contient un seul élément, on l’appelle événement
élémentaire.
Exemple
Si on lance un dé, l’univers Ω peut être décomposé en deux
événements :
chiffre pair : E1 = {2, 4, 6}.
chiffre impair : E2 = {1, 3, 5}.
Remarque
Définition
Soit A une partie de Ω. Le complémentaire de A, également partie de
Ω noté A, est l’ensemble des résultats qui conduit à la réalisation de
l’événement contraire de A. c.à.d., A est réalisé si et seuleument si A
n’est pas réalise.
⇓
A = CΩA = Ω \ A.
A est appelé aussi l’événement contraire.
Exemple
Soit l’épreuve qui consiste à lancer un dé. Désignons A l’événement
hh obtenir un nombre pair ii.
Définition
Soit A une partie de Ω. Le complémentaire de A, également partie de
Ω noté A, est l’ensemble des résultats qui conduit à la réalisation de
l’événement contraire de A. c.à.d., A est réalisé si et seuleument si A
n’est pas réalise.
⇓
A = CΩA = Ω \ A.
A est appelé aussi l’événement contraire.
Exemple
Soit l’épreuve qui consiste à lancer un dé. Désignons A l’événement
hh obtenir un nombre pair ii.
Définition
L’intersection de deux événements A et B d’un même univers Ω, noté
A ∩ B, est l’événement qui est réalisé si A et B sont réalisés.
Exemple
On lance un dé et on note la face visible. Soient les événements
- A : hh Obtenir un nombre pair ii, i.e., A = {2, 4, 6},
- B : Obtenir un nombre > 3 , i.e., B = {4, 5, 6}.
Alors l’événement A ∩ B : Obtenir un nombre pair et > 3 ={4, 6}.
Définition
Deux événements A et B d’un même univers Ω, sont dits
incompatibles (ou exhaustifs) si A ∩ B = ∅. (c.à.d., leur réalisation
simultannée est impossible).
Définition
L’intersection de deux événements A et B d’un même univers Ω, noté
A ∩ B, est l’événement qui est réalisé si A et B sont réalisés.
Exemple
On lance un dé et on note la face visible. Soient les événements
- A : hh Obtenir un nombre pair ii, i.e., A = {2, 4, 6},
- B : Obtenir un nombre > 3 , i.e., B = {4, 5, 6}.
Alors l’événement A ∩ B : Obtenir un nombre pair et > 3 ={4, 6}.
Définition
Deux événements A et B d’un même univers Ω, sont dits
incompatibles (ou exhaustifs) si A ∩ B = ∅. (c.à.d., leur réalisation
simultannée est impossible).
Définition
L’intersection de deux événements A et B d’un même univers Ω, noté
A ∩ B, est l’événement qui est réalisé si A et B sont réalisés.
Exemple
On lance un dé et on note la face visible. Soient les événements
- A : hh Obtenir un nombre pair ii, i.e., A = {2, 4, 6},
- B : Obtenir un nombre > 3 , i.e., B = {4, 5, 6}.
Alors l’événement A ∩ B : Obtenir un nombre pair et > 3 ={4, 6}.
Définition
Deux événements A et B d’un même univers Ω, sont dits
incompatibles (ou exhaustifs) si A ∩ B = ∅. (c.à.d., leur réalisation
simultannée est impossible).
Définition
La réunion de deux événements A et B d’un même univers, notée
A ∪ B, est l’événement qui est réalisé si A ou B sont réalisés.
Exemple
Un dé est lancé et on note le chiffre de la face invisible.
- Soit l’événement A : obtenir un chiffre pair, i.e., A = {2, 4, 6}.
- Soit l’événement B : obtenir un chiffre divisible par 3 i.e.,
B = {3, 6}.
Alors l’événement A ∪ B = {2, 3, 4, 6} : obtenir un chiffre pair ou
divisible par 3 .
Considérons maintenant l’événemnt C : obtenir un chiffre
inférieure ou égal à 2 = {1, 2}. Alors l’événement
B ∪ C = {1, 2, 3, 6}.
Définition
La réunion de deux événements A et B d’un même univers, notée
A ∪ B, est l’événement qui est réalisé si A ou B sont réalisés.
Exemple
Un dé est lancé et on note le chiffre de la face invisible.
- Soit l’événement A : obtenir un chiffre pair, i.e., A = {2, 4, 6}.
- Soit l’événement B : obtenir un chiffre divisible par 3 i.e.,
B = {3, 6}.
Alors l’événement A ∪ B = {2, 3, 4, 6} : obtenir un chiffre pair ou
divisible par 3 .
Considérons maintenant l’événemnt C : obtenir un chiffre
inférieure ou égal à 2 = {1, 2}. Alors l’événement
B ∪ C = {1, 2, 3, 6}.
Définition
Un ensemble σ, non vide, d’événements de Ω est une algèbre
d’événements si :
∀A ∈ σ, A∈σ
∀A ∈ σ, ∀B ∈ σ, A∪B ∈σ
Remarque
Dans le cas où Ω est fini, P(Ω) est une algèbre d’événements.
Définition
Soit σ une algèbre d’événements de Ω. On dit que σ est une tribu si :
Pour toute suite infinie dénombrable A1 , A2 , · · · , An , · · · d’éléments de
∞
[
σ alors Ai ∈ σ.
i=1
Conséquence :
∞
\
Ai ∈ σ
i=1
Définition
Soit (Ω, σ) un espace probabilisable. Une probabilité P est une
application P : σ → [0, 1] telle que :
P(Ω) = 1
∀A ∈ σ, ∀B ∈ σ tels que A ∩ B = ∅ on a
Remarque
La probabilité de l’événement certain est égale à 1., c.à.d., P(Ω) = 1,
et ce qui implique que pour tout événement A on a :
0 ≤ P(A) ≤ 1.
P(A) = 1 − P(A)
Preuve.
On a A et A sont deux événements incompatibles et donc
P(A ∪ A) = P(A) + P(A).
Or
A∪A=Ω
⇓
P(A) + P(A) = 1
D’où le résultat.
Otheman Nouisser ENCG-Kénitra, 2010
Notion de probabilités
Probabilité de l’événement contraire
Soit un événement A et son contraire A. Alors
P(A) = 1 − P(A)
Preuve.
On a A et A sont deux événements incompatibles et donc
P(A ∪ A) = P(A) + P(A).
Or
A∪A=Ω
⇓
P(A) + P(A) = 1
D’où le résultat.
Otheman Nouisser ENCG-Kénitra, 2010
Notion de probabilités
Remarque
la probabilitée de l’événement impossible est nulle, c.à.d., P(∅) = 0.
Preuve
Soit l’événement impossible ∅, et un événement quelconque A. Alors
A et ∅ sont deux événements incompatibles puisque A ∩ ∅ = ∅.
Donc :
P(A ∪ ∅) = P(A) + P(∅)
Or
A ∪ ∅ = A =⇒ P(A ∪ ∅) = P(A) = P(A) + P(∅)
D’où
P(∅) = 0.
Remarque
la probabilitée de l’événement impossible est nulle, c.à.d., P(∅) = 0.
Preuve
Soit l’événement impossible ∅, et un événement quelconque A. Alors
A et ∅ sont deux événements incompatibles puisque A ∩ ∅ = ∅.
Donc :
P(A ∪ ∅) = P(A) + P(∅)
Or
A ∪ ∅ = A =⇒ P(A ∪ ∅) = P(A) = P(A) + P(∅)
D’où
P(∅) = 0.
Solution
Dans ce cas A = {2, 4, 5, 6} et donc
P(A) = P(2) + P(4) + P(5) + P(6).
Considérons l’événement B : Obtenir un chiffre pair , on a alors :
Solution
Dans ce cas A = {2, 4, 5, 6} et donc
P(A) = P(2) + P(4) + P(5) + P(6).
Considérons l’événement B : Obtenir un chiffre pair , on a alors :
Théorème
Soient A et B deux événements quelconques d’un univers Ω. Alors
Théorème
Soient A et B deux événements quelconques d’un univers Ω. Alors
Preuve.
Soient deux événement A et B non incompatibles. Alors A ∪ B peut
s’écrire A ∪ B = A ∪ (A ∩ B). Or A et (A ∩ B) sont incompatibles. Donc
d’où
P(A ∩ B) = P(B) − P(A ∩ B). (2)
Ainsi, en reportant l’expression de P(A ∩ B) dans l’équation (1), on
obtient le résulat.
Exemple
Considérons l’expérience de l’exemple précédent. Calculer la
probabilités de l’événement : obtenir un chiffre pair ou supérieur
ou égal à 5 .
Solution
Considérons les événements suivants :
A l’événement : obtenir un chiffre pair ou ≥ 5 .
B l’événement : obtenir un chiffre pair .
D l’événement : obtenir un chiffre ≥ 5 .
D’après le théorème des probabilités totales on a :
Exemple
Considérons l’expérience de l’exemple précédent. Calculer la
probabilités de l’événement : obtenir un chiffre pair ou supérieur
ou égal à 5 .
Solution
Considérons les événements suivants :
A l’événement : obtenir un chiffre pair ou ≥ 5 .
B l’événement : obtenir un chiffre pair .
D l’événement : obtenir un chiffre ≥ 5 .
D’après le théorème des probabilités totales on a :
Solution
Soient B, l’événemnt obtenir un chiffre impair
et E, l’événement obtenir un chiffre inférieur ou égal à 3 .
Alors
P(C) = P(B ∪ E)
= P(B) + P(E) − P(B ∩ E)
= 0, 4 + 0, 3 − 0, 2 = 0, 5.
Solution
Soient B, l’événemnt obtenir un chiffre impair
et E, l’événement obtenir un chiffre inférieur ou égal à 3 .
Alors
P(C) = P(B ∪ E)
= P(B) + P(E) − P(B ∩ E)
= 0, 4 + 0, 3 − 0, 2 = 0, 5.
1 1
Ainsi P(w1 ) = P(w2 ) = · · · = P(wn ) == .
n cardΩ
En conséquence on a le résultat suivant
Proposition
Soit Ω un ensemble fini et A ∈ P(Ω), où les événements élémentaires
sont équiprobables. Alors
nombre d’éléments de A
P(A) =
nombre d’éléments de Ω
cardA
=
cardΩ
nombre de cas favorables à la réalisation de A
= .
nombre de cas possibles
Exemple
On lance un dé équilibré et on note le chiffre de la face visible.
Calculer la probabilité d’obtenir le chiffre 6, un chiffre < 6, le chiffre 2
ou 6.
Solution
L’univers Ω = {1, 2, 3, 4, 5, 6} et les événements sont équiprobables.
Soient A l’événement : obtenir le chiffre 6 , B l’événement :
obtenir le chiffre < 6 et C l’événement : obtenir le chiffre 2 ou 6
. Alors on a :
cardA 1
P(A) = = ,
cardΩ 6
cardB 5
P(B) = = 1 − P(6) = ,
cardΩ 6
cardC 2
P(C) = = P(2) + P(6) = P({2, 6}) = .
cardΩ 6
Exemple
On lance un dé équilibré et on note le chiffre de la face visible.
Calculer la probabilité d’obtenir le chiffre 6, un chiffre < 6, le chiffre 2
ou 6.
Solution
L’univers Ω = {1, 2, 3, 4, 5, 6} et les événements sont équiprobables.
Soient A l’événement : obtenir le chiffre 6 , B l’événement :
obtenir le chiffre < 6 et C l’événement : obtenir le chiffre 2 ou 6
. Alors on a :
cardA 1
P(A) = = ,
cardΩ 6
cardB 5
P(B) = = 1 − P(6) = ,
cardΩ 6
cardC 2
P(C) = = P(2) + P(6) = P({2, 6}) = .
cardΩ 6
1- Probabilités conditionnelles :
Définition
La probabilité de réalisation d’un événement A sachant qu’un
événement B est réalisé est appelée probabilité conditionnelle de A
sachant B et notée P(A/B) ou PB (A) et a pour expression :
P(A ∩ B)
P(A/B) = PB (A) = .
P(B)
1- Probabilités conditionnelles :
Définition
La probabilité de réalisation d’un événement A sachant qu’un
événement B est réalisé est appelée probabilité conditionnelle de A
sachant B et notée P(A/B) ou PB (A) et a pour expression :
P(A ∩ B)
P(A/B) = PB (A) = .
P(B)
Exemple
1- Une carte est tirée au hasard dans un jeu qui comporte 52 cartes.
Quelle est la probabilité que cette carte soit une dame sachant qu’il
s’agit d’un trèfle ?
Solution
Considérons les évenements D : Tirer une dame et T : tirer
un trèfle , alors
P(D ∩ T ) 1/52 1
P(D/T ) = = = .
P(T ) 13/52 13
Exemple
1- Une carte est tirée au hasard dans un jeu qui comporte 52 cartes.
Quelle est la probabilité que cette carte soit une dame sachant qu’il
s’agit d’un trèfle ?
Solution
Considérons les évenements D : Tirer une dame et T : tirer
un trèfle , alors
P(D ∩ T ) 1/52 1
P(D/T ) = = = .
P(T ) 13/52 13
Solution
Notons A l’événement : Obtenir un chiffre impair
et B l’événement : obtenir un chiffre différent de 5 . Alors,
3 1 5
P(A) = P({1, 3, 5}) = = et P(B) = P({1, 2, 3, 4, 6}) = .
6 2 6
L’événement A ∩ B := obtenir un chiffre impair différent de 5 ,
2
d’où P(A ∩ B) = P({1, 3}) = .
6
Solution
Notons A l’événement : Obtenir un chiffre impair
et B l’événement : obtenir un chiffre différent de 5 . Alors,
3 1 5
P(A) = P({1, 3, 5}) = = et P(B) = P({1, 2, 3, 4, 6}) = .
6 2 6
L’événement A ∩ B := obtenir un chiffre impair différent de 5 ,
2
d’où P(A ∩ B) = P({1, 3}) = .
6
suite
Le fait de disposer de l’information supplémentaire relative à la
réalisation de l’événement B, réduit la possibilité aux chiffres
{1, 2, 3, 4, 6}, parmi lesquels seuls 1 et 3 sont impairs. Il y a donc
deux chances sur cinq d’avoir un chiffre impair sachant que le
résultat est différent de 5.
En utilisant la formule on peut aussi le vérifie :
2-Probabilités composées
Définition
La probabilité composée est la probabilité de réaliser simultanément
deux événements A et B, et on la note P(A ∩ B), et on a
2-Probabilités composées
Définition
La probabilité composée est la probabilité de réaliser simultanément
deux événements A et B, et on la note P(A ∩ B), et on a
Exemple
Un sac contient 10 boules indescernables au toucher : 4 boules sont
blanches, 6 boules sont noires. Une personne tire l’une après l’autre,
sans remise 3 boules.
Quelle est la probabilité d’obtenir dans l’ordre : une blanche, une
noire, une blanche ?
D’autre part, on a :
P(A ∩ B) P(A ∩ B)
P(A/B) = ; P(B/A) = ,
P(B) P(A)
D’où
Proposition
Deux événements A et B sont indépendants si et seuleument si
P(A ∩ B) = P(A)P(B).
Remarque
Exemple
Une carte est tirée d’un jeu de 52 cartes. Calculer
- La probabilitée de tirer un roi.
- La probabilité de tirer un roi sachant que la carte tirée est un coeur.
- La probabilitée de tirer le roi de coeur. Commenter.
1
P(A ∩ B) 1
P(A/B) = = 52 = = P(A),
P(B) 13 13
52
Le fait de savoir que la carte est un coeur ne réduit pas les
possibilités. Les deux événement sont indépendants mais ils ne sont
pas incompatibles puisque A ∩ B 6= ∅.
4- Théorème de Bayes
Théorème
(Formule de Bayes)
P(B)P(A/B)
P(B/A) = .
P(B)P(A/B) + P(B)P(A/B)
4- Théorème de Bayes
Théorème
(Formule de Bayes)
P(B)P(A/B)
P(B/A) = .
P(B)P(A/B) + P(B)P(A/B)
Preuve.
P(A ∩ B) P(B)P(A/B)
P(B/A) = =
P(A) P(A ∩ (B ∪ B))
P(B)P(A/B)
=
P(A ∩ B) + P(A ∩ B)
P(B)P(A/B)
=
P(B)P(A/B) + P(B)P(A/B)
Théorème
P(Ai ) × P(B/Ai )
P(Ai /B) = n
.
X
P(Aj )P(B/Aj )
j=1
Exemple
Solution
Considérons les évévenements suivants : A : Etre un employé
femme .
B : Etre un employé de formation supérieure .
Alors, on a :
P(A) = 0, 8; P(B/A) = 0, 08; P(A) = 0, 2; P(B/A) = 0, 24, et on a
aussi
Ainsi on aura
P(A)P(B/A)
P(A/B) = .
P(A)P(B/A) + P(A)P(B/A)
Exemple
Solution
Considérons les événements suivants :
M1 : Produit fabriqué par M1 , M2 : Produit fabriqué par M2 ,
M3 : Produit fabriqué par M3 , D : Produit fabriqué est
défectueux .
Alors on a :
P(M2 )P(D/M2 )
P(M2 /D) = .
P(M2 )P(D/M2 ) + P(M2 )P D/M2
suite
Or, P(M2 ) = 1 − P(M2 ) = 0, 7 et
Ainsi,
P(M2 /D) = 0, 3103.
Quelle est la probabilité qu’un produit séléctionné au hasard ait été
fabriqué par la machine M3 , sachant qu’il n’est pas défectueux ?
Ceci revient à calculer P(M3 /D).
N N N ··· N B B ··· B
N N N ··· N B B ··· B
Exemple
On jette une pièce de monnaie 10 fois. Quelle est la probabilité
d’avoir 6 faces et 4 piles ?
4
P(pile) = 1/2, P(4) = C10 (1/2)6 (1/2)4 = C10
4
(1/2)10 .
Otheman Nouisser
14 novembre 2011
Exemple
Soient deux joueurs A et B. L’un des deux lance un dé et on note la
face visible.
Si on obtient 1 ou 6, alors le joueur A donne 1 Dh au joueur B .
Si on obtient 2, 3 ou 5, alors le joueur B donne 2 Dh au joueur A .
Si on obtient 4, alors la partie est nulle.
Notons X le gain du joueur A.
X dépend du hasard, plus particulièrement du résultat du lancer de
dé. On dira qu X est une variable aléatoire puisqu’elle dépend du
hasard.
Dans ce cas l’univers Ω = {1, 2, 3, 4, 5, 6} et X dépend du
événements de Ω et peut prendre les valeurs {−1, 0, 2}.
Exemple
X : Ω −→ R
w 7−→ X (w)
Ainsi, X est une application numérique de Ω dans R.
Le dé étant non truqué, les événements élémentaires de Ω sont
1
équiprobables, P({i}) = , i = 1, 2, 3, 4, 5, 6.
6
On veut savoir la probabilité que le joeur A gagne 2Dh. On a
1
P(X = 2) = P[wtel queX (w) = 2] = P[X −1 (2)] = P ({2, 3, 5}) = .
2
et aussi
1 1
P(X = −1) = , P(X = 0) = .
3 6
Ainsi, à chaque valeur de X on peut associer une probabilité. Cette
correspondance s’appelle loi de probabilité de X .
Définition
Soit Ω un univers sur lequel on a défini une probabilité P. On appelle
X : Ω −→ R
variable aléatoire réelle X , toute application .
wi 7−→ xi
On note :
[X = xi ] = {w ∈ Ω tel que X (w) = xi } est un événement de
l’univers Ω.
X (Ω) = {x ∈ R/∃w ∈ Ω tel que X (w) = x}. Autrement dit, X (Ω)
désigne l’ensemble des valeurs que peut prendre X .
Définition
Une variable aléatoire est dite discrète s’elle peut prendre un nombre
fini ou infini dénombrable de valeurs.
Exemple
Jet de deux dés, la somme S des deux dés est une variable aléatoire
discrète à valeur dans {2, 3, 4, 5, 6, · · · , 12}.
Définition
La fonction de distribution ou loi de probabilité d’une variable
aléatoire discrète X , est l’application PX qui, à chaque valeur xi prise
par X , associe la probabilité PX (xi ) = P[X = xi ].
Pour B ⊂ R, on a X
PX (B) = PX (xi ).
xi ∈B
Exemple
Un représentant a relevé le nombre quotidien de commandes qu’il a
obtenues sur une année de 300 jours de travail.
Nbre quotidien de comandes 0 1 2 3 4 Total
Nbre de jours 30 60 120 75 15 300
⇓
Il s’agit d’une V.A. discrète, de loi de probabilité donnée par :
Exemple
La loi de probabilité peut être représentée par un tableau ou par un
diagramme en bâtons.
V.A. X : xi 0 1 2 3 4 PTotal
P[X = xi ] 0, 1 0, 2 0, 4 0, 25 0, 05 1= i P[X = xi ]
Remarque
Deux variables aléatoires discrètes peuvent avoir même loi de
probabilité sans être égales.
1 1
∀k ∈ {1, 2, 3, 4, 5, 6}, PX (k ) = , PY (k ) = .
6 6
Donc X et Y ont même loi : PX = PY . Pour autant, on a pas l’égalité
des variables aléatoires X et Y (X (w) = Y (w), ∀w ∈ Ω).
Par contre, on peut calculer la probabilité de l’événement {X = Y } :
6
!
[ 6 1
P[X = Y ] = P {(X , Y ) = (k , k )} = = .
36 6
k =1
Définition
La fonction de répartition d’une variable aléatoire discrète X est
l’application F définie par : ∀x ∈ R,
X
F (x) = P[X ≤ x] = P[X = xi ].
xi ≤x
Preuve.
[a < X ≤ b] = {w ∈ Ω tel que X (w) ≤ b et X (w) > a}
= {w ∈ Ω tel que X (w) ≤ b} ∩ {w ∈ Ω tel que X (w) > a}
= {w ∈ Ω tel que X (w) ≤ b} ∩ {w ∈ Ω tel que X (w) ≤ a}
Ainsi
“ ”
P[a < X < b] = P {w ∈ Ω tel que X (w) ≤ b} ∩ {w ∈ Ω tel que X (w) ≤ a}
= P ({w ∈ Ω tel que X (w) ≤ b}) −
P ({w ∈ Ω tel que X (w) ≤ b} ∩ {w ∈ Ω tel que X (w) ≤ a})
= F (b) − P ({w ∈ Ω tel que X (w) ≤ a})
= F (b) − F (a).
Exemple
Déterminer et représenter la fonction de répartition du nombre de
commandes du représentant, puis calculer
P(X < 0); P(X ≤ 0); P(X ≤ 2); P(X < 3); P(0 < X < 3).
Fonction de répartition :
x F (x)
xi P[X = xi ]
] − ∞, 0[ 0
0 0, 1
[0, 1[ 0, 1
1 0, 2
et donc, [1, 2[ 0, 3
2 0, 3
[2, 3[ 0, 7
3 0, 25
[3, 4[ 0, 95
4 0, 05
[4, ∞[ 1.
Exemple
X
P(X < 0) = P[X = xi ] = 0;
xi <0
P(x ≤ 0) = 0, 1;
P[X ≤ 2] = P[X = 0] + P[X = 1] + P[X = 2] = 0, 7;
P[X < 3] = P[X ≤ 2];
P[0 < X < 3] = P[0 < X ≤ 2] = P[X ≤ 2] − P[X ≤ 0] = 0, 7 − 0, 1 = 0, 6
1- Espérence mathéamtique
L’espérence mathématique exprime la tendance centrale de la
variable aléatoire.
Définition
L’espérence mathématique d’une variable aléatoire discrète X est la
moyenne arithmétique des valeurs prises par X pondérées par les
probabilités associées, notée E(X ), donnée par :
n
X n
X
E(X ) = xi P[X = xi ] = xi P(xi ).
i=1 i=1
Exemple
Si on reprend l’exemple précédent, on a :
X
E(X ) = xi P(xi ) = 1, 95.
i
Exemple
Un joueur tire au hasard une carte parmi 52. Il gagne 200 Dh si la
carte est un coeur et perd 100 Dh sinon. On note X la variable
aléatoire désignant le gain du joueur.
Définir la loi de probabilité de X et calculer son espérance.
dans ce cas X prend deux valeurs X = 200 et X = −100.
13 1 3
P(200) = = , P(−100) = .
52 4 4
l’espérence mathématique est :
1 3
E(X ) = 200 × − 100 × = −25.
4 4
Exemple
Soit X la variable aléatoire discrète définie par
xi −2 −1 0 1 2
1 1 1 1 3
P(xi )
8 4 5 8 10
Calculer E(X ) et V (X ).
Définition
Une variable aléatoire X est continue quand l’ensemble des valeurs
qu’elle peut prendre est défini par toutes les valeurs d’un intervalle
réel [a, b]. Le nombre de valeurs d’un intervalle étant infinie, la
probabilité attaché à une valeur est nulle :
P[X = x] = 0.
Proposition
1- F est une fonction positive, croissante de 0 à 1.
2- ∀a, b ∈ R,
P(a < X ≤ b) = F (b) − F (a).
3- ∀a ∈ R,
P(a < X ) = 1 − P(X ≤ a) = 1 − F (a).
P(X < a) = P(X ≤ a) = F (a).
Otheman Nouisser ENCG-Kénitra, 2010
Variables aléatoires continues : fonction de répartition
Définition
La fonction de répartition d’une variable aléatoire X est l’application
F , qui à tout réel x, associe la probabilité F (x) que la variable X soit
inférieur ou ègal à x, i.e.,
Proposition
1- F est une fonction positive, croissante de 0 à 1.
2- ∀a, b ∈ R,
P(a < X ≤ b) = F (b) − F (a).
3- ∀a ∈ R,
P(a < X ) = 1 − P(X ≤ a) = 1 − F (a).
P(X < a) = P(X ≤ a) = F (a).
Otheman Nouisser ENCG-Kénitra, 2010
Variables aléatoires continues : fonction de répartition
Exemple
Une entreprise a étudie la durée de vie de ses machines achetées.
Cette durée de vie exprimée en année, est définie par la fonction de
répartition F (x) suivante :
F (x) = 0 Si x < 0,
F (x) = 1 − e−0,42x si x ≥ 0.
Définition
La fonction de densité d’une variable aléatoire X continue est la
fonction f définie par :
∀x ∈ R, f (x) = F 0 (x).
Proposition
- f est une fonction positive.
Z b
- P[a ≤ X ≤ b] = f (t)dt = F (b) − F (a).
Z a a
- F (a) = f (t)dt.
−∞
Z +∞
- f (t)dt = 1 = F (+∞) − F (−∞).
−∞
Exemple
Etude de la fonction de densité de l’exemple précédent. Une
entreprise a étudie la durée de vie de ses machines achetées. Cette
durée de vie exprimée en année, est définie par la fonction de
répartition F (X ) suivante :
F (x) = 0 Si x < 0,
F (x) = 1 − e−0,42x si x ≥ 0.
Représenter
R∞ graphiquement la fonction de densité et vérifie que
−∞
f (t)dt = 1.
Représenter graphiquement P(X ≤ 2, 5) et P[2 ≤ X ≤ 4] et calculer
ces probabilités.
à partir de la définition de f on a :
f (x) = 0 si x < 0,
f (x) = 0, 42e−0,42x si x ≥ 0.
Exemple
Calcul de l’espérence, la variance et l’écart type de l’exemple
précédent.
Rappel de l’intégration par partie :
Z b Z b
u 0 (x)v (x)dx = [u(x)v (x)]ba − u(x)v 0 (x)dx.
a a
Suite
de même on peut calculer la variance :
Z ∞ Z +∞
V (X ) = x 2 f (x)dx − E(X )2 = x 2 (0, 42e−0,42x )dx − (2, 38)2
−∞ 0
Z ∞
2 −0,24x ∞
= −x e 0
− (−2xe−0,42x )dx − (2, 38)2
0
∞ Z ∞
2 −0,24x ∞ 1 −0,24x 1 −0,42x
= −x e 0
− 2x e − 2 e dx −
0, 42 0 0 0, 42
2
= − (2, 38)2
0, 42 × 0, 42
= 5, 67.
Définition
On dit que X et Y sont indépendantes si pour tous couples (x, y ) :
V (aX ) = a2 V (X ).
V (aX + b) = a2 V (X ).
Si X , Y sont indépendantes alors : V (X + Y ) = V (X ) + V (Y ).
Si X , Y ne sont pas indépendantes alors :
V (X + Y ) = V (X ) + V (Y ) + 2COV (X , Y ),
D’où,
Définition
Soit Ω un univers sur lequel on a défini une probabilité P. Soit
X1 , X2 , · · · , Xd des variables aléatoires définies sur Ω. On appelle
vecteur de variables aléatoires de dimension d l’application :
−
→
X : Ω −→ Rd
→
−
w 7−→ X (w) = (X1 (w), X2 (w), · · · , Xd (w))
→
−
Les variables aléatoires Xi sont les coordonnées du vecteur X .
Définition
→
−
On dit qu’un vecteur aléatoire X est discret si chacune de ses
coordonnées est discrète.
Soit X et Y deux v.a. discrètes, avec X (Ω) = {x1 , x2 , · · · , xk } et
Y (Ω) = {y1 , y2 , · · · , yl }.
On définit X (Ω) × Y (Ω) = {(x, y ) : x ∈ X (Ω), y ∈ Y (Ω)}.
L’événement : {X = x} ∩ {Y = y } sera noté [X = x, Y = y ] ou
bien [(X , Y ) = (x, y )].
Définition
Soit (X , y ) un couple aléatoire discrèt. On appelle loi de probabilité
ou loi conjointe de (X , Y ), l’application PXY de X (Ω) × Y (Ω) dans
[0, 1] définie par ∀(x, y ) ∈ X (Ω) × Y (Ω) par
F : R×R −→ [0, 1]
(x, y ) 7−→ F (x, = P[(X < x) ∩ (Y < y )]
Xy )X
= PXY (xi , yj )
xi <x yj <y
Exemple
Une urne contient trois boules numérotées {1, 2, 3}. On tire
successivement et sans remise deux boules de l’urne. Soit X et Y les
numéros obtenus aux premiers et second tirages. Le résultat du
second tirage dépend du premier. Il vient donc
Théorème
Soit (X , Y ) un couple aléatoire discrèt et f une fonction définie sur
X (Ω) × Y (Ω), à valeurs réelles. Alors l’espérance de f (X , Y ), si elle
existe, est donnée par
X
E[f (X , Y )] = f (x, y )PXY (x, y ).
(x,y )∈X (Ω)×Y (Ω)
Exemple
Reprenons l’exemple des tirages successives sans remise.
X
E(X Y ) = x y PXY (x, y ) = 4.
(x,y )∈{1,2,3}2
Définition
Soit (X , Y ) un couple aléatoire discret. On appelle loi marginale de X ,
l’application PX : X (Ω) −→ [0, 1] définie ∀x ∈ X (Ω) par
X
PX (x) = P[X = x] = PXY (x, y ).
y ∈Y (Ω)
Exemple
Reprenons toujours l’exemple des tirages successives sans remise,
on déduit à partir de la loi de probabilité du couple (X , Y ) la loi
marginale de X :
x 1 2 3
PX (x) 1/3 1/3 1/3
y 1 2 3
PY (y ) 1/3 1/3 1/3
Définition
Soit (X , Y ) un couple aléatoire discrèt. Soit f et g deux fonctions
définies respectivement sur X (Ω) et Y (Ω), à valeurs réelles. Si X et
Y sont indépendantes, alors on a
Définition
Soit (X , Y ) un couple aléatoire discrèt. On appelle loi conditionnelle
de X sachant l’événement (Y = y ), l’application PX /Y =y de X (Ω)
dans [0, 1] définie ∀x ∈ X (Ω) par
PXY (x, y )
PX /Y =y (x) = P(X = x/Y = y ) = .
PY (y )
Exemple
Reprenons toujours, l’exemple des tirages successives. Sachant que
le chiffre 1 a été tiré au premier tirage, la loi conditionnelle de Y est
donnée dans le tableau suivant :
y 1 2 3
PY /X (y /1) 0 1/2 1/2
Théorème
Soit (X , Y ) un couple aléatoire discrèt. Alors, ∀(x, y ) ∈ X (Ω) × Y (Ω),
on a la formule des probabilités composées
PX (x)PY /X (y /x) si PX (x) 6= 0
PXY (x, y ) = PY (y )PX /Y (x/y ) si PY (y ) 6= 0
0 sinon
Corollaire
Soit (X , Y ) un couple aléatoire discrèt. Si X et Y sont indépendantes,
on a ∀(x, y ) ∈ X (Ω) × Y (Ω)
PY /X (y /x) = PY (y )
PX /Y (x/y ) = PX (x)
Théorème
Soit (X , Y ) un couple aléatoire discret et soit Z = X + Y . Alors,
∀z ∈ (X + Y )(Ω), on a
X
P(Z = z) = PXY (x, y ).
x+y =z
X X
P(Z = z) = PXY (x, z − x) = PXY (y , z − y ).
x∈X (Ω) y ∈Y (Ω)
Corollaire
Soit (X , Y ) un couple aléatoire discret et soit Z = X + Y . Si X et Y
sont indépendants alors ∀z ∈ (X + Y )(Ω), on a
X X
P(Z = z) = PX (x)PY (y ) = PX (x)PY (z − x)
x+y =z x∈X (Ω)
Cas particulier
Si X et Y sont à valeurs dans N et si Z = X + Y alors ∀k ∈ N
X
P(Z = k ) = PXY (i, j).
i+j=k
Exemple
Soit Z la somme des chiffres obtenus lors de deux tirages :
Z (Ω) = {3, 4, 5}. Pour z ∈ Z (Ω), on a
3
X
PZ (z) = PXY (x, z − x)
x=1
Théorème
Soit X une variable aléatoire d’espérance E(X ) et de variance V (X ).
Alors
V (X )
∀ε > 0, P (|X − E(X )| ≥ ε) ≤ .
ε2
Preuve
On suppose que X est une variable discrète. et considérons
X (Ω) = {xi ; i ∈ I} avec P(X = xi ) = pi où I est une partie de N ou
bien Z. On note m = E(X ).
Notons J = {i ∈ I; |xi − m| ≥ ε} et K = {i ∈ I; |xi − m| < ε}. On a
alors J ∪ K = I et K ∩ J = ∅. S
De plus : P(|X − m| ≥ ε) = P i∈J (X = xi ) . Donc
X
P(|X − m| ≥ ε) = pi .
i∈J
∀j ∈ J, |xi − m| ≥ ε. Donc
X X
V (X ) ≥ (xi − m)2 pi ≥ ε2 pi = ε2 P(|X − m| ≥ ε)
i∈J i∈J
D’où
V (X )
P(|X − m| ≥ ε) ≤ .
ε2
Otheman Nouisser ENCG-Kénitra, 2010
Chapitre IV: Lois usuelles de probabilités
Otheman Nouisser
12 décembre 2011
Définition
La variable alétaoire de Bernoulli est la variable qui ne peut prendre
que deux valeurs exclusives, souvent désignés par succès et
éhec dont les probabilités respectives sont p et q avec p + q = 1.
On note X ∼ B(p).
Définition
Une variable aléatoire X est une variable aléatoire binomiale ou bien
obéit à une loi binomiale, quand la probabilité de X = k est donnée
par :
P[X = k ] = Cnk pk (1 − p)n−k = Cnk pk q n−k ,
n : nombre des épreuves,
p : la probabilité du succès,
q : la probabilité de l’échec,
0 ≤ k ≤ n et p + q = 1.
On dit que X suit une loi binomiale de paramètre n, p et note
X ∼ B(n; p).
Exemple
On tire au hasard une carte d’un jeu de 32 cartes, la carte tirée est
remise dans le jeu. Cette épreuve est répétée 4 fois, on cherche la
probabilité de tirer 3 coeurs .
succès : tirer un coeur avec une probabilité p = 41 .
X la v.a. qui désigne le nombre de coeurs obtenus : X ∼ B(4; 14 )
3
P[X = 3] = C43 p3 (1 − p)4−3 = .
45
Otheman Nouisser ENCG-Kénitra, 2010
Lois de probabilités discrètes : Schéma Binomiale
Proposition
Soit X ∼ B(n; p), alors
Preuve
Soient Xi , 1 ≤ i ≤ n, des variables aléatoires de Bernoulli de
paramètre p qui sont indépendantes. Alors
Xn n
X
E(X ) = E( Xi ) = E(Xi ) = np,
i=1 i=1
de même,
Xn n
X
V (X ) = V ( Xi ) = V (Xi ) = npq,
i=1 i=1
√
et parsuite σ(X ) = npq.
Otheman Nouisser ENCG-Kénitra, 2010
Lois de probabilités discrètes : Schéma Binomiale
Proposition
Si X suit une loi binomiale B(n1 ; p) et si Y suit une loi binomiale
B(n2 ; p), avec X et Y sont indépendantes mais de même probabilité
p, alors X + Y suit une loi binomiale B(n1 + n2 ; p)
Exemple
En pratique lorsque on tire un échantillon de taille n parmi une
population de taille N, le bon sens veut que l’on ne prenne pas de 2
fois le même individu. Cela signifie que le tirage se fait sans remise.
Les variables aléatoires de Bernoulli associées aux différents
éléments de l’échantillon et indicatrices de la présence ou l’absence
d’un caractère donné, sont alors dépendantes. Le schéma binomiale
n’est plus adapté.
CNk 1 CNn−k
2
P[X = k ] =
CNn
Proposition
Si X ∼ H(N; n; p) alors
N −n
E(X ) = np, V (X ) = npq avec q = 1 − p.
N −1
Remarque
Si on remplace dans la définition, les n tirages sans remise par un
tirage de n individus de type 1 simultanément, alors la variable
aléatoire X est une variable hypergéométrique H(N; n; p).
et
2 4
E(X ) = np = 2 × =
5 5
N −n 2 3 3 9
V (X ) = npq =2× × × = = 0, 36.
N −1 5 5 4 25
Otheman Nouisser ENCG-Kénitra, 2010
Lois de probabilités discrètes : Loi de Poisson
Définition
Soit une variable aléatoire X et λ > 0. On dit que que X suit une loi
de poisson de paramètre λ et on note X ∼ P(λ) si
λk
P[X = k ] = e−λ , ∀k ∈ N.
k!
Proposition
E(X ) = λ.
V (X ) = λ.
√
σ(X ) = λ.
∞ ∞
X X λk
E(X ) = kP[X = k ] = k e−λ
k!
k =0 k =0
∞
X λk
= k e−λ
k!
k =1
∞
X λk
= e−λ
(k − 1)!
k =1
∞
X λk −1 −λ
= λ e
(k − 1)!
k =1
∞
X λk
= λe−λ
k!
k =0
= λ.
De même, on a
Otheman Nouisser ENCG-Kénitra, 2010
Lois de probabilités discrètes : Loi de Poisson
Remarque
La loi de Poisson modélise les variables aléatoires qui étudient les
événements où le future est indépendant du passé et les
événements rares ( files d’attente, pannes, mortalité, accidents,
nombres d’appels à un standard, · · · ).
En générale, son existence est fondé sur trois conditions :
La probabilité de réalisation de l’événement considéré au cours
d’un intervalle de temps infiniment petit dt est proportionnelle à
sa durée dt.
Cette probabilité est indépendante du nombre de réalisation
antérieures de l’événement et reste constante au cours de la
période d’observation.
La probabilité que l’événement se réalise plus d’une fois dans le
même intervalle de temps est faible.
Règle
Le nombre X d’événements réalisés au cours d’un intervalle de
temps T est une variable de poisson de paramètre λ = pn avec :
T
n= : rapport de proportionnalité entreT et dt.
dt
p : nombre constant de réalisation au cours de l’intervalle
de temps dt.
Proposition
Si X suit une loi de Poisson P(λ1 ) et si Y suit une loi de Poisson
P(λ2 ), avec X et Y sont indépendantes, alors X + Y suit une loi de
Poisson P(λ1 + λ2 ).
1 T
p = 2, T = 1, dt = ,n = = 4.
4 dt
X est une variable de Poisson de paramètre λ = pn = 8. Ainsi
812
P[X = 12] = e−8 = 0, 04813
12!
Sur la table des probabilités cumulés (P[X > k ]) indique :
Exemple
Le nombre moyen de taxis qui traverssent un carrefour entre 9h et
10h est de 30 véhicules et suit une loi de Poisson.
1- Calculer les probabilités pour que, sur une période de 10 minutes
entre 9h et 10h traverssent : aucun taxis, trois taxis, quatre taxis, cinq
taxis, au plus cinq taxis.
2- Calculer l’espérance mathématique, la variance et l’écart type du
nombre de taxis qui traversent la carrefour pendant 10 minutes.
Solution
Soit X : nombre de taxis qui traversent la carrefour pendant 10
minutes .
T
on a λ = p dt = 5 avec p = 30, T = 10 et dt = 60. Donc X ∼ P(5) et
50
P[X = 0] = e−5 = 0, 007.
0!
53
P[X = 3] = e−5 = 0, 14.
3!
P[X ≤ 5] = P[X = 0] + P[X = 1] + · · · + P[X = 5]
E(X ) = V (X ) = 5.
Exemple
Deux machines A et B fonctionnent indépendamment l’une de l’autre.
Le nombre de pannes un mois donné de 30 jours pour la machine A
est 25 et pour la machine B est 20.
Calculer la probabilité que, pour un jour donné, il n’y ait pas de
pannes.
Une variable aléatoire suivant une loi binomiale B(n, p) peut être
approché par une loi de Poisson P(λ) si on a les trois conditions :
- n est suffisament grand.
- p est voisin de 0 (trop petit)
- np n’est pas grand.
Théorème
Soit X une variable aléatoire avec X ∼ B(n, p). Alors
P(k ) pn pn
' ⇒ P(k ) ' P(k − 1).
P(k − 1) k k
n n
(np)k (np)k
X X
P(0) = P(0) = 1.
k! k!
k =0 k =0
Otheman Nouisser ENCG-Kénitra, 2010
suite
n
X (np)k
Comme lim n→+∞ = enp , on trouve que
k!
k =0
P(0) = e−np .
Exemple
Un supermarché s’interesse aux ventes quotidiennes d’un produit
frais P dont le stock est reconstitué chaque matin. Pour chaque jour
ouvrable, la probabilité de rupture de stock est de 0, 02 et les
ruptures sont supposées indépendantes.
1- Calculer les probabilités pour que sur, 200 jours ouvrables, il y ait :
aucune rupture, une rupture, deux ruptures, trois ruptures, quatre
rupture, cinq rupture, au plus cinq rupture du produit frais P.
Solution
Soit X la variable aléatoire : nombre de ruptures du stocks du
produit frais P sur 200 jours .
Donc X est la somme de 200 variables indépendants de Bernoulli ce
qui implique que X ∼ B(200; 0, 02).
Regardons les conditions d’approximation :
n = 200 ≥ 50, p = 0, 02 ≤ 0, 1, np = 4 ≤ 5.
Ainsi, la loi B(200; 0, 02) peut être approchée par la loi P(4) et donc,
en utilisant l’approximation on a :
2
1 t −m
Z x −
1
F (x) = P[X ≤ x] = √ e 2 σ dt.
σ 2π −∞
Définition
Si une variable aléatoire X suit une loi normale N(m, σ), alors la
variable T = X −m
σ suit la loi normale appelée loi normale centré
réduite N(0, 1).
La fonction de densité f de la variable T est :
t2
1 −
f (t) = √ e 2 .
2π
La fonction de répartition F , plus généralement notée Π, est définie
par :
Z t Z t
u2
1 −
F (t) = Π(t) = P[T ≤ t] = f (u)du = √ e 2 du.
−∞ 2π −∞
Proposition
Solution
Désignons par X la variable aléatoire le chiffre daffaires quotidien
X − 12000
. Donc X ∼ N(12000, 1500) et T = ∼ N(0, 1).
1500
a- La variable aléatoire X est continue, donc P[X = 12000] = 0.
Otheman Nouisser ENCG-Kénitra, 2010
Lois de probabilités continues : Loi normale centrée
réduite
12000 − 12000
b-P[X < 12000] = P[T < ] = P[T ≤ 0] = Π(0) = 0, 5.
1500
(voir la table de répartition)
13000 − 12000
c- P[X < 13000] = P T < = P[T ≤ 0, 66] =
1500
Π(0, 66) = 0, 7454.
10000 − 12000
d- P[X < 10000] = P T < = P[T ≤ −1, 33] =
1500
Π(−1, 33) = 1 − Π(1, 33) = 0, 0918.
e-P[10500 < X < 13500] =
10500 − 12000 13500 − 12000
P T < = P[−1 < T < 1] =
1500 1500
Π(1) − Π(−1) = 2Π(1) − 1 = 0, 6826.
10500 − 12000
f- P[X > 10500] = P T > = P[T ≥ −1] =
1500
1 − P[T ≥ −1] = 1 − Π(−1) = Π(1) = 0, 8413.
Théorème
Soient X1 , X2 , · · · , Xn , n variables aléatoires indépendantes entre
elles et identiquement distribuées : même loi de probabilité, même
espérence m et même variance σ 2 .
n
X Y − nm
Soit Y = Xi , alors la loi de √ converge vers une loi normale
i=1
nσ
centré réduite N(0, 1) quand n −→ ∞.
Autrement
√ dit, la loi de la variable Y converge vers la loi normale
N(nm, nσ).
Théorème
√
Soit X ∼ B(n, p). Si n est grand, alors X ' N(np, npq)
Théorème
√
Soit X ∼ P(λ). Si λ est grand, alors X ' N(λ, λ)
- Si X ∼ P(λ) et x ∈ N :
x + 0, 5 − λ x − 0, 5 − λ
P[X ≤ x] ' Π √ et P[X < x] ' Π √
λ λ
x + 0, 5 − λ x − 0, 5 − λ
P[X = x] ' Π √ −Π √ .
λ λ
p = 4, dt = 10min, T = 60min.
T
Donc, n = dt = 6, et X suit une loi de Poisson de paramètre
λ = pn = 24, c.à.d X ∼ P(24).
30, 5 − 24
P[X > 30] ' P[X ≥ 30, 5] = P[T ≥ √ ] = P[T ≥ 1, 33]
24
' 1 − Π(1, 33) = 1 − 0, 9082 = 0, 0918.