Chapitre 1 : Introduction aux Modèles Stochastiques, rappel de probabilité

1. Espace Fondamental et Evénement

Définition 1-1 Expérience aléatoire : On appelle expérience aléatoire toute opération dont le résultat est incertain.
Exemple, l’opération qui consiste à tirer une carte parmi 32 est une expérience aléatoire.

Définition 1-2 Espace fondamental

On appelle espace fondamental ou univers des possibles, noté  , l’ensemble des résultats possibles associés à une
expérience aléatoire.

Exemple 1-1

On jette un dé une fois. Espace fondamental associé à cette expérience aléatoire est l’ensemble:   1,2,3,4,5,6

Evénement et types d’événements

Un événement est un sous ensemble de  .

Un événement est dit élémentaire s’il est composé d’un seul élément.
L’ensemble vide Ø ne contient aucun des résultats possibles : il est appelé événement impossible.
Deux événements E1 et E2 sont dits distincts ou disjoints ou incompatibles si leur intersection est
l’ensemble vide (tous leurs éléments sont différents), autrement si E1  E 2   .
Des événements (A et B) sont complémentaires si leur intersection est vide (𝐴 ∩ 𝐵 = ∅) et si la réunion de
leurs résultats est équivalente à l'univers des résultats possibles (𝐴 ∪ 𝐵 = 𝛺). En général, l'événement
complémentaire à l'événement A est noté A .

2. notion de probabilité
Soit C l’ensemble des événements. On appelle probabilité sur (  ,C), l’application, P, définie par :

P : C  [0,1]
E  P(E)

L’application P a les propriétés suivantes :

 P(  )=1
 0  P( E )  1,  E  
 P( E1  E2 )  P( E1 )  P( E2 ) si E1  E 2  

Propriétés :

P(  )  0
Soit  un espace fondamental et A et A deux événement s complémentaires de  . on a alors :
P( A ) 1  P( A )
A, B  C , ( A  B  P( A )  P( B ) )
Soit  un espace fondamental et soient A et B deux événements distincts ou non de  . On a :
P( A  B )  P( A )  P( B )  P( A  B )

1
Exemple 2

On considère l’espace fondamental   1,2,3 et soit les événements élémentaires A={1} B={2} et C={3} avec
P(A)=P(B)=1/3. Calculer :

P(C), P(AUB), P( A ), P( A  B).

………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
…………………………………………………………………………………………………………………………………………………………………………………………………….

3. Probabilité d’un soit un espace fondamental  fini.

soit  fini composé de N éléments (A1, A2, A3,......AN). Les N événements sont élémentaires distincts et
équiprobables. On note par card( E ) le nombre d’éléments de E.

Pour tout événement B   , on a :

card( B )
P( B )  .
card(  )

Exemple3 (Lancers de deux pièces). On lance deux pièces de monnaie. Calculer la probabilité d’obtenir au moins un
pile.

………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………...

4. La probabilité conditionnelle
On parle d’une probabilité conditionnelle si lors du déroulement de l’expérience aléatoire une information
supplémentaire est fournie à l’expérimenteur. On calcule alors la probabilité de l’événement A sachant que
l’événement B a été réalisé.

Définition 4.1

La probabilité conditionnelle de A sachant que B est réalisé, noté P(A/B) est définie par :

P( A  B )
P( A / B ) 
P( B )

Exemple 4

On jette deux dés une fois. Calculer la probabilité d’obtenir une somme des points égale à 6 sachant que les
nombres amenés par les deux dés sont différents.

………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………..

2
Remarque

P( A  B )
P( A / B )   P( A  B )  P( A / B )  P( B ) = P(B/A)  P(A)
P( B )

Cette formule s’appelle formule des probabilités composées

5. Le Théorème des probabilités Totales et le théorème de Bayes

Définition 5-1 Soit  un espace fondamental. Les événements A1, A2,........An forment une partition ou un système
complet de l’ensemble fondamental  ssi on a :

o Ai  Aj    i et j
n
o  Ai  
i 1

Considérons l’événement B   , les événements ( A1  B ) , ( A2  B ) , ( A3  B ) ;... ( An  B ) forment aussi un

système complet de B car :

( Ai  B )  ( A j  B )    i , j

n
( Ai  B )  B
i 1

On a alors :

n n
P( B )   P(Ai  B )   P(B/Ai )  P( Ai )
i 1 i 1

Ce résultat est le théorème des probabilités totales

Exemple 5 Deux entreprises se partagent le marché d’un bien la part de la première entreprise est 2/3. La fiabilité
(probabilité qu’il soit un bon produit) d’un produit offert par la première entreprise est p1=0.95, celle de la
deuxième entreprise est p2=0.9. On achète un produit, quelle est la probabilité qu’il soit fiable?

………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………

Le Théorème de BAYES
Le théorème de Bayes est une conséquence du théorème de probabilité totale.

Théorème Soit  un espace fondamental. Soient A1, A2,........An ou système complet de  . Pour tout événement B
  on a :

3
 P( B / Ai )  P( Ai )
P( Ai / B )  n
i = 1,2.....n
 P( B / Aj )  P( Aj )
j 1

Exemple Reprenons l’exemple 4-2, on achète un produit fiable, quelle est la probabilité qu’il soit fabriqué par la
première entreprise?

………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………..

6. Indépendance stochastique
Deux événements A et B de probabilité non nulles sont stochastiquement indépendants si la réalisation de B
n’affecte pas la probabilité de A.

Donc deux événements A et B de probabilités non nulles sont stochastiquement indépendants ssi

P( A  B )  P( A )  P( B )

Remarque Si A et B sont indépendants, alors les événements :

 A et B 

 A et B  sont indépendants
 A et B 


Exemple 6 : A et B sont deux événements indépendants tels que P(A)=0.3 et P(B)=0.6. Calculer les probabilités
suivantes: P( A  B ) et P( A / B ) .

………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………

Evénements mutuellement indépendants

Les événements A1 , A2 ,....An sont mutuellement indépendants ssi:

o ils sont indépendants deux à deux.

o P( A1  A2  ......An )  P( A1 )  P( A2 )  ......P( An )

4
 7. Les variables aléatoires, espérance, variance

Une variable aléatoire est une quantité numérique dont les valeurs observées sont déterminées par des
mécanismes aléatoires. Exemple la somme obtenue lors de la lancée de deux dés est une variable aléatoire.

Définition : Variable aléatoire

On définit une variable aléatoire en associant un nombre réel à chaque éventualité d'une expérience aléatoire.
Une variable aléatoire X est donc une application de  dans IR.

Exemple 7.1 : si on lance deux dés, l’univers des possibles,  est le suivant :

( 1,1 ) (1,2)(1,3)..................(1,6)
(2,1)(2,2)(2,3)..................(2,6)
 
(3,1)(3,2)(3,3)...................(3,6)
 36 couples
. 
. 
 
(6,1)(6,2)(6,3)..................(6,6)

La somme des points obtenue sur les deux dés est une variable aléatoire X telle que :

X :   X (  ) = {2, 3,......12}

Exemple 7.2 : On lance deux pièces de monnaie. Soit X le nombre de piles obtenus lors du lancer de deux pièces.
L’ensemble des valeurs possibles pour X est {0,1,2}. X est une variable aléatoire telle que :

X :   X (  ) = {0,1,2} Ω = {(P, P), (P, F), (F, P), (F, F)}.

7.1 Variables aléatoires discrètes

Une variable aléatoire X de  dans IR est dite discrète si l’ensemble d’arrivé X(  ) est fini ou dénombrable. La
somme obtenue sur les deux dés est une variable aléatoire discrète car X(  )={2; 3; 4...12}

La Loi de probabilité
Soit une variable aléatoire discrète, X, on appelle loi de probabilité de X ou distribution de X, l’application associant à
chaque valeur de X, sa probabilité.

f : X (  )  [ 0,1]
x  f(x)= P(X = x)

Propriété de f

 f ( x) 1
xX (  )

De même toute fonction positive de A (une partie dénombrable de IR) dans IR et qui vérifie  f ( x )  1 est une loi
x A
de probabilité d’une variable aléatoire discrète.

5
Exemple : Reprenons l’exemple la somme des points obtenue lorsqu’on lance deux dés, la loi de probabilité est :

x
f ( x )  P( X  x )

La Fonction de répartition
Soit une variable aléatoire X. On appelle fonction de répartition de X la fonction F, telle que :

F ( x )  P( X  x )  x  IR
x
F( x )   f(x)
k 

Propriétés de F La fonction de répartition possède les propriétés suivantes :

 F est une fonction croissante.

 lim F ( x )  0
x
 lim F ( x )  1
x
De même toute fonction de IR dans [0,1] vérifiant ces deux propriétés est une fonction de répartition.

Exemple 7-1 Le nombre de pannes journalières d’une machine est une variable aléatoire X dont la loi de probabilité
est la suivante:

x 0 1 2 3

f(x) 1/8 P P 1/8

F( x )

1. Déterminer p sachant P(X = 1) = P(X = 2)

2. Déterminer la fonction de répartition de X.
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………

Les moments d’une variable discrète

Espérance mathématique

Définition Soit X une variable aléatoire discrète, soit X(  ) = { x0 , x1, ........., xn } .On appelle espérance
mathématique de X, notée E(X), la quantité suivante:
n
E ( X )   xi f ( xi )
i 0

E( X ) est la valeur de X en moyenne si l'on répète un grand nombre de fois la même expérience aléatoire.

6
Exemple : Calculer pour l’exemple 7-1 E(X).

………………………………………………………………………………………………………………………………………………………………………………………………………
…………………………………………………………………………………………………………………………………………………………………………………..

Propriétés de l’espérance

 Linéarité : E( X  Y )  E( X )  E( Y )
 Cas de deux variables aléatoires X et Y indépendantes : E( XY )  E( X )  E( Y )
 Soient a et b deux réels a  0 on a : E(aX + b) = aE(X)+ b

Variance et écart-type

Définition On appelle
variance, notée V(X) la
n
quantité positive suivante :
V ( X )  E ( X  E ( X ))2   ( xi  E ( X ))2 f ( xi )
i 0
2 2
= E(X ) - [E(X)] Formule de Koenig

On appelle écart-type noté (X ) le nombre réel positif suivant :

( X )  V ( X )

Propriétés de la variance :

 V (aX  b)  a 2V ( X )  (aX  b)  a  ( X )
 Si X et Y sont indépendantes on a alors: V(X + Y) = V(X) + V(Y)

Exemple

1. Calculer pour l’exemple 7-1 la variance ainsi que l’écart-type de X.

1
2. Soit 𝑌 = − 2 𝑋 + 1, calculer 𝑉(𝑌)

x 0 1 2 3

f (x) 1/8 3/8 3/8 1/8

………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………..

Les moments de fonctions de variable aléatoire

Soit une variable aléatoire discrète X de  dans IR et soit g une fonction quelconque de IR dans IR, g(X) est aussi
une variable aléatoire discrète, elle admet pour espérance :

7
 E(g(X))=  g( xi ) f ( xi )
i

Applications

E( X n )   xi n f ( xi )dx
i
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………

7.2 Exemples de variables aléatoires discrètes (les lois usuelles)

Certains modèles de variables aléatoires discrètes sont souvent utilisés en pratique pour modéliser les phénomènes
réels qui dépendent du hasard. Parmi ces variables aléatoires on trouve :

La loi Bernoulli
A une expérience aléatoire qui n’a que deux alternatives, S (le succès) et S (l’échec), on associe variable aléatoire X
prend les valeurs 1 lorsque S est réalisé et 0 lorsque S n’est pas réalisé.

X 0 1

P(X  x) q  1- p p

Définition

On dit qu’une VA X suit une la loi de Bernoulli de Paramètre p et on note X  B( 1, p) , si X (  )  0 ,1

P( X  k )  p k ( 1  p )1k k  0,1

Caractéristiques

E( X )  p

V ( X )  p( 1  p )

Exemple On tire une boule dans une urne contenant 10 boules noires et 20 boules blanches. On considère la
variable aléatoire X qui prend la valeur 1 si la boule tirée est noire; 0 sinon. Quelle le loi de X ?

……………………………………………………………………………………………………………………………………………………………………………………

Exemple Lors du lancer d’une pièce de monnaie équilibrée, on considère X la variable aléatoire valant 1 si on obtient
pile et 0 si on obtient face. La variable aléatoire X suit-elle une loi de Bernoulli ? Si oui, de quel paramètre ?

………………………………………………………………………………………………………………………………………………………………………………………………………..

La loi Binomiale
Modèle de la loi Binomiale

 L’expérience est une série de n tirages identiques et indépendants.

 Deux événements sont possibles à chaque tirage. L’un est dit succès, l’autre échec.
 La probabilité de succès, notée p, ne modifie pas d’un tirage à l’autre.
8
  La variable aléatoire X est le nombre de succès après n tirages.

Définition

On dit qu’une VA X suit une loi binomiale de paramètre n et p, noté X  B( n , p ) , si X (  )  0,1,2,3,..n

P( X  k )  C nk p k ( 1  p )nk

Théorème fondamental

Une loi binomiale de paramètres (n, p) est la somme de n variables aléatoires indépendante Bernoulli de paramètre
p.

Caractéristiques

E( X )  np

V ( X )  np( 1  p )

Exemple Considérons l’expérience qui consiste à lancer un dé, l’issue de l’expérience étant l’apparition ou non du
chiffre 6. L’expérience est répétée 12 fois.

1- Préciser la loi de probabilité de la variable aléatoire X égale au nombre de fois où le chiffre 6 est apparu au
cours des 12 fois.
2- Quelle est la probabilité que le chiffre 6 apparaît une seule fois au cours des 12 fois ?
3- Calculer E(X) et l’écart type de X.
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
…………………………………………………………………………………………………………………………………………………………………………………………………….

Remarque

La somme de deux v.a. indépendantes suivant les lois binomiales 𝐵(𝑚, 𝑝) et 𝐵(𝑛, 𝑝) suit la loi binomiale 𝐵(𝑚 + 𝑛,
𝑝).

La loi de Poisson
La variable aléatoire de Poisson est une variable aléatoire discrète qui caractérise le nombre d'événements survenus
par unité de temps ou d'espace dans le cas où ces événements se produisent de manière indépendante et aléatoire
dans le temps ou dans l'espace. La distribution de Poisson peut s'appliquer dans des problèmes de gestion (file
d'attente, centrales téléphoniques : événement aléatoire dans le temps), en écologie (nombre de moules par mètres
carrés), en biologie clinique (nombre de globules blancs par ml).

Définition

On dit qu’une VA X suit une loi de Poisson de paramètre  et on note X  P(  ) , si

X(  )  N

k
P( X  k )  e  avec   0 k!= k × (k - 1)···×2× 1.
k!

9
Caractéristiques

E( X )  V ( X )  

Exemple Dans un guichet de banque, le nombre moyen de clients qui arrivent pendant 15 minutes est égal à 3.
Sachant que le nombre d’arrivée suit une loi de Poisson, déterminer les probabilités suivantes :

1- la probabilité d’avoir plus de 2 clients pendant 15 minutes.

2- La probabilité de recevoir au moins un client.
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………..

Approximation de la loi binomiale par une loi de Poisson

On démontre que si n tend l’infini et si p tend vers 0 ( n  50 p  0.1 ). La loi binomiale tend vers une loi de poisson
de paramètre (   n p ).

Exemple : une usine fabrique des lampe ; le taux des lampes défectueuse est 2%. Quelle est la probabilité que dans
un lot de 100 lampes, 8 soient défectueuses ?

………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………

Remarque : La somme de deux v.a. indépendantes suivant les lois de Poisson 𝑃(𝜆) et 𝑃(µ) suit la loi de Poisson

𝑃(𝜆 + µ).

La loi Géométrique
Soit une expérience Bernoulli où probabilité de succès est p. on réalise une série de tirages successif jusqu’à
l’obtention d’un succès. le nombre d’essais avant le premier succès, X, suit une loi Géométrique.

Définition On dit qu’une VA X suit une loi géométrique de paramètre p, si

X (  )  1,2 ,3,..n ,...... 

P( X  k )  ( 1  p )k 1 p

10
Caractéristiques

1
E( X ) 
p

(1  p )
V( X ) 
p2

Exemple On lance un dé, on considère la variable aléatoire X associée au nombre de lancés jusqu'à l’obtention du
chiffre 6 pour la première fois.

1- Quelle est la loi de X ?

2- Déterminer la fonction de densité de X, E ( X ) et V (X ) .
3- Calculer la probabilité d’obtenir le chiffre 6 pour la première fois au 3ème lancé.
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………………………

7.3 Variables aléatoires continues

Définition : Une variable aléatoire X est dite continue si sa fonction de répartition F ( x )  P( X  x ) est continue sur
IR.

La Fonction de densité
Soit X une variable aléatoire continue ayant une fonction de répartition F(x), on appelle fonction de densité
ou densité de probabilité de la variable X, notée d.d.p, la fonction suivante : ( f (x) =fonction de densité = densité de
probabilité = d.d.p)

F ( x )
f(x)
x

Propriétés de la fonction de densité

  x  IR, f(x)  0
 f(x) est continue sur IR, sauf peut être pour un nombre fini de points où la continuité n’est pas vérifiée.

  f ( x ) dx  1


Exemple 7.3 : Soit X une variable aléatoire de fonction de densité:

1
 4 si 0 < x  2

f ( x )  cx si 2 < x  4
0 sinon



1- Déterminer la constante c.

11
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………

La Fonction de répartition
Soit une variable aléatoire continue X. On appelle fonction de répartition de X la fonction F, telle que :

F ( x)  P( X  x)  x  IR
x
F ( x)   f (t )dt


La fonction de répartition possède les mêmes Propriétés que le cas discret.

 F est une fonction croissante.

 lim F ( x )  0
x
 lim F ( x )  1
x
 P( X  a )  1  F ( a )

Dans le cas d’une variable continue, on a :

 x P(X  x)  0 par conséquent :

P(a < X < b)= P(a  X < b)= P(a  X  b)= P(a  X  b)
 = F(b) - F(a)

Les moments d’une variable aléatoire continue

L’Espérance mathématique
Soit X une variable continue, f sa densité de probabilité. On appelle espérance mathématique de X, notée E(X), le
nombre :

E( X )   x. f ( x )dx


Si cette intégrale n’est pas convergente X n’admet pas une espérance.

12
Propriétés de l’espérance

 Linéarité : E( X  Y )  E( X )  E( Y )
 Cas de deux variables aléatoires X et Y indépendantes : E( XY )  E( X )  E( Y )
 Soient a et b deux réels a  0 on a : E(aX + b) = aE(X)+ b

Exemple 7.4 Soit une variable aléatoire X définie par la fonction de densité suivante :

3
 ( 1  x ) si - 1  x  1
2
f ( x )  4
0 sinon

1. Déterminer l'espérance de X.
2. Soit Y  2 X  1 ; calculer E(Y).
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………….………………………………………………………………………………………………………………………..

Variance et écart-type
On appelle variance de X, noté 𝑉(𝑋), la quantité positive suivante:

V (X )   ( x  E ( X )) . f ( x)dx  E ( X 2 )  E ( X )2
2




avec E ( X 2 )  x
2
. f ( x) dx


On appelle écart-type de X, noté  ( X ) le réel positif suivant:

( X )  V ( X )

Propriétés de la variance :

 Soient a et b deux réels a  0 on a : V (aX  b)  a 2V ( X )  (aX  b)  a  ( X )

 Si X et Y sont indépendantes on a alors: V(X + Y) = V(X) + V(Y)

Exemple : Reprenons l’exemple 7.4. Soit une variable aléatoire X définie par la fonction de densité suivante :

3
 (1  x ) si - 1  x  1
2
f ( x)   4

0 sinon

1. Calculer la variance

13
 1
2. Soit Y   X  1 , calculer V(Y)
2
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………………………………

Le quantile d’une variable aléatoire continue

Soit une variable aléatoire X de fonction de densité f ( x ) et de fonction de répartition F(x). Soit 0    1 . On
appelle quantile d’ordre  de X, le nombre q  tel que :

F ( q )  P( X  q )  

Exemple soit une variable aléatoire X qui a la fonction de répartition suivante:


0 si x < 0
F( x )   x

1 - e si x  0

Déterminer le quantile d’ordre 0.4

……………………………………………………………………………………………………………………………………………………………………………………
…………………………………………………………………………………………………………………………………………………………………………………

7.4 Exemples de variables aléatoires continues (les lois usuelles continues)

La loi Uniforme continue

Cette loi caractérise les phénomènes continus uniformément repartis dans un intervalle, souvent il s’agit d’un
intervalle de temps

Fonction de densité

On dit qu’une VA X suit une loi uniforme sur un intervalle [a, b] et on note X  U ([ a ,b ]) , si elle admet pour d.d.p la
fonction suivante :

 1
 si x  [a,b]
f ( x )  b  a
0 sinon

Fonction de répartition

Si X une VA et X  U ([ a ,b ]) , alors sa fonction de répartition F est la suivante :

0 si x  a
x  a

F ( x )  P( X  x )   si x  [a,b]
b  a
1 si x  b

14
Caractéristiques

ab ( b  a )2
E( X )  V( X ) 
2 12

Exemple M Mohammed et M Ali se donnent rendez-vous entre 12h et 14h. Proche du lieu fixé, M Mohammed
arrivera assurément à 12h30. Quant à M Ali son arrivée dépend des conditions de circulation routière : il arrivera
entre 12h et 13h.

1) Quelle est la loi de probabilité suivie par la variable aléatoire donnant l’heure d’arrivée de M Ali?

2) Calculer la probabilité que M Mohammed arrive avant M Ali.

……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………..

La loi Exponentielle

Le temps qui s’écroule entre deux événements peut être mesuré en termes de probabilité par une loi exponentielle.
Exemple, le délai d’apparition d’une maladie contagieuse après un contact avec un malade.

Fonction de densité

On dit qu’une VA X suit une loi exponentielle si elle admet pour d.d.p la fonction suivante :

e - x si x  0,   0

f(x) 

0 si x  0

Fonction de répartition

Si X suit une loi exponentielle, alors sa fonction de répartition F est la suivante :

1 - e - x si x  0

F ( x )  P( X  x )  

0 si x  0

Caractéristiques

1
E (X ) 


1
V( X ) 
2
15
Exemple La durée de vie, exprimée en années, d’un circuit électronique est une variable aléatoire T dont la fonction
de répartition F est définie de la façon suivante :

 t
1 - e - 2 si t  0
F( t )  
0 si t  0

1-
donner la fonction de densité de T et indiquer le nom de cette loi.
2-
Calculer son espérance mathématique E(T).
3-
Sachant que le circuit a déjà fonctionné durant un an, quelle est la probabilité qu’il continue à fonctionner
encore durant au moins deux ans ?
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………………………………………

La loi normale (De Laplace Gauss)

Cette loi est très importante et très utilisée en statistique et en probabilité. Elle a permis d’établir d’autres lois
(Fisher, khi Deux) et de construire des différents tests statistiques.

Fonction de densité

On dit que X est distribuée selon une loi normale de paramètres  ,  2 et on note X  N (  ,  2 ) si sa fonction de
densité est la suivante :
2
1  x  
  
1
f ( x)  e 2    x  IR Avec   0
 2

Présentation de loi normale:

Propriétés :

 cette fonction est symétrique par rapport à  .

Caractéristiques :

16
X est une VA suivant une loi normale de paramètre  et  2 ; X  N , 2 , on a :  
EX   

V X    2

Propriétés

 Transformation linéaire

   
Si X  N , 2 , alors Y  aX  b  N a  b , a 2  2 , ( a , b  IR et a  0 )

Exemples X  N (1,4) alors Y  2 X  …………………………………………………………….

X 1
X  N (1,4) alors Y   ……………………………………………………………
2

X 2
X  N (2 ; 0.09) alors Y  ………………………………………………..
0.3

 Stabilité par l’addition


X 1  N 1 ,12 ,X 2   
 N  2 ,  2 2 et X 1 et X 2 sont indépendantes alors X 1  X 2  N 1   2 , 12   22 
Exemples X 1  N (1,4) et X 2  N (0,1) et X 1 et X 2 sont indépendantes alors

X1  X 2  ………………………………………………………………………………………

X 1  N (0, 0.09) et X 2  N (1, 0.04) et X 1 et X 2 sont indépendantes alors

X1  2X 2  …………………………………………………………………………………….

 La loi normale centrée réduite

 
Soit X  N , 2 , alors Z 
X 

 N (0,1) est dite distribuée selon une loi centrée réduite de densité

1
1  z2
fZ ( z )  e 2  z  IR
2

Cette loi facilite le calcul des probabilités.

  0.5 si z0

P( Z  z )   0.5 si z0
 0.5 z0
 si
17
Propriétés :Puisque cette fonction est symétrique par rapport à zéro :

 P( Z  a )  1  P( Z  a )

 P( a  Z  a )  2 P( Z  a )  1

 Tables de la loi normale centrée réduite

Soit Z N(0,1). Ces tables permettent de calculer P( Z  z ) avec z connu.

Exemple

Calculer P( Z  1,64 ) …………………………………………………………………………..

P( Z  1,96 ) ……………………………………………………………………………….

P( Z  1,96 ) ………………………………………………………………………………

P( 1,96  Z  1,96 ) …………………………………………………………………………………………………………………………………

Remarque : Cas d’une loi normale avec   0 et 2  1

 
Soit XN , 2 où   0 et 2  1 , dans ce cas P(X<x) ne peut pas être lue sur le tableau, il faut centrer et réduire
X 
la variable X, en posant Z  .


 
 
 X   x     P(Z  z)
Soit P( X  x)  
     
 Z  N (0;1) 
 z 

Exemples

Soit 𝑋  𝑁 (1,4), calculer :

 𝑃(𝑋 < 1,5) ………………………………………………………………………………………

18
  𝑃(𝑋 < 1) …………………………………………………………………………………………

Soit X  N (-0,5 ; 1.44), calculer :

 𝑃(𝑋 < −2,5) ……………………………………………………………………………………...

8. La loi faible des grands nombres

Soit une suite de variables aléatoires (v.a) indépendantes (comme le sexe des nouveau-nés, par exemple) X1, X2, …,

On considère qu’elles doivent être identiquement distribuées. L’espérance de chacune d’elles est m (nombre fini). La
variance de chaque v.a est elle aussi finie. Sous ces conditions, l’espérance de la suite de v.a Xi converge en
probabilité vers m.

Soit une population décrite par une v.a X, de loi de probabilité quelconque. On tire aléatoirement un échantillon de
taille n. Nous avons donc une suite de v.a : X1, X2, …, Xn. Chacune d’elles a pour espérance m et pour variance σ². Soit
La moyenne de la suite de variables aléatoires est :

1 n
Xn   Xi
n i 1

Quelle est l’espérance de X n ?

1  n  1 1
E( X n )  E   X i    E( X i )  n  m  m
n  i 1  n i n

Quelle est la variance de X n ?

n
1 1  
V ( X n )  V ( X i )  2 V   X i 
i 1 n n  i 
en raison de la propriété de la variance en cas transformation affine d’une v.a. on a :

1 n  2 2
V (X n ) 
n2
V ( X i )  n2

n
i

Proposition : l’inégalité de Bienaymé-Tchebychev, où pour tout a est un réel positif. On a :

2
P X  E  X   a  
a2

Définition. Soit (Xn) n ≥ 1 une suite de variables aléatoires. On dit que la suite (Xn) converge en probabilité vers la
variable aléatoire X si : ∀ ε > 0, 𝑙𝑖𝑚 𝑛 → +∞ 𝑃[|𝑋 − 𝑋𝑛| > 𝜀] = 0

Reprenons l’inégalité de Bienaymé-Tchebychev, Modifions deux éléments : nous remplaçons X par l’espérance
de Xn (les deux membres de l’inégalité sont divisés par n) et nous renommons ε notre nombre a, ceci afin d'indiquer
qu’il peut être choisi aussi petit que possible.


P X n  E X n      V X2 n 


En se servant des égalités précédentes…

19
 
P Xn  m    2
n  2

Comme n est infini, la limite de cette probabilité tend vers 0.

 
P X n  m    0 qd n   en d’autres termes, plus le nombre d’expériences aléatoires indépendantes
augmente, plus élevée est la probabilité que la moyenne de nos valeurs observées soit proche de l’espérance
théorique.

Exemple 8.1 on réalise un grand nombre (n) de lancers de la même pièce de monnaie, quelle sera la proportion de
piles que l’on devrait obtenir ?

on a une suite de v.a : X1, X2, …, Xn. où Xi suit une loi de Bernoulli de paramètre 1/2.

Les Xi ayant toutes la même loi de probabilité donnée par P(Xi =1)=1/2, P(Xi =0)=1/2, où 1 symbolise pile et 0
1
symbolise face. E ( X i )  p 
2

  1
  X i   B(n; ) est le nombre de pile obtenu au cours des n lancers.
  2
 i 

1 n
Xn   X i est la proportion des piles au cours des n lancers.
n i 1

D’après le théorème de La loi faible des grands nombres, la proportion des piles X n tend vers E(Xi ) = p = 1/2

9. Théorème central-limite (TCL)

Soit une suite de v.a X1, X2, …, Xn indépendantes et de même loi (donc de même espérance m et de même écart-
type σ).

𝑋1 + 𝑋2 … + 𝑋𝑛
∀ 𝑛 ∈ 𝐼𝑁 ∗ , 𝑋̅𝑛 =
𝑛

1 n 2 ̅̅̅̅
 i ∼ N(m, n )
𝑋𝑛 −𝑚
Xn  X ou encore 𝑌𝑛 = 𝜎 ~𝑁(0; 1)
n i 1 ⁄√𝑛

La variable aléatoire Y converge en loi vers la loi normale centrée réduite.

Mathématiquement, Y converge à l’infini mais en pratique on admet qu’à compter d’un échantillon de trente
moyennes la loi normale peut être utilisée, comme le TCL nous y invite…

Note : il revient au même de noter le TCL ainsi :

n
(pour n → ∞)  Xi ∼ N(𝑛𝑚, 𝑛𝜎 2 ) ou encore
i 1

Exemple On lance 50 fois une pièce équilibrée. Quelle est la probabilité que le nombre de piles obtenus soit compris
entre 22 et 28.
20
 1 1 1
X i  B( )  E ( X i )  p  et V(Xi )  p  (1  p) 
2 2 4
n
le nombre de pile   X i
i 1

n
1 1
d ' après le TCL  X i  N (n  2 ; n  4 )  N (25; 12.5)
i 1

22−25 ∑𝑛
𝑖=1 𝑋𝑖 −25 28−25
𝑃 (22 < ∑𝑛𝑖=1 𝑋𝑖 < 30) = 𝑃 ( < < ) = 𝑃(−0.85 < 𝑍 < +0.85) = 2 × 𝑃(𝑍 < 0.85) − 1
√12.5 √12.5 √12.5

= 2 × 0.80 − 1 = 0.6

Remarque : Approximations par la loi normale

n
On sait également que  X i  Bn  p; n  p  (1  p ) 
i 1

on a donc Bn  p; n  p  (1  p)  ~𝑁 n  p; n  p  (1  p )  pour n ≥ 30 ; np ≥ 5 n(1 − p) ≥ 5

Le TCL permet aussi de montrer qu’au-delà d’un certain effectif, la plupart des lois peuvent être approchées par une
loi normale sous condition d'indépendance.

21
Table de la fonction de répartition de la loi normale centré réduite

22