Académique Documents
Professionnel Documents
Culture Documents
COURS DE PROBABILITÉS
et
STATISTIQUE
SEMESTRE 4
1 GÉNÉRALITÉS 1
I Dénombrement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
II Probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
II.1 Évènements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
II.2 Probabilités d’événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
II.3 Conditionnement et indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4 LOIS CONTINUES 17
I Généralités sur les lois continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
II Lois normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
II.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
II.2 La loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
III Lois exponentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5 STATISTIQUE INFERENTIELLE 27
I Distribution d’échantillonnage des moyennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
I.2 Distribution d’échantillonnage dans le cas d’une distribution normale dans la population 28
I.3 Cas d’une distribution quelconque dans la population . . . . . . . . . . . . . . . . . . . 28
II Estimation d’une moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
II.1 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
II.2 Estimation par intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
III Test d’hypothèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6 FIABILITÉ 33
2
TABLE DES MATIÈRES 3
GÉNÉRALITÉS
I Dénombrement
Définition 1 : Soit E un ensemble fini.
Le cardinal de E, noté card (E), est le nombre d’éléments de E.
Exercice 1.1 On prélève successivement et sans remise deux boules dans une urne contenant 3 boules rouges,
2 boules vertes et une boule noire.
1. Dénombrer les tirages avec une boule rouge puis une boule verte.
2. Dénombrer les tirages avec une boule rouge et une boule verte.
1
2 CHAPITRE 1. GÉNÉRALITÉS
Remarque 1 : On parle aussi de combinaisons de p éléments d’un ensemble à n éléments noté parfois Cnp .
Exercice 1.2 On prélève simultanément trois boules dans une urne contenant 4 boules rouges, 3 boules
vertes et une boule noire.
1. Dénombrer les tirages avec deux boules rouges et une boule verte.
2. Dénombrer les tirages avec une boule de chaque couleur.
Remarque 2 :
n n n n
=1 ; =1 ; =n ; = n.
0 n 1 n−1
n n
Plus généralement : = .
p n−p
II Probabilités
II.1 Évènements
Définition 2 : Une expérience dont on ne peut prévoir le résultat à l’avance est appelée expérience
aléatoire.
Lors d’une expérience aléatoire, chaque résultat possible est appelé une issue.
L’ensemble de tous les résultats possibles de cette expérience aléatoire est appelé univers noté Ω.
Toute partie de l’univers est appelée un événement. Ω est appelé “ événement certain ” ; ∅ est appelé
“ événement impossible ”.
Définition 3 : Deux événements A et B qui n’ont aucune éventualité commune sont incompatibles (les
ensembles étant disjoints). On a donc : A ∩ B = ∅.
Propriété 2 : La probabilité d’un événement A est la somme des probabilités des événements
élémentaires de A.
Exercice 1.3 On fait tourner une roue de loterie dont les numéros sont 1 ; 2 ; 3 ; 4 ; 5 ; 6.
On note pi la probabilité de l’événement {i}. On suppose que : p1 = p6 = 0,2 ; p5 = 0,3 et p2 = p3 = p4 .
Calculer la probabilité de l’événement A : “ on obtient un nombre pair ”.
Définition 6 : On dit qu’il y a équiprobabilité lorsque les probabilités de tous les événements
élémentaires sont égales.
Exercice 1.4 On lance deux dés non truqués. Calculer la probabilité des événements
A : ”on obtient un double 6” et B : ”on obtient une somme égale à 5”.
4 CHAPITRE 1. GÉNÉRALITÉS
P (A ∩ B)
PB (A) = .
P (B)
Exercice 1.5 Une célèbre marque produit des objets de très bonne qualité, avec une probabilité de panne de
0,01.
Malheureusement, des contrefaçons de mauvaise qualité ont été mises sur le marché et elles occupent 20 %
du marché. Ces contrefaçons ont une probabilité de panne de 0,1.
1. Si on achète cet objet, quelle est la probabilité qu’il ne fonctionne pas ?
2. Si on achète un produit défectueux, quelle est la probabilité qu’il s’agisse d’une contrefaçon ?
VARIABLES ALÉATOIRES
DISCRÈTES
On constate que la variable X permet d’effectuer un transfert de loi de probabilité de Ω sur le nouvel ensemble
d’issues {-3 ; 0 ; 3 ; 6}.
Définition 9 : Une variable aléatoire discrète X est une application de Ω → R qui prend les valeurs
isolées x1 , x2 , · · · .
Remarque 4 :
P
1. P(X = xi ) = 1.
i
5
6 CHAPITRE 2. VARIABLES ALÉATOIRES DISCRÈTES
2. La loi de probabilité d’une variable aléatoire discrète est donnée soit par la liste des probabilités (présentées
dans un tableau), soit par une formule.
Définition 11 : Soit X une variable aléatoire discrète. La fonction de répartition de X est la fonction
notée FX définie par
FX (x) = P(X ≤ x)
Remarque 5 :
• Lorsque X prend une infinité
P de valeurs, l’espérance d’une variable aléatoire est définie sous réserve de
convergence de la série xi P(X = xi ).
i
• E (X) est donc la moyenne des valeurs xi pondérées par les probabilités P(X = xi ).
Exercice 2.3 Calculer E X 2 en reprenant l’exemple précédent :
E (aX + b) = aE(X) + b
En effet :
Remarque 6 :
• Lorsque X prend une infinité
P 2 de valeurs, la variance d’une variable aléatoire est définie sous réserve de
convergence de la série xi P(X = xi ).
i
V (aX + b) = a2 V (X)
et
σ (aX + b) = |a| σ (X)
En effet :
1 2 3 4 5
X
Y
1 1 0 0 0 0
2 0 0 0 1 0
3 3 3 2 2 2
4 0 1 3 1 1
P(xi ; yj ) = P ((X = xi ) ∩ (Y = yj )) .
Remarque 7 : X
P ((X = xi ) ∩ (Y = yj )) = 1
i,j
III. COUPLES DE VARIABLES ALÉATOIRES 9
Exercice 2.5 Déterminer la loi conjointe du couple (X; Y ) en reprenant les données précédentes.
(On pourra compléter le tableau ci-dessous en faisant figurer des probabilités).
1 2 3 4 5
X
Y
1
2
3
4
Exercice 2.6 En utilisant toujours le même exemple, on souhaite déterminer les lois marginales c’est-à-dire
les lois de X et Y .
1 2 3 4 5 Loi marginale de
X
Y
1 0,05 0 0 0 0
2 0 0 0 0,05 0
3 0,15 0,15 0,1 0,1 0,1
4 0 0,05 0,15 0,05 0,05
Loi marginale
de
V (X + Y ) = V (X) + V (Y )
Chapitre 3
I Lois de Bernoulli
I.1 Généralités
Exercice 3.1 On considère un jeu de cartes et on note X la variable aléatoire égale à 1 si la carte tirée est
un “ pique ”, à 0 sinon. Déterminer la loi de X, son espérance et sa variance.
E (X) = p et V (X) = p (1 − p) = pq
En effet :
11
12 CHAPITRE 3. LOIS USUELLES DISCRÈTES
II Lois Binomiales
II.1 Généralités
Définition 18 : Supposons que l’on répète n fois, dans des conditions identiques et indépendantes, une
expérience aléatoire dont l’issue est :
• soit un succès (noté S) avec la probabilité p ;
• soit un échec (noté E) avec la probabilité q = 1 − p.
On note X la variable aléatoire égale au nombre de succès obtenus lors de ces n expériences.
On dit que X est distribuée suivant la loi binomiale de paramètres n et p notée B(n, p).
Remarque 9 :
1. X prend les valeurs de J0; nK.
2. Lorsque les n tirages s’effectuent dans une population contenant un grand nombre N d’individus tel que
N > 10n (c’est-à-dire dès que la population est 10 fois plus grande que l’échantillon), les tirages pourront
être assimilés à des tirages avec remise.
De plus, pour chaque expérience, le résultat est 1 avec la probabilité p ou 0 avec la probabilité 1 − p.
A chaque expérience numérotée i tel que i ∈ J1; nK, on peut donc associer une variable de Bernoulli Xi de
paramètre p telle que :
Xn
X= Xi
i=1
On a vu que les résultats sont indépendants les uns des autres ce qui permet de dire que les variables Xi sont
(mutuellement) indépendantes. On a donc le théorème suivant :
Théorème 2 : X suivant la loi binomiale B(n, p) est la somme de n variables de Bernoulli indépendantes
et de même paramètre p.
Ainsi : pk = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(il y a k fois ”1” et (n − k) fois ”0”)
En dénombrant les façons de choisir les positions des k succès parmi les n places disponibles, on obtient :
P (X = k) = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Exercice 3.2 Sur la première période de la saison 2019-2020, Neymar a marqué 1 but lors de 6 des 8 matchs
de Ligue 1 auxquels il a participé.
On convient que la probabilité qu’il marque (au moins) un but lors d’un match est égale à 0,75. On note X la
variable aléatoire prenant pour valeurs le nombre de matchs durant lesquels Neymar marque (au moins) un
but lors des 10 prochains matchs.
1. Déterminer la loi de probabilité de X
2. (a) Quelle est la probabilité que Neymar marque à chaque match ?
(b) Quelle est la probabilité que Neymar marque lors de 5 matchs exactement ?
(c) Quelle est la probabilité que Neymar marque au moins un but ?
14 CHAPITRE 3. LOIS USUELLES DISCRÈTES
Démonstration :
Définition 19 : On dit qu’une variable aléatoire X est distribuée selon la loi de Poisson de paramètre
λ > 0 notée P(λ) si :
• X prend ses valeurs dans N
λk
• P (X = k) = e−λ pour tout entier naturel k.
k!
Remarque 10 : Une loi de Poisson ne correspond pas à une situation-type ; elle apparaı̂t comme modèle
décrivant certaines observations statistiques (pannes de machine, nombre de personnes passant à un guichet
dans un temps donné,. . . .) ou comme loi limite.
E (X) = λ et V (X) = λ
Démonstration :
III. LOIS DE POISSON 15
Exercice 3.4 Le service qui gère les commandes d’une entreprise a relevé pour les années passées une
moyenne de 5 erreurs pour 100 commandes.
On suppose que la variable aléatoire X qui mesure le nombre d’erreurs pour 100 commandes suit la loi de
poisson de paramètre λ.
1. Déterminer la valeur de λ.
2. Déterminer la probabilité de dénombrer pour une série de 100 commandes 3 erreurs.
3. Déterminer la probabilité de dénombrer pour une série de 100 commandes au moins 2 erreurs.
16 CHAPITRE 3. LOIS USUELLES DISCRÈTES
Chapitre 4
LOIS CONTINUES
Définition 20 : On appelle fonction densité de probabilité, toute fonction f définie sur R, telle que :
• f est continue sur R (sauf éventuellement en quelques valeurs) ;
• f est positive sur R ;
Z
+∞
• f (t) dt = 1.
−∞
3x2 si x ∈ [0; 1]
Exercice 4.1 Vérifier que la fonction f définie sur R par f (x) = est une densité de
0 sin on
probabilité.
17
18 CHAPITRE 4. LOIS CONTINUES
P (X = a) = · · ·
Ainsi, la probabilité qu’une variable aléatoire continue X prenne une valeur isolée est nulle.
On a donc : P (X < a) = P (X ≤ a) pour tout réel a.
On utilise donc indifféremment des inégalités larges ou strictes avec des variables aléatoires continues.
Propriété 13 : Soit X une variable aléatoire continue admettant F comme fonction de répartition.
• P (a ≤ X ≤ b) = F (b) − F (a) et P (X > b) = 1 − F (b).
• La fonction F est strictement croisante sur R et 0 ≤ F ≤ 1.
Explications :
I. GÉNÉRALITÉS SUR LES LOIS CONTINUES 19
Z
+∞
E(X) = t f (t) dt
−∞
Z
+∞
2
V (X) = (t − E(X)) f (t) dt
−∞
Remarque 12 :
R
+∞
• L’espérance de X n’est définie que si t f (t) dt est absolument convergente.
−∞
R 2
+∞
2
• La variance peut, elle aussi, ne pas exister. Si elle existe, on a également : V (X) = t f (t) dt−[E(X)]
−∞
soit V (X) = E X 2 − E(X)2 .
1 −1 2
Exercice 4.2 Soit X une vac de densité de probabilité f définie sur R par f (x) = √ e 2 x .
2π
1. Etudier la fonction f et la représenter.
2. Calculer l’espérance de X.
20 CHAPITRE 4. LOIS CONTINUES
II Lois normales
II.1 Généralités
Définition 23 : On dit qu’une variable aléatoire X est distribuée suivant la loi normale de paramètres
1 x−µ 2
µ et σ, noté N (µ, σ), si la densité de probabilité de X est définie sur R par f (x) = σ√12π e− 2 ( σ ) .
E(X) = µ et σ(X) = σ
X −µ
Déterminons désormais la loi de la variable U = .
σ
On admet que U est distribuée normalement. Il reste à déterminer les paramètres de la loi.
X − 1000
Exemple 1 Si X est distribuée suivant la loi N (1000; 20) alors X ⋆ = suit la loi N (0; 1).
20
II. LOIS NORMALES 21
Remarque 13 : On constate donc que tous les calculs de probabilités avec une variable normale peuvent se
ramener à des calculs avec la variable normale centrée réduite X ⋆ .
Définition 25 : La fonction de répartition de la variable normale centrée réduite est la fonction notée
Φ définie sur R par :
Zx
Φ (x) = P (U ≤ x) = f (t)dt
−∞
On suppose pour les exercices qui suivent que la variable U suit la loi normale N (0; 1).
Exercice 4.5 On suppose que X est distribuée suivant la loi normale N (100; 5).
Calculer P (X ≤ 109, 8) et P (100 ≤ X ≤ 108, 2).
Il faut cependant remarquer que la table fournie ne contient que des valeurs positives.
Il faut donc trouver une relation pour effectuer des calculs avec des valeurs négatives.
22 CHAPITRE 4. LOIS CONTINUES
Φ (−x) + Φ (x) = 1
Traduction graphique :
P (−x ≤ U ≤ x) = 2Φ (x) − 1
Démonstration :
Exercice 4.7 On suppose que X suit la loi normale N (µ, σ). Calculer P (µ − 2σ ≤ X ≤ µ − 2σ).
Exercice 4.8 On s’intéresse à la durée de vie X, exprimée en semaines, d’un composant électronique. On
modélise cette situation par une loi de probabilité P exponentielle de paramètre λ. Une étude statistique,
montrant qu’environ 50% d’un lot important de ces composants sont encore en état de marche au bout de 200
semaines, permet de poser P (0 ≤ X ≤ 200) = 0, 5.
ln 2
1. Montrer que : λ = .
200
2. Quelle est la probabilité qu’un de ces composants pris au hasard ait une durée de vie supérieure à 300
semaines ?
24 CHAPITRE 4. LOIS CONTINUES
Exercice 4.9 En reprenant l’exemple précédent, déterminer la durée de vie moyenne de ces composants.
Propriété 17 : Soit X une variable aléatoire distribuée suivant la loi exponentielle de paramètre λ et
a un réel positif. On a :
P(X < a) = 1 − e−λa
Ainsi, la fonction de répartition F d’une loi exponentielle de paramètre λ peut être définie par :
1 − e−λx si x≥0
F (x) =
0 sinon
Démonstration :
III. LOIS EXPONENTIELLES 25
Exercice 4.10 Soit X une variable aléatoire distribuée suivant la loi exponentielle de paramètre λ,
a et b étant deux réels positifs.
Déterminer P(X > a) et P(a < X < b).
Propriété 18 : Soit X une variable aléatoire distribuée suivant la loi exponentielle de paramètre λ,
s et t étant deux réels positifs. On a :
Cette formule montre que ces lois interviennent pour décrire des phénomènes “ sans vieillissement ”
ou avec “ absence de mémoire ”.
26 CHAPITRE 4. LOIS CONTINUES
Chapitre 5
STATISTIQUE INFERENTIELLE
Nous supposerons que les prélèvements sont effectués de manière aléatoire et avec remise ou peuvent être
considérés comme tels.
On considère alors des échantillons aléatoires simples (EAS).
Dans chacun des échantillons, on calcule les différents paramètres pour une variable quantitative X étudiée.
La variable aléatoire X1 prend la première valeur observée sur l’échantillon, la variable aléatoire X2 qui prend
la deuxième valeur observée sur l’échantillon, · · · et la variable aléatoire Xn prend la dernière valeur observée
sur l’échantillon.
On considère que toutes les variables aléatoires Xi sont distribuées selon la même loi que X.
De plus, les échantillons prélevés sont considérés aléatoires et simples ce qui a pour conséquence que les variables
aléatoires Xi sont mutuellement indépendantes.
X1 + X2 + X3 + ... + Xn
Définition 27 : La variable aléatoire X̄ = est appelée moyenne des
n
échantillons de taille n (ou moyenne d’échantillonnage).
Remarque 14 : Cette variable associe à tout échantillon de taille n extrait de la population la moyenne de
cet échantillon.
27
28 CHAPITRE 5. STATISTIQUE INFERENTIELLE
Théorème 5 : Soit (Xi )1≤i≤n une suite de variables indépendantes de même loi N (µ; σ). On a :
σ
X̄ ֒→ N µ; √
n
Démonstration :
Remarque 15 :
X̄ − µ
• On a : ֒→ N (0; 1).
√σ
P n
• Xi est également distribuée suivant une loi normale.
Remarque 16 :
•PEn pratique, on considère que n est assez grand lorsque n ≥ 30.
• Xi est également distribuée approximativement suivant une loi normale.
X
Exercice 5.1 On considère une variable aléatoire X distribuée suivant la loi B(n; p). On note : F = .
n
1. Justifier que, lorsque n est grand, la loi de F peut être approchée par une loi normale.
2. Déterminer les paramètres de cette loi.
II. ESTIMATION D’UNE MOYENNE 29
b = x̄
µ
P (Y − η ≤ θ ≤ Y + η) = 1 − α
Exercice 5.2 Un manufacturier d’ampoules veut connaı̂tre la durée de vie moyenne µ, en heures, des am-
poules qu’il fabrique. Il ne peut évidemment toutes les tester, donc il prélève un échantillon 100 ampoules et
obtient une durée de vie moyenne de 1100 h.
On suppose que l’écart-type σ de la population d’ampoules est de 100 h.
1. Donner une estimation ponctuelle de la durée de vie moyenne des ampoules de la production.
2. Déterminer x tel que P (−x ≤ U ≤ x) = 0, 95.
3. En déduire une estimation de la durée de vie moyenne µ des ampoules, à l’aide d’un intervalle
(symétrique en probabilité, avec un niveau de confiance de 95 %).
30 CHAPITRE 5. STATISTIQUE INFERENTIELLE
σ σ
Remarque 17 : L’intervalle x − 1, 96 √ ; x + 1, 96 √ est un intervalle de confiance de la moyenne µ au
n n
niveau de confiance 0,95.
D’une manière générale, il s’agit, à partir d’un (ou plusieurs) échantillon(s) EAS (échantillons aléatoires simples),
de prendre des décisions concernant la moyenne de la population dont est extrait l’échantillon.
Quant à la variable de décision et la loi associée, elles seront définies suivant le paramètre considéré.
Par exemple, dans le cas d’un test de conformité d’une moyenne µ, on prendra, sous réserve de validité :
σ
X̄ ֒→ N µ; √
n
Dans le cas d’un test bilatéral, on convient que la probabilité p correspond au double de celle qui aurait
été obtenue lors de la mise en place d’un test unilatéral.
4. Conclusion
Si la probabilité p associée au risque α est inférieure au seuil de signification (en général 0,05), le résultat
obtenue peut être considéré comme peu probable.
Ainsi, si H0 est vraie, la probabilité d’obtenir un résultat tel que celui observé est très faible.
On convient alors de rejeter H0 (au profit de H1 ).
Dans le cas contraire, on ne rejette pas H0 .
Si l’hypothèse H0 est rejetée alors que le seuil de signification considéré était égal à 5 %, on dit qu’on
rejette H0 de manière significative.
III. TEST D’HYPOTHÈSE 31
Exercice 5.3 On s’intéresse à la durée de vie X, exprimée en heures, d’un module d’affichage oled et on
admet que l’écart-type des durées de vie est égal à 300 h.
La datasheet de ce module signale une durée de vie moyenne de 6000 h.
Afin de valider ces informations, on prélève un échantillon aléatoire de 36 modules et on constate une durée
de vie moyenne de 5900 h.
Peut-on considérer que l’information fournie par la datasheet est erronée ?
32 CHAPITRE 5. STATISTIQUE INFERENTIELLE
Chapitre 6
FIABILITÉ
R(t) = P (T ≥ t)
F (t) = P (T ≤ t)
Remarque 19 : F (t) = P (T ≤ t) correspond à la probabilité que le dispositif soit en panne à l’instant t (durée
de vie inférieure à t).
F correspond à la fonction de répartition de T .
Pour tout t positif, on a : R(t) = 1 − F (t).
33
34 CHAPITRE 6. FIABILITÉ
II Taux de défaillance
Déterminons la probabilité qu’un système ait une défaillance entre le instants t et t + h sachant qu’il fonctionne
correctement à l’instant t. Déterminons donc
P(T ≥t) (t ≤ T ≤ t + h)
P(T ≥t) (t ≤ T ≤ t + h)
h
En faisant tendre h vers 0 (à rapprocher de la notion de vitesse instantanée), on a : On en déduit que :
R′ (t)
λ (t) = −
R(t)
Interprétation du taux de défaillance (cas d’une “ courbe en baignoire ”)
Zt
Propriété 20 : pour tout t ≥ 0, R(t) = exp − λ (x) dx.
0
III. DURÉE DE VIE MOYENNE 35
Z
+∞
E (T ) = t f (t) dt
0
Exercice 6.1 On considère un système S constitué de trois systèmes indépendants en série notés respective-
ment S1 , S2 et S3 .
On convient que le taux de défaillance du système Si est constant et égal à λi .
1. Déterminer la fonction de fiabilité Ri associée au système Si .
2. En déduire la fonction de fiabilité R associée au système S.
3. Déterminer le MTBF associé au système S.
36 CHAPITRE 6. FIABILITÉ
Propriété 21 : Dans le cas de pannes se produisant à la suite de multiples causes indépendantes entre
elles, indépendantes du temps et dont aucune n’est prépondérante, la durée de vie T d’un système suit
une loi exponentielle (de paramètre λ).
• Sa fonction de fiabilité est R(t) = e−λt .
• Son taux de défaillance est constant et égal à λ.
1
• Sa durée de vie moyenne est égale à .
λ