Vous êtes sur la page 1sur 95

16/03/2020

Probabilité et Echantillonnage

Partie I: Probabilité

EL ATTAR Abderrahim & EL HACHLOUFI Mostafa

16/03/2020 1

Probabilité et Echantillonnage

Partie I: Probabilité

Chapitre 1: Analyse Combinatoire


Chapitre 2: Calcul des Probabilités
Chapitre 3: Variables Aléatoires Discrètes
Chapitre 4: Variables Aléatoires continues

16/03/2020 Probabilité et Echantillonnage 2


16/03/2020 Echantillonnage & Estimation 2

1
16/03/2020

Probabilité et Echantillonnage

Chapitre 1
Analyse Combinatoire

16/03/2020 Probabilité et Echantillonnage 3

Chapitre 1 : Analyse combinatoire

INTRODUCTION

L’analyse combinatoire (techniques de dénombrement) permet :

 d’apprendre à compter le nombre d’éléments d’un ensemble fini;


 d’étudier des différentes manières de ranger et d'ordonner des objets (
les éléments d’un ensemble).

 Opérations ensemblistes;
 Eléments discernable et indiscernable;
 Notion de disposition (ordonnée et non ordonnée);
 Permutations, Arrangements et Combinaisons.

16/03/2020 Probabilité et Echantillonnage 4

2
16/03/2020

Chapitre 1 : Analyse combinatoire

I. OPÉRATIONS ENSEMBLISTES
I.1. Intersection de deux ensembles :

Soient A , B et C trois sous ensembles de Ω.


L’intersection de « A et B », noté A  B est l’ensemble des éléments qui
appartiennent à A et à B.
Deux ensembles sont dits incompatibles (ou disjoints) si et seulement si A  B  

On définit les opérations ensemblistes suivantes :

 Intersection de A et B est l’ensemble : A  B  x   / x  A et x  B

A B  B  A
 A  B  C  A   B  C 

16/03/2020 Probabilité et Echantillonnage 5

Chapitre 1 : Analyse combinatoire

I. OPÉRATIONS ENSEMBLISTES
I.1. Intersection de deux ensembles : Exemple

Soit Ω un ensemble : Ω = {1, 2, 3, 4, 5, 6}.


A, B et C des sous-ensembles de Ω, tels que:

A = {1, 3, 5}.
B = {1, 2, 3}.
C = {1, 6}.
1. Déterminer : A  B
2. Vérifier les propriétés suivantes :

A B  B  A
 A  B  C  A   B  C 

16/03/2020 Probabilité et Echantillonnage 6

3
16/03/2020

Chapitre 1 : Analyse combinatoire

I. OPÉRATIONS ENSEMBLISTES

I.2. Réunion de deux ensembles :

Soient A , B et C trois sous ensemble de Ω.


Le réunion de « A et B », noté A  B est l’ensemble des éléments qui
appartiennent à A ou à B.

On définit les opérations ensemblistes suivantes :

 Réunion de A et B est l’ensemble: A  B  x   / x  A ou x  B

A B  B  A
 A  B  C  A   B  C 

16/03/2020 Probabilité et Echantillonnage 7

Chapitre 1 : Analyse combinatoire

I. OPÉRATIONS ENSEMBLISTES

I.2. Réunion de deux ensembles : Exemple

Soit Ω un ensemble : Ω = {1, 2, 3, 4, 5, 6}.


A, B et C des sous-ensembles de Ω, tels que:

A = {1, 3, 5}.
B = {1, 2, 3}.
C = {1, 6}.
1. Déterminer : A  B
2. Vérifier les propriétés suivantes :

A B  B  A
 A  B  C  A   B  C 

16/03/2020 Probabilité et Echantillonnage 8

4
16/03/2020

Chapitre 1 : Analyse combinatoire

I. OPÉRATIONS ENSEMBLISTES
I.3. Complémentaire d'un ensemble :

Soit A est un sous ensemble de Ω.


Le complémentaire de A, noté A , est l’ensemble des éléments de de Ω qui
n’appartiennent pas à A.

 Complémentaire de A est l’ensemble: A  x   / x  A 


A A  

A A  

A A

16/03/2020 Probabilité et Echantillonnage 9

Chapitre 1 : Analyse combinatoire

I. OPÉRATIONS ENSEMBLISTES
I.3. Complémentaire d'un ensemble : Exemple

Soit Ω un ensemble : Ω = {1, 2, 3, 4, 5, 6}.


A un sous-ensemble de Ω, tels que:

A = {1, 3, 5}.

1. Déterminer A
2. Vérifier les propriétés suivantes :
A A  
A A  
A A

16/03/2020 Probabilité et Echantillonnage 10

5
16/03/2020

Chapitre 1 : Analyse combinatoire

I. OPÉRATIONS ENSEMBLISTES
I.4. Propriétés :

Soient A et B deux sous ensembles de Ω.

A B  B  A A  B  x  A  x  B
A  B  A  B et A B  A  B (Lois de MORGAN)

A  B  x  , x  A  x  B   A  B et B  A

16/03/2020 Probabilité et Echantillonnage 11

Chapitre 1 : Analyse combinatoire

EXERCICE 1.
Soit Ω un ensemble : Ω = {1, 2, 3, 4, 5, 6}.

A, B et C des sous-ensembles de Ω, tels que:

A = {1, 2}.
B = {1, 2, 3, 5}.
C = {6}.
1. Déterminez les sous-ensembles suivants de Ω:

A  B; A  B; A  C; ( A  B  C ).

2. Vérifier les propriétés suivantes :


A B  B  A

A  B  A  B et A B  A  B

16/03/2020 Probabilité et Echantillonnage 12

6
16/03/2020

Chapitre 1 : Analyse combinatoire

II. ELÉMENTS DISCERNABLE ET INDISCERNABLE

 Eléments discernables:
Ce sont les éléments qui sont tous différents.

Exemple 1:   a, b, c, d 

 Eléments indiscernables:
Ce sont les éléments qui ne sont pas tous distingués.

Exemple 2 :   a, a, a, b, b, c, c, c, c, d , d 

16/03/2020 Probabilité et Echantillonnage 13

Chapitre 1 : Analyse combinatoire

III. DISPOSITION
 Disposition sans répétition:
C’est une disposition dont chaque élément ne peut apparaitre plus qu’une fois.

Exemple 1 :
Soit un ensemble qui contient deux éléments (1 et 2).   1, 2
Combien de couples (sans répétition) peut-on former avec les chiffres (1 et 2)?
Alors les résultats possibles sont: (1,2) et (2,1).
Donc les couples (1,2) et (2,1) sont des dispositions sans répétition.

16/03/2020 Probabilité et Echantillonnage 14

7
16/03/2020

Chapitre 1 : Analyse combinatoire

IV. DISPOSITION
 Disposition avec répétition:
C’est une disposition dont chaque élément peut apparaitre plus qu’une fois.

Exemple 2 :
Soit un ensemble qui contient deux éléments (1 et 2).   1, 2
Combien de couples (avec répétition) peut-on former avec les chiffres (1 et 2)?
Alors les résultats possibles sont: (1,1) ; (1,2); (2,1) et (2,2).
Donc les couples (1,1) ; (1,2); (2,1) et (2,2) sont des dispositions avec répétition.

16/03/2020 Probabilité et Echantillonnage 15

Chapitre 1 : Analyse combinatoire

IV. DISPOSITION

 Disposition ordonnée:
C’est une disposition dont l’emplacement des éléments joue un rôle dans
la composition de celle-ci.

 Disposition non ordonnée:


C’est une disposition dont l’emplacement des éléments ne joue aucune rôle dans
la composition de celle-ci.

Soient deux éléments a et b :

 Si (a , b)  (b , a) alors on parle de disposition ordonnée.


 Si (a , b)  (b , a) alors on parle de disposition non ordonnée.

16/03/2020 Probabilité et Echantillonnage 16

8
16/03/2020

Chapitre 1 : Analyse combinatoire

IV. DISPOSITION
Exemple 3 :
Soit un ensemble qui contient deux éléments (1 et 2).   1, 2
1. Combien de couples (avec répétition et non ordonnée) peut-on former
avec les chiffres (1 et 2)?
Alors les résultats possibles sont: (1,1) ; (1,2) et (2,2).
Dans ce cas on a :(1,2)  (2,1) .

2. Combien de couples (sans répétition et non ordonnée) peut-on former


avec les chiffres (1 et 2)?
Alors les résultats possibles sont: (1,2).
Dans ce cas on a (1,2)  (2,1) .

16/03/2020 Probabilité et Echantillonnage 17

Chapitre 1 : Analyse combinatoire

IV. DISPOSITION
Exemple 4 :
Soit un ensemble qui contient deux éléments (1 et 2).   1, 2
1. Combien de couples (avec répétition et ordonnée) peut-on former avec les
chiffres (1 et 2)?
Alors les résultats possibles sont: (1,1) ; (1,2) ; (2,1) et (2,2).
Dans ce cas on a :(1,2)  (2,1) .

2. Combien de couples (sans répétition et ordonnée) peut-on former


avec les chiffres (1 et 2)?
Alors les résultats possibles sont: (1,2) ; (2,1).
Dans ce cas on a (1,2)  (2,1) .

16/03/2020 Probabilité et Echantillonnage 18

9
16/03/2020

Chapitre 1 : Analyse combinatoire

V. PERMUTATION
 Une permutation d’un ensemble de n éléments distincts est une disposition
ordonnée sans répétition de ces éléments.

 Le nombre de permutation qu’ on peut former à partir d’un ensemble de n éléments


est égal à n !  n   n  1   n  2   ...  2 1 (la valeur factorielle de n).

Exemple 1:
Les permutations qu’on peut construire à partir de l’ensemble E={a,b,c} sont:
(a,b,c),(a,c,b)
(b,a,c),(b,c,a)
(c,a,b),(c,b,a).
Le nombre de permutation est égal à 3!  3  2 1  6

16/03/2020 Probabilité et Echantillonnage 19

Chapitre 1 : Analyse combinatoire

VI. ARRANGEMENTS
Un arrangement de p éléments choisis parmi n éléments est une disposition
ordonnée de p de ces n éléments (p < n). On distingue les arrangements
avec répétitions et les arrangements sans répétitions.

16/03/2020 Probabilité et Echantillonnage 20

10
16/03/2020

Chapitre 1 : Analyse combinatoire

VI. ARRANGEMENTS
 Un arrangement sans répétition de p éléments choisis parmi n est une
disposition ordonnée sans répétition de p éléments choisis parmi n d’un
ensemble E.
n!
Le nombre d’arrangements sans répétitions est : Anp 
 n  p !
Exemple 1:
Soit E = {a,b,c}, les arrangements sans répétition de 2 éléments qu’on peut former
à partir des éléments de E sont:
{a,b} ,{a,c},{b,a}, {b,c},{c,a}, {c,b}
Le nombre d’arrangements sans répétitions que l’on peut faire avec 2
éléments choisis parmi 3 éléments a, b, c est :
3! 3! 3  2 1
A32    6
 3  2 ! 1! 1

16/03/2020 Probabilité et Echantillonnage 21

Chapitre 1 : Analyse combinatoire

VI. ARRANGEMENTS
 Un arrangement avec répétition de p éléments choisis parmi n est une
disposition ordonnée avec répétition de p d’entre les n éléments.

 Le nombre d’arrangement avec répétition de p éléments qu’on peut former à


partir de n éléments est égal à n  n  ...  n  n p
p . fois

Exemple 1:
Soit E = {a,b,c}, les arrangements avec répétition de 2 éléments qu’on peut former à
partir des éléments de E sont:
{a,a}, {a,b} ,{a,c},{b,a}, {b,b}, {b,c},{c,a}, {c,b}, {c,c}

Le nombre d’arrangement avec répétition de 2 éléments qu’on peut former à


partir de 3 éléments est égal à 32  9

16/03/2020 Probabilité et Echantillonnage 22

11
16/03/2020

Chapitre 1 : Analyse combinatoire

VI. COMBINAISONS
Une combinaison de p éléments choisis parmi n éléments est une disposition
non ordonnée de p de ces n éléments. On distingue les combinaisons avec
répétitions et les combinaisons sans répétitions.

16/03/2020 Probabilité et Echantillonnage 23

Chapitre 1 : Analyse combinatoire

VI. COMBINAISONS
 Combinaisons sans répétitions
Une combinaison de p éléments choisis parmi n éléments est une disposition sans
répétitions et non ordonnée de p de ces n éléments.
Le nombre de combinaisons sans répétitions est :
n!

p
C n
p!  ( n  p )!
Exemple:

Les combinaisons de 2 éléments pris dans {1, 2, 3, 4} sont :


{1, 2}, {1, 3}, {1, 4}, {2, 3}, {2, 4}, {3, 4}.
4! 4! 4  3  2 1 24
C42     6
2! 4  2  ! 2! 2!  2 1   2 1 4

16/03/2020 Probabilité et Echantillonnage 24

12
16/03/2020

Chapitre 1 : Analyse combinatoire

VI. COMBINAISONS
 Combinaisons avec répétitions

Une combinaison de p éléments choisis parmi n éléments est une disposition


avec répétitions et non ordonnée de p de ces n éléments..
Le nombre de combinaisons avec répétitions est :
(n  p  1)!

p
C n  p 1
p !  (n  1)!
Exemple:

Les combinaisons de 2 éléments pris dans {1, 2, 3, 4} sont :


{1, 1}, {1, 2}, {1, 3}, {1, 4}, {2, 2}, {2, 3}, {2, 4}, {3, 3}, {3, 4}, {4, 4}.
(4  2  1)! 5! 5  4  3  2 1
    10
2
C 4  2 1
2!  (4  1)! 2!  3!  2 1   3  2 1

16/03/2020 Probabilité et Echantillonnage 25

Chapitre 1 : Analyse combinatoire

VI. COMBINAISONS
Propriétés
Cnn  Cn0  1

C np  C nn  p

C np  C np11  C np1 (Triangle de PASCAL)

Exercice: montrer que C np  C np11  C np1

16/03/2020
16/03/2020 Probabilité et Echantillonnage
Echantillonnage & Estimation
26
26
16/03/2020 Probabilité et Echantillonnage 26

13
16/03/2020


Chapitre 1 : Analyse combinatoire
Résumé
Propriétés des ensembles

1. L’intersection A  B  x  / x  A et x  B

2. L’union A  B  x  / x  A ou x  B

3. Le complémentaire A  CA  x  / x  A 
4. La différence A  B  A / B  x  / x  A et x  B  A  B

5. La différence symétrique AB   A  B  /  A  B 

6. Loi de morgane A  B  A  B et A B  A B

16/03/2020
16/03/2020 Probabilité et Echantillonnage
Echantillonnage & Estimation
27
27
16/03/2020 Probabilité et Echantillonnage 27


Chapitre 1 : Analyse combinatoire
Résumé
Analyse combinatoire
Pour trouver le nombre de possibilités dans une expérience aléatoire, il suffit de
répondre aux questions suivantes depuis les données d’exercices :

1. L’effectif : combien on a d’éléments « n » ? Combien on prend « p » ?


2. L’ordre : est-ce que l’expérience et ordonné ou non ?
3. La répétition : est-ce que l’expérience se fait avec remise ou bien sans remise?

n parmi n p parmi n
Avec remise 𝑛𝑛 𝑛𝑝
Ordonné n!
𝑛! Anp 
Sans remise  n  p !
n (n  p  1)!
C 
p
Avec remise 2n1 C n  p 1
p !(n  1)!
Non ordonné
n!

p
Sans remise 1 C n
p !(n  p)!
16/03/2020
16/03/2020 Probabilité et Echantillonnage
Echantillonnage & Estimation
28
28
16/03/2020 Probabilité et Echantillonnage 28

14
16/03/2020

Chapitre 1 : Analyse combinatoire

EXERCICE 1 :
1. Combien de nombres de 3 chiffres peut-on former avec les chiffres 5, 6, 7 ? sol : 27

2. Combien de nombres de 3 chiffres peut-on former avec les chiffres 0, 1, 2 ? sol : 18


3. Combien de nombres de 2 chiffres existe-t-il ? sol : 90
4. Combien de nombres de 3 chiffres différents peut-on former avec les chiffres
0, 1, 2, 3 ? Combien parmi eux contiennent le chiffre 3 ? sol : 18 ; 14
5. Combien de nombres de 3 chiffres peut-on créer en utilisant les chiffres 0, 5, 6, 7, 8 ?
sol : 100
6. Douze clubs de foot participent à un championnat, combien de possibilités de
classement y a-t-il ? sol : 479 001 600
7. Le titulaire d’une classe de 11 garçons et 9 filles doit choisir 3 d’entre eux pour
représenter sa classe à un concours inter-écoles.
De combien de façons peux-il constituer l’équipe ? sol : 1140
16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
29
29
16/03/2020 Probabilité et Echantillonnage 29


EXERCICES
TD1: Analyse combinatoire
EXERCICE 1 :
Soit l’expérience aléatoire : « On lance un dé cubique honnête ».
1. Donner l’univers Ω associé à cette expérience aléatoire.   1; 2; 3; 4; 5; 6
2. Ensuite écrivez les événements suivants comme des sous-ensembles de
l’univers Ω :
« A : Le score obtenu est un nombre impair » A  1; 3; 5
« B : Le score obtenu est au plus 2 » B  1; 2
« C : Le score obtenu est 6 » C  6
« D : le score obtenu est pair (n’est pas impair)». D  A  2; 4; 6
« E : le score obtenu est au moins 3 ». E  B  3; 4; 5; 6
« F : le score obtenu n’est ni 4 ni 6 ». F  1; 2; 3; 5
« G : le score obtenu n’est ni 3 ni 5 ». G  1; 2; 4; 6

3. Déterminer :

A  B  2 . A  B  1 . ( A  B  C )  4 .

A  C  6 . A  C  .
16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
30
30
16/03/2020 Probabilité et Echantillonnage 30

15
16/03/2020


EXERCICES
TD1: Analyse combinatoire
EXERCICE 2 :
1. On permute les lettres du mot « PROBA ».
(i) Quel est le nombre de mots (résultats possibles) ?
(ii) Quel est le nombre de mots commençant par P ?

Solution :
(i) Il s’agit d’une permutation:
L’effectif : combien on a d’éléments « n » ? Combien on prend « p » ? On a 5 parmi 5
L’ordre : est-ce que l’expérience et ordonné ou non ? Ordonné
La répétition : est-ce que l’expérience se fait avec remise ou bien sans remise?
Sans remise
Alors le nombre de résultats possibles est : 𝑛! = 5! = 120

(ii) On fixe le premier élément et on permute les autres:

Alors le nombre de mots commençant par P est : 𝑛! = 4! = 24

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
31
31
16/03/2020 Probabilité et Echantillonnage 31


EXERCICES
TD1: Analyse combinatoire
EXERCICE 3 :
On doit asseoir 7 étudiants discernables sur 7 chaises discernables.
(i) Quel est le nombre de possibilités?
(ii) Quel est le nombre de possibilités sachant que la personne n° 4 est sur la
chaise n° 5 ou 6 ?
Solution :
(i) Il s’agit d’une permutation: de 7 parmi 7, Ordonné et Sans remise.
Alors le nombre de résultats possibles est : 7! = 5040

(ii) Deux cas incompatibles:


Le nombre de possibilités sachant que la personne n° 4 est sur la chaise n° 5: 6! = 720
Le nombre de possibilités sachant que la personne n° 4 est sur la chaise n° 6: 6! = 720
On applique la règle de la somme, le nombre de possibilités sachant que la personne
n° 4 est sur la chaise n° 5 ou 6 : 6! + 6! = 1440
16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
32
32
16/03/2020 Probabilité et Echantillonnage 32

16
16/03/2020


EXERCICES
TD1: Analyse combinatoire
EXERCICE 4 :
On a 3 boules (numérotées 1; 2; 3) dans une urne. On effectue dans cette urne 5 tirages successifs
avec remise et on note le nombre de fois à chaque boule est apparue.
(i) Quel est le nombre de résultats possibles ?
(ii) quel est le nombre de résultats sachant que la boule n°2 n’est pas apparue ?
(iii) quel est le nombre de résultats sachant que chaque boule est apparue au moins une fois ?
Solution :
(i) Une disposition: de 5 parmi 3 « n=3 » « p=5 » ; Non ordonné; Avec remise.
(3  5  1)! 7! 7!
    21
5
Alors le nombre de résultats possibles est : C 3 5 1
5!(3  1)! 5!2! 5!2!
(ii) Une disposition: de 5 parmi 2 « n=2 » « p=5 » ; Non ordonné; Avec remise.
Le nombre de résultats sachant que la boule n°2 n’est pas apparue :
(2  5  1)! 6! 6!
   6
5
C 2  5 1
5!(2  1)! 5!1! 5!
(iii) Une disposition: de 2 parmi 3 « n=3 » « p=2 » ; Non ordonné; Avec remise.
(3  2  1)! 4!
  6
2
C 3 2 1
2!(3  1)! 2!2!
16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
33
33
16/03/2020 Probabilité et Echantillonnage 33


EXERCICES
TD1: Analyse combinatoire
EXERCICE 5 :
On lance une pièce de monnaie équilibrée quatre fois de suite et on note dans
l’ordre l’apparition de PILE ou FACE:
(i) Quel est le nombre de suites de PILE ou FACE obtenues ?
(ii) Quel est le nombre de suites comportant deux PILE ?
(iii) Quel est le nombre de suites comportant au moins deux PILE ?
(iv) Quel est le Nb de suites comportant au moins un PILE et un FACE ?

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
34
34
16/03/2020 Probabilité et Echantillonnage 34

17
16/03/2020


EXERCICES
TD1: Analyse combinatoire
EXERCICE 5 :
Solution :

(i) Quel est le nombre de suites de PILE ou FACE obtenues ?


A l’aide d’un arbre comme ci-contre :

Une disposition: de 4 parmi 2 « n=2 » « p=4 » ; ordonné; avec remise.

24  16

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
35
35
16/03/2020 Probabilité et Echantillonnage 35


EXERCICES
TD1: Analyse combinatoire
EXERCICE 5 :
Solution :

(ii) Quel est le nombre de suites comportant deux PILE (exactement) ?

PPPP PFPP FPPP FFPP


PPPF PFPF FPPF FFPF
PPFP PFFP FPFP FFFP
PPFF PFFF FPFF FFFF

Une disposition: de 2 parmi 4 « n=4 » « p=2 » ; non ordonné; sans remise.


4! 4!
  6
2
C 4
2!(4  2)! 2!2!

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
36
36
16/03/2020 Probabilité et Echantillonnage 36

18
16/03/2020


EXERCICES
TD1: Analyse combinatoire
EXERCICE 5 :
Solution :
(iii) Quel est le nombre de suites comportant au moins deux PILE ?
Passage au complémentaire: « Le nombre de suites comportant 0 ou un PILE »
- Le nombre de suites comportant 0 PILE = 1 possibilité
4! 4!
 4 
1
- Le nombre de suites comportant un PILE = C
1!(4  1)! 3!
4

Alors le nombre de suites comportant au moins deux PILE est : 2  1  4  16  5  11


4

(iv) Quel est le nombre de suites comportant au moins un PILE et un FACE ?


Passage au complémentaire: « Le nombre de suites comportant (0 PILE) ou (0 FACE) »

- Le nombre de suites comportant 0 PILE = 1 possibilité


- Le nombre de suites comportant 0 FACE = 1 possibilité

Alors le nombre de suites comportant au moins un PILE et un FACE est: 24  2  14

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
37
37
16/03/2020 Probabilité et Echantillonnage 37


EXERCICES
TD1: Analyse combinatoire
EXERCICE 6 :
On lance trois dés clairs identiques de 5 faces discernables et on note le nombre de
fois à chaque face est apparue.
(i) Quel est le nombre de résultats possible ?
(ii) Quel est le nombre de résultats comportant 2 fois la face 2 ?
Solution :
(i) Quel est le nombre de résultats possible ?
Une disposition: de 3 parmi 5 « n=5 » « p=3 » ; non ordonné; avec remise.
7! 7  6  5
   35
3
C 5  31
3!4! 3 2
(ii) Quel est le nombre de résultats comportant 2 fois la face 2 ?

Une disposition: de 1 parmi 4 « n=4 » « p=1 » ; non ordonné; sans remise.


4
1
C 4

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
38
38
16/03/2020 Probabilité et Echantillonnage 38

19
16/03/2020


EXERCICES
TD1: Analyse combinatoire
EXERCICE 7 :
Combien de nombres de 4 chiffres peut-on former avec les dix chiffres 0, 1, 2, ...,9 ?
NB. Zéro ne peut pas commencer un nombre.
(i) Avec répétitions ;
(ii) Sans répétitions ;
(iii) Si le dernier chiffre doit être zéro et sans répétitions.

Solution :
(i) Avec répétitions quel est le nombre de résultats possible ?
4 parmi 10, ordonné, avec répétions : 104
Remarque bien que Zéro ne peut pas commencer un nombre.
Il faut éliminer les nombres qui commencent par Zéro.
Les nombres qui commencent par Zéro c’est une disposition de 3 parmi 10,
ordonné, avec répétions : 103
Alors le nombres de 4 chiffres peut-on former avec les dix chiffres 0, 1, 2, ...,9 est :
104  103  9000
16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
39
39
16/03/2020 Probabilité et Echantillonnage 39


EXERCICES
TD1: Analyse combinatoire
EXERCICE 7 :
Solution :

Combien de nombres de 4 chiffres peut-on former avec les dix chiffres 0, 1, 2, ...,9 ?

(ii) Sans répétitions ;


10! 10!
4 parmi 10, ordonné, sans répétions : A104    10  9  8  7  5040
10  4 ! 6!
Il faut éliminer les nombres qui commencent par Zéro.
Les nombres qui commencent par Zéro c’est une disposition de 3 parmi 9,
ordonné, sans répétions :
9! 9!
A93    9  8  7  504
 9  3 ! 6!

Alors le nombres de 4 chiffres peut-on former avec les dix chiffres 0, 1, 2, ...,9 est :

A104  A93  5040  504  4536

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
40
40
16/03/2020 Probabilité et Echantillonnage 40

20
16/03/2020


EXERCICES
TD1: Analyse combinatoire
EXERCICE 7 :
Solution :

Combien de nombres de 4 chiffres peut-on former avec les dix chiffres 0, 1, 2, ...,9 ?
(iii) Si le dernier chiffre doit être zéro et sans répétitions.

Les nombres qui terminent par Zéro c’est une disposition de 3 parmi 9,
ordonné, sans répétions :
9! 9!
A93    9  8  7  504
 9  3! 6!

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
41
41
16/03/2020 Probabilité et Echantillonnage 41


EXERCICES
TD1: Analyse combinatoire
EXERCICE 8 :
Dans un magasin, les clients ont le choix de payer à différentes caisses. De
combien de façons différentes peuvent se répartir :
(i) 5 clients à 3 caisses ?
(ii) 2 clients à 6 caisses ?

Solution :

(i) Une disposition : de 5 parmi 3 « n=3 » « p=5 » ; ordonné ; avec remise.


Alors le nombre de résultats possibles est : 35  243

(ii) Une disposition : de 2 parmi 6 « n=6 » « p=2 » ; ordonné ; avec remise.


Alors le nombre de résultats possibles est : 62  36

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
42
42
16/03/2020 Probabilité et Echantillonnage 42

21
16/03/2020


EXERCICES
TD1: Analyse combinatoire
EXERCICE 9 :
Une ligue de football comprend 6 équipes. Combien de parties doivent se jouer
dans une saison si chacune des équipes rencontre l’autre une fois à domicile ?

Solution :

Une disposition : de 2 parmi 6 « n=6 » « p=2 » ; ordonné ; sans remise.


Alors le nombre de résultats possibles est :
6! 6!
A62    6  5  30
(6  2)! 4!

16/03/2020
16/03/2020 Probabilité& et
Echantillonnage Echantillonnage
Estimation
43
43
16/03/2020 Probabilité et Echantillonnage 43

Probabilité et Echantillonnage

Chapitre 2
Calcul des Probabilités

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 44
16/03/2020 44

22
16/03/2020

Chapitre 2: Calcul des probabilités

 Expérience aléatoire
 Espace fondamental
 Evénement
 Définition de probabilité
 Evénements équiprobables
 Probabilités conditionnelles
 Evénements indépendants

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 45
16/03/2020 45

Chapitre 2: Calcul des Probabilités

La théorie des probabilités :


Concerne l’étude d'un phénomène aléatoire par la description de l'ensemble
des résultats possibles d'une expérience aléatoire.

Domaines d’application :
 Economie;
 Assurance;
 Médecine;
 Psychologie, …etc.

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 46
16/03/2020 46

23
16/03/2020

Chapitre 2 : Calcul des Probabilités

 EXPÉRIENCE ALÉATOIRE
L’expérience aléatoire est une expérience dont le résultat n’est pas connu
avec certitude à l’avance.

Exemple :
 Lancement d’une pièce de monnaie
 Lancement d’un dé

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 47
16/03/2020 47

Chapitre 2 : Calcul des Probabilités

 ESPACE FONDAMENTAL

L’ensemble des résultats possibles d’une expérience aléatoire est appelé


Univers des possibles (ou espace fondamental), et est souvent noté 

Exemple :

 Lancement d’un dé à 6 faces. On obtient un nombre ω ∈ {1, 2, 3, 4, 5, 6} = Ω.


Le nombre des éléments de Ω appelé cardinal, noté: Card (Ω)  6

Chaque élément ω de Ω , (ω ∈ Ω) est appelé une réalisation ou une “épreuve”.

 Dans le cas de lancement d’une pièce de monnaie ,

  P, F  Card (Ω)  2

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 48
16/03/2020 48

24
16/03/2020

Chapitre 2 : Calcul des Probabilités

 EVÉNEMENT
On appelle événement tout sous-ensemble (ou partie) de l’univers des possibles
(espace fondamental).

Exemple : Considérons l’expérience aléatoire le lancement d’un dé à 6 faces :


Ω = {1; 2; 3; 4; 5; 6 𝐶𝑎𝑟𝑑(Ω) = 6
 L’événement A « tirer un nombre pair » se traduit par le sous-ensemble :
A = {2; 4;6} 𝐶𝑎𝑟𝑑(A) = 3

A ⊂ Ω est un événement de l’univers des possibles .

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 49
16/03/2020 49

Chapitre 2 : Calcul des Probabilités

 EVÉNEMENT
 Evénement contraire de A : c’est l’ensemble des éléments de Ω qui
n’appartient pas à A , on le note par A .

Exemple : Considérons l’expérience aléatoire le lancement d’un dé à 6 faces :


Ω = {1; 2; 3; 4; 5; 6 𝐶𝑎𝑟𝑑(Ω) = 6

 L’ événement contraire de A = {2; 4;6} est l’événement B « tirer un


nombre impair » se traduit par le sous-ensemble :

B = {1; 3;5} 𝐶𝑎𝑟𝑑(B) = 3

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 50
16/03/2020 50

25
16/03/2020

Chapitre 2 : Calcul des Probabilités

 EVÉNEMENT
 Evénement impossible : c’est l’événement qui ne contient aucun élément
de Ω , on le note par  .

Exemple : Considérons l’expérience aléatoire le lancement d’un dé à 6 faces :


Ω = {1; 2; 3; 4; 5; 6 𝐶𝑎𝑟𝑑(Ω) = 6

 L’événement C « tirer un nombre ˂ 0 » est un événement impossible.

C = {} 𝐶𝑎𝑟𝑑(C) = 0

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 51
16/03/2020 51

Chapitre 2 : Calcul des Probabilités

 EVÉNEMENT
 Evénement certain : c’est l’événement qui est constitué de tous les
éléments de Ω.

Exemple : Considérons l’expérience aléatoire le lancement d’un dé à 6 faces :


Ω = {1; 2; 3; 4; 5; 6 𝐶𝑎𝑟𝑑(Ω) = 6

 L’événement D « tirer un nombre ˃ 0 » est évènement certain.

D = Ω  1; 2;3; 4;5;6 𝐶𝑎𝑟𝑑(D) = 6

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 52
16/03/2020 52

26
16/03/2020

Chapitre 2 : Calcul des Probabilités

 EVÉNEMENT
 Evénement élémentaire : c’est l’événement qui est réduit à une seule issue.

Exemple : Considérons l’expérience aléatoire le lancement d’un dé à 6 faces :


Ω = {1; 2; 3; 4; 5; 6 𝐶𝑎𝑟𝑑(Ω) = 6

 L’événements E « tirer un nombre supérieur à 5 » E est un évènement


élémentaire.

E = 6 𝐶𝑎𝑟𝑑(E) = 1

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 53
16/03/2020 53

Chapitre 2 : Calcul des Probabilités

 EVÉNEMENT

Propriété : à vérifier
Card  A  B   Card  A   Card  B   Card  A  B 

Exemple : Considérons l’expérience aléatoire le jet d’un dé à 6 faces :


Ω = {1; 2; 3; 4; 5; 6 𝐶𝑎𝑟𝑑(Ω) = 6
 L’événement A « tirer un nombre pair » se traduit par le sous-ensemble :
A = {2; 4;6} 𝐶𝑎𝑟𝑑(A) = 3
 L’événement B « tirer un nombre impair » se traduit par le sous-ensemble :
B = {1; 3;5} 𝐶𝑎𝑟𝑑(B) = 3

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 54
16/03/2020 54

27
16/03/2020

Chapitre 2 : Calcul des Probabilités

 DÉFINITION DE PROBABILITÉ
La probabilisable d’un évènement A notée p ( A) est une valeur compris entre
0 et 1, 0  p ( A)  1 .
Elle vérifie les axiomes suivants:

p ()  1

Pour tous événements A et B disjoints

On a : p  A  B   p  A   p  B 

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 55
16/03/2020 55

Chapitre 2 : Calcul des Probabilités

 DÉFINITION DE PROBABILITÉ

Propriétés :

Soient A et B deux évènements:


pØ  0

p ( A)  1  p ( A)

A B p ( A)  p ( B )
p ( A  B )  p ( A)  p ( A  B )

pB  A   pB   p A  B 

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 56
16/03/2020 56

28
16/03/2020

Chapitre 2 : Calcul des Probabilités

 DÉFINITION DE PROBABILITÉ

Propriété :
Soient A et B deux évènements:

p  A  B   p  A  p  B   p  A  B 

Démonstration :
On a A  B   A  B    A  B   A  B 
tq A  B , A  B et A  B sont deux à deux disjoints.
Alors: p  A  B  p  A  B  p  A  B   p  A  B
On a d’après les propriétés précédentes: p ( A  B )  p ( A)  p ( A  B )
pB  A   pB   p A  B 

On obtient alors: p  A  B   p  A   p  B   p  A  B 

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 57
16/03/2020 57

Chapitre 2 : Calcul des Probabilités

Exemple :
Soit une urne qui contient des boules rouges et des boules blanches. Je prélève une
boule au hasard.
Soit les événements suivants :
R: «la boule soit rouge»
B: «la boule soit blanche»

L’événement B est l’événement contraire de R, ( B  R ).

Si la probabilité de l’événement R est égale 0,7 ( p ( R)  0, 7)


Alors la probabilité de la boule soit blanche est :

p( B)  1  p( R)

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 58
16/03/2020 58

29
16/03/2020

Chapitre 2 : Calcul des Probabilités

 EVÉNEMENTS ÉQUIPROBABLES

Lorsque tous les événements élémentaires ont la même probabilité, on dit


qu’il y a équiprobabilité.

Si l’univers des possibles Ω a pour cardinal N (Card     N ) , les


1
événements élémentaires ont une probabilité égale à p
N
Hypothèse d’équiprobabilité

Si A   avec Card  A   m , la probabilité de l’événement A sous


l’hypothèse d’équiprobabilité est :

card ( A) m
p ( A)  
card () N

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 59
16/03/2020 59

Chapitre 2 : Calcul des Probabilités

Exemple : Soit l’expérience aléatoire suivante : « Lancement d’un dé » , alors:

On a:   1,2,3,4,5,6

Soit Ai l’événement d’obtenir un numéro i , Ai  i i  1, 2, 3, 4, 5, 6

Ai est un évènement élémentaire de Ω avec 𝑐𝑎𝑟𝑑(𝐴𝑖 )=1


Tous les événements élémentaires ont la même probabilité, car il y a un
équiprobabilité.
card ( Ai ) 1
La probabilité d’obtenir un numéro i est : P( Ai )  
card () 6
Si A  1,2,4 alors sous l’hypothèse d’équiprobabilité on a :
card ( A) 3 1
P  A   
card () 6 2

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 60
16/03/2020 60

30
16/03/2020

Chapitre 2 : Calcul des Probabilités

 PROBABILITÉS CONDITIONNELLES
Soit A et B deux événements d’un même univers, tels que A soit de probabilité non
nulle ( p  A   0 ).
Le probabilité conditionnelle de B sachant que A est réalisé, ou encore probabilité
de B sachant A, est définie par :
p  A  B
p  B A  pA  B  
p  A

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 61
16/03/2020 61

Chapitre 2 : Calcul des Probabilités


Exemple : Dans une classe de 36 élèves, 23 élèves ont 18 ans, 29 élèves sont des filles
et 17 filles ont 18 ans. On choisit au hasard un élève de cette classe. On s’intéresse aux
évènements suivants : A : « l’élève est une fille » , B : « l’élève a 18 ans » ,
A ∩ B : « l’élève est une fille de 18 ans ».
card ( A) 29 card ( B) 23
Ainsi p  A   ; p  B  
card () 36 card () 36
card ( A  B ) 17
et p  A  B  
card () 36

Quelle est la probabilité que l’élève ait 18 ans, sachant que c’est une fille?

p  A  B  17 36 17
On remarque alors que pA  B    
p  A 29 29
36

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 62
16/03/2020 62

31
16/03/2020

Chapitre 2 : Calcul des Probabilités

 PROBABILITÉS CONDITIONNELLES

Soient  Ai 1i  k k évènements (parties de ).

Tel que p  Ai   0,  i  1, 2,..., k 

 Théorème de Bayes
Soit un événement B indépendant de Ai avec P  B   0 alors :
P  Ai  P  B / Ai 
P  Ai / B  
P  B
Si B dont la réalisation dépend de l'une des causes Ai alors :
P  Ai  P  B / Ai 
P  Ai / B   avec P  B / Ai   0,  i  1, 2,..., k 
 i P  Ai  P  B / Ai 

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 63
16/03/2020 63

Chapitre 2 : Calcul des Probabilités

 PROBABILITÉS CONDITIONNELLES
Exemple: Théorème de Bayes
Dans un laboratoire, on a l’expérience suivant : si une souris porte l'anticorps A, alors 2 fois
sur 5 elle porte aussi l'anticorps B; si une souris ne porte pas l'anticorps A, alors 4 fois sur 5
elle ne porte pas l'anticorps B. La moitié de la population porte l’anticorps A et 3 sur dix de
la population porte l’anticorps B.
Calculez la probabilité que, si une souris porte l’anticorps B, alors elle porte aussi
l’anticorps A : P  A / B  .
Soient les évènements suivants:
A : « La souris porte l’anticorps A »
A : « La souris ne porte pas l’anticorps A »
B : « La souris porte l’anticorps B »
B : « La souris ne porte pas l’anticorps B »
P  A 
1 1
On a P  A  P  B 
3
P  B / A 
2
P  B / A 
1
2 2 10 5 5

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 64
16/03/2020 64

32
16/03/2020

Chapitre 2 : Calcul des Probabilités

 PROBABILITÉS CONDITIONNELLES
Exemple: Théorème de Bayes
Calculez la probabilité que, si une souris porte l’anticorps B, alors elle porte aussi
l’anticorps A :P  A / B  .
1
P  A  P  A 
1
P  B / A 
3 2
P  B  P  B / A 
On a 1
2 2 10 5 5

Pour la partition  Ai i 1,2   A1 , A2    A, A  , on applique la formule de Bayes:

P  Ai  P  B / Ai 
P  Ai / B   i  1, 2
 i P  Ai  P  B / Ai 
On a:
 P A  PB / A   P A  PB / A   P A  P B / A 
i i i 1 1 2 2

1 2 1 1 3
 P  A P  B / A  P  A  P  B / A          
 2 5   2 5  10

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 65
16/03/2020 65

Chapitre 2 : Calcul des Probabilités

 PROBABILITÉS CONDITIONNELLES
Exemple: Théorème de Bayes
Calculez la probabilité que, si une souris porte l’anticorps B, alors elle porte aussi
l’anticorps A :P  A / B  .
1
P  A  P  A 
1
P  B / A 
3 2
P  B  P  B / A 
On a 1
2 2 10 5 5
On applique la formule de Bayes:
1 2
P  A P  B / A 
2
P  A / B  2 5
P  A P  B / A  P  A  P  B / A  3 3
10

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 66
16/03/2020 66

33
16/03/2020

Chapitre 2 : Calcul des Probabilités

 EVÉNEMENTS INDÉPENDANTS

 Soient A et B , deux parties de  .


Les événements A et B sont dits indépendants si et seulement si :
p A  B   p A  pB 

 Si p  A  0 et pB   0 A et B sont indépendants si et seulement si

 p A / B   p A

 pB / A  pB 
 Soient  Ai 1i  n n événements (parties de  ) .
On dit que les événements  Ai 1i  n sont indépendants deux à deux, si et
seulement si :
 n  n
p  Aj    p  Aj 
 i 1  i 1

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 67
16/03/2020 67

Chapitre 2 : Calcul des Probabilités

Exemple

Soient A, B, et C trois événements indépendants deux à deux tel que:


1
𝑝 𝐴 =𝑝 𝐵 =𝑝 𝐶 =
6
Alors
1 1 1
p  A  B   p  A  p  B    
6 6 36
1 1 1
p  A  C   p  A  p C    
6 6 36
1 1 1
p  B  C   p  B   p C    
6 6 36
1 1 1 1
p  A  B  C   p  A  p  B   p C     
6 6 6 216

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 68
16/03/2020 68

34
16/03/2020

Chapitre 2 : Calcul des Probabilités


Résumé

 Univers, espace fondamentale, Ω


C’est l’ensemble des résultats possibles qu’on peut avoir d’une expérience aléatoire.
 Événement
C’est un sous-ensemble ou partie de Ω.
 Événement élémentaire
C’est l’événement que ne se réalise que par un seul résultat (seul élément de Ω).
 Évènement certain
C’est l’événement que se réalise toujours (constitué de tous les éléments de Ω).
 Évènement impossible
C’est l’événement que ne se réalise jamais (ne contient aucun élément de Ω).

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 69
16/03/2020 69

Chapitre 2 : Calcul des Probabilités


Résumé

 Complémentaire d'un événement A, A :


C’est composé des éléments de Ω qui ne sont pas contenus dans A.
 Cardinal d’un ensemble
Le nombre des éléments d’un ensemble E est appelé cardinal, noté : Card  E 
 Probabilité
 La probabilité d’un évènement A notée p ( A) est une valeur compris entre 0 et 1.
Elle vérifie les axiomes suivants:

 P(Ω) = 1
 Pour tous événements A et B disjoints on a : p  A  B   p  A  p  B 

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 70
16/03/2020 70

35
16/03/2020

Chapitre 2 : Calcul des Probabilités


Résumé
Propriétés
Soient A et B deux évènements :

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 71
16/03/2020 71

Chapitre 2 : Calcul des Probabilités


Résumé

 Évènements incompatible :
A et B sont incompatible si A  B    P  A  B   0

 Évènements indépendants :
A et B sont indépendants ssi P  A  B   P  A  P  B 

 Équiprobabilité
Lorsque tous les événements élémentaires ont la même probabilité, on dit qu’il y a
équiprobabilité.

 Hypothèse d’équiprobabilité
Si A   avec Card  A  m , la probabilité de l’événement A sous l’hypothèse
d’équiprobabilité est :
card ( A) m
p ( A)  
card () N

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 72
16/03/2020 72

36
16/03/2020

Chapitre 2 : Calcul des Probabilités


Résumé
 Probabilité conditionnelle :
La probabilité que A se réalise sachant que B est réalisé est :

P  A  B
P  A / B 
P  B

 Théorème de Bayes
Soit un événement B dont la réalisation ne dépend pas de l'une des causes Ai alors
:
P  Ai  P  B / Ai 
P  Ai / B  
P  B

Soit un événement B dont la réalisation dépend de l'une des causes Ai alors :

P  Ai  P  B / Ai 
P  Ai / B  
 i P  Ai  P  B / Ai 

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 73
16/03/2020 73

EXERCICES
TD2 : Calcul des Probabilités
Exercice 1 :
Soient A et B deux événements tels que P(A ) = 1/5 et P(A∪B ) = 1/2.
1. Supposons que A et B soient incompatibles. Calculer P(B) .
2. Supposons que A et B soient indépendants. Calculer P(B) .
3. Calculer P(B) en supposant que l’événement A ne peut être réalisé que si
l’événement B est réalisé.

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 74
16/03/2020 74

37
16/03/2020

EXERCICES
TD2 : Calcul des Probabilités
Exercice 1 :

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 75
16/03/2020 75

EXERCICES
TD2 : Calcul des Probabilités
Exercice 2 :
Soient A, B et C des événements. On pose E1  A  B  C et E2  A   B  C 
1. Montrer que E1 et E2 sont incompatibles.
2. Déterminer l’ensemble E1  E2 .
3. On sait que, P  A   0, 6, P  B   0, 4, P (C )  0,3, P ( B  C )  0,1, P ( A.  C )  0,1

P( A  B)  0, 2 et P ( A  B  C )  0, 05
Calculer P(E1) et P(E2).

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 76
16/03/2020 76

38
16/03/2020

EXERCICES
TD2 : Calcul des Probabilités
Exercice 2 :

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 77
16/03/2020 77

EXERCICES
TD2 : Calcul des Probabilités
Exercice 3 :
On lance deux fois un dé tel que P(1)=P(3)=P(4)=1/8 et P(2)=P(6)=1/4.
Quelle est la probabilité que la somme des points obtenus soit supérieure à 10
(strictement) sachant que :
1. Un des résultats est 6.
2. Le premier résultat est 6.

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 78
16/03/2020 78

39
16/03/2020

EXERCICES
TD2 : Calcul des Probabilités
Exercice 3 :

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 79
16/03/2020 79

EXERCICES
TD2 : Calcul des Probabilités
Exercice 4 :
Une boîte contient 4 boules rouges, 3 boules vertes et 7 boules jaunes. On tire
simultanément 2 boules de la boîte et on suppose que tous les tirages sont
équiprobables.
Calculez la probabilité d’obtenir :
a. Deux boules de la même couleur.
b. Deux boules de couleurs différentes.

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 80
16/03/2020 80

40
16/03/2020

EXERCICES
TD2 : Calcul des Probabilités
Exercice 4 :

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 81
16/03/2020 81

EXERCICES
TD2 : Calcul des Probabilités
Exercice 5 :
Une réunion rassemble 40 personnes : 24 femmes et 16 hommes. On sait que
20% des femmes fument ainsi que 40 % des hommes.
a. Une personne quitte la réunion. Quelle est la probabilité que cette personne
soit occupée à fumer ?
b. Une personne quitte la réunion en fumant. Quelle est la probabilité qu’il
s’agisse d’une femme ?

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 82
16/03/2020 82

41
16/03/2020

EXERCICES
TD2 : Calcul des Probabilités
Exercice 5 : correction :
a. Une personne quitte la réunion. Quelle est la probabilité que cette
personne soit occupée à fumer ?

Formule des probabilités totales :

b. Une personne quitte la réunion en fumant. Quelle est la probabilité qu’il


s’agisse d’une femme ?
PF  P f / F 
Théorème de Bayes PF / f  
PF  P f / F   PH  P f / H 

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 83
16/03/2020 83

EXERCICES
TD2 : Calcul des Probabilités
Exercice 6 :

On sait que 36 % des foyers ont un chien et que dans 22 % des foyers où
l’on a un chien on trouve aussi un chat. On sait par ailleurs que 30% des
foyers ont un chat.
a. Quelle est la proportion de foyers dans lesquels on trouve un chien et un
chat ?
b. Quelle est la probabilité qu’un foyer possède un chien sachant qu’il
possède un chat ?

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 84
16/03/2020 84

42
16/03/2020

EXERCICES
TD2 : Calcul des Probabilités
Exercice 6 :

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 85
16/03/2020 85

Probabilité et Echantillonnage

Chapitre 3
Variables Aléatoires discrètes

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 86
16/03/2020 86

43
16/03/2020

Chapitre 3 : Variable aléatoire discrète

 Loi de probabilité (distribution)


 Fonctions de répartition
 Espérance mathématique
 La variance et l’écart type
 Moments d’ordre supérieur
 Lois Discrètes Usuelles

16/03/2020 Echantillonnage & Estimation 87

Chapitre 3 : Variable aléatoire discrète

DÉFINITION :
Une variable aléatoire X est une fonction de l’ensemble fondamental Ω à
valeurs dans , i.e :

X :
i  X i  X i 

 Une variable aléatoire est dite discrète si elle prend des valeurs entières.

 Une variable aléatoire est dite continue si elle peut prendre toutes les valeurs
d'un intervalle fini ou infini.

16/03/2020 Echantillonnage & Estimation


Probabilité et Echantillonnage 88
16/03/2020 88

44
16/03/2020

Chapitre 3 : Variable aléatoire discrète

Exemple :
On jette deux dés distincts et on s’intéresse à la somme des points. On note X
cette variable aléatoire, elle est définie par :
X :  avec Ω  1, 1 , 1, 2  , . . . ,  6, 5  ,  6, 6 
1 , 2   1  2

X 1,1  1  1  2 X 1 , 2   1  2
X 1, 2   1  2  3
X  2,1  2  1  3
X  2, 2   2  2  4
.
.
X  6, 6   6  6  12

L’ensemble des valeurs possibles de X est {2, 3, . . . , 12}.

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 89
89

Chapitre 3 : Variable aléatoire discrète

1. Loi de probabilité (distribution)

Soit X une variable aléatoire décrite définie sur Ω

Soit  x  / i  1, 2,..., n l’ensemble des valeurs prises par X et p i  p X  x i  la


i

probabilité de l’événement " X  xi."

La loi (ou distribution) de probabilité d’une variable aléatoire X est une fonction qui
associe les valeurs possibles de X à la probabilité qui leur correspond. Notée xi , pi 
On utilise souvent la représentation à l’aide d’un tableau :
Valeurs possibles xi x1 x2 … xn
probabilité pi = p ( X = xi ) p1 p2 … pn
n

On a : p
i 1
i  p1  p2  ...  pn  1

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 90
90

45
16/03/2020

Chapitre 3 : Variable aléatoire discrète

1. Loi de probabilité (distribution)


Exemple 1:
Soit l’expérience aléatoire : Lancement d’une pièce de monnaie : Ω   P, F 

 X  w   1 si w  F
On définit la variable aléatoire suivante: 
 X  w   0 si w  P

La probabilité d’avoir pile est : 0,5 et celle d’avoir face est 0,5.
Le tableau suivant donne la loi de probabilité de variable aléatoire étudiée.

Résultat de l’expérience Pile Face


Les valeurs associées aux résultats possibles xi 0 1

Les probabilités de réalisation des résultats P(X=xi) 0,5 0,5

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 91
91

Chapitre 3 : Variable aléatoire discrète

1. Loi de probabilité (distribution)


Exemple 2:
Soit l’expérience aléatoire suivante : « Lancement d’un dé ». Ω  1, 2,3, 4,5, 6
Supposons qu’un individu reçoit 5 si l’un des numéros 1ou 2 est obtenu, et 10 si
l’un des numéros 3,4,5 ou 6 est le résultat.
 X  w  5 si w  1, 2 
Alors la variable aléatoire étudiée est la suivante: 
 X  w   10 si w   3, 4,5, 6 

Alors la loi de probabilité de variable aléatoire étudiée :

Résultat de l’expérience (1,2) (3,4,5,6)


Les valeurs associées aux résultats possibles xi 5 10

Les probabilités de réalisation des résultats P(X=xi) ⅓ ⅔

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 92
92

46
16/03/2020

Chapitre 3 : Variable aléatoire discrète

2. Fonction de répartition
La fonction de répartition F d’une variable aléatoire X est définie comme suit :

F : I   0,1
xi F  xi   p  X  xi 
où I

On a : F  xi   p  X  xi   p  X  x1   ....  p  X  xi 

Propriétés

 F est une fonction positive , croissante et prend ses valeurs dans 0,1

 lim F ( x)  0 et lim F ( x)  1
x   x  

 F est continue à droite

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 93
93

Chapitre 3 : Variable aléatoire discrète

2. Fonctions de répartition
Exemple :
Soit X une variable aléatoire de loi de probabilité suivante :

Xi 1 2 3 4

Pi = P(X=xi) 0,2 0,3 0,4 0,1

Alors la fonction de répartition est donnée par le tableau suivant:

Xi 1 2 3 4

F(xi) 0,2 0,5 0,9 1

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 94
94

47
16/03/2020

Chapitre 3 : Variable aléatoire discrète

3. Espérance mathématique

L’espérance mathématique d’une variable aléatoire X de loi de probabilité


xi , pi  pour i  1,.., n , notée E  X  , est donnée par la quantité suivante:

n n
E ( X )   P ( X  xi )  xi   pi  xi
i 1 i 1

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 95
95

Chapitre 3 : Variable aléatoire discrète

3. Espérance mathématique

Exemple :
Considérons deux joueurs A et B à pile ou face.
Si le résultat de lancement est pile , le joueur A paye 2 Dh au joueur B, sinon
, le joueur B paye 4 Dh au joueur A.
Calculer l’espérance mathématique de gain du joueur A.

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 96
96

48
16/03/2020

Chapitre 3 : Variable aléatoire discrète

3. Espérance mathématique
Exemple : Solution
Soit X une variable aléatoire qui désigne le gain du joueur A.
La loi de probabilité de cette variable aléatoire est comme suit :

Résultat de l’expérience (espace fondamental Ω) Pile face


Les valeurs associées aux résultats possibles xi -2 4
Les probabilités associées aux résultats possibles Pi = P(X=xi) 0,5 0,5
Expérience aléatoire : lancement d’une pièce de monnaie

Donc l’espérance mathématique est égale à :


2
E ( X )   P ( X  xi )  xi  2  0, 5  4  0, 5  1  2  1
i 1

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 97
97

Chapitre 3 : Variable aléatoire discrète

3. Espérance mathématique

Propriétés de l’espérance
Soient X et Y deux variables aléatoires, a et b deux nombres réels.

E (aX  b)  aE( X )  b

E ( X  Y )  E ( X )  E (Y )

E  X  Y   E  X   E Y 

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 98
98

49
16/03/2020

Chapitre 3: Variable aléatoire discrètes

4. La variance et l’écart type

La variance d’une variable aléatoire X de loi de probabilité  x i , p i 


pour i = 1,..,n , notée V  X  , est donnée par la quantité suivante:

n 2

V  X   E  X  E  X     pi  xi  E  X     X2
2

i 1

L’écart-type d’une variable aléatoire est donné par la formule suivante :  X

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 99
99

Chapitre 3 : Variable aléatoire discrète

4. La variance et l’écart type

Propriétés:

La variance est donnée par la formule (formule de Koenig)

V X   EX2  EX 
2

Espérance de la variable aléatoire X 2 Carré de l ' espérance


de la variable aléatoire X

E  X 2    p ( X  xi )  xi 2
n

i 1

V (aX  b)  a 2V ( x)

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 100
100

50
16/03/2020

Chapitre 3 : Variable aléatoire discrète

4. La variance et l’écart type

Exemple :
Considérons deux joueurs A et B à pile ou face. Si le résultat de lancement est pile
, le joueur A paye 2 Dh au joueur B, sinon , le joueur B paye 4 Dh au joueur A.
Calculer la variance de gain du joueur A.

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 101
101

Chapitre 3 : Variable aléatoire discrète

4. La variance et l’écart type


Exemple : Solution
Soit X une variable aléatoire qui désigne le gain du joueur A.
La loi de probabilité de cette variable aléatoire est comme suit :

Résultat de l’expérience (espace fondamental Ω) Pile face


Les valeurs associées aux résultats possibles xi -2 4
Les probabilités associées aux résultats possibles Pi = P(X=xi) 0,5 0,5
Expérience aléatoire : lancement d’une pièce de monnaie

Donc l’espérance mathématique est égale à :


2
E ( X 2 )   p ( X  xi )  xi 2  0, 5  4  0, 5 16  2  8  10
i 1

V ( X )  E  X 2    E  X    10  1  9
2
Alors:

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 102
102

51
16/03/2020

Chapitre 3 : Variable aléatoire discrète

5. Moments d’ordre supérieur

 Le moment d’ordre k de X est l’espérance mathématique de X k , i.e:


n n
mk  E ( X k )   P ( X  xi )  xik   pi  xik
i 1 i 1

 Le moment centré d’ordre k de X est :

    p   x  E  X 
n
mk  E  xi  E  X  
k k
i i
i 1

 Le moment d’ordre 1 : m1  E  X 
V  X   m2  m12
 Le moment d’ordre 2: m2  E X 2  

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 103
103

Chapitre 3 : Variable aléatoire discrète

5. Moments d’ordre supérieur

 La fonction génératrice des moments d’une variable aléatoire X est la fonction :

M X  t   E  etX    etxi p  X  xi 
n

i 1

Xk X X2 Xn
Sachant que : eX      ...   ...
k 0 k ! 1! 2! n!

 Xt   Xt    Xt   Xt 
k 2 n

etX     ...   ...
k 0 k! 1! 2! n!
  Xt   Xt 2  Xt   ... 
n

Alors: M X  t   E  etX   E    ... 


 1! 2! n! 
 

tk t2 tn
E  X k   E  X   E  X 2   ...  E  X n   ...
t
M X t   
k 0 k ! 1! 2! n!

tk t t2 tn
 mk  m1  m2  ...  mn  ...
k 0 k ! 1! 2! n!

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 104
104

52
16/03/2020

Chapitre 3 : Variable aléatoire discrète

Exercice :
Un responsable de Maroc-Telecom a dénombré la demande journalière concernant
l’annulation du téléphone fixe pour une période de 200 jours. La distribution
obtenue se présente comme suit :

pi  p  X  xi 
Demande Nombre de
d’annulation (X) jours

x0 = 0 14 p0=14/200 =0,07
x1 = 1 28 p1=28/200 =0,14
x2 = 2 36 p2=36/200 =0,18
x3 = 3 60 p3=60/200 =0,3
x4 = 4 38 p4=38/200 =0,19
x5 = 5 14 p5=14/200 =0,07
x6 = 6 10 p6=10/200 =0,05

1. Déterminer la loi de probabilité de X


2. Calculer E  X  et V  X 

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 105
105

Chapitre 3 : Variable aléatoire discrète

Exercice (solution)
a)
xi 0 1 2 3 4 5 6
pi 0.07 0.14 0.18 0.3 0.19 0.07 0.05
6
b) E ( X )   P ( X  xi )  xi 
i 0

E  X   0.14  2  0.18  3  0.3  4  0.19  5  0.07  6  0.05


 2.81
 
V  X   E X 2  E  X 
6
E ( X 2 )   p ( X  xi )  xi 2
2

i 0

E  X  2  2.81 2  7.8961  
E X 2  0.14  1  0.18  4  0.3  9
 0.19  16  0.07  25  0.05 36
Donc :   X   V  X   1.5013  10.15.

16/03/2020 Probabilité et Echantillonnage 106

53
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Uniforme

Soit E une expérience aléatoire dont le cardinal de l’espace fondamental Ω


est égal à n.

Soit X une variable aléatoire tel que X  wi  où wi  i  1,..., n   .

telles que xi : les valeurs associées aux résultats possibles wi  i  1,..., n   

X suit la loi Uniforme si et seulement si:


1
p  X  xi  
n
Les propriétés de X sont :

n 1 n2  1
E( X )  V (X ) 
2 12

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 107
107

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Uniforme


Exemple : Considérons l’expérience aléatoire suivante : « Lancement d’un dé »

Soit X le numéro obtenu par cette expérience.


La valeur de X est l’élément de l’événement A  i où i  1, 2, , 6.
Alors:
xi 1 2 3 4 5 6

p  X  xi  1/6 1/6 1/6 1/6 1/6 1/6

L’espérance et la variance :

n 1 6 1 n 2  1 62  1
E( X )    3,5 V (X )    2,91
2 2 12 12

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 108
108

54
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi de Bernoulli


La distribution de Bernoulli ou loi de Bernoulli, du nom du mathématicien
suisse Jacques Bernoulli, est une distribution discrète de probabilité, qui prend la
valeur 1 avec la probabilité p et 0 avec la probabilité q = 1 – p, définie comme
suit :
P : 0,1  0,1 avec :  p( X  1)  p
X  p( X )  p ( X  0)  q  1  p
𝑝
On écrit X → B(1,p)
Remarque: Cette expérience aléatoire est appelée l’expérience de Bernoulli.

Les propriétés de X sont :

E( X )  p
Var ( X )  p.q  p 1  p 

16/03/2020
16/03/2020 Probabilité et Echantillonnage 109
109

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi de Bernoulli


Exemple :

Considérons l’expérience aléatoire suivante : « Lancement d’un dé »


On s’intéresse dans cette expérience au numéro de la face inférieure ou
égale à 4.
Alors on a:

  1, 2,3, 4,5,6

A  1, 2,3, 4 est l’événement concerné


4 2
p  p  A  
6 3

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 110
110

55
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi de Bernoulli


Exemple :

La variable aléatoire définie par:

1 , Si le numéro obtenu est inférieur à 4


X 
0 , Sinon

Suit la loi de Bernoulli B(1,2/3).

La moyenne et la variance de X sont:

2
EX   p  et V  X   p 1  p  
2
3 9

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 111
111

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Binomiale


On répète n fois l’expérience de Bernoulli dans les mêmes conditions et d’une
manière indépendante l’une aux autres.
Tel que X= « le nombre de succès obtenu dans une expérience».

1 , Si A est réalisé  p  p  A

X  où : 
0 , Si non q  1  p

La loi binomiale comptabilise le nombre d’obtention de k succès, sachant que la


probabilité d'un succès est p .

 n et p sont les paramètres de cette loi.

16/03/2020 Probabilité et Echantillonnage 112

56
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Binomiale

 La probabilité de la loi binomiale

La loi de probabilité d'une variable aléatoire X distribuée selon une


binomiale de paramètre n  * et p  0;1 , notée X ~ B  n; p  ,
prend la forme suivante :

k  0;1;...; n , P  X  k   Cnk p k (1- p ) n -k

16/03/2020 Probabilité et Echantillonnage 113


113

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Binomiale

Proposition :
o L’espérance et la variance de la loi de binomiale sont égales
respectivement : E  X   np et Var  X   np 1  p 
o La fonction génératrice des moments d'une loi de binomiale est :
M X  t   E  etX    q  pet 
n

Théorème : stabilité additive de la loi binomiale

X  B  m; p  et Y  B  n; p 

X  Y  B  n m; p 

16/03/2020 Probabilité et Echantillonnage 114


114

57
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Binomiale


Remarques
 Soit X= « le nombre de succès obtenu dans une expérience».

1 , Si A est réalisé  p  p  A

X  où 
0 , Si non q  1  p

 Soit Y= « le nombre de succès obtenu au cours de n expériences indépendantes».


n
Y   Xk
k 1
où X 1 , X 2 ,...., X n sont n variables indépendantes qui suivent la loi de Bernoulli.

Alors Y suit la loi binomiale :

E (Y )  np
V (Y )  np.q  np (1  q )

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 115
115

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Binomiale

Exemple :
On lance un dé 5 fois. On s’intéresse au nombre 3 obtenu en total, i.e:
Compter le nombre de fois d’obtention le (numéros 3).
Soit X une variable aléatoire qui désigne la somme des résultats obtenus.
Donc X suit la loi binomiale de paramètre n = 5 et p = 1/6. C’est-à-dire :

X B 5 ; 1/ 6
3 2
1 5
p  p  X  3  C53    
6 6
250
  0, 032.
7776

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 116
116

58
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi binomiale négative

 Soient E l’expérience de Bernoulli et A l’événement « succès » de


probabilité p.
La probabilité A est égale à q = 1- p.

 On répète l’expérience E n fois dans les mêmes conditions et d’une manière


indépendante l’une aux autres.

 Loi binomiale négative comptabilise le nombre d'échecs nécessaires avant


obtention de n succès, sachant que la probabilité d'un succès est p .

 n et p sont les paramètres de cette loi.

16/03/2020 Actuariat de l'Assurance non-vie 117


16/03/2020 Probabilité et Echantillonnage 117

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi binomiale négative

La loi de probabilité d'une variable aléatoire X distribuée selon une binomiale


négative de paramètres n et p , notée NegBin  n, p  , prend la forme suivante :

 k  n  1 n k
PX  k    p q , pour k  0, 1, 2, ... avec q  1 p
 n 1 

Le coefficient binomial est :

 k  n  1 n 1 (k  n  1)! k  k  n  1
   cn  k 1   cn  k 1   
 n 1  k ! n  1! k 

16/03/2020 Actuariat de l'Assurance non-vie 118


16/03/2020 Probabilité et Echantillonnage 118

59
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi binomiale négative

Proposition :

o L’espérance et la variance de la loi de binomiale négative sont égales


respectivement :

 q  q 
EX   n  et Var  X    n 2 
 p  p 

16/03/2020 Actuariat de l'Assurance non-vie 119


16/03/2020 Probabilité et Echantillonnage 119

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi binomiale négative

Théorème : somme de deux lois binomiales négatives


La somme de deux lois binomiales négatives de paramètres respectifs  n1 , p 
et  n2 , p  est une loi binomiale négative de paramètre  n1  n2 , p  .

Si X  NegBin  n1 ; p  et Y  NegBin  n2 ; p 
avec X et Y indépendante, alors

X  Y  NegBin  n1  n2 , p 

16/03/2020 Actuariat de l'Assurance non-vie 120


16/03/2020 Probabilité et Echantillonnage 120

60
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi binomiale négative

Exemple :

Etant donné un stock de pièces qui contient 5% des pièces défectueuses. On


prélève avec remise une pièce. Quelle est la probabilité dans les cas suivants:

 On fait 20 tirages pour obtenir 2 pièces non défectueuses


 On fait 15 tirages pour obtenir 3 pièces non défectueuses

Soit X le nombre de prélèvements nécessaires pour obtenir deux pièces


non défectueuses. Alors on a:

P  X  20   C191  0.9    0.1


2 18

P  X  15   C142  0.9    0.1


3 12

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 121
121

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Géométrique

 Soient E l’expérience de Bernoulli et A l’événement « succès » de


probabilité p.
La probabilité A est égale à q = 1-p.

 On répète l’expérience E n fois dans les mêmes conditions et d’une manière


indépendante l’une aux autres.

 Soit X = « le nombre d’expérience E avant l’obtention de l’événement A


pour la première fois».

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 122
122

61
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Géométrique

 p  X  k  représente la probabilité que l’événement A se produit pour la

première fois durant la kème expérience.

 Les (k-1) expériences précédentes ont pour résultat l’événement contraire A .


 Comme les expériences sont indépendantes, alors p  X  k   q p
k 1

On écrit X → G(p)

Les propriétés de X sont :


1
E( X ) 
p
1 p
V (X )  2
p

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 123
123

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Géométrique

Exemple :
On lance un dé plusieurs fois jusqu’à l’apparition de la face N°1. Quelle est la
probabilité d’obtenir la face N°1 pour la première fois au 20ème lancer.

Soit X le nombre de lancers nécessaires pour obtenir la face N°1 pour la première fois.

On a : A  1 et A  2,3, 4,5, 6 .

p  A 
1 5
Alors p  A  et Donc:
6 6
  5
19

p  X  20  p  A et A et .et A ; et A   p  A   p  A   ...  p  A   p  A     


1
   6  6
 19. fois  19. fois

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 124
124

62
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Hypergéométrique


 Soit une urne qui contient N boules composées de:

 N1 boules d’une couleurs donnée, (la couleur noire par exemple)


 N2 boules d’autres couleurs, (autre couleur que la noire).

 On fait n tirages sans remise à partir de cette urne.

 Soit X la variable aléatoire qui désigne «Le nombre de boules noires


obtenues».

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 125
125

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Hypergéométrique

N1
X suit la loi Hypergéométrique de paramètres: N, n et p .
N
Ainsi la probabilité de tirer k boules données est égale à:

CNk 1 .CNn 2 k
p X  k 
CNn
On écrit X → H(N,n,p)

Les propriétés de X sont :

EX   n p
N n
V X   npq
N 1

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 126
126

63
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Hypergéométrique

Exemple :

Soit une urne qui contient 2 boules blanche et 1 boule noire. On tire
une boule 2 fois sans remise. La probabilité d’obtenir 2 boules
blanches est égale à:

C22  C10 1
p  X  2  
C32 3

16/03/2020
16/03/2020 Probabilité et Echantillonnage 127
127

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Poisson

 La loi de Poisson est utilisée lorsque il s’agit d’étude d’un phénomène durant un laps
infiniment petit. Elle est utilisée aussi dans les phénomènes d’attentes , les contrôles
de qualité et en assurance.
e  k
 Une variable aléatoire discrète X suit une loi de Poisson si : p  X  k  
k!

où  est un paramètre positif. On écrit X P   .

Les propriétés de X sont :

E( X )  

V (X )  

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 128
128

64
16/03/2020

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Poisson


Exemple :
Soit X le nombre des arrivées des clients à un guichet bancaire.
Supposons que X suit la loi de Poisson de paramètre 4.
Calculer les probabilités suivantes :
a) aucun client n’arrive au guichet,
b) plus de 2 clients arrivent au guichet,
c) entre 3 et 7 clients arrivent au guichet.
e 4 4 0
a) pX  0   e  4  0,018
0!

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 129
129

Chapitre 3 : Variable aléatoire discrète

6. Lois Discrètes Usuelles : Loi Poisson

b) pX  3  1  pX  2

 1   pX  0  pX  1  pX  2


 0,762

c) p 3  X  7  p  X  3   X  7   p  X  3  p  X  7 

 1  p  X  3   p  X  7   p  X  7   p  X  3  p  X  7 

 p  X  7   p  X  3   X  7   p  X  7   p  X  3

 p  X  3  p  X  4  p  X  5  p  X  6  p  X  7 

 0,711

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 130
130

65
16/03/2020

Chapitre 3: Variable aléatoire discrète


Résumé
1. La loi (ou distribution)


Soit X une variable aléatoire discrète définie sur Ω , tel que X  x1 , x2 ,..., xn 

La loi (ou distribution) de probabilité de la variable aléatoire X est :

X = xi x1 x2 … xn

P ( X = xi ) P ( X = x1 ) P ( X = x2 ) … P ( X = xn )

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 131
131

Chapitre 3: Variable aléatoire discrète


Résumé
2. Caractéristiques de la variable aléatoire X :

n
Espérance mathématique/moyen : E ( X )   P( X  xi )  xi
i 1

Variance : V  X   E  X 2   E  X 2   pi xi 2  E  X 2
n

i 1

Ecart type :   X   V  X 

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 132
132

66
16/03/2020

Chapitre 3: Variable aléatoire discrète


Résumé
3. Lois Discrètes Usuelles :

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 133
133

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 1 :
Soit X une variable aléatoire dont la loi de probabilité est donnée par le
tableau suivant :
X 0 1 2 3
P(X=xi) 0,15 0,24 0,35 0,26

1. Justifier que le tableau ci-dessous représente bien une loi de probabilité.


2. Déterminer les probabilités suivantes : P( X  2) ; P( X  2) ; P( X  1  X  3)
3. Déterminer l’espérance mathématique et l’écart-type de cette la variable aléatoire.

16/03/2020
16/03/2020 Probabilité et Echantillonnage 134
134

67
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 1 : Correction
1. Le tableau représente une loi de probabilité car toutes ces valeurs sont des
nombres appartenant à l’intervalle [0,1] et car 0,15 + 0,24 + 0,35 + 0,26 = 1.
2. On a P ( X  2)  P ( X  2   X  3)  P  X  2   P( X  3)  0,35  0, 26  0, 61

On a P( X  2)  1  P( X  2)  1  0, 61  0,39

et P( X  1   X  3)  P  X  1  P( X  3)  0, 24  0, 26  0,5


4
3. On a E ( X )   P( X  xi )  xi  0,15  0  0, 24 1  0,35  2  0, 26  3  1, 72
i 1

On a aussi
2
E ( X 2 )   P ( X  xi )  x 2i  0,152  0  0, 242 1  0, 352  2  0, 262  3  3,98
i 1

V ( X )  E  X 2    E  X    3, 98  1, 722  1, 0216
2
Alors

  X   V ( X )  1, 0216  1, 011
16/03/2020
16/03/2020 Probabilité et Echantillonnage 135
135

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 2 :
Une urne contient 50 boules blanches, 25 boules noires et 25 boules rouges.
L’expérience élémentaire consiste à tirer une boule. Les boules ont toutes la
même probabilité d’être tirées.
On effectuer 3 tirages indépendants et avec remise.
1. Déterminer la probabilité de l’évènement : A : « les trois boules tirées sont
blanches ».
2. Déterminer la probabilité de l’évènement : B : « aucune des boules tirées est
blanches
. ».
3. Déterminer la probabilité de l’évènement : C : la première boule tirée est
blanche et les deux autres ne sont pas blanches ». Et en déduire la probabilité de
l’évènement : D « une seule des boules tirées est blanche »
4. Déterminer la probabilité de l’évènement : E : « deux boules tirées sont
blanches et une boule n’est pas blanche ».
5. Soit X la variable aléatoire prenant pour valeur le nombre de boules blanches
tirées.
a. Déterminer la loi de probabilité de cette la variable aléatoire X.
b. Déterminer l’espérance mathématique cette la variable aléatoire X.

16/03/2020
16/03/2020 Probabilité et Echantillonnage 136
136

68
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 2 : Correction
1. La probabilité de l’évènement : A : « les trois boules tirées sont blanches ».
50 1
La probabilité de tirer une boule blanche est de 
100 2 3
1 1
Les trois tirages sont indépendants et avec remise , on a la probabilité P  A     
2 8
2. La probabilité de l’évènement : B : « aucune des boules tirées est blanches ».
La probabilité de l’évènement : B : « aucune des boules tirées est blanches »
est équivalente à la probabilité de tirer une boule noire ou rouge est de :
25 25 1
 
100 100 2
Les tirages sont indépendants et avec remise, on a la probabilité :
3
1 1
P  B    
2 8

16/03/2020
16/03/2020 Probabilité et Echantillonnage 137
137

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 2 : Correction
3. La probabilité de l’évènement : C : la première boule tirée est blanche et les
deux autres ne sont pas blanches ».
Les tirages sont indépendants et avec remise, on a la probabilité :
2
1 1 1
P C      
2 2 8
- La probabilité de l’évènement : D : «une seule des boules tirées est blanche ».
On définit les évènements D1, D2 et D3 représentants les évènements
respectivement la première , la seconde et la troisième est la seule boule
blanche tirée.
Les trois évènements sont disjoints, on a:
1 1 1 3
P  D   P  D1  D 2  D 2     
8 8 8 8

16/03/2020
16/03/2020 Probabilité et Echantillonnage 138
138

69
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 2 : Correction
4. La probabilité de l’évènement : E : « deux boules tirées sont blanches et une
boule n’est pas blanche ».
Considérons l’évènement E1 « la première boule est blanche et les deux autres ne
sont pas »
2
Les tirages sont indépendants, on a: P  E1     
1 1 1
2 2 8
Alors la probabilité de l’évènement : E : « deux boules tirées sont blanches et une
3
boule n’est pas blanche » est : P ( E )  3P  E1 
8
5. Soit X la variable aléatoire prenant pour valeur le nombre de boules blanches tirées.
Déterminer la loi de probabilité de cette la variable aléatoire X
X 0 1 2 3

1 3 3 1
P(X=xi)
8 8 8 8
3
E ( X )   P( X  xi )  xi  0,125  0  0,375 1  0,375  2  0,125  3  1, 5
i 0

16/03/2020
16/03/2020 Probabilité et Echantillonnage 139
139

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 3 :
Un assureur couvre un portefeuille de risques pour lesquels la statistique des 1000
sinistres est présentée dans le tableau ci-dessous.
Coût des sinistres (en 100 DH) Nombre de sinistres
2 207
5 68
10 194
20 269
. 30 163
40 99
Total 1000

1. Calculer l’espérance mathématique du coût des sinistres.


2. La prime chargée pour une couverture de réassurance est donnée par X   max  0, X 1200
Calculer l’espérance mathématique de X  .

16/03/2020
16/03/2020 Probabilité et Echantillonnage 140
140

70
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 3 : Correction
1. Déterminer la loi de probabilité de cette la variable aléatoire X
X : Coût des sinistres (en 100 DH) P(X=xi)
2 0,207
5 0,068
10 0,194
20 0,269
30 0,163
40 0,099
.
Total 1

Calculer l’espérance mathématique du coût des sinistres.


6
E ( X )   P( X  xi )  xi  0, 207  2  0, 068  5  0,194 10  0, 269  20
i 1

 0,163  30  0, 099  40  16,924

16/03/2020
16/03/2020 Probabilité et Echantillonnage 141
141

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 3 : Correction
2. Déterminer la loi de probabilité de la variable aléatoire X   max  0, X 1200
X : Coût des sinistres X   max  0, X 1200 P(X’=xi)
(en 100 DH) (en 100 DH)
2 0 0
5 0 0
10 0 0
20 8 0,269
. 30 18 0,163
40 28 0,099
Total 1
Calculer l’espérance mathématique du X   max  0, X 1200 .
6
E ( X )   P ( X  xi )  xi  0  2  0  5  0 10  0, 269  8
i 1

 0,163 18  0, 099  28  7,858

16/03/2020
16/03/2020 Probabilité et Echantillonnage 142
142

71
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 4 :
On tire 2 boules dans une urne contenant 3 boules numérotées 1 ; 2 ; 3 : on
note X la somme des chiffres apparus.
Déterminer la loi, la fonction de répartition et l’espérance de X.
1. Si le tirage est avec remise.
2. Si le tirage est sans remise.
.

16/03/2020
16/03/2020 Probabilité et Echantillonnage 143
143

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 4 : Correction
1. Disposition de 2 parmi 3 avec répétitions, alors Card     32  9
On a l’équiprobabilité. E(X) = 4
X 2 3 4 5 6

1 2 3 2 1
P(X=xi)
9 9 9 9 9

FX (xi) 1 3 6 8
1
. 9 9 9 9

2. Disposition de 2 parmi 3 sans répétitions, alors Card     A32  3


On a l’équiprobabilité. E(X) = 4

X 3 4 5

1 1 1
P(X=xi)
3 3 3

FX (xi) 1 2
1
3 3

16/03/2020
16/03/2020 Probabilité et Echantillonnage 144
144

72
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 5 :

Un avion peut accueillir 20 personnes; des statistiques montrent que 25% clients
ayant réservé ne viennent pas.
Soit X la variable aléatoire : «nombre de clients qui viennent après réservation
parmi 20».
1. Quelle est la loi de X ? (on ne donnera que la forme générale).
.
2. Quelle est son espérance, son écart-type ?
3. Quelle est la probabilité pour que X soit égal à 15 ?

16/03/2020
16/03/2020 Probabilité et Echantillonnage 145
145

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 5 : Correction

1. Soit X la variable aléatoire nombre de clients qui viennent après réservation


parmi 20. La loi de X est une loi binomiale de paramètres n = 20, p = 0,75.
2. Son espérance est np = 15, son écart-type est

np 1  p   20  0, 75  0, 25  1,936

3. La probabilité pour que X soit égal à 15 est:

On a : P  X  k   Cnk p k (1- p ) n -k

P  X  15  C20
15
0, 7515 (1- 0, 75) 20-15  0, 20233

16/03/2020
16/03/2020 Probabilité et Echantillonnage 146
146

73
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 6 :

L’oral d’un concours comporte au total 100 sujets ; les candidats tirent au
sort trois sujets et choisissent alors le sujet traité parmi ces trois sujets.
Un candidat se présente en ayant révisé 60 sujets sur les 100.
1. Quelle est la probabilité pour que le candidat ait révisé :
(a) les trois sujets tirés ;
.
(b) exactement deux sujets sur les trois sujets ;
(c) aucun des trois sujets.
2. Définir une variable aléatoire associée à ce problème et donner sa loi de
probabilité, son espérance.

16/03/2020
16/03/2020 Probabilité et Echantillonnage 147
147

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 6 : Correction

1. Quelle est la loi de X ? (on ne donnera que la forme générale).


La variable aléatoire associée à ce problème est X «nombre de sujets révisés
parmi les 3»; son support est l’ensemble {0,1,2,3}. La loi de X est une loi
hypergéométrique puisque l’événement [X = k], pour k compris entre 0 et 3,
se produit si le candidat tire k sujet(s) parmi les 60 révisés, et 3−k sujets parmi
.
les 40 non révisés. Alors
3
C60
a) Les trois sujets tirés ont été révisés : P( X  3)  3
C100
C602 C40
1
b) Deux des trois sujets tirés ont été révisés : P( X  2)  3
C100
3
C40
c) Aucun des trois sujets : P( X  0)  3
C100

16/03/2020
16/03/2020 Probabilité et Echantillonnage 148
148

74
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 6 :
Loi Hypergéométrique
N1
X suit la loi Hypergéométrique de paramètres: N, n et p .
N
Ainsi la probabilité est égale à:

CNk 1 .CNn 2 k
p X  k 
CNn

On écrit X → H(N,n,p)

Les propriétés de X sont :

EX   n p
N n
V X   npq
N 1

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 149
149

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 6 : Correction

2. Définir une variable aléatoire associée à ce problème et donner sa loi de


probabilité, son espérance..

La loi de probabilité de X est donnée sur le support {0,1,2,3} par


3 k
C60k C40
P( X  k )  3
C100
X 0 1 2 3
P(X=xi) 6,110.10−2 0,289 0,438 0,212

L’espérance est E(X) = 1,8 (selon la formule E  X   n p )

16/03/2020
16/03/2020 Probabilité et Echantillonnage 150
150

75
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 7 :
Un candidat se présente à un concours où, cette fois, les 20 questions sont
données sous forme de QCM. A chaque question, sont proposées 4 réponses,
une seule étant exacte. L’examinateur fait le compte des réponses exactes
données par les candidats.
Certains candidats répondent au hasard à chaque question ; pour ceux-là,
.
définir une variable aléatoire associée à ce problème et donner sa loi de
probabilité, son espérance.

16/03/2020
16/03/2020 Probabilité et Echantillonnage 151
151

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 7 : Correction

Puisque les réponses sont données au hasard, chaque grille-réponses est en


fait la répétition indépendante de 20 épreuves aléatoires (il y a 4 20 grilles-
réponses). Pour chaque question la probabilité de succès est de 1/4 et
l’examinateur fait le compte des succès : la variable aléatoire X, nombre de
bonnes réponses, obéit à une loi binomiale donc on a directement les
.
résultats. Pour toute valeur de k comprise entre 0 et 20 :

P  X  k   Cnk p k (1- p ) n -k  C20


k
.0, 25k .(1- 0, 25) 20-k
ce qui donne la loi de cette variable aléatoire.

Quelle est l’espérance d’un candidat fumiste ? C’est E(X) = np =5.

16/03/2020
16/03/2020 Probabilité et Echantillonnage 152
152

76
16/03/2020

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 8 :
Un industriel doit vérifier l’état de marche de ses machines et en remplacer
certaines le cas échéant. D’après des statistiques précédentes, il évalue à 30% la
probabilité pour une machine de tomber en panne en 5 ans; parmi ces dernières, la
probabilité de devenir hors d’usage suite à une panne plus grave est évaluée à 75%;
cette probabilité est de 40% pour une machine n’ayant jamais eu de panne.
1. Quelle est la probabilité pour une machine donnée de plus de cinq ans d’être hors
d’usage?
2. Quelle est la probabilité pour une machine hors d’usage de n’avoir jamais eu de
.
panne auparavant?
3. Soit X la variable aléatoire «nombre de machines qui tombent en panne au bout
de 5 ans, parmi 10 machines choisies au hasard». Quelle est la loi de probabilité de
X, (on donnera le type de loi et les formules de calcul), son espérance, sa variance
et son écart-type?
4. Calculer P[X = 5].

16/03/2020
16/03/2020 Probabilité et Echantillonnage 153
153

Chapitre 3
TD3: Variables aléatoires discrètes
Exercice 8 : Correction

1. 30% est la probabilité de l’événement Panne, noté Pa ; la probabilité pour une


machine donnée de plus de cinq ans, d’être hors d’usage est HU.
P(HU) = P(HU/Pa).P(Pa)+P(HU/nonPa).P(nonPa) = 0,3 X 0,75+ 0,4 X 0,7 = 0,505.

2. La probabilité pour une machine hors d’usage de n’avoir jamais eu de


panne auparavant est :
P(nonPa/HU) = P(HU/nonPa).P(nonPa)/P(HU) = 0,4 X 0,7/0,505 = 0,554 46.

3. La loi de probabilité de X est une loi binomiale, n = 10, p = 0,3, espérance 3.

4. P  X  5  C10k .0,3k .(1- 0,3)10-k  0,1029

16/03/2020
16/03/2020 Probabilité et Echantillonnage 154
154

77
16/03/2020

Probabilité et Echantillonnage

Chapitre 4
Variables Aléatoires Continues

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 155
155

Chapitre 4 : Variables aléatoires continues

 Fonction de densité
 L’espérance mathématique et la variance
 Moments d’ordre supérieur
 Fonction génératrice des moments
 Lois Continues Usuelles

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 156
156

78
16/03/2020

Chapitre 4 : Variables aléatoires continues

1. Fonction de densité

Définition :

Soit X une variable aléatoire de fonction de répartition F .


La variable X est dite continue s’il existe une fonction positive  telle que :

F  x   f  t  dt ,x 
x



La fonction  est appelé densité de probabilité de X.

F est une fonction positive, croissante, telle que : lim F x  0 et xlim F x   1
x 

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 157
157

Chapitre 4 : Variables aléatoires continues

1. Fonction de densité
Propriétés :

La fonction de densité de probabilité de X vérifie les conditions suivantes :



 f  t  dt  1


P  a  X  b   F  b   F  a    f  t  dt
b

Si  est continue en x0 alors F est dérivable en x0 et F '  x   f  x 


0 0

Remarque : La fonction de densité de probabilité  est appelée


x
aussi la loi de X.
0

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 158
158

79
16/03/2020

Chapitre 4 : Variables aléatoires continues

Exemple :

Soit X une variable aléatoire de fonction de densité  définie par :


x
 si 0  x  2
f  x   2

0 sinon
1. Vérifier que f une fonction de densité de probabilité
2. Calculer la fonction de répartition
3. Représenter le graphique de f et de F
4. Calculer P  0,5  X  0, 7 
5. Retrouver E  X  et V  X  à l’aide de M X  t 

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 159
159

Chapitre 4 : Variables aléatoires continues

Exemple: Solution
1)   2
1 x2 
0 2 2
f x dx 
x x 1 4 


 0dx  
 0
2
dx   0dx 
2
0 2 dx   2 . 2   2  2  0  1.
2) x 0 x
F ' x   f x   F x    f t dt   f t dt   f t dt
  0
x
x
t  x2 2
F  x    dt    
t
3) 0
2  4 0 4

16/03/2020
16/03/2020 Probabilité et Echantillonnage 160
160

80
16/03/2020

Chapitre 4 : Variables aléatoires continues

2. L’espérance mathématique et la variance


L’espérance mathématique
L’espérance mathématique ou l’espérance d’une variable aléatoire continue,
notée E  X , est définie par :

EX    xf  x  dx


La variance
La variance d’une variable aléatoire continue X, notée V  X  ,est définie
par :
V  X   E  X 2    E  X 
2

EX2  

où: x 2 f  x  dx


16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 161
161

Chapitre 4 : Variables aléatoires continues

Exemple: Solution
4) 2

x2  x3  8 4
2
E  X    xf  x  dx   dx     
 0
2  6 0 6 3
et
 16 
2
V  X   E  X 2    E  X     x 2 f  x  dx   
2

0 9
2
16 1  x 4  16 16 16
2
x3 16
 dx         2 
0
2 9 2  4 0 9 8 9 9
18  16 2
 X  
2 2
  .  .
9 9 9 3

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 162
162

81
16/03/2020

Chapitre 4 : Variables aléatoires continues

2. L’espérance mathématique et la variance

Propriétés
Soient a et b deux constantes ; X et Y deux variables aléatoires continues
E  a   a et V  a   0

E  aX  b  aE  X   b
V  aX+b   a 2 V  X 

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 163
163

Chapitre 4 : Variables aléatoires continues

3. Moments d’ordre supérieur


 Le moment d’ordre k de X est l’espérance mathématique de X k , i.e:

mk  E ( X k )   x f  x dx
k



 Le moment centré d’ordre k de X est l’espérance mathématique de X , i.e:


k


mk  E  X  E  X    x  E X  f xdx
k k



 Le moment d’ordre 1 : m1  E  X 
V  X   m2  m12
 Le moment d’ordre 2: m2  E X 2  

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 164
164

82
16/03/2020

Chapitre 4 : Variables aléatoires continues

3. Moments d’ordre supérieur


 La fonction génératrice des moments d’une variable aléatoire X est la fonction :

M X  t   E  etX    e f  x  dx
tx



Xk X X2 Xn
 Sachant que : e X
   ...   ...
k 0 k ! 1! 2! n!
 Xt   Xt    Xt   Xt 
k 2 n

etX     ...   ...
k 0 k! 1! 2! n!
  Xt   Xt 2  Xt 
n

 Alors: M X t   E e   E  tX
  ...   ... 
 1! 2! n! 
 
 k 2 n
M X  t    E  X k   E  X   E  X 2   ...  E  X n   ...
t t t t
k 0 k ! 1! 2! n!

tk t t2 tn
 mk  m1  m2  ...  mn  ...
k 0 k ! 1! 2! n!
16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 165
165

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi Uniforme


Une variable aléatoire X suit la loi uniforme sur un intervalle [a , b] si sa fonction de
densité est donnée par la formule suivante:

 1
 , si a  x  b
f  x  b  a

0, sinon
On écrit X U  a., b 

Les propriétés de X sont :

E( X ) 
a  b
2

b  a 
2

V (X ) 
12

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 166
166

83
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi Uniforme


Exemple:

Soit une personne qui arrive à la gare de bus en sachant que ce dernier arrive à chaque 60 min. Cette
personne n’aucune information ni sur l’heure du denier bus ni sur l’heure de la prochain bus. Il
demande les gents de la gare le temps qu’il doit rester en attente du l’heure du prochain bus.
Calculer la probabilité pour cette personne reste en attente entre 15 et 30 min.

Soit X le temps d’attente en min de cette personne. On admet que X U  0, 60  . On a:

1
 , si 0  x  60
f  x    60

0, sinon
Alors:
1 15
P 15  X  30    f  x  dx   x 15   0.25
30 30
15 60 60

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 167
167

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi normale

La loi normale est la loi de probabilité absolument continue qui dépend de deux
paramètres : son espérance, un nombre réel noté  , et son écart type, un nombre
réel positif noté  . Notée : X N ( , 2 )

La densité de probabilité est donnée par la fonction  :   définie par :


1
 2 t   
2
1
f X t   e 2 , t 
 2
 u2 
1  
2 
FX  x   
y
Fonction de répartition : 
e du
2

16/03/2020 Probabilité et Echantillonnage 168

84
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi normale

L’espérance et la variance de X sont données respectivement par :

EX    et  2 X   2

La Fonction génératrice des moments

  2t 2 
M X  t   E  etX   exp  t   , t 
 2 

16/03/2020 Actuariat de l'Assurance non-vie 169


16/03/2020 Probabilité et Echantillonnage 169

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi normale


Loi normale centrée réduite
Si X N  m, 
 X m xm X m
Alors F  x  P  X  x  P    , avec Y  N  0,1
    
 xm  xm
= P Y  
     

La valeur de  est déterminée à partir de la table normale


X m
Si Y  alors Y est appelée la loi normale centrée réduite.

On écrit Y N  0,1
On a E  X   0 , V  X   1 et   x  1   x

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 170
170

85
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi normale

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 171
171

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi normale

Calcul des probabilités avec la loi normale centrée réduite»

On a: p (0  T  t1 )  p (0  T  t1 )

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 172
172
16/03/2020 Probabilité et Echantillonnage 172

86
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi normale


Exemple: Calcul de p(0  T  0,5) par l’utilisation de la table de la loi Normale

 pour T=0,50 on lit directement de la table, 0,1915

 pour T=0,51 on lit directement de la table, 0,195

p (0  T  0,5)  p  0,5   p  0   0,1915  0, 000  0,1915


16/03/2020 Echantillonnage & Estimation 173
16/03/2020 Probabilité et Echantillonnage 173

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi normale


Exemple de Calcul : Entre
T= -2,24 et T= 1,12

à T=1,12 correspond 0,3686


p(0  T  1,12)  0,3686
à T=2,24 correspond 0,4875
p(2, 24  T  0)  p(0  T  2, 24)  0, 4875

16/03/2020 Echantillonnage & Estimation 174


16/03/2020 Probabilité et Echantillonnage 174

87
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi normale

Exemple de Calcul : Entre T= -2,24 et T= 1,12

Donc on aura :

16/03/2020 Echantillonnage & Estimation 175


16/03/2020 Probabilité et Echantillonnage 175

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi log-normale

Une variable aléatoire continue Y suit une loi de log-normale de paramètres


et x0 ,   si  *
 .
Notée : Y LogN ( x0 ;  ;  )
2
L  ln  X  x0   N ( , 2 )
Elle admet alors pour densité de probabilité la fonction :
1
 ln  t  x0   
2
1 
fY  t   e 2 2
, t
 t  x0   2

Fonction de répartition : FY  x   FX  ln x  ; si x  0

où FX  x  est la fonction de répartition de la loi Normale.

Actuariat de l'Assurance non-vie 176


16/03/2020 Probabilité et Echantillonnage 176

88
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi log-normale

L’espérance et la variance de Y sont données respectivement par :

 
2
 2 Y   e2   e  1

E Y   x0  e
2 2
2 et

Remarque : la fonction génératrice de la loi log normale est non définie


pour les réels strictement positifs.

16/03/2020 Actuariat de l'Assurance non-vie 177


16/03/2020 Probabilité et Echantillonnage 177

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi exponentielle

On dit qu’une variable aléatoire X suit la loi exponentielle de paramètre  0


si elle admet pour densité de probabilité la fonction :

f x  x   e x , x  0
Notée X ~ Exp   

La fonction de répartition et de survie sont respectivement données par :

FX  x   1  e x et S X  x   e x

16/03/2020 Actuariat de l'Assurance non-vie 178


16/03/2020 Probabilité et Echantillonnage 178

89
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi exponentielle

Proposition :
1
o L’espérance : E  X  
1
et la variance : Var  X   .
 2
o La fonction génératrice est donnée par :


  t    etx   , t 
 t

o La sommes de variables aléatoires exponentielles indépendantes est une variable


aléatoire suit une loi Gamma .

16/03/2020 Actuariat de l'Assurance non-vie 179


16/03/2020 Probabilité et Echantillonnage 179

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Pareto

Une variable aléatoire X suit une loi de Pareto de paramètres  , x0  *



si elle
admet pour densité de probabilité la fonction :
 ax0a

f X  x, a, x0    x a 1 si x  x0
0 si x0  x

Notée X Pareto  a, x0 

La fonction de répartition et de survie sont données respectivement par :


a a
x  x 
FX  x, x0 , a   1   0  et S X  x, x0 , a    0  avec x  x0  0
 x  x

16/03/2020 Probabilité et Echantillonnage 180

90
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Pareto

L’espérance et la variance de X sont données respectivement par :


2
x0 a xa
EX   , si a  1 et  2  X   0
, si a  2
a 1  a  2  a  1

Remarque :
o La fonction génératrice de la loi de Pareto est non définie pour les réels strictement
positifs.

16/03/2020 Probabilité et Echantillonnage 181

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Weibull

Une variable aléatoire X suit une loi de Weibull de paramètres  ,  


*
 si elle
admet pour densité de probabilité la fonction :


f X  x     x e
 1   x
si x  0,
0 si x  0.
Notée X W  ,   .

La fonction de répartition et de survie sont données respectivement par :

FX  x,  ,    1  e   x S X  x,  ,    e   x
 

et

16/03/2020 Probabilité et Echantillonnage 182

91
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Weibull

L’espérance et la variance de X sont données respectivement par :


 1
 1   1   2  1 
EX     et  2 X    1    2   
2  
1      
 


t x 1
 désigne la fonction Gamma d'Euler définie par :  : x 0 e t dt

 k
La Fonction génératrice des moments : mX  k   E  X k  
1
 1
 n   

16/03/2020 Probabilité et Echantillonnage 183

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Gamma

Une variable aléatoire X suit une loi de Gamma ou eulérienne de


paramètres  ,   *
 si elle admet pour densité de probabilité la fonction :
 
 x 1e   t si x  0,
f X  t      

0 si x  0.
Notée X GA  ,   .

184
16/03/2020 Probabilité et Echantillonnage 184

92
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Gamma

L’espérance et la variance de X sont données respectivement par :

 
EX   et  2 X  
 2

La fonction génératrice des moments


k
 t 
mX  k   E  X k   1   , t  
 

Remarque : La loi GA 1,    ex    est la loi Exponentielle de paramètre .

16/03/2020 Actuariat de l'Assurance non-vie 185


16/03/2020 Probabilité et Echantillonnage 185

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Khi-deux

 Soient X 1 , X 2 ,..., X n une suite de variables aléatoires normales centrées


réduites et indépendantes. i.e:

Xi N  0,1 , i  1,..., n

Cov  X i , X j   0, i  j  i, j  1,..., n 

 La variable aléatoire X définie par : X  X 12  X 22  ...  X n2

Suit la loi de Khi-deux à n degré de liberté, on écrit X    n 


2

16/03/2020
16/03/2020 Probabilité et Echantillonnage 186
186

93
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Student


 Soient X 1 , X 2 ,..., X n une suite de variables aléatoires normales centrées
réduites et indépendantes. i.e:
Xi N  0,1 , i  1,..., n et Cov  X i , X j   0, i  j  i, j  1,..., n 

 Soit Y une variable aléatoires normale centrée réduite et indépendante de


X 1 , X 2 ,..., X n . i.e:

Y N  0,1 et Cov Y , X i   0, i  1,..., n


n
 La variable aléatoire T définie par : T 
Y

Y
où Z   X i2  n2
1 n 2 Z
 Xi
i 1

n i 1 n

suit la loi de Student à n dégrées de liberté. On écrit T  tn

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 187
187

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Fisher


 Soient X 1 , X 2 ,..., X n et Y1 , Y2 ,..., Ym deux suites de variables aléatoires
normales centrées réduites et indépendantes. i.e:

Xi N  0,1 , i  1,..., n et Yi N  0,1 , i  1,..., m

Cov  X i , X j   0, i  j  i, j  1,..., n  et Cov Yi , Y j   0, i  j  i, j  1,..., m 

 La variable aléatoire F définie par:

1 n 2 1
n
 Xi n X
F  i n1  où X  n2 et Y  m2
1 1
 i mY
m i 1
Y 2

suit la loi de Fisher à n et m degrés de liberté. On écrit F  Fn ,m

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 188
188

94
16/03/2020

Chapitre 4 : Variables aléatoires continues

4. Lois continues usuelles : Loi de Bêta

Une variable aléatoire X est dite de loi Bêta de paramètres   0 et   0 lorsque X


prend ses valeurs dans l’intervalle [0,1] et admet la densité suivante:

       1
x 1  x  , si 0  x  1
 1

f  x          
0, sinon

16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 189
189

Chapitre 4 : Variables aléatoires continues


Résumé
 Densité de probabilité / Fonction de répartition

La variable X est dite continue s’il existe une fonction positive  telle que :

F  x   f  t  dt ,x 
x




La fonction  est appelé densité de probabilité de X.  f  t  dt  1


F est la fonction de répartition de X.



 L’espérance mathématique E  X    xf  x  dx


 La variance V  X   E  X 2    E  X  2 où E  X 2  

 x f  x  dx
2
 

 Moments d’ordre supérieur mk  E ( X k )   x f  x dx
k



16/03/2020
16/03/2020 Echantillonnage & Estimation
Probabilité et Echantillonnage 190
190

95