Vous êtes sur la page 1sur 50

Je ne peux nier, quand j’ai commencé la rédaction de ce recueil, l’ambition

de confectionner un vade-mecum de CALUL DES PROBABILITES à l’intention


des étudiants de première année licence FSÉG. Mais le nombre de projets
sur la file d’attente et les nombreux défis entre lesquels il me faut partager
mon temps d’une part, et le besoin réel et urgent chez les étudiants de
disposer d’un recueil qui accompagne le cours magistral assuré par le
professeur d’autre part, m’ont obligé à ne produire qu’une ébauche.
Le projet de proposer ce recueil est né de la déception et de l’insatisfaction
que j’éprouvais, encore étudiant, lors des séances de
TD de CALCUL DES PROBABILITES. Alors qu’ailleurs ils prennent de la
vitesse, nous, me semblait-il, on tombait, paradoxalement, dans la
suffisance.
Ce recueil a donc été rédigé de façon à permettre aux étudiants de porter
un autre regard sur les notions qu’ils apprennent pendant le cours
théorique et de voir plus loin que moi.
Enfin, en le mettant à la disposition du public, je formule le vœu que ce
recueil suscite, parmi mes étudiants et mes collègues de la FSÉG, de
nombreux esprits critiques qui pourront nous proposer mieux et ainsi éviter
que nos efforts pour l’avancement de cette faculté ne s’essoufflent et
n’atteignent, prématurément, un état stationnaire, ce qui serait dommage
.

Ornel DJEUDJI NGASSAM


CHERCHEUR INGENIERIE ECONOMIQUE ET FINANCIERE
Tél: 694 93 99 07/674 56 63 60
WhatsApp: 695 90 48 62
Facebook :(Ornel Rostandler)/
Email: rostandler2@gmail.com

p. 1
SOMMAIRE
Chapitre I : ANALYSE COMBINATOIRE
Introduction
Permutations (sans répétition)
Permutations avec répétition
Arrangements (sans répétition) Arrangements (avec répétition)
Combinaisons.
Langage des jeux.
Chapitre II : PROBABILITES
Définition de la probabilité
Axiomes de calcul des probabilités
Probabilités composés et probabilités totales
Probabilités conditionnelles
Chapitre III : SCHEMAS DES TIRAGES PROBABILISTES
Tirage exhaustif ou sans remise
Tirage Bernoullien ou avec remise
Tirage Bayésien
Chapitre IV : VARIABLES ALEATOIRES
Variables aléatoire discrètes
Variable aléatoire continues à une dimension
Variables aléatoire continues à deux dimensions
Caractéristiques des variables aléatoires à une dimension
Caractéristiques des variables aléatoires à deux dimensions
Chapitre V : LOIS DE PROBABILITES
ECHANTILLONNAGE ET ESTIMATION
Lois de probabilité discrètes
Lois de probabilité continues
Lois de probabilité discrètes usuelles
Lois de probabilité continues usuelles
Echantillonnage Estimation

©LA LIGUE DES ECONOMISTES 694 93 99 07


CALCUL DES PROBABILITE 2020 – 2021 ORNEL ROSTANDLER

Chapitre 1
ANALYSE COMBINATOIRE
I. INTRODUCTION
1- Définition
L’analyse combinatoire est l’étude mathématique de la manière de ranger des objets.
L’analyse combinatoire est un outil utilisé dans le calcul des probabilités.

2- But de l’analyse combinatoire


L’Analyse Combinatoire a pour but de compter, de dénombrer et d’énumérer les différentes
façons d’associer ou de ranger un nombre finis d’éléments ou d’en choisir certains dans un
ensemble déterminé.

Voici quelques exemples de situations donnant lieux à des questions d’analyse combinatoire :

- Les rangements de livres sur une étagère ;


- Les dispositions de personnes autour d’une table ronde ;
- Les tirages avec remise d’un certain nombre de boules numérotées dans une urne ;
- Les placements de jetons sur un damier
- Le nombre d’ordonnancements possibles des cartes d’un jeu 52 cartes.

Dans ce dernier exemple, le nombre est égal à 52 ! (Le « ! » dénotant la factorielle)

II. DISPOSITION
1- Définition
Une disposition est suite de positions occupé par un certains nombres d’éléments. Ou la
manière de ranger ces éléments ensemble.
On distingue deux types de dispositions :
Les dispositions ordonnées et les dispositions non ordonnées.
2- Disposition ordonnée :
Une disposition est ordonnée lorsqu’en permutant les positions des éléments dans la
disposition, on obtient une disposition différente.

Exemples de dispositions ordonnées : un bureau de 3 membres comprenant un


président, un vice-président et un trésorier

On distingue deux types de dispositions ordonnées à savoir : les permutations et les


arrangements.

2.1- Les permutations :

Une permutation est un classement ordonné de n élément. Ou la manière de ranger n objets


ensembles. On distingue les permutations sans répétitions des permutations avec répétitions.
PERMUTATIONS SANS PERMUTATIONS AVEC
REPETITIONS REPETITIONS
𝑷𝒏 = 𝒏 ! !
𝒏𝟏! 𝒏𝟐! … 𝒏𝒌!

2.2- Les arrangements


On appelle arrangement de p objets pris parmi n, chacun des groupements ordonnés de ces p
objets choisi parmi les n. On distingue les arrangements sans répétitions des arrangements
avec répétitions.

ARRANGEMENT SANS REPETITIONS ARRANGEMENT AVEC REPETITIONS

𝒑 𝒏!
𝑨𝒏 = (
𝒏−𝒑)!

©LA LIGUE DES ECONOMISTES 694 93 99 07


3- Disposition non ordonnée :

Une disposition est non ordonnée lorsqu’en permutant les positions des éléments dans la
disposition, on obtient une même disposition. On distingue une disposition non ordonnée qui
est la combinaison de p élément dans n.

Exemples de dispositions non ordonnées : une main de cartes, une équipe de football …
On appelle combinaison de p objets pris parmi n, chacun des groupements non ordonnés de ces
p objets choisi parmi les n. On distingue les combinaisons sans répétitions des combinaisons
avec répétitions.

COMBINAISON SANS REPETITIONS COMBINAISON AVEC REPETITIONS

𝒑 𝒏!
𝑪𝒏 =
𝒑!(𝒏−𝒑)!

III. LANGUAGE DES JEUX


1- Composition :
Un jeu de carte est composé de 4 couleurs :
Le trèfle, le pique, le carreau, le cœur
 Chaque couleur comprend 13 cartes dans un jeu de 52 cartes à savoir
13*4 et 8 cartes dans un jeu de 32 cartes (8x4)
 Chaque couleur comprend 4 figures : L’as ; le roi ; la dame et le valet
 Les cartes sont distribuées de manière équitable aux joueurs. L’ensemble des cartes reçu
par un joueur après une distribution est une main de carte

2- Langages couramment utilisés :


« Au moins » ; « au plus » ; « exactement ».
 Tirer au moins une carte dans un jeu de 52 cartes : c’est tiré 1 carte ou 2 cartes ou 3
cartes …ou n cartes
 Tirer au plus 3 cartes dans un jeu de 52 cartes : c’est tiré 3 cartes ou 2 cartes ou 1 carte
 Pour éviter toute ambigüité, on peut dire tirer exactement 2 cartes ; 3cartes … n cartes :
Parlant des gains d’où moins ; d’au plus ; exactement n lots
 Gagner au moins un lot : c’est gagner 1 lot+2 lots+3 lots+…+n lots
 Gagner au plus 3 lots : c’est gagner 3 lots + 2 lots + 1 lot + 0 lots
 Gagner exactement n lots : c’est gagner n lots seulement
« COLLECTION LE GENIE » En Calcul des Probabilités par ORNEL ROSTANDLER

6
Chapitre 2 :
PROBABILITES
I. DEFINITION DE LA PROBABILITE
1- Probabilité empirique ou expérimentale (définir
comme limite de la fréquence)

La probabilité d’un événement E est la valeur du nombre de cas favorable M rapporté au


nombre de cas observé N. soit :
P(E)=M/N
Lorsque le nombre d’observation tend vers l’infini et que la suite des résultats enregistrés
constitue une suite aléatoire, la probabilité de l’événement E est :

𝑴
𝑷(𝑬) = 𝐥𝐢𝐦 = 𝐥𝐢𝐦 𝒇
𝒏→+∞ 𝑵 𝒏→+∞
Cette probabilité découle d’une expérience, de ce fait elle est déductive.
Exemple :
Soit un dé non truqué, on le lance une fois. Soit les événements suivants :
Ensemble des résultats possibles : Ω
Obtenir un nombre pair : A
Obtenir un nombre inférieur ou égale à 2 : B

1) Combien y a-t-il de résultat possible


2) Calculer 𝑷(𝑨) et 𝑷(𝑩)

Solution :
1) L’ensemble des résultats possibles est égale au nombre de face du dé. Ω = 6
2) Soit à calculer les probabilités 𝑷(𝑨) et 𝑷(𝑩)

Page 6 sur 50
Calcul des Probabilités CEA « collection le génie »
2- Probabilité théorique (définir comme un concept
autonome)

Sur le plan théorique, la probabilité est définir comme étant égal au nombre de cas
théoriquement favorable rapporté au nombre de cas théoriquement possible. Elle découle d’une
spéculation c’est à dire qui n’a rien de réel, elle est donc inductive.

3- Propriétés des opérations sur les ensembles

a) 𝐴̿ = 𝐴̿
b) 𝑨𝑩 = 𝑨 + 𝑩
c) ̅𝑨+̅̅𝑩 = 𝑨 × 𝑩
d) (Associativité) (𝑨 + 𝑩) + 𝑪 = 𝑨 + (𝑩 + 𝑪)
e) (Commutativité) 𝑨 + 𝑩 = 𝑩 + 𝑨
f) (𝑨𝑩)𝑪 = 𝑨(𝑩𝑪)
g) 𝑨𝑩 = 𝑩𝑨
II. AXIOMES DE CALCUL DES PROBABILITES
1- Evénements et probabilités
Evénement
Un évènement est un ensemble d’éléments d’échantillon.

Probabilité d’un événement


La probabilité d’un évènement est égale à la somme des probabilités des points d’échantillon
qui constituent cet événement.

𝐍𝐨𝐦𝐛𝐫𝐞𝐬 𝐝𝐞 𝐜𝐚𝐬 𝐟𝐚𝐯𝐨𝐫𝐚𝐛𝐥𝐞𝐬


𝐏(𝐄) =
𝐍𝐨𝐦𝐛𝐫𝐞 𝐝𝐞 𝐜𝐚𝐬 𝐩𝐨𝐬𝐬𝐢𝐛𝐥𝐞𝐬
2- Complément d’un événement
Etant donné un événement 𝑨, le complément de est défini comme étant l’événement
composé de tous les points d’échantillon qui ne constituent pas .
le complément de est noté ̅𝑨. On a :
𝑷(𝑨) + 𝑷(𝑨) = 𝟏
3- La loi de la somme (Axiomes des probabilités
totales)
3.1. Cas de deux ensembles non disjoints.
𝑷 (𝑨 ∪ 𝑩) = 𝑷(𝑨 + 𝑩) = 𝑷(𝑨) + 𝑷(𝑩) − 𝑷(𝑨 ∩ 𝑩)

3.2. Cas de trois ensembles non disjoints

8
𝑷(𝑨 ∪ 𝑩 ∪ 𝑪) = 𝑷(𝑨 + 𝑩 + 𝑪) =
𝑷(𝑨) + 𝑷(𝑩) + 𝑷(𝑪) − 𝑷(𝑨 ∩ 𝑩) − 𝑷(𝑨 ∩ 𝑪) − 𝑷(𝑩 ∩ 𝑪)
+ 𝑷(𝑨 ∩ 𝑩 ∩ 𝑪)

Démonstration :

4- Probabilité conditionnelle
Soit P une probabilité sur un univers Ω et soit A un événement de probabilité
non nulle. La probabilité que l’événement B soit réalisé sachant que A l’est déjà est défini par
:
𝑷(𝑨 ∩ 𝑩)
𝑷(𝑩/𝑨) =
𝑷(𝑨)
La probabilité que l’événement A soit réalisé sachant que B l’est déjà est défini par :
𝑷(𝑨 ∩ 𝑩)
𝑷(𝑨/𝑩) =
𝑷(𝑩)
Soient 3 événements A, B et C. La probabilité que les événements A et B soient réalisés
sachant que C l’est déjà est défini par :
𝑷(𝑨 ∩ 𝑩 ∩ 𝑪)
𝑷(𝑨𝑩/𝑪) =
𝑷(𝑪)
5- La loi du produit (Probabilité composées)
𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨/𝑩) × 𝑷(𝑩) = 𝑷(𝑩/𝑨) × 𝑷(𝑨)
𝑷(𝑨 ∩ 𝑩 ∩ 𝑪) = 𝑷(𝑨𝑩/𝑪) × 𝑷(𝑪)
6- Evénements indépendants

Deux événements A et B sont indépendants si :


𝑷(𝑨/𝑩) = 𝑷(𝑨)
Ou
𝑷(𝑩/𝑨) = 𝑷(𝑩)
Ainsi
𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨) × 𝑷(𝑩)

7- Evénements incompatibles

Deux événements A et B sont incompatible si :


𝑨 ∩ 𝑩 = ∅ et 𝑷 (𝑨 ∩ 𝑩)
Ainsi

𝑷 (𝑨 ∩ 𝑩)

10
Chapitre 3
SCHEMAS DES
TIRAGES PROBABILISTES
Dans ce chapitre, nous allons examiner le cas de tirage sans remise (tirage exhaustif) et
tirage avec remise (tirage Bernoullien) et dans chaque cas ; nous allons établir la probabilité
attachée à chaque type d’échantillon possible. La dernière partie du chapitre porte sur les
probabilités de Bayes.

Position du problème
Nous avons une urne qui contient au total N boules :
𝒅𝒆 𝐜𝐨𝐮𝐥𝐞𝐮𝐫 𝟏

𝒅𝒆 𝐜𝐨𝐮𝐥𝐞𝐮𝐫 𝟐
𝒅𝒆 𝐜𝐨𝐮𝐥𝐞𝐮𝐫 𝟑

𝒅𝒆 𝐜𝐨𝐮𝐥𝐞𝐮𝐫 𝐤
Avec :

On tire l’échantillon de taille 𝒏 de cette urne et on veut que la composition de cette urne soit
𝒏𝟏, 𝒏𝟐,…, 𝒏𝒌. On cherche la probabilité d’obtenir de cet échantillon de taille n la composition
(𝒏𝟏, 𝒏𝟐,… , 𝒏𝒌).

I. SCHEMA DE TIRAGE EXHAUSTIF (SANS REMISE)


Un tirage de n boule est dit exhaustif si les n boules sont prélevée l’une après l’autre et
sans remise dans l’urne. Supposons que les n boules prélevées soient numérotés de 1 à n
; si elles sont prélevées au hasard, l’échantillon de n boules obtenus est l’un des
combinaisons sans répétition que l’on peut obtenir en choisissant n dans N. Par
conséquent, le nombre de combinaison correspondant à 1 échantillon de type
(𝒏𝟏, 𝒏𝟐, … , 𝒏𝒌)est bien et la probabilité d’obtenir
L’échantillon de type:

𝒏 𝒏 𝒏
𝑪𝑵𝟏𝟏 𝑪𝑵𝟐𝟐 … 𝑪𝑵𝒌𝟑
𝑷(𝒏𝟏 , 𝒏𝟐 , … , 𝒏𝒌 ) =
𝑪𝒏𝑵

Solution

II. SCHEMA DE TIRAGE BERNOULIEN


(AVEC REMISE)
Il consiste à remettre dans l’urne la boule précédemment tirée avant de procéder à un nouveau
tirage. Ici, la probabilité de tirer une boule de couleur k à un rang de tirage donné est
. Ici, il est question de tirer avec remise un échantillon de taille n tel que 𝒏 = 𝒏𝟏, 𝒏𝟐, …,
𝒏𝒌.

𝒏!
𝑷(𝒏𝟏 , 𝒏𝟐 , … , 𝒏𝒌 ) = 𝑷𝟏 𝒏𝟏 𝑷𝟐 𝒏𝟐 … 𝑷𝒌 𝒏𝒌
𝒏𝟏 ! 𝒏𝟐 ! … 𝒏𝒌 !
III. SCHEMA DE TIRAGE BAYESIEN
(PROBABILITE CONDITIONNELLE )
Théorème de Bayes

𝑷(𝑨𝒊 )𝑷(𝑩𝒊 /𝑨)


𝑷(𝑨𝒊 /𝑩) =
𝑷(𝑨𝒊 )𝑷(𝑩𝒊 /𝑨) + 𝑷(𝑨𝒊 )𝑷(𝑩𝒊 /𝑨)
Chapitre 4
VARIABLES ALEATOIRES
I. VARIABLES ALEATOIRES DISCRETES
1- Définition
Une variable aléatoire qui peut prendre soit un nombre fini de valeurs, soit un ensemble infini
de valeurs dénombrables, telles que 0, 1, 2, … est dite variable aléatoire discrète.

2- Distribution de probabilité discrète


La distribution de probabilité d’une variable aléatoire discrète décrit comment sont distribuées
les probabilités en fonction des valeurs de la variable aléatoire.
Conditions requise pour une fonction de probabilité discrète :
𝑷(𝑿 = 𝒙) ≥ 𝟎
∑ 𝑷(𝑿 = 𝒙) = 𝟏

3- Espérance mathématique

𝑬(𝑿) = ∑ 𝑷(𝑿 = 𝒙). 𝒙


4- Variance
𝑽(𝑿) = 𝑬(𝑿𝟐) − 𝑬(𝑿)𝟐
II. VARIABLES ALEATOIRES CONTINUE

1- Définition
Une variable aléatoire qui peut prendre ses valeurs dans un intervalle ou suite d’intervalles est
appelée variable aléatoire continue. Les résultats d’expériences basés sur des échelles de
mesure telles que le temps, le poids, la distance et la température peuvent être décrits par des
variables aléatoires continues.

2- Distribution de probabilité continue : Fonction de répartition


La distribution de probabilité d’une variable aléatoire continue est définie par une fonction de
répartition.
+∞
𝑭(𝑿) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒙)𝒅𝒙
−∞
Avec 𝒇(𝒙) = 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒅𝒆𝒏𝒔𝒊𝒕é

 Conditions requise pour une fonction de probabilité discrète :


𝑷(𝑿 = 𝒙) ≥ 𝟎
+∞
∫ 𝒇(𝒙)𝒅𝒙 = 𝟏
−∞

1- Espérance mathématique

+∞
𝑬(𝑿) = ∫ 𝒙𝒇(𝒙)𝒅𝒙
−∞
2- Variance
+∞
𝑽(𝑿) = ∫ (𝒙 − 𝑬(𝑿))𝟐 𝒇(𝒙)𝒅𝒙
−∞
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − 𝑬(𝑿)𝟐

EXERCICE CORRIGE
Une entreprise de vente d’autos évalue ses ventes au cours de 300 jours et les informations sont
répertoriées dans le tableau ci-dessous :

Informations sur la période Informations sur les ventes


Au cours de 54 jours Aucune auto n’a été vendue
Au cours de 117 jours Une auto a été vendue chaque jour
Au cours de 72 jours Deux autos ont été vendues chaque jour
Au cours de 42 jours 3 autos ont été vendues chaque jour
Au cours de 12 jours 4 autos ont été vendues chaque jour
Au cours de 3 jours 5 autos ont été vendues chaque jour

On effectue une expérience qui consiste à sélectionner un jour parmi les 300 jours.
1)

Soit la variable aléatoire qui définit le nombre d’autos vendues en une journée.
Les valeurs possibles de la variable aléatoire sont :{𝟎; 𝟏; 𝟐; 𝟑; 𝟒; 𝟓}
2) Distribution de probabilité associée à la variable aléatoire X
Une distribution de probabilité (ou loi de probabilité) d’une variable aléatoire est l’ensemble
des valeurs possible que peut prendre la variable aléatoire associé à la valeur de la probabilité
associé a chaque valeur.
D’où la distribution suivante :
Valeurs possible ( ) Probabilités associé à chaque valeur (𝑷(𝑿
= 𝒙))
0

Total 1

3) Déduction du nombre le plus probable d’autos vendues en une journée.


D’après la distribution ci-dessus, on remarque que c’est 1 auto qui a la plus grande
probabilité. Soit𝑷(𝑿 = 𝟏) = 𝟎, 𝟑𝟗. Donc le nombre d’autos le plus probable d’être vendues en
une journée est de 1.
4) Probabilité de vendre au moins trois autos au cours d’une journée.
Au moins trois autos signifient : trois autos ou 4 autos ou 5 autos.
Soit 𝑿 ≥ 𝟑.
𝑷(𝒅𝒆 𝒗𝒆𝒏𝒅𝒓𝒆 𝒂𝒖 𝒎𝒐𝒊𝒏𝒔 𝒕𝒓𝒐𝒊𝒔 𝒂𝒖𝒕𝒐𝒔) = 𝑷(𝑿 ≥ 𝟑)
𝑷(𝑿 ≥ 𝟑) = 𝑷(𝑿 = 𝟑) + 𝑷(𝑿 = 𝟒) + 𝑷(𝑿 = 𝟓)
𝑷(𝑿 ≥ 𝟑) = 𝟎, 𝟏𝟒 + 𝟎, 𝟎𝟒 + 𝟎, 𝟎𝟏 = 𝟎, 𝟏𝟗
𝑷(𝑿 ≥ 𝟑) = 𝟏 − 𝑷(𝑿 < 3)
𝑷(𝑿 ≥ 𝟑) = 𝟏 − [𝑷(𝑿 = 𝟎) + 𝑷(𝑿 = 𝟏) + 𝑷(𝑿 = 𝟐)]
𝑷(𝑿 ≥ 𝟑) = 𝟏 − [𝟎, 𝟏𝟖 + 𝟎, 𝟑𝟗 + 𝟎, 𝟐𝟒)] = 𝟎, 𝟏𝟗
5) Espérance mathématique
𝟔

𝑬(𝑿) = ∑ 𝑿𝒊 𝑷(𝑿 = 𝒙𝒊)


Le nombre moyen d’autos vendu en une journée est sensiblement de
1,5
6) Variance et écart-type

Variance :
𝑽(𝑿) = 𝑬(𝑿𝟐) − 𝑬(𝑿)𝟐
Valeurs possible ( ) Probabilités associé a 𝑿𝟐 𝑿𝟐𝑷(𝑿 = 𝒙𝒊)
chaque valeur (𝑷(𝑿 =
𝒙))
0 𝟎, 𝟏𝟖 0 0
1 𝟎. 𝟑𝟗 1 0,39
2 𝟎, 𝟐𝟒 4 0,96
3 𝟎, 𝟏𝟒 9 0,26
4 𝟎, 𝟎𝟒 16 0,64
5 𝟎, 𝟎𝟏 25 0,25
Total 1 𝑬(𝑿𝟐) = 𝟑, 𝟓

𝑬(𝑿)𝟐 = 𝟏, 𝟓𝟐 = 𝟐, 𝟐𝟓
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − 𝑬(𝑿)𝟐 = 𝟑, 𝟓 − 𝟐, 𝟐𝟓 = 𝟏, 𝟐𝟓
 Ecart-type
𝝈 = √ 𝑽(𝑿) = √ 𝟏, 𝟐𝟓 = 𝟏, 𝟏𝟐
Chapitre 5
LOIS DE PROBABILITES USUELLES
I- LOIS DISCRETES USUELLES

LOIS UTILISATION FORMULES E (X) Var (X)


LA LOI DE On dit qu'une variable X 0 1
BERNOULI aléatoire X est une variable P(X=x) q p
X B (1 ; p) de
Bernoulli de paramètre p avec p + q = 1. Cette loi est p pq
Deux valeurs si sa loi de probabilité est notée B (1 ; p) et on
possibles : note X B (1 ; p) la relation
"X suit la loi de Bernoulli de
paramètre p".
LA LOI Evénement ayant deux
BINOMIALE issues possible: succès(p)
X B (n ; p) et
X=0,1…n échec(q) et tirage avec 𝒏𝒑 𝒏𝒑𝒒
remise p+q=1

LA LOI DE Utilisé pour modéliser les


POISSON taux d’arrivée dans des
X P (m) situations de file d’attente. m m
Evénement rares

LA LOI
HYPERGEO
METRIQUE tirage sans remise. 𝒏𝒑
X H (N, n, p)

LA LOI 𝒏+𝟏 𝒏𝟐 − 𝟏
DISCRETE équiprobabilité
UNIFORME 𝟐 𝟏𝟐
II- LOIS CONTINUES USUELLES
LOIS FORMULES
E (X) Var (X)

LA LOI NORMALE
𝟏 𝟏 𝒙−𝒎 𝟐 m 𝝈𝟐
−𝟐( 𝝈 )
𝒇( 𝒙 ) = 𝒆
𝝈√𝟐𝝅
LA LOI NORMALE
𝟏 −
𝑻𝟐 0 1
CENTREE- 𝒇(𝒙) = 𝒆 𝟐
REDUITE √𝟐𝝅

III- GUIDE DE LECTURE DES TABLES DE LOIS STATISTIQUES


LA LOI NORMALE CENTREE-REDUITE

Pour une fonction de densité d’une loi normale : , il


sera très complexe d’utiliser cette fonction pour le calcul d’une probabilité
quelconque.il sera plus judicieux d’utilisé la fonction centrée et réduite de cette loi

(loi normale centrée-réduite) qui s’écrit : en procédant par

identification sur les deux fonctions on obtient : (avec T


la variable auxiliaire).
Soit par exemple une variable X suivant une loi normale ayant pour moyenne m=2 et
pour écart-type𝝈 = 𝟓.
On a
Pour calculer par exemple𝑷(𝒙 = 𝟑), on remplace x par son expression et on obtient : 𝑷(𝟓𝑻
+ 𝟐 = 𝟑) ⇒ 𝑷(𝟓𝑻 = 𝟏) ⇒
. Quand on veut
Connaitre la valeur de 𝝅(𝒕 = 𝟎, 𝟐),il faut aller, il faut aller dans
l’extrait de la table de la fonction intégrale de la loi normale centrée-réduite sur
laquelle est écrit 𝝅(𝒕) :
t 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
0,2 0,5793 0,5832 0 ,5871 0,5910
Pour𝝅(𝒕 = 𝟎, 𝟐) , on a :t=0.2+0.00 (intersection ligne + colonne).
Remarque : pour avoir la valeur de𝜋(𝑡), on doit avoir soit le signe
(=) soit le signe (<) et non (≥). Donc 𝑷(𝑻 ≥ 𝒙) = 𝟏 − 𝑷(𝑻 < 𝒙) et (𝑻 > 𝒙) =
𝟏 − 𝑷(𝑻 ≤ 𝒙)

IV- ECHANTILLONNAGE ;

Etude Statistique = étude des caractéristiques (variables statistiques) d’un ensemble d'objets
(population, composée d'individus).

Sondage : On n'étudie qu'une partie de la population : un échantillon. Les méthodes


permettant de réaliser un échantillon de bonne qualité (sui ressemble à la population
dont il est issu) sont étudiées en théorie de l’échantillonnage.
On cherche alors à extrapoler à la population entière les propriétés mises en évidence sur
l'échantillon : statistique inférentielles.

Théorie de l’échantillonnage = Etude des liaisons existant entre une population et les
échantillons de cette population, prélevés par sondage.
Méthodes d’échantillonnage : ensemble des méthodes permettant de réaliser un sondage
(de prélever un échantillon de données) au sein d’une population, de manière à reproduire un
échantillon aussi représentatif que possible de cette population.
Evaluation de ces méthodes : le système d'échantillonnage sera jugé d'après la qualité
des approximations des paramètres de la population, calculées sur l’échantillon prélevé. Pour
cela, on étudiera la loi des caractéristiques classiques d’un échantillon (moyenne arithmétique,
variance empirique,…)

UN ESTIMATEUR ET UNE ESTIMATION

 L'objectif de l'estimation statistique est le suivant : évaluer certaines grandeurs


associées à une population a partir d'observations faites sur un échantillon. Bien
souvent, ces grandeurs sont des moyennes ou des variances. On prendra soin de
distinguer ces grandeurs théoriques (inconnues et a estimer) de celles observées sur un
échantillon.

 Un estimateur permet de calculer une valeur sur un échantillon qui devrait être proche
du paramètre sans pour autant savoir si cette valeur est totalement fiable.

ESTIMATION PONCTUELLE

Estimation ponctuelle : On cherche à estimer une valeur inconnue liée à un certain phénomène
aléatoire, en général, la moyenne ou la variance ou encore l'écart-type de la loi du phénomène.

ESTIMATION PAR INTERVALLE DE


CONFIANCE

Estimation par Intervalles de confiance : c'est un intervalle dans lequel se trouve θ avec une
probabilité grande 1-α (où α est un risque qu'on se fixe, en général, petit). On peut en théorie
choisir 1-α aussi proche de 1 que l'on veut, mais alors l'intervalle de confiance grandit et
devient imprécis. Il s'agit donc d'un compromis entre précision (intervalle peu étendu) et sureté
(α petit).
FICHE DE TD No 1
(Analyse combinatoire, Définition de la probabilité)

QUESTIONS DE COURS
1) But de l’analyse combinatoire :
L’analyse combinatoire a pour but le dénombrement du nombre de disposition (p
éléments) possible qu’on peut former à partir des éléments d’un ensemble fini (n éléments).
2) Définitions et formulations des mots ou expressions :
a- Deux dispositions sont dites ordonnées lorsqu’elles ont les mêmes éléments et ces
éléments n’occupant pas la même place. Ou lorsqu’on permute les éléments de la
disposition, on obtient une disposition différente. (Exemple : un bureau comportant un
président, un vice-président et un trésorier. P-VP-T différent de VP-P-T différent de T-VP-
P)
b- Deux dispositions sont dites non ordonnées lorsqu’elles ont les mêmes éléments et
ces éléments occupant la même place (c.-à-d. sont identiques). Ou lorsqu’on permute les
éléments de la disposition, on obtient une même disposition. (Exemple d’une équipe de
football, d’une main de cartes)
c- On appelle permutation de n objets chacune des façons de ranger ou d’ordonner ces
n objets.
− 𝑃𝑒𝑟𝑚𝑢𝑡𝑎𝑡𝑖𝑜𝑛 𝑠𝑎𝑛𝑠 𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑖𝑜𝑛 ∶ 𝑷𝒏 = 𝒏!
𝒏!
− 𝑃𝑒𝑟𝑚𝑢𝑡𝑎𝑡𝑖𝑜𝑛 𝑎𝑣𝑒𝑐 𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑖𝑜𝑛 ∶ 𝑷𝒏 =
(𝒏 − 𝒑)!

d- On appelle arrangement de p objets pris parmi n, chacun des groupements ordonnés


de ces p objets choisi sans répétition parmi les n
𝒑 𝒏!
− 𝐴̿𝑟𝑟𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑠𝑎𝑛𝑠 𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑖𝑜𝑛 ∶ 𝑨𝒏 =
(𝒏 − 𝒑)
𝒑
− 𝐴̿𝑟𝑟𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑎𝑣𝑒𝑐 𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑖𝑜𝑛 ∶ 𝑨𝒏 = 𝒏!
f- On appelle Combinaison de p objets dans n, chacun des groupements non
ordonnés de ces p objets pris dans n et chacun figurant au plus une fois.
𝒑 𝒏!
− 𝐶𝑜𝑚𝑏𝑖𝑛𝑎𝑖𝑠𝑜𝑛 𝑠𝑎𝑛𝑠 𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑖𝑜𝑛 ∶ 𝑪𝒏 =
𝒑! (𝒏 − 𝒑)!
𝑝 𝒑 𝒏 + 𝒑 − 𝟏!
− 𝐶𝑜𝑚𝑏𝑖𝑛𝑎𝑖𝑠𝑜𝑛 𝑎𝑣𝑒𝑐 𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑖𝑜𝑛 ∶ 𝐾𝑛 = 𝑪𝒏+𝒑−𝟏 =
𝒑! (𝒏 − 𝟏):
3) Différence entre une permutation et une combinaison :
Une permutation est une disposition ordonnée à n éléments. Alors qu’une combinaison
est une disposition non ordonnée à n et p éléments.
4) Différence entre une probabilité expérimentale et une probabilité théorique :
La probabilité expérimentale ou empirique est établie par une observation ou une déduction.
Alors que la probabilité théorique est établie de façon spéculative (d’une façon qui n’a rien de
réel).
5) Différence entre la définition empirique et théorique de la probabilité :

Sur le plan empirique, la probabilité est définie comme une limite de la fréquence. Alors
que sur le plan théorique la probabilité est définie comme une limite de la fréquence.

6) Un jeu de carte est composé de 4 couleurs : Le trèfle, le pique, le carreau, le cœur.


Et Chaque couleur comprend 4 figures : L’as ; le roi ; la dame et le valet

EXERCICE 1 :
1) L’assemblée générale des motos taxi de la ville de SOA comporte 50 membres statutaires. Nombre
de façons de choisir un bureau provisoire de trois personnes composées d’un président, d’un
Secrétaire et d’un trésorier. 𝒏 = 𝟓𝟎 Membres de l’assemblée
- Disposition = Bureau de 3 membres (P, S, T)
- La disposition est ordonnée car si on permute les différents postes du bureau on obtient un bureau
différent.
D’où le nombre de bureau possible est un Arrangement sans répétition de 3 membres choisis parmi 50.
𝟓𝟎! 𝟓𝟎! 𝟓𝟎 × 𝟒𝟗 × 𝟒𝟖 × 𝟒𝟕!
𝑵 = 𝑨𝟑𝟓𝟎 = = = = 𝟓𝟎 × 𝟒𝟗 × 𝟒𝟖 = 𝟏𝟏𝟕 𝟔𝟎𝟎 𝒃𝒖𝒓𝒆𝒂𝒖𝒙
(𝟓𝟎 − 𝟑)! 𝟒𝟕! 𝟒𝟕!
2) Monsieur BALOUM acheté 3 billets d’une tombola comprenant 20 billets parmi lesquelles 5 lots. Nombre de
cas favorables au gain d’un lot et d’un seul par BALOUM :
𝟏 𝒍𝒐𝒕 (𝒃𝒊𝒍𝒍𝒆𝒕 𝒈𝒂𝒈𝒏𝒂𝒏𝒕
- Disposition : 3 billets parmi lesquels 1 lot 𝒑 = 𝟑 { choisi parmi
𝟐 𝒃𝒊𝒍𝒍𝒆𝒕𝒔 𝒏𝒐𝒏 𝒈𝒂𝒈𝒏𝒂𝒏𝒕𝒔
𝟓 𝒍𝒐𝒕𝒔 (𝒃𝒊𝒍𝒍𝒆𝒕 𝒈𝒂𝒈𝒏𝒂𝒏𝒕
𝒏 = 𝟐𝟎 {
𝟏𝟓 𝒃𝒊𝒍𝒍𝒆𝒕𝒔 𝒏𝒐𝒏 𝒈𝒂𝒈𝒏𝒂𝒏𝒕𝒔
- La disposition est non ordonnée car si on permute les différents billets on obtient la même disposition.
- D’où le nombre de cas favorables est une Combinaison sans répétition soit :
𝟏𝟓! 𝟏𝟓! 𝟏𝟓 × 𝟏𝟒 × 𝟏𝟑!
𝑵 = 𝑪𝟏𝟓 × 𝑪𝟐𝟏𝟓 = 𝟓 × =𝟓× =𝟓× = 𝟓𝟐𝟓 𝒄𝒂𝒔 𝒇𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔
𝟐! (𝟏𝟓 − 𝟐)! 𝟐 × 𝟏𝟑! 𝟐 × 𝟏𝟑!
3) On considère un jeu de 32 cartes. Soit à déterminer le nombre de mains différentes de 5 cartes dans le cas
où il y’a exactement 2 rois parmi les 5 cartes.
𝟐 𝒓𝒐𝒊𝒔
- Disposition : une Mains de 5 cartes d’où 𝒑 = 𝟓 { choisi parmi
𝟑 𝒄𝒂𝒓𝒕𝒆𝒔 𝒒𝒖𝒆𝒍𝒄𝒐𝒏𝒒𝒖𝒆𝒔
𝟒 𝒓𝒐𝒊𝒔
𝒏 = 𝟑𝟐𝒄𝒂𝒓𝒕𝒆𝒔 {
𝟑𝟐 − 𝟒 = 𝟐𝟖 𝒄𝒂𝒓𝒕𝒆𝒔 𝒒𝒖𝒆𝒍𝒄𝒐𝒏𝒒𝒖𝒆𝒔
- La disposition est non ordonnée car si on permute les cartes d’une main de cartes, on obtient la même
main de cartes.
- D’où le nombre de cas favorables est une Combinaison sans répétition soit :
𝟒! 𝟐𝟖! 𝟒! 𝟐𝟖! 𝟒 × 𝟑 × 𝟐! 𝟐𝟖 × 𝟐𝟕 × 𝟐𝟔 × 𝟐𝟓!
𝑵 = 𝑪𝟐𝟒 × 𝑪𝟑𝟐𝟖 = × = × = ×
(𝟒
𝟐! − 𝟐)! 𝟑! (𝟐𝟖 − 𝟑)! 𝟐! × 𝟐! (𝟑 × 𝟐 × 𝟏) × 𝟐𝟓! 𝟐! × 𝟐! 𝟔 × 𝟐𝟓!
= 𝟔 × 𝟑𝟐𝟕𝟔 = 𝟏𝟗 𝟔𝟓𝟔 𝒎𝒂𝒊𝒏𝒔

EXERCICE 2 :
1) L’éclairage de l’amphi 1000 est assuré par 6 points lumineux commandé chacun par un
interrupteur.

On peut éclairer cet amphi en allumant 1 point lumineux ou deux points lumineux … ou six
Points lumineux Soit :

2) Dans un restaurant universitaire, on propose 4 entrées, 3 plats de résistances, 2 desserts.


Chaque étudiant compose son menu en choisissant une entrée, un plat de résistance et un
dessert.
Nombres de menus possibles : 𝒏 = (𝟒 𝒆𝒏𝒕𝒓é𝒆𝒔, 𝟑 𝒑𝒍𝒂𝒕𝒔 𝒅𝒆 𝒓é𝒔𝒊𝒔𝒕𝒂𝒏𝒄𝒆, 𝟐 𝒅𝒆𝒔𝒔𝒆𝒓𝒕𝒔)
𝟏 𝒆𝒏𝒕𝒓é𝒆
- Disposition : un Menu d’où 𝒑 = 𝟑 { 𝟏 𝒑𝒍𝒂𝒕 𝒅𝒆 𝒓é𝒔𝒊𝒔𝒕𝒂𝒏𝒄𝒆 choisi parmi
𝟏 𝒅𝒆𝒔𝒔𝒆𝒓𝒕
𝟒 𝒆𝒏𝒕𝒓é𝒆𝒔
𝒏 = 𝟗 { 𝟑 𝒑𝒍𝒂𝒕 𝒅𝒆 𝒓é𝒔𝒊𝒔𝒕𝒂𝒏𝒄𝒆 𝒔
𝟐 𝒅𝒆𝒔𝒔𝒆𝒓𝒕𝒔
- La disposition est non ordonnée car si on permute les plats d’un main d’un menu, le menu ne change
pas.
- D’où le nombre de cas favorables est une Combinaison sans répétition soit :

3) Dans un parking de cinq places, combien y a-t-il de façons de garer trois voitures ?

4) La phase finale de la coupe d’Afrique des Nations (CAN) de football 2015 en Guinée
Equatoriale a regroupé 16 équipes réparties en 4 poules de 4 équipes chacune.
Nombres de matches joués par chacune des 16 équipes :
On dispose de 4 poules et chaque poule est constituée de 4 équipes (4 x 4 = 16),
- Disposition :1 match (p=2équipes)
- Disposition non ordonnée car lorsqu’on permute les équipes dans un match, le match ne
change pas. D’où la combinaison.
Le nombre de matchs dans une poule est :

5) On lance simultanément trois dés parfaits et l’on note la somme des nombres obtenus. Soit Ω
l’univers associé à cette épreuve.
a) Nombre d’éléments de Ω
𝑁 = 6 × 6 × 6 = 𝟐𝟏𝟔 é𝒍é𝒎𝒆𝒏𝒕𝒔
b) A l’aide d’un arbre de choix, déterminons toutes les possibilités où la somme obtenue est
égale à 9.
EXERCICE 3 :
1) dire si les 4 opérateurs (CAMTEL, NEXTEL, MTN, ORANGE) peuvent satisfaire une demande de
250 millions d’abonnements ?
E = (0,1, 2, 3, 4, 5, 6, 7, 8,9) Card (E) = 10
Disposition : Numéros de téléphone (un numéro au Cameroun à 9 chiffres)
La disposition est ordonnée car si on permute les chiffres d’un numéro on obtient un numéro différent.
Il y a répétition car 1 nombre peut apparaitre plusieurs fois dans un numéro. Deux raisonnements
possibles se présente :

2
5
0

250 000 000

Deuxième cas :
On sait que les numéros de téléphones sont formés des chiffres suivants :
= { , , , , , , , , , } 𝑪𝒂𝒓𝒅 ( ) = 𝟏𝟎 Cependant, les numéros de téléphone au
Cameroun sont formés de 9 chiffres. Donc le nombre de personnes que les opérateurs peuvent
satisfaire est : = 𝟏𝟎𝟗 =
1 000 000 000 ˃ 250 000 000
250

2) Nombres de manière peut-on disposer 4 personnes sur 4 chaises numérotées


Ici on peut permuter les 4 personnes. Mais sans répétition. Le nombre de disposition est donc de
𝑵 = 𝟒 ! = 𝟐𝟒 𝒇𝒂ç𝒐𝒏𝒔
3) Nombres de façons peut-on distribuer 10 ballons à 3 enfants à raison de 4 pour le
premier et 3 à chacun des deux autres :
Il s’agit ici d’une permutation avec répétions. D’où le nombre de façons est :
EXERCICE 4 :
On lance 3 fois un dé parfaitement équilibré. Le nombre 1 apparait 2 fois.
1) Probabilité expérimentale d’apparition du nombre 1

2) Probabilité théorique attachée à l’évènement : le nombre 1apparait 2 fois.


- On calcule d’abord le nombre de possibilité d’obtenir le nombre 1 deux fois lors des trois lancés
soit : C32 cas possibles.
- Ensuite la probabilité d’obtenir le nombre 1 une fois lors des 3 lancés est : 𝟏/𝟔
- La probabilité d’obtenir le nombre 1 deux fois lors des 3 lancés est :(𝟏/𝟔)
- Enfin la probabilité d’obtenir les autres nombres est : 𝟓/𝟔 En conclusion la probabilité
théorique est :

EXERCICE 5 :
On lance n fois une pièce de monnaie (n impair), et on constate que « pile » apparait + / fois.
1- fréquence relative d’apparition de « pile »

2- Probabilité de cet évènement


EXERCICE 6 :
On tire une carte au Hasard dans un jeu de 52 cartes. On considère les évènements suivants :
A= la carte tirée est le roi de cœur ; B= la carte tirée est un cœur ; C=la carte tirée est soit l’as
de pique soit un cœur ; D= la carte tirée est un pique ou un cœur. Soit à Calculer :
a- La probabilité des évènements A, B, C et D :

𝒍𝒆 𝒑𝒊𝒒𝒖𝒆, 𝒍𝒆 𝒄𝒐𝒆𝒖𝒓, 𝒍𝒆 𝒄𝒂𝒓𝒓𝒆𝒂𝒖 𝒆𝒕 𝒍𝒆 𝒕𝒓è𝒇𝒍𝒆 𝒆𝒕 𝒄𝒉𝒂𝒒𝒖𝒆 𝒄𝒐𝒖𝒍𝒆𝒖𝒓 𝒄𝒐𝒏𝒕𝒊𝒆𝒏𝒕 𝟏𝟑


𝒄𝒂𝒓𝒕𝒆𝒔 𝒔𝒐𝒊𝒕 𝟏𝟑 × 𝟒 = 𝟓𝟐

b- La probabilité des intersections suivantes : AB ; AC et AD

c- La probabilité des réunions suivantes : A+B ; A+C et A+D

d-
les probabilités conditionnelles suivantes :

i) A sachant que B est réalisé :

ii) A sachant que C est réalisé :


iii) A Sachant que D est réalisé :

FICHE DE TD No 2
(Axiome des probabilités composées et totales, variables aléatoires)

QUESTIONS DE COURS
1- Axiomes des probabilités totales dans le cas de trois ensembles non disjoints.

2- Différence entre un tirage exhaustif et un tirage bernoullien

Un tirage de n boule est dit exhaustif (ou sans remise) si les n boules sont prélevée l’une
après l’autre et sans remise dans l’urne. Alors qu’un tirage bernoullien (ou avec remise)
consiste à remettre dans l’urne la boule précédemment tirée avant de procéder à un
nouveau tirage.

3- Théorème central limite


a) Enoncé :
La loi de probabilité de la somme centrée-réduite ainsi que la moyenne centrée réduite de n
variables aléatoires indépendantes et de même lois de probabilité tend vers une loi normale
lorsque n est suffisamment grand.
b) Démonstration :
Soit Z la somme de n variables aléatoires de même loi de probabilité :
Soit Y la variable centrée-réduite :

Soit W la variable centrée-réduite de la moyenne :

On remarque que Y=W. et la seule loi pouvant vérifier cette égalité est la loi
Normale lorsque n tend vers l’infini.
4- Différence entre une variable aléatoire discrète et une variable aléatoire continue :
Une variable aléatoire discrète est celle dont les valeurs sont des nombres isolées ou
finie. Alors qu’une variable aléatoire continue est celle dont l’ensemble des valeurs est
un intervalle I et est généralement définie par sa fonction de répartition

EXERCICE 1 :
Étant donné trois évènements quelconques A, B, C définis sur une même épreuve on se
donne les quantités ; p(A)=0,30 ; p(B)=0,25 ; p(C)=0,25 p(AB)= 0,15 ; p(BC) = 0,15
p(AC) = 0,20 ; p(ABC) = 0.08.
a) Soit à trouver les expressions mathématiques (notations ensemblistes) des deux évènements :
1- A et B se produisent mais C ne se produit pas (évènement E)

2- Deux exactement parmi les 3 évènements se produisent (évènement F)


3- Probabilité de E et celle de F

b) Probabilités conditionnelles :

EXERCICE 2 :
On jette 2 dés. On donne la signification suivante aux évènements A et B :
A : le premier dé présente l’as ; B : la somme des points des 2 dés est paire.
Ces évènements sont-ils indépendants ? Pourquoi ?
Deux Événements sont dits indépendants relativement à P si : ( ∩ ) = ( ) × ( )
Calculons P( ); (B)𝒆𝒕 ( ∩ ) 𝒖𝒊𝒔 vé𝒓𝒊𝒇𝒊𝒐𝒏𝒔 l’é𝒈𝒂𝒍𝒊𝒕é 𝒄𝒊 – 𝒅𝒆𝒔𝒔𝒖𝒔
Conclusion : Ces évènements sont indépendants

EXERCICE 3 :
Deux sacs désignés par A et B contiennent chacun 9 boules numérotées de 1 à 9. On tire
simultanément 2 boules du sac A et une boule du sac B.
1- Probabilité pour que les numéros inscrits sur les 3 boules tirées soient tous 3
impairs : A et B contiennent les boules numérotées de 1 à 9 {1, 2, 3, 4, 5, 6, 7, 8, 9} ;
Parmi lesquelles 5 boules impaires et 6 boules paires. 𝒊𝒄𝒊 𝒐𝒏 𝒂𝒇𝒇𝒂𝒊𝒓𝒆 𝒂𝒖𝒙
𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒊𝒔𝒐𝒏𝒔, é𝒕𝒂𝒏𝒕 𝒅𝒐𝒏𝒏é 𝒒𝒖′𝒐𝒏 𝒑𝒂𝒓𝒍𝒆 𝒅𝒆 𝒕𝒊𝒓𝒂𝒈𝒆 𝒔𝒊𝒎𝒖𝒍𝒕𝒂𝒏é
- Si on tire deux boules contenant des numéros impairs du sac A, le nombre de façons est :

(Car on tire 2 boules parmi les 5 impaires et 0 boules parmi les 4 boules
paires).
- Si on tire une boule contenant un numéro impair du sac B, le nombre de façons est :

(Car on tire 1 boule parmi les 5 impaires et 0 boules


parmi les 4 boules paires).
𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆𝒔 𝒅𝒆 𝒄𝒂𝒔 𝒇𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔 𝒆𝒔𝒕∶

𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆𝒔 𝒅𝒆 𝒄𝒂𝒔 𝒑𝒐𝒔s𝒊𝒃𝒍𝒆 𝒆𝒔𝒕:

D’où la probabilité recherchée est :

2- Probabilité pour que 2 numéros soient pairs et 1 impair :


En tirant deux numéros pairs du sac A, on a : 𝑪𝟓𝟎×𝑪𝟒𝟐 𝒇𝒂ç𝒐𝒏𝒔 𝒅𝒆 𝒕𝒊𝒓𝒆.
Et de même pour le tirage d’un numéro impair du sac B on a : 51× 40 ç𝑜𝑛𝑠 𝑑𝑒 𝑡𝑖𝑟𝑒𝑟
Ou encore on tire un numéro pair et un numéro impair du sac A et on a :
𝑪𝟓𝟏×𝑪𝟒𝟏𝒇𝒂ç𝒐𝒏𝒔 𝒅𝒆 𝒕𝒊𝒓𝒆𝒓
Et de plus 1 numéro pair du sac B et on a : 𝑪𝟓𝟎×𝑪𝟒𝟏 𝒇𝒂ç𝒐𝒏𝒔 𝒅𝒆 𝒕𝒊𝒓𝒆𝒓.

D’où la probabilité recherchée est :

EXERCICE 4 :
1) On tire 13 cartes dans un jeu de 52 cartes. Quelle est la probabilité de tirer tous les
cœurs ?
𝒏𝒐𝒎𝒃𝒓𝒆𝒔 𝒅𝒆 𝒄𝒂𝒔 𝒇𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔 𝑪𝒂𝒓𝒅 𝑬
𝑷(𝑬) = =
𝒏𝒐𝒎𝒃𝒓𝒆𝒔 𝒅𝒆 𝒄𝒂𝒔 𝒑𝒐𝒔𝒔𝒊𝒃𝒍𝒆𝒔 𝑪𝒂𝒓𝒅(𝛀)
𝟎
𝑪𝒂𝒓𝒅 𝑬 = 𝑪𝟏𝟑
𝟏𝟑 × 𝑪𝟓𝟐−𝟏𝟑
𝑪𝒂𝒓𝒅(𝛀) = 𝑪𝟏𝟑
𝟓𝟐
𝑪𝟏𝟑 𝟎
𝟏𝟑 × 𝑪𝟑𝟗 𝟏 𝟏
𝑷(𝑬) = = = =
𝑪𝟏𝟑
𝟓𝟐
𝟓𝟐! 𝟓𝟐!
𝟏𝟑! (𝟓𝟐 − 𝟏𝟑)! 𝟏𝟑! × 𝟑𝟗!
2) Monsieur BANIE achète 3 billets d’une tombola comportant 20 billets dont 5 lots
(billets gagnants). Quelle est la probabilité pour BANIE de gagner un lot au moins ?
Gagner un lot au moins c’est : gagner 1 lot ou 2 lots ou 3 lots (on s’arrête à 3 car il
dispose de trois billets)
Soit E l’évènement : gagner un lot au moins

𝒏𝒐𝒎𝒃𝒓𝒆𝒔 𝒅𝒆 𝒄𝒂𝒔 𝒇𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔 𝑪𝒂𝒓𝒅 𝑬


𝑷(𝑬) = =
𝒏𝒐𝒎𝒃𝒓𝒆𝒔 𝒅𝒆 𝒄𝒂𝒔 𝒑𝒐𝒔𝒔𝒊𝒃𝒍𝒆𝒔 𝑪𝒂𝒓𝒅(𝛀)
𝑪𝒂𝒓𝒅 𝑬 = 𝑪𝟏𝟓 𝑪𝟐𝟏𝟓 + 𝑪𝟐𝟓 𝑪𝟏𝟏𝟓 + 𝑪𝟑𝟓 𝑪𝟎𝟏𝟓
𝑪𝒂𝒓𝒅(𝛀) = 𝑪𝟑𝟐𝟎
𝑪𝟏𝟓 𝑪𝟐𝟏𝟓 + 𝑪𝟐𝟓 𝑪𝟏𝟏𝟓 + 𝑪𝟑𝟓 𝑪𝟎𝟏𝟓
𝑷(𝑬) =
𝑪𝟑𝟐𝟎

EXERCICE 5 :
On jette 2 dés. On définit la variable aléatoire X comme le nombre de points amenés par
le premier dé et la variable aléatoire Y comme la somme des points des deux dés. Si à
chacune des valeurs possibles du couple (XY) on associe la probabilité de l’évènement
correspondant, on obtient la loi conjointe des variables aléatoires X et Y. Soit à
Déterminer :
La loi de probabilité à deux dimensions (XY), la loi marginale de X et la loi marginale de YU
dans un même tableau :
Nous savons qu’au cours du jet d’un dé, la probabilité d’avoir un point entre 1 et 6 est 1/6.
Comme les jets de dés sont indépendants, la probabilité d’avoir un couple de nombre
quelconque au cours de deux jets successifs est le produit des probabilités 𝟏/𝟔×𝟏/𝟔=𝟏/𝟑𝟔.
Les valeurs prises par la variables aléatoire X sont conditionnées par celles prises par Y.
Ainsi pour qu’on ait Y = 2, il faut qu’on ait eu 1 au premier jet du dé (X= 1) et 1 au deuxième
jet. 1 au premier jet du dé et 1 au deuxième jet correspond à la probabilité conjointe.
(𝑿=𝟏;𝒀=𝟏+𝟏)=𝑷(𝑿= ; =𝟐)=𝟏/𝟔×𝟏/𝟔=𝟏/𝟑𝟔.𝒍𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é 𝒏𝒖𝒍𝒍𝒆𝒔
𝒐𝒓𝒓𝒆𝒔𝒑𝒐𝒏𝒅𝒆𝒏𝒕 𝒖𝒙 é é 𝒆𝒎𝒆𝒏𝒕𝒔 𝒊𝒎𝒑𝒐𝒔𝒔𝒊𝒃𝒍𝒆𝒔. L𝒂 𝒍𝒐𝒊 𝒅𝒖 𝒄𝒐𝒖𝒑𝒍𝒆 𝑿𝒀 𝒂𝒊𝒏𝒔𝒊 𝒒𝒖𝒆
𝐋𝐚 𝐥𝐨𝐢 𝐦𝐚𝐫𝐠𝐢𝐧 𝐥𝐞 𝐝𝐞 𝐗 𝐞𝐭 La loi marginale de Y.𝒔𝒐𝒏𝒕 é𝒇𝒊𝒏𝒊𝒆𝒔 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒕𝒂𝒃𝒍𝒆𝒂𝒖
𝒔𝒖𝒊𝒗𝒂𝒏𝒕 :
EXERCICE 6 :
Monsieur Félah choisit un entier au hasard parmi les premiers entiers (1, 2, 3, … , 100).
1) Probabilité pour qu’il soit divisible par 2
𝑪𝒂𝒓𝒅𝑬
𝑷(𝑬) =
𝑪𝒂𝒓𝒅 𝛀
𝟏𝟎𝟎
𝑪𝒂𝒓𝒅𝑬 = = 𝟓𝟎
𝟐
𝟓𝟎
𝑷(𝑬) = = 𝟎, 𝟓
𝟏𝟎𝟎
2) Probabilité pour qu’il soit divisible par 5
𝑪𝒂𝒓𝒅𝑬
𝑷(𝑬) =
𝑪𝒂𝒓𝒅 𝛀
𝟏𝟎𝟎
𝑪𝒂𝒓𝒅𝑬 = = 𝟐𝟎
𝟓
𝟐𝟎
𝑷(𝑬) = = 𝟎, 𝟐
𝟏𝟎𝟎

3) Probabilité pour qu’il soit divisible par 11


𝑪𝒂𝒓𝒅𝑬
𝑷(𝑬) =
𝑪𝒂𝒓𝒅 𝛀
𝟏𝟎𝟎
𝑪𝒂𝒓𝒅𝑬 = =𝟗
𝟏𝟏
𝟗
𝑷(𝑬) = = 𝟎, 𝟎𝟗
𝟏𝟎𝟎

4) Probabilité pour qu’il soit divisible par 2, 5 ou 11


Soit les événement 𝐴̿, 𝐵 𝑒𝑡 𝐶
𝐴̿ = 𝑙 ′ 𝑒𝑛𝑡𝑖𝑒𝑟 𝑒𝑠𝑡 𝐝𝐢𝐯𝐢𝐬𝐢𝐛𝐥𝐞 𝐩𝐚𝐫 𝟐
𝐵 = 𝑙 ′ 𝑒𝑛𝑡𝑖𝑒𝑟 𝑒𝑠𝑡 𝐝𝐢𝐯𝐢𝐬𝐢𝐛𝐥𝐞 𝐩𝐚𝐫 𝟓
𝐶 = 𝑙 ′ 𝑒𝑛𝑡𝑖𝑒𝑟 𝑒𝑠𝑡 𝐝𝐢𝐯𝐢𝐬𝐢𝐛𝐥𝐞 𝐩𝐚𝐫 𝟏𝟏
On a :
𝑷(𝑨 + 𝑩 + 𝑪) = 𝑷(𝑨) + 𝑷(𝑩) + 𝑷(𝑪) − 𝑷(𝑨𝑩) − 𝑷(𝑨𝑪) − 𝑷(𝑩𝑪) + 𝑷(𝑨𝑩𝑪)

EXERCICE 7 :
Dans une loterie, il est émis 20 billets. L’un gagne 100 F ; 2 gagnent 50 F, et 3 gagnent
20F. Les autres billets ne gagnent rien. Monsieur ROSTANDLER achète un billet. Soit
X la variable aléatoire « somme gagnée par ROSTANDLER ».
a- Loi de probabilité de X.
L’ensemble des cas possible est égale au nombre total de billets
Valeur possibles de X Probabilité de chaque valeur
0 14/20
20 3/20
50 2/20
100 1/20
Total 20/20=1

b- Probabilité de l’évènement X ≥ 50

c- Espérance mathématique de la variable X.


d- Variance de la variable X.
FICHE DE TD No 3
(Variables aléatoires, loi probabilités, usage de la table de loi normale)

EXERCICE 1 :
Un concessionnaire automobile de Yaoundé (CAMI-TOYOTA) vend le même jour 5
véhicules identiques de marque TOYOTA au ministère de l’agriculture. La probabilité
pour que ce type de voiture soit en état de rouler deux ans après est égale à 0,80. Soit à
calculer les probabilités suivantes :
a) Les cinq voitures soient en service deux années plus tard :
Deux années après sa vente, un véhicule peut-être :
- Soit en service avec la probabilité = ,
- Soit hors de service avec la probabilité = − = − , ′ ù = ,
Cet état des choses est répété indépendamment pour les cinq véhicules. Le nombre X
de véhicules en service est une variable aléatoire qui obéit à une « loi binomiale ».

Les va leur possibles de k sont : { , 𝟏, 𝟐, 𝟑, 𝟒, 𝟓}


La probabilité pour que les cinq voitures soient en service est :
𝑃(𝑋 = 5) = 𝐶55 0,85 0,25−5 = 1 × 0,85 × 0,20
b) Les cinq voitures soient hors de service deux années plus tard :
La probabilité pour que 5 voitures soient hors service est :
𝑃(𝑋 = 0) = 𝐶50 0,80 0,25−0 = 1 × 1 × 0,25
c) Trois voitures soient hors de service deux années plus tard :
La probabilité pour que 3 voitures soient hors services est la probabilité pour que deux voitures
soient en service.
𝑃(𝑋 = 2) = 𝐶52 0,82 0,25−2
d) Deux voitures au plus soient hors de service :
La probabilité pour que deux voitures au plus soient hors de service est égale à la
probabilité pour que trois voitures au moins soient en service.
Calculons :
𝑃(𝑋 = 1) = 𝐶51 0,81 0,25−1 = 0,0064

EXERCICE 2 :
Soit X une variable aléatoire, dont la loi de probabilité est : X

x 0 1 2 3 4 5
Pr (X = x) 1/10 3/10 4/10 1/10 0,5/10 0,5/10
Pr (X = x) 0,1 0,3 0,4 0,1 0,05 0,05
F(x) 0,1 0,4 0,8 0,9 0,95 1

1) Calcul et représentation graphique de la fonction de répartition de X :


- La fonction de répartition de X est définie par : 𝐏(𝑿=𝒙) =𝑭(𝒙) Pour les différentes valeurs
de x, on obtient :
 𝑭(𝒙) = 𝟎 𝒑𝒐𝒖𝒓 𝒙 ≤ 𝟎 ;
 𝑭(𝒙) = 𝟏/𝟏𝟎 𝒑 𝒖𝒓 𝟎 < 𝒙 ≤ 𝟏
 𝑭(𝒙) = 𝟏/𝟏𝟎 + 𝟑/𝟏𝟎 = 𝟒/𝟏𝟎 𝒑𝒐𝒖𝒓 < 𝒙 ≤ 𝟐 ;
 𝑭(𝒙) = 𝟒/𝟏𝟎 + 𝟒/= 𝟖/𝟏𝟎 𝒑𝒐𝒖𝒓 𝟐 < 𝒙 ≤ 𝟑 ;
 𝑭(𝒙) = 𝟖/𝟏𝟎 + 𝟏/𝟏𝟎 = 𝟗/𝟏𝟎 𝒑𝒐𝒖𝒓 𝟑 < 𝒙 ≤ 𝟒 ;
 𝑭𝒙) = 𝟗/𝟏𝟎 + 𝟎, 𝟓/𝟏𝟎 = 𝟗, 𝟓/𝟏𝟎 𝒑𝒐𝒖𝒓 𝟒 < 𝒙 ≤ 𝟓 ;
 𝑭(𝒙) = 𝟗, 𝟓/𝟏𝟎 + 𝟎, 𝟓/𝟏𝟎 = 𝟏𝟎 /𝟏𝟎 = 𝟏 𝒐𝒖𝒓 𝒙 > 𝟓
2) Soit à calculer les quantités :
i- 𝑷(𝑿<𝟒,𝟓)= 𝑷(𝑿 = 𝟎)+𝑷(𝑿 = 𝟏)+𝑷(𝑿 = 𝟐)+𝑷(𝑿 = 𝟑)+𝑷(𝑿 = 𝟒) =
𝟎,𝟏+𝟎,𝟑+𝟎,𝟒 𝟎,𝟏+𝟎,𝟎𝟓 = ,𝟗
ii- 𝑷(𝑿≥𝟐) = 𝟏−𝑷(𝑿<𝟐) = 𝟏−[𝑷(𝑿 = )+ (𝑿 = )] = −[ , + , ] = ,
iii- iii- ( ≤ < , ) = (𝑿 = )+ (𝑿 = )+ (𝑿 = ) = ,𝟒 + ,𝟏 + ,𝟎𝟓 =0,55

EXERCICE 3 :
On considère deux variables aléatoires indépendantes X et Y dont les moments d’ordre
1 et 2 sont connus. On définit les variables aléatoires =𝟐𝑿+𝟑𝒀 𝑒𝑡 = − .Soit à
calculer :
1- (𝑨)=𝑬 ( +𝟑𝒀)= E( ) +𝑬 (𝟑𝒀)=𝟐𝑬(𝑿) +𝟑E(Y)
( )=𝑬(𝑿− )=𝑬(𝑿)−E( )
( 𝑩)=𝑬[(𝟐𝑿+𝟑𝒀)(𝑿−Y)]= [(𝟐𝑿𝟐+𝑿𝒀+𝟑𝒀𝟐)]
Les variables X et Y sont indépendantes.

Or ( )= (𝑿𝟐)−[ ( )] et ( )= (𝒀𝟐)−[ ( )]𝟐


Finalement ( )=𝟒𝑬(𝑿𝟐)+𝟗𝑬(𝒀𝟐)− [ ( )] − [ ( )]
𝑽(𝑩)=𝑽(𝑿− )=𝑽(𝑿)−𝑽(𝒀) 𝑽( )= (𝑿𝟐)+ (𝒀𝟐)−[ ( )] −[ ( )]
𝑪𝒐𝒗(𝑨𝑩)=𝑬( 𝑩)−𝑬(𝑨)×𝑬(𝑩)
Le produit ( ) × ( ) étant connu, on a :
( )× ( )=[𝟐𝑬( )+𝟑𝑬( )][ ( )− ( ) ] ( )× ( )=𝟐𝑬(𝑿𝟐)+ ( ) ( )−𝟑𝑬(𝒀𝟐)
La covariance est alors : 𝑪𝒐𝒗(𝑨𝑩)= [ (𝑿𝟐)−[ ( )] − [ (𝒀𝟐)−[ ( )] ]
𝑪𝒐𝒗(𝑨𝑩)=𝟐𝑽( )−𝟑𝑽(𝒀)

EXERCICE 4 :
Une variable aléatoire X suit une loi de GAUSS de moyenne m= , et de variance 𝑽𝒂𝒓( )=
⟹𝝈=
NB : La loi Normale centrée-réduite est centrée par rapport à la moyenne (m) et réduite
par rapport à l’écart-type. Donc si on donne la moyenne et la variance, il faut
résolument transformer la variance en écart-type.
Changement de variable : = −𝟓/𝟑⟹𝑿=𝟑𝑻+ La
variable T suit une loi normale centrée et réduite.
Soit à calculer les probabilités des événements suivants :

(Par lecture de la table de la loi normale)

b- X supérieurs à 2
𝑷(𝑿> )=𝟏− ( < )= − (𝟑𝑻+ < )= − ( <− ) = − (− )= −[ − ( )] 𝒄𝒂𝒓
𝝅(−𝟏)= −𝝅( )
D’où ( > )= ( )= ,𝟖𝟒𝟏𝟑

c- X compris entre -1 et 11

d- X extérieur à l’intervalle (-4, 14)


EXERCICE 5 :
A- Soit une variable aléatoire Normale telle que :
( ≥ )= ,𝟖𝟒𝟏𝟑 𝒆𝒕 ( ≥ )= ,𝟎𝟐𝟐𝟖
Soit à déterminer sa moyenne (m) et son écart-type ( ) On a : ( ≥ )= − ( <
)= ,𝟖𝟒𝟏𝟑 𝒔𝒐𝒊𝒕 ( < )= − ,𝟖𝟒𝟏𝟑= ,𝟏𝟓𝟖𝟕 Or en nommant la variable X :

En consultant la table intégrale de la loi normale, on trouve la valeur correspondant à 0,1587, soit t
= -1
D’où : −𝒎/𝝈=− ⟹𝒎− = (1)
Nous allons obtenir une seconde équation à partir de ( ≥ )
( ≥ )=𝟏−𝑷(𝑿<𝟗)=𝟎,𝟎𝟐𝟐𝟖 𝒔𝒐𝒊𝒕 𝑷(𝑿< )= − ,𝟎𝟐𝟐𝟖= ,𝟗𝟗𝟕𝟕𝟐 𝑶𝒓

(<)=𝑷(𝑻<𝟗−𝒎/𝝈)=𝝅(𝒕)= 𝟎, 𝟗𝟕𝟕𝟐
La valeur correspondante de t est : = ′ ù −𝒎/𝝈=𝟐⟹𝒎+𝟐𝝈=𝟗 (2)
En résolvant le système de deux équations à deux inconnues,

EXERCICE 6 :
Le nombre X d’appels reçus par minute est une variable aléatoire qui obéit à une loi de
poisson. Le paramètre de cette loi est égal au nombre moyen de communications reçues
par minute c’est-à-dire : = , . La fonction densité de cette loi est :

1) Probabilité de ne recevoir aucun appel :

2) Probabilité de recevoir un appel :


3) Probabilité de recevoir deux appels :

4) Probabilité de recevoir au moins deux appels :

FICHE DE TD No 4
(Schéma de tirage, loi hypergéométrique, probabilité
de BAYES, lois de probabilité à deux variables)

QUESTIONS DE COURS
1) Pourquoi dit-on que les probabilités de BAYES, encore appelées probabilité des causes,
résulte d’un schéma de tirage à deux niveaux ? (Voir cours chapitre 3)
2) Citer au choix deux lois de probabilité discrètes en précisant dans chaque cas : la formule,
l’espérance et la variance (voir cours chapitre 4)
EXERCICE 1
Une urne contient 10 boules dont 6 sont blanches et 4 noires
1) On effectue 3 tirage indépendant, d’une boule à chaque fois. La boule tirée est remise dans
l’urne avant de procéder au tirage suivant. Soit Z le nombre de boules blanche tirées.
a) Donner numériquement la loi de Z
A chaque tirage, nous avons deux issues possibles :
- Soit on tire une boule blanche (Succès) avec une probabilité 𝒑
- Soit on tire une boule noire (échec ) avec une probabilité 𝒒 = 𝟏 − 𝒑 𝒄𝒂𝒓 𝒑 + 𝒒 = 𝟏
L’épreuve se répète 𝑛 = 3 𝑓𝑜𝑖𝑠
𝟔
Z suit une loi binomiale de paramètre 𝒏 = 𝟑 𝒆𝒕 𝒑 = = 𝟎, 𝟔
𝟏𝟎
𝑷(𝒁 = 𝒛) = 𝑪𝒛𝒏 𝒑𝒛 𝒒𝒏−𝒛
Les valeur possible de 𝒛 𝒔𝒐𝒏𝒕 ∶ 𝟎, 𝟏, 𝟐 𝒆𝒕 𝟑
La loi numérique de Z est donnée dans le tableau suivant :
𝒛 0 1 2 3 Total
𝟎 𝟎
𝑷(𝒁 = 𝒛) 𝑪𝟑 (𝟎, 𝟔) (𝟎, 𝟒) 𝟑−𝟎
𝑪𝟎𝟑 (𝟎, 𝟔)𝟎 (𝟎, 𝟒)𝟑−𝟎 𝑪𝟎𝟑 (𝟎, 𝟔)𝟎 (𝟎, 𝟒)𝟑−𝟎 𝟎 𝟎
𝑪𝟑 (𝟎, 𝟔) (𝟎, 𝟒) 𝟑−𝟎 1

a) Calculer E(Z)
𝑬(𝒁) = 𝒏𝒑 = 𝟑 × 𝟎, 𝟔
b) Calculer la variance V(Z)
𝑽(𝒁) = 𝒏𝒑𝒒 = 𝟑 × 𝟎, 𝟔 × 𝟎, 𝟒

2) On tire une seule fois trois boules de l’urne (tirage exhaustif). Soit Y le nombre de boules
blanches tirées
a) Donner numériquement la loi de Y
A chaque tirage, nous avons deux issues possibles :
- Soit on tire une boule blanche (Succès) avec une probabilité 𝒑
- Soit on tire une boule noire (échec ) avec une probabilité 𝒒 = 𝟏 − 𝒑 𝒄𝒂𝒓 𝒑 + 𝒒 = 𝟏
L’épreuve se répète 𝑛 = 3 𝑓𝑜𝑖𝑠
Le tirage est exhaustif
D’où Y suit une loi Hypergéométrique de paramètres : 𝑵 = 𝟏𝟎, 𝑛 = 3 𝑒𝑡 𝑝 = 0,6
𝒚 𝒏−𝒚
𝑪𝒂 𝑪𝒃
𝑷(𝒀 = 𝒚) =
𝑪𝒏𝑵
La loi numérique de Y est donnée dans le tableau suivant :
𝒚 0 1 2 3 Total
𝑷(𝒀 = 𝒚) 𝑪𝟎𝟔 𝑪𝟑−𝟎
𝟒 𝑪𝟏𝟔 𝑪𝟑−𝟏
𝟒 𝑪𝟐𝟔 𝑪𝟑−𝟐
𝟒 𝑪𝟑𝟔 𝑪𝟑−𝟑
𝟒
1
𝟑 𝟑 𝟑 𝟑
𝑪𝟏𝟎 𝑪𝟏𝟎 𝑪𝟏𝟎 𝑪𝟏𝟎

b) Calculer E(Z) et la variance V(Z)


𝑬(𝒁) = 𝒏𝒑 = 𝟑 × 𝟎, 𝟔
𝑵−𝒏 𝟏𝟎 − 𝟑
𝑽(𝒀) = 𝒏𝒑𝒒 ( ) = 𝟑 × 𝟎, 𝟔 × 𝟎, 𝟒 ( )
𝑵−𝟏 𝟏𝟎 − 𝟏
3) Comparer
a) E(Z) et E(Y)
𝑬(𝒁) = 𝐄(𝐘)
b) V(Z) et V(Y)
𝑵−𝒏
𝑽(𝒀) = 𝐕(𝐙) ( )
𝑵−𝟏
𝑵−𝒏
( ) = 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅′𝒆𝒙𝒉𝒂𝒖𝒔𝒕𝒊𝒗𝒊𝒕é
𝑵−𝟏
EXERCICE 2
La variable aléatoire X peut prendre les valeurs : 0 et 1.
Le couple de variable aléatoire (X, Y) peut ainsi prendre les valeurs :00, 01, 10, 11.
Soit à calculer :
1) La loi marginale de X
0 1 Total
( = ) 5/8 3/8 1

2) La loi marginale de Y

0 1 Total
( = ) 5/8 3/8 1
𝑷𝟎𝟎={( = )( = )}= ( = )× ( = )=𝟓 /𝟖.𝟓/𝟖=𝟐𝟓/𝟔𝟒
𝑷𝟎𝟏={( = )( = )}= ( = )× ( = )=𝟓 /𝟖.𝟑/𝟖=𝟏𝟓/𝟔𝟒
𝑷𝟏𝟎={( = )( = )}= ( = )× ( = )=𝟑 /𝟖.𝟓/𝟖=𝟏𝟓/𝟔𝟒

𝑷𝟏𝟏={( = )( = )}= ( = )× ( = )=𝟑 /𝟖.𝟑/𝟖=𝟗/𝟔𝟒


)

Finalement le couple ( X, Y) est défini par :


Valeurs des couples 00 01 10 11 Total
Probabilités 𝟐𝟓/𝟔𝟒 𝟏𝟓/𝟔𝟒 𝟏𝟓/𝟔𝟒 𝟗/𝟔𝟒 1

4) Les lois conditionnelles de X et Y La loi


conditionnelle de X est :
( = / = )= 𝑷𝟎𝟎𝑷. =𝟐𝟓/𝟔𝟒 :𝟓/𝟖=𝟐𝟓/𝟔𝟒×𝟖/𝟓=𝟓/𝟖= .
( = / = )= 𝑷𝟎𝟏𝑷.𝟏=𝟏𝟓/𝟔𝟒 :𝟑/𝟖=𝟏𝟓/𝟔𝟒×𝟖/𝟑=𝟓/𝟖= 𝑷.
( = / =𝟎)= 𝟏𝟎𝑷.𝟎=𝟏𝟓/𝟔𝟒 :𝟓/𝟖=𝟏𝟓/𝟔𝟒×𝟖 𝟓=𝟑 𝟖= 𝑷.1 (=

/=𝟏)= 𝟏𝟏𝑷.𝟏=𝟗/𝟔𝟒 :𝟑/𝟖=𝟗/𝟔𝟒×𝟖/𝟑=𝟑/𝟖= 𝑷.1


La loi conditionnelle de Y est :
(Y=𝟎 /X=𝟎)= 𝑷𝟎𝟎𝑷.𝟎=𝟐𝟓/𝟔𝟒 :𝟓/𝟖=𝟐𝟓/𝟔𝟒×𝟖/𝟓=𝟓/𝟖=𝑷.𝟎
𝑷 (Y=𝟎 /X=𝟏)= 𝑷𝟎𝟏𝑷.𝟏=𝟏𝟓/𝟔𝟒 :𝟑/𝟖=𝟏𝟓/𝟔𝟒×𝟖/𝟑=𝟓/𝟖= 𝑷.𝟎
( = / = )= 𝟏𝟎𝑷. =𝟏𝟓/𝟔𝟒 : / =𝟏𝟓/𝟔𝟒× / = / = .1
𝑷 (Y=𝟏 /X=𝟏)= 𝑷𝟏𝟏𝑷.𝟏=𝟗/𝟔𝟒 :𝟑/𝟖=𝟗/𝟔𝟒×𝟖/𝟑=𝟑/𝟖= 𝑷.1
5) Les espérances mathématiques et les variances de X et Y
𝑬(𝑿)=(𝟎×𝟓/𝟖)+(𝟏×𝟑/𝟖)=𝟑/𝟖
𝑽(𝑿)=𝑬(𝑿𝟐)−[𝑬(𝑿)]𝟐=𝟑/𝟖−(𝟑/𝟖)𝟐=𝟏𝟓/𝟔𝟒
𝑬(𝒀)=(𝟎×𝟓/𝟖)+(𝟏×𝟑/𝟖)=𝟑/𝟖
𝑽(𝒀)=𝑬(𝒀𝟐)−[𝑬(𝒀)]𝟐=𝟑/𝟖−(𝟑/𝟖)𝟐=𝟏𝟓/𝟔𝟒
6) La covariance et le coefficient de corrélation de X et Y.
la covariance entre X et Y est nulle, car les variances X et Y sont
Indépendantes. En effet les lois conditionnelles sont égales aux lois
marginales.
𝑷𝟎𝟎=𝑷𝟎.× . ×𝑷𝟏𝟏=𝑷𝟏.× . 𝑷𝟎𝟏=𝑷𝟎.× . ×𝑷𝟏𝟎=𝑷𝟏.× .
Alors la 𝑪𝒐𝒗(𝑿𝒀)= (𝑿𝒀)− ( ) ( ) 𝑪𝒐𝒗(𝑿𝒀)= ( ) ( )− ( ) ( )
𝑪𝒐𝒗(𝑿𝒀)=𝟎
Les variables étant indépendantes, le coefficient de corrélation est nul.

EXERCICE 3
Dans un Hôpital donné, 20% des garçons et 25% des filles soufrent du paludisme. On sait
de plus que 55% des patients sont des filles. On choisit un patient au hasard et on
constate qu’il souffre du paludisme. Calculons la probabilité qu’il soit un garçon.
Soit les événements suivants :
G : « le patient est un garçon »
F : « le patient est une fille »
G : « le patient souffre du paludisme »
On cherche à calculer : P (G/M)

D’après l’énoncé P(F) = 0,55 et P (G)= 0,45 ; P (M/G) = 0,2 et P (M/F) = 0,25

EXERCICE 4
Soit X une variable Gaussienne dont la densité de probabilité ( ) a pour moyenne 2 et pour
écart-type 5.
1) Expression de ( )

2) Soit à calculer la probabilité ( < )


En procédant par changement de variable on a :
Après lecture de la table de la loi Normale centrée-réduite on obtient : 𝑷
(𝑿<𝟑)=𝟎,𝟓𝟕𝟗𝟑

EXERCICE 5
B- Les achats effectués par les clients du supermarché « Tout set » suivent une loi normale de
paramètres : 𝑿 =𝟑𝟎𝟎 𝒆𝒕 =𝟏𝟎𝟎. 𝑬𝟏 𝒆𝒕 𝑬𝟐
𝒅é 𝒊𝒈𝒏𝒆𝒏𝒕 𝒆𝒔 é è𝒏𝒆𝒎𝒆𝒏𝒕𝒔 𝒔𝒖𝒊𝒗𝒂𝒏𝒕𝒔 :
𝑬𝟏="𝒂𝒄𝒉𝒂𝒕 𝒅′ 𝒐𝒏𝒕𝒂𝒏𝒕 𝒖𝒑é𝒓𝒊𝒆𝒖𝒓 à 𝟓𝟑𝟎 " 𝑬𝟐="𝒂𝒄𝒉𝒂𝒕 ′𝒖𝒏 𝒎𝒐𝒏𝒕𝒂𝒏𝒕 𝒄𝒐𝒎𝒑𝒓𝒊𝒔
𝒆𝒏𝒕𝒓𝒆 𝟐𝟓𝟎 𝒆𝒕 𝟒𝟎𝟎 "
Soit à calculer :
1) (𝑬𝟏)=
Soit la variable aléatoire X définissant : « le montant des achats »
1) (𝑬𝟏)= ( >𝟓𝟑𝟎)= − ( <𝟓𝟑𝟎)

Changement de variable :

EXERCICE 6
Dans un groupe de 10 ménages, le revenu annuel (en unités monétaires) est distribué comme suit :
Ménages No 1 No 2 No 3 No 4 No 5 No 6 No 7 No 8 No 9 No 10
Rev mari 10 15 15 10 10 15 20 15 20 20
Rev femme 5 15 10 10 10 5 10 10 15 10
Un ménage est tiré au hasard pour représenter le groupe à une réunion. A ce tirage au hasard,
on associe les variables aléatoires : X=revenu du mari et Y=revenu de la femme.
1) Déterminer la loi de probabilité du couple (X, Y), la loi marginale de X et de Y. (2 points)
2) Calculer E(X), E(Y), V(X), V(Y) et Cov (X, Y). (2 points)
3) Déterminer la loi de Y conditionnée par l’événement X=10. En déduire E (Y/X=10). (1 points)

Vous aimerez peut-être aussi