Explorer les Livres électroniques
Catégories
Explorer les Livres audio
Catégories
Explorer les Magazines
Catégories
Explorer les Documents
Catégories
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
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.
Voici quelques exemples de situations donnant lieux à des questions d’analyse combinatoire :
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.
𝒑 𝒏!
𝑨𝒏 = (
𝒏−𝒑)!
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.
𝒑 𝒏!
𝑪𝒏 =
𝒑!(𝒏−𝒑)!
6
Chapitre 2 :
PROBABILITES
I. DEFINITION DE LA PROBABILITE
1- Probabilité empirique ou expérimentale (définir
comme limite de la fréquence)
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
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.
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.
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
7- Evénements incompatibles
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).
𝒏 𝒏 𝒏
𝑪𝑵𝟏𝟏 𝑪𝑵𝟐𝟐 … 𝑪𝑵𝒌𝟑
𝑷(𝒏𝟏 , 𝒏𝟐 , … , 𝒏𝒌 ) =
𝑪𝒏𝑵
Solution
𝒏!
𝑷(𝒏𝟏 , 𝒏𝟐 , … , 𝒏𝒌 ) = 𝑷𝟏 𝒏𝟏 𝑷𝟐 𝒏𝟐 … 𝑷𝒌 𝒏𝒌
𝒏𝟏 ! 𝒏𝟐 ! … 𝒏𝒌 !
III. SCHEMA DE TIRAGE BAYESIEN
(PROBABILITE CONDITIONNELLE )
Théorème de Bayes
3- Espérance mathématique
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.
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 :
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
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
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
IV- ECHANTILLONNAGE ;
Etude Statistique = étude des caractéristiques (variables statistiques) d’un ensemble d'objets
(population, composée d'individus).
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 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 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)!
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.
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 :
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
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
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 »
d-
les probabilités conditionnelles suivantes :
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.
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.
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)
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 :
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
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
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
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 ».
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
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.
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 :
b- X supérieurs à 2
𝑷(𝑿> )=𝟏− ( < )= − (𝟑𝑻+ < )= − ( <− ) = − (− )= −[ − ( )] 𝒄𝒂𝒓
𝝅(−𝟏)= −𝝅( )
D’où ( > )= ( )= ,𝟖𝟒𝟏𝟑
c- X compris entre -1 et 11
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 :
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
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
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 ( )
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)