Orca Share Media1543157305757

UNIVERSITE D’ANTANANARIVO
INTERDICTION: PHOTOCOPIE ET REPRODUCTION FACULTE DE DROIT, D’ECONOMIE DE GESTION ET DE SOCIOLOGIE

DEPARTEMENT GESTION
Mention : Gestion
UNIVERSITE D'ANTANANARIVO
Parcours : Gestion appliquée aux entités

Niveau : L2
FAC DEGS - FOAD GESTION
Semestre : S3
Unité d’Enseignement :UE2
Elément Constitutif :
STATISTIQUE ET PROBABILITES
Elément : n°2
Madame RAVALITERA Farasoa

Enseignant-chercheur
Université d’Antananarivo
Avertissement :
Ce document est réservé uniquement aux étudiants légalement inscrits au cours de l’année
universitaire 2016 à la Formation Ouverte à Distance (FOAD) en Sciences de Gestion de
l’Université d’Antananarivo. Toute reproduction intégrale ou partielle faite, par quelque
procédé que ce soit, sans l’accord du Département Gestion de l’Université d’Antananarivo est
donc strictement interdite.
Année universitaire : 2016

STATISTIQUE ET PROBABILITES FOAD GESTION : 2016
INTERDICTION: PHOTOCOPIE ET REPRODUCTION

CHAPITRE II : CALCUL DES PROBABILITES (SUITE ET FIN)
4. PROBABILITE DE BAYES
3.1 Problème de BAYES
On considère 2 urnes U₁ et U₂ contenant des boules blanches et noires.
₁
Pour U₁ : proportion de { tel que : ₁ ₁ 1
₁
₂
Pour U₂ : proportion de { tel que : ₂ ₂

₂
ère
1 opération : On choisit d’une manière aléatoire une des urnes,
2ème opération : de cette urne choisie, on tire une boule.
Questions :
a) Calculer la probabilité que la boule tirée après la 2ème opération soit blanche.
b) Sachant que la boule tirée à la 2ème opération est blanche, quelle est la
probabilité que cette boule provienne de U₁ ?
3.2 Solution
Soient les évènements suivants :
A₁ : « l’urne de la 1ère opération est U₁ »
A₂ : « l’urne de la 1ère opération est U₂ »
B : « la boule tirée à la 2ème opération est blanche »
N : « la boule tirée à la 2ème opération est noire ».
a) Pr(B) : Probabilité que la boule tirée après la 2ème opération soit blanche.
Cela veut dire B : « avoir une boule blanche de l’urne U₁ ou de l’urne U₂ »

Or : « avoir une boule blanche de l’urne U₁ » = « choisir l’urne U₁ d’abord et
ensuite tirer une boule blanche de l’urne U₁ »
Donc : Pr(A₁ ∩B) = Pr(U₁ ) x Pr( B/A₁ )
De même : « avoir une boule blanche de l’urne U₂ » = « choisir l’urne U₂ et
tirer une boule blanche de l’urne U₂ »
En conclusion :
Pr(B) = Pr(U₁ ) x Pr( B/A₁ ) + Pr(U₂ ) x Pr(B/A₂ ) (probabilité totale)
b) Sachant que la boule tirée à la 2ème opération est blanche, quelle est la
probabilité que cette boule provienne de U₁ ?
Interdiction : Photocopie et reproduction - Réf : foadgestion-degs/tanà/2016/L2/S 3/UE2/STAT/2
2

La probabilité à déterminer est de la forme : Pr(A₁ /B)
₁
On sait que : Pr(A₁ /B) = (probabilité conditionnelle)
Or : ₁ = Pr(A₁ ) x Pr(B/A₁ )
₁ ₁
Donc : Pr(A₁ /B) =
₁ ₁
Pr(A₁ /B) = (probabilité de BAYES)
₁ ₁ ₂ ₂
Si l’on pose : Pr(A₁ ) = ∏₁ ; Pr(A₂ ) = ∏₂ ; Pr(B/ A₁ ) = p₁ ; Pr(B/A₂ ) =
p₂
Alors :
₁ ₁
Pr(A₁ /B) =
₁ ₁ ₂ ₂
3.3 Théorème de BAYES (cas général)

Si A₁ , A₂ , … , constituent une partition de E et tel que pr( ) 0 et

j alors
( )
Pr( /B) =
∑
Remarque : on dit que la probabilité de BAYES est une probabilité à postériori car on
sait déjà le résultat de la 2ème opération.
3.4 Exemple
Les membres d’un groupe de touristes louent des voitures appartenant à 3 agences de
location.
60% des voitures proviennent de l’agence n°1, 30% des voitures de l’agence n°2 et
10% de l’agence n°3.
9% des voitures provenant de l’agence n°1 ont besoin d’une mise au point, 20% des
voitures provenant de l’agence n°2 ont besoin d’une mise au point et 6% de l’agence
n°3.
1) Quelle est la probabilité qu’une voiture livrée au groupe touristique ait besoin
d’une mise au point ?
2) Sachant qu’une voiture livrée aux touristes a besoin de mise au point, quelle est
la probabilité qu’elle provienne de l’agence n°2 ?
Solution
Soient les évènements ci-après :
B : « la voiture a besoin de mise au point »
A₁ : « la voiture provient de l’agence n°1 »
A₂ : « la voiture provient de l’agence n°2 »
3
A₃ : « la voiture provient de l’agence n°3 »

1) La voiture livrée qui a besoin d’une mise au point peut provenir de A₁ , A₂
ou A₃ .
⇒ B = (B ₁ ₂ ₃
Pr(B) = [Pr(A₁ ) x Pr(B/A₁ )] +[(Pr(A₂ ) x Pr(B/A₂ )] +[(Pr(A₃ ) x
Pr(B/A₃ )]
Pr(B) = (0,6 x 0,09) +(0,3 x 0,2) + (0,1 x 0,06)
₂ ₂
2) P(A₂ /B) =
Exercice 20 :
La JIRAMA a deux sortes de clientèle :

- les abonnés en électricité uniquement,
- les abonnés mixtes c’est-à-dire, en électricité et en eau.

On a procédé à une enquête dans trois villes V1, V2, V3 et on a dénombré respectivement 8/10,
9/10, 7/10 d’abonnés mixtes.
Les fichiers de base donnent les effectifs des ménages consommateurs suivants :
150 dans la ville V1, 90 dans la ville V2 et 120 dans la ville V3.
1) Sachant que dans la constitution d’échantillon on a tiré un client abonné en électricité
uniquement, quelle est la probabilité qu’il soit de la ville V2 ?
2) Même question si les trois villes ont la même probabilité d’être choisies.
Exercice 21 :
Trois grandes entreprises E1, E2, E3 se disputent un marché de construction de route à la suite d’un
appel d’offre.
Chacune de ces trois entreprises possède respectivement les probabilités 1/3, ¼, 5/12 d’obtenir le
marché. Compte tenu de l’envergure du marché et du temps imparti, il est d’usage que le titulaire du
marché confie certains travaux spécifiques à un sous-traitant.
Si l’entreprise E1 obtient le marché, elle choisira la société BTP comme sous-traitant avec la
probabilité 1/5. Si l’entreprise E2 l’emporte ; elle choisira BTP comme sous traitant avec la
probabilité ½ et si c’est E3 qui gagne le marché, elle prendra BTP comme sous-traitant avec la
probabilité 3/5.
1) Quelle est la probabilité que la société BTP soit choisie comme sous-traitant
2) A l’issue du dépouillement, la société BTP a obtenu le contrat de sous-traitance, calculer la
probabilité qu’il provienne de l’entreprise E2.

4
CHAPITRE III : SCHEMA DE TIRAGE PROBABILISTE EN

MODELE DES URNES
1. POSITION DU PROBLEME
On considère une urne contenant N boules identiques mais de couleurs différentes :
N₁ de couleur 1 avec une proportion p₁
N₂ de couleur 2 avec une proportion p₂
Ni de couleur i avec une proportion pi
Nk de couleur k avec une proportion pk

Tel que : N= N₁ + N₂ + -------+Ni +------+ Nk et pi =
On tire au hasard de cette urne un échantillon de taille n et on a :
n₁ de couleur 1
n₂ de couleur 2
de couleur i
de couleur k
tel que : n = + +
On peut représenter l’échantillon sous la forme de
( répartition. Quelle est la probabilité de cette
répartition ?
1er cas : on tire d’un coup les n boules
2ème cas : On tire une à une les n boules
2. RESOLUTION DU PROBLEME
1er cas : tirage simultané des n boules (tirage d’un coup)
Cas possibles :
₁
Cas favorables : ₂
₂
₁
₂
₂
Exemple : une urne contient 3 boules blanches, 2boules noires et 2 rouges. On tire
simultanément 2 boules de cette urne. Calculer les probabilités des différentes
répartitions possibles ?
On a 6 répartitions possibles de : (B * N * R)

5

(2*0*0) ⇒ Pr (2*0*0) =
(0*2*0) ⇒ Pr (0*2*0) =
(0*0*2) ⇒ Pr (0*0*2) =
(1*1*0) ⇒ =
(0*1*1) ⇒ Pr(0*1*1)=
(1*0*1) ⇒ Pr(1*0*1) =
2ème cas : on tire une à une

a) Le tirage est sans remise (tirage exhaustif)
On considère une urne contenant 5 boules blanches, 3 noires et 2 rouges. On effectue

3 tirages exhaustifs. Quelle est la probabilité de tirer une boule de chaque couleur ?
La répartition du cas favorable « avoir 1 boule de chaque couleur » est (1*1*1)
Dénombrons les cas favorables :
1er tirage 2ème 3ème résultats
N R BNR
B
R N BRN
B R NBR
N
R B NRB
B N RBN
R
N B RNB
La répartition est réalisée en fonction des ordres de tirage de boule. Ici on tient
compte de l’ordre ; en d’autre terme, B N R est différent de B R N. Il y donc 6 cas
répondant à l’évènement « avoir (1*1*1) » ; c’est le nombre de permutations des 3
lettres B N R.
Donc (1*1*1) = (B N R) ᴜ (B R N) ᴜ(N B R) ᴜ (N R B) ᴜ (R B N) ᴜ (R N B)
Or : Pr(BNR) = Pr(B) X Pr(N) X Pr(R)
= X X (le tirage est sans remise)

6
D’où : Pr(1*1*1) = Pr(BNR) + Pr(BRN) + Pr(NBR) + Pr(NRB) + Pr(RBN) +

PR(RNB)
= ( x x ) +( x x ) +( x x ) +( x x ) +( x x ) +( x x
)
=6x
= 3 ! x Pr(B) x Pr(N) x Pr(R)
Cas général :
On tire n boules dans une urne contenant N boules en tirage exhaustif :
₁
₂
₂
₁ ₂
(K est le nombre de permutation de n objets avec répétition)

Propriété : Les évènements « tirer n boules 1 à 1 sans remise » et « tirer

simultanément n de l’urne sont équivalents et ont la même probabilité.
b) Le tirage est avec remise (tirage de Bernouilli)
On considère une urne contenant 5 boules blanches, 3 noires et 2 rouges. On effectue

5 tirages avec remise (non exhaustif).
Calculer la probabilité d’avoir 2B, 2N et 1R.
Solution : on nous demande de calculer la probabilité de la répartition (2*2*1)
(2*2*1)=(B₁ B₂ N₃ N₄ R₅ ) ᴜ (B₁ N₂ B₃ N₄ R₅ ) ᴜ (B₁ N₂ N₃ B₄ R₅ ) ᴜ ……
(les indices étant le rang de tirage)
Or : Pr(BBNNR) = X X X X
=( )² X ( )² X ( )¹
⇒ K x Pr(BBNNR) K étant le nombre de permutation de n objets
avec répétition
Cas général tirage avec remise :

Pour chaque i on a = ⇒ Pr ( ) = K. P
Avec P= x x x x x et K =

7
Exercice 22 : Une urne contient 4 boules Noires, 5 Rouges, 3 Blanches. Calculer la probabilité
d’avoir 3 boules de couleurs différentes si :
a) On tire simultanément 3 boules
b) On tire 3 boules avec remise
c) On tire 3 boules sans remise.
Exercice 23 : On dispose de 2 urnes contenant respectivement 5 boules bleues, 4 rouges et 6 bleues,

5 rouges. On tire une boule dans chaque urne.
a) Probabilité d’avoir 2 boules rouges
b) Probabilité d’avoir 2 boules bleues
c) Probabilité d’avoir 2 boules de couleurs différentes.
Exercice 24 : Une urne A renferme 5 billes Rouges et 3 Blanches et une urne B contient 2R et 6B.
a) Si l’on tire une bille dans chaque urne quelle est la probabilité que les 2 billes ainsi tirées
soient de la même couleur.
b) Si l’on tire 2 billes dans chaque urne quelle est la probabilité d’avoir des couleurs
différentes.
Exercice 25 : Une boîte A contient 9 cartes numérotées de 0 à 8 et une boîte B contient 5 cartes
numérotées de 1 à 5. On prend une boîte au hasard et on en tire une carte.
a) Quelle est la probabilité de tirer une carte portant le numéro 4 ?
b) Sachant que la carte tirée porte le numéro 4 calculer la probabilité que la carte tirée
provienne de la boîte B.
Exercices 26 : Un vendeur ambulant faisant du porte à porte vend du dentifrice d’une marque
donnée. Il dispose de 3 sortes de tubes : le tube familial, le tube normal et le tube de voyage.
Il admet qu’à chaque visite, il a la probabilité :
P1 = 4/10 de ne rien vendre
P2 = 3/10 de vendre un tube normal,
P3 = 2/10 de vendre un tube familial
P4 = 1/10 de vendre un tube de voyage.
On considère comme négligeable le cas où au cours d’une visite, on lui achète plus d’un tube.
Quelle est la probabilité qu’en 4 visites :
a) Il ne vende aucun tube
b) Il vende 3 tubes de type familial
c) Il vende un tube de chaque sorte
d) Il vende 2 tubes normaux et un tube de voyage.

8
CHAPITRE IV : VARIABLE ALEATOIRE A UNE DIMENSION

1. DEFINITION
On lance en l’air 2 dés. E étant l’ensemble des chiffres apparus sur la face supérieur
⇒ E= {(1,1) , (1,2), (1,3) ………………….(6,6)}
Soit X : « somme des 2 nombres qui apparaissent »

Cette somme varie de {2,………………….,12}
L’évènement « X=4 » est {(1,3), (2,2), (3,1)} inclus dans E
« X=4 » est un évènement de E
« X=15 » = n’est pas inclus dans E.

On appelle variable aléatoire la fonction X qui prend ses valeurs dans R et qui est
définie par les éléments de E.

X
E R (une variable est une fonction qui associe chaque
ɯ X(ɯ) résultat d’une expérience aléatoire à un
nombre réel)
(1,3) X(1,3) = 4
Si E est discrète on dit que X est une variable aléatoire discrète ; si E est continu on
dit que X est une variable aléatoire continue.
2. VARIABLE ALEATOIRE DISCRETE
a) Définition
X est une variable aléatoire discrète lorsqu’elle prend des valeurs distinctes
dans R
Exple : x = {2,3,4,…..11,12}
b) Loi de probabilité de X
Considérons une variable aléatoire discrète X qui peut prendre les valeurs :
x₁ , x₂ , x₃ ,,….,

9
avec pour i variant de 1 à

n.
couples ( , ). Cette loi peut

être représentée sous forme de tableau :
X
Avec ∑
Exemple 1: On lance en l’air un dé bien équilibré.

Soit la variable aléatoire X :" nombre apparu sur la face supérieure"

X peut prendre les valeurs X = {1,2,3,4,5,6}
Loi de probabilité de X :
X 1 2 3 4 5 6 Total
1/6 1/6 1/6 1/6 1/6 1/6 1
c) Représentation graphique de la loi de probabilité de X

La loi de probabilité peut être représentée graphiquement sous forme de diagramme
en bâton.
P(X)
1/6
1 2 3 4 5 6 X
(cela vous rappelle la représentation graphique de la fréquence relative d’une variable

observée dans la statistique descriptive avec = )

10
d) Fonction de répartition de X

 Définition
On appelle Fonction de répartition d’une variable aléatoire X la fonction définie :
F:R [0,1]
X P(X t)
t R 0 F(t) 1
 Exemple 2 : fonction de répartition de l’exemple 1

t F(t) = P(X t) = 0
1 F(t) = P(X t) = P(X=1) = 1/6
2 F(t) = P(X t) = P(X=1)+P(X=2) = 2/6

3 F(t) = P(X t) = P(X=1)+P(X=2)+P(X=3) = 3/6

4 F(t) = P(X t) = P(X=1)+P(X=2)+P(X=3)+P(X=4) = 4/6
5 F(t) = P(X t) = P(X=1)+P(X=2)+P(X=3)+P(X=4)+P(X=5)=5/6
t 6 F(t) = P(X t) = P(X=1)+P(X=2)+…….+P(X=6) = 6/6 = 1
 Représentation graphique de la fonction de répartition F

La fonction de répartition est ici assimilable à la fréquence cumulée dans le cas d’une
variable observée. Sa représentation graphique est alors une courbe en escalier pour
le cas d’une variable aléatoire discrète.
 Théorèmes :
1) La fonction de répartition satisfait aux conditions suivantes :
F(- )=0
F(+ )=1
2) Si a b ⇒ F(a) F(b)
3) Si X est une variable aléatoire discrète de fonction de répartition F

Pr(a X b) = F(b) – F(a) avec a b
 Caractéristiques de X
1) Espérance mathématique de X

11
L’espérance mathématique d’une variable aléatoire X est égale au moment d’ordre 1,

s’il existe et se note E(X).
∑
Remarque : l’espérance mathématique correspond à la notion de moyenne
arithmétique dans la statistique descriptive et définie par : ̅ =∑ ( étant la
fréquence relative).
2) Variance de X
La variance d’une variable aléatoire est égale au moment centré d’ordre 2 et notée
V(X) ∑ formule de définition
Théorème de Koenigs : en développant le carré parfait contenu dans cette formule il

est déduit que :

∑ -
– formule développée
3) Ecart-type de X
L’écart-type d’une variable aléatoire est égal à la racine carrée de la variance et

mesure la dispersion autour de E(X).
(X) = √
4) Propriété de ces caractéristiques
f1) propriétés de l’espérance mathématique
 L’espérance mathématique d’une constante a est la constante elle-même. E(a)

=a
 E(X- ̅ ) = 0
 Soit X’ = a + bX a R b R
E(X’) = a + b E(X)
 Soient 2 variables X, Y
12
E(X + Y) = E(X) + E(Y)

E(aX + bX) = aE(X) + bE(Y)
E(XY) = E(X).E(Y) si X et Y sont 2 variables indépendants
 X R(peut être négative) ⇒ E(X) R (peut être négative)
 E(X) a la même unité que X
 On dit que le jeu est équitable lorsque E(X) = 0
F2) propriétés de la variance

 V(X) 0
 V(aX) = aV(X)
3. APPLICATIONS ET EXERCICES
On lance en l’air 4 fois une pièce de monnaie bien équilibrée. On désigne par X la
variable aléatoire égale au nombre d’apparition de face.
1) Dresser la loi de probabilité de X
2) Représenter graphiquement cette loi
3) Déterminer la fonction de répartition de X
4) Représenter graphiquement F
5) Calculer E(X) , V(X) et δ(X).
On lance deux dés non truqués. Soit X la variable aléatoire représentant le total des
points obtenus sur les deux faces supérieures. Calculer E(X) et V(X).
Exercice 25 :
Le service social d’une entreprise organise une levée de fonds en vendant 1000 billets
de loterie à 100 employés.
L’un des billets gagne le gros lot qui est de 500.000 ariary ; deux autres gagnent 100.000 ariary ;
cinquante autres gagent 10.000 ariary.
On suppose que chaque employé achète un billet.
Soit X la variable aléatoire représentant le gain d’un employé.
a) dresser la loi de probabilité de X
b) A quel prix le billet doit-il être vendu si le service social compte avoir un
bénéfice de 500.000 ariary ?
Exercice 26 :
Un chef de service commercial estime avoir une probabilité 0,6 de faire gagner
100.000.000 ariary à son entreprise en faisant une opération. Si cette opération est
manquée, la perte est de 20.000.000 ariary. Quelle est l’espérance mathématique de
gain ?

13
Exercice 27 : Deux joueurs A et B misent respectivement une pièce de 5 ariary et une

pièce de 1ariary et jouent de la manière suivante :
A prend les deux pièces , les lance et, après leur retombée sur le tapis, les ramasse si
la sienne présente le côté « face » ou ramasse seulement celle de B si cette dernière
est la seule à présenter le côté « face ». B garde la ou les pièces restant
éventuellement.
1) X et Y étant les v. a. de gain de A et gain de B, donner leurs lois de probabilité et
leurs espérances de gain
2) le jeu est-il équitable ?
4. VARIABLE ALEATOIRE CONTINUE
(Révisez le cours « INDEGRALE » de la classe terminale)

a) Définition
Soit X une variable réelle définie sur un espace probabilisé et F sa fonction de

répartition :
F:R [0 ;1]
x F(x) = P(X x)
On dit que X est une variable aléatoire continue s’il existe une fonction numérique f
définie sur R telle que :
x R f(x)
f est continue sur R
F’(x) = f(x)
La fonction f est appelée densité de probabilité de la variable aléatoire continue X
⇒ R, ∫
En conséquence :
f(X) est une fonction densité si et seulement si elle remplit les 2 conditions
ci-après :
f(X) 0 et ∫
Remarque : contrairement à la variable aléatoire discrète, la variable aléatoire

continue prend ses valeurs dans tout un intervalle de R.
b) Propriétés d’une variable aléatoire continue
 Si a b F(a) F(b)
 La probabilité attachée à un intervalle [a ;b] est égale à :
Pr(a x b) = F(b) – F(a) = ∫
En effet :
F(b) = ∫
14
F(a) = ∫ d’où F(b) – F(a) = ∫ ∫ =

∫
 La probabilité attachée à un point est nulle Pr(X = t) = 0
(en effet l’intégrale représente l’aire (surface) compris entre les 2 extrémités de
l’intervalle [a ;b]. donc pour l’intervalle [a ;a] la surface délimitée est égala à 0).
Par conséquent :
Pr(a x b) = Pr(a x b) = Pr(a x b) = Pr(a x b) = F(b) - F(a)
c) Caractéristiques
 Espérance mathématique
E(X) = ∫
 Variance
V(X) = ∫
V(X) = E(X – ̅ )²
d) Application
Le temps qu’une secrétaire met pour finir une lettre d’une page est une variable
aléatoire continue dont la densité de probabilité est donnée par :
F(x) = kx pour 6 X 10
F(X) = 0 partout ailleurs
1) Calculer
2) Représenter graphiquement f(x)
3) Calculer la probabilité :Pr( 7 X 9)
4) Déterminer la fonction de répartition
5) En déduire Pr(6 X 8)
Solution
1) Calcul de K
On sait que : ∫
=∫ +∫ +∫
=∫ +∫ +∫
=∫ =K∫
=K[ ] = (100 – 36) = K. = K.32
K=
2) Graphe de la fonction y = kx en respectant le domaine de définition de f(x).
3) Calcul de Pr(7 X 9)

15
Pr(7 X 9) = ∫ = [ ] = =
4) Déterminer la fonction de répartition
Pr t 6 F(t) = Pr(X t) = ∫ =∫ =0
Pr 6 t 10 F(t) = ∫ =∫ +∫ = [ ]
=
Pr t 10 F(t) = ∫ ∫ +∫ +∫ =1
0 pr t
D’où : F(X) = pr 6 t 10
1 pr t 10
5) en déduire : Pr(6 x 8)
Pr(6 x 8) = F(8) – F(6)
= - =
Exercice 28
Soit une variable aléatoire continue dont la densité de probabilité f(X) dans
l’intervalle [-a ; +a] est représenté par deux segments de droites ; l’un ayant pour
extrémités les points (x=-a et y=0) et (x=0 , y=b) ; l’autre les points (x=0 et y=b) et
(x=a, y = 0) a étant un nombre positif donné et b une constante positive.
1) Définir l’expression de la fonction densité f(x) suivant les intervalles ci-après,
et représenter graphiquement f(x).
f(x) = <si x < -a

f(x) = si –a < x < 0
f(x) = si 0 < x < a
f(x) = si x > a
2) calculer la constante b en fonction de a
3) calculer E(x), V(x) et écart-type de x.
4) Déterminer la fonction de répartition de x
5) Représenter graphiquement cette fonction de répartition
6) Calculer Pr (-a/2 < X < a/2 )

16
SOMMAIRE (Elément N°2)

CHAPITRE II : CALCUL DES PROBABILITES (SUITE ET FIN) .... 2
4. PROBABILITE DE BAYES ................................................................................................... 2
3.1 Problème de BAYES ..................................................................................................... 2
3.2 Solution .......................................................................................................................... 2
3.3 Théorème de BAYES (cas général) .............................................................................. 3
3.4 Exemple ......................................................................................................................... 3
CHAPITRE III : SCHEMA DE TIRAGE PROBABILISTE EN
MODELE DES URNES .................................................................... 5
1. POSITION DU PROBLEME .................................................................................................. 5
2. RESOLUTION DU PROBLEME ........................................................................................... 5
CHAPITRE IV : VARIABLE ALEATOIRE A UNE DIMENSION ....... 9
1. DEFINITION ........................................................................................................................... 9
2. VARIABLE ALEATOIRE DISCRETE .................................................................................. 9
3. APPLICATIONS ET EXERCICES....................................................................................... 13
4. VARIABLE ALEATOIRE CONTINUE............................................................................... 14


17

Langue

Orca Share Media1543157305757

Transféré par

Informations du document

Titre original

Copyright

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Orca Share Media1543157305757

Transféré par

Droits d'auteur :

UNIVERSITE D’ANTANANARIVO

INTERDICTION: PHOTOCOPIE ET REPRODUCTION FACULTE DE DROIT, D’ECONOMIE DE GESTION ET DE SOCIOLOGIE

Parcours : Gestion appliquée aux entités

Madame RAVALITERA Farasoa

Année universitaire : 2016

INTERDICTION: PHOTOCOPIE ET REPRODUCTION

On considère 2 urnes U₁ et U₂ contenant des boules blanches et noires.

Pour U₂ : proportion de { tel que : ₂ ₂

Cela veut dire B : « avoir une boule blanche de l’urne U₁ ou de l’urne U₂ »

INTERDICTION: PHOTOCOPIE ET REPRODUCTION

3.3 Théorème de BAYES (cas général)

Si A₁ , A₂ , … , constituent une partition de E et tel que pr( ) 0 et

A₃ : « la voiture provient de l’agence n°3 »

INTERDICTION: PHOTOCOPIE ET REPRODUCTION

La JIRAMA a deux sortes de clientèle :

- les abonnés mixtes c’est-à-dire, en électricité et en eau.

Interdiction : Photocopie et reproduction - Réf : foadgestion-degs/tanà/2016/L2/S 3/UE2/STAT/2

CHAPITRE III : SCHEMA DE TIRAGE PROBABILISTE EN

Ni de couleur i avec une proportion pi

Nk de couleur k avec une proportion pk

Interdiction : Photocopie et reproduction - Réf : foadgestion-degs/tanà/2016/L2/S 3/UE2/STAT/2

INTERDICTION: PHOTOCOPIE ET REPRODUCTION

2ème cas : on tire une à une

On considère une urne contenant 5 boules blanches, 3 noires et 2 rouges. On effectue

Interdiction : Photocopie et reproduction - Réf : foadgestion-degs/tanà/2016/L2/S 3/UE2/STAT/2

D’où : Pr(1*1*1) = Pr(BNR) + Pr(BRN) + Pr(NBR) + Pr(NRB) + Pr(RBN) +

INTERDICTION: PHOTOCOPIE ET REPRODUCTION

(K est le nombre de permutation de n objets avec répétition)

Propriété : Les évènements « tirer n boules 1 à 1 sans remise » et « tirer

On considère une urne contenant 5 boules blanches, 3 noires et 2 rouges. On effectue

Cas général tirage avec remise :

Interdiction : Photocopie et reproduction - Réf : foadgestion-degs/tanà/2016/L2/S 3/UE2/STAT/2

Exercice 23 : On dispose de 2 urnes contenant respectivement 5 boules bleues, 4 rouges et 6 bleues,

Interdiction : Photocopie et reproduction - Réf : foadgestion-degs/tanà/2016/L2/S 3/UE2/STAT/2

CHAPITRE IV : VARIABLE ALEATOIRE A UNE DIMENSION

Soit X : « somme des 2 nombres qui apparaissent »

« X=15 » = n’est pas inclus dans E.

définie par les éléments de E.

2. VARIABLE ALEATOIRE DISCRETE

Interdiction : Photocopie et reproduction - Réf : foadgestion-degs/tanà/2016/L2/S 3/UE2/STAT/2

avec pour i variant de 1 à

INTERDICTION: PHOTOCOPIE ET REPRODUCTION

couples ( , ). Cette loi peut

Exemple 1: On lance en l’air un dé bien équilibré.

Soit la variable aléatoire X :" nombre apparu sur la face supérieure"

c) Représentation graphique de la loi de probabilité de X

(cela vous rappelle la représentation graphique de la fréquence relative d’une variable

Interdiction : Photocopie et reproduction - Réf : foadgestion-degs/tanà/2016/L2/S 3/UE2/STAT/2

INTERDICTION: PHOTOCOPIE ET REPRODUCTION

 Exemple 2 : fonction de répartition de l’exemple 1

2 F(t) = P(X t) = P(X=1)+P(X=2) = 2/6

3 F(t) = P(X t) = P(X=1)+P(X=2)+P(X=3) = 3/6

 Représentation graphique de la fonction de répartition F

3) Si X est une variable aléatoire discrète de fonction de répartition F

Interdiction : Photocopie et reproduction - Réf : foadgestion-degs/tanà/2016/L2/S 3/UE2/STAT/2

L’espérance mathématique d’une variable aléatoire X est égale au moment d’ordre 1,

INTERDICTION: PHOTOCOPIE ET REPRODUCTION

Théorème de Koenigs : en développant le carré parfait contenu dans cette formule il

est déduit que :

L’écart-type d’une variable aléatoire est égal à la racine carrée de la variance et

4) Propriété de ces caractéristiques

f1) propriétés de l’espérance mathématique

 L’espérance mathématique d’une constante a est la constante elle-même. E(a)

E(X + Y) = E(X) + E(Y)

INTERDICTION: PHOTOCOPIE ET REPRODUCTION

D’où : Pr(111) = Pr(BNR) + Pr(BRN) + Pr(NBR) + Pr(NRB) + Pr(RBN) +