Académique Documents
Professionnel Documents
Culture Documents
CHAPITRE 1
CALCULS MATRICIELS
1) Définitions
Un tableau rectangulaire ayant n lignes et p colonnes de la forme ci-dessous est appelé : matrice.
Remarque :
Exemple :
Page 1
ALGEBRE ET PROBABILITE
2) Matrices particulières :
a) Matrice nulle
Une matrice nulle est une matrice dont tous les éléments sont nuls. Elle est notée :
b) Matrice diagonale
Une matrice carrée est dite diagonale si tous ses éléments non diagonaux sont nuls.
Exemple :
Une matrice carrée d’ordre n ne comportant que des 1 sur la diagonale principale et des 0 partout
Exemple :
d) Matrice triangulaire
Une matrice triangulaire est une matrice carrée dont les éléments au-dessous (respectivement au-
dessus) de la diagonale principale sont tous nuls.
Exemple :
e) Matrice symétrique
Une matrice symétrique est une matrice carrée dont les éléments symétriques par rapport à la
diagonale principale sont égaux.
Page 2
ALGEBRE ET PROBABILITE
f) Matrice transposée
Définition
Exemple :
, ; ,
Propriété 1:
Exemple :
Propriété 2 :
Page 3
ALGEBRE ET PROBABILITE
Définition
Exemple : et calculer
Propriétés :
(Associativité)
(Élément neutre)
(Opposé)
(Commutativité)
Remarque :
Définition
Exemple : et calculer
Remarque :
Propriétés :
Page 4
ALGEBRE ET PROBABILITE
4) Produit de matrices
Définition
, pour et .
Remarque :
Le produit n’est possible que si le nombre de la matrice est égal au nombre de colonne
de la matrice .
n colonnes
... ... a1 j ... ...
... ... a 2 j ...
p lignes
... ... aij ...
... ... a pj ...
jième colonne
q lignes
kième ligne bk1 bk 2 ... bki ... bkp ... ckj .... q lignes
P colonnes n colonnes
Page 5
ALGEBRE ET PROBABILITE
Exemple : et calculer
Propriétés :
Soient , , , et .
Remarques :
APPLICATION :
Déterminer la matrice :
1) Définition
On appelle déterminant d’une matrice carrée d’ordre , le nombre réel noté tel que
Page 6
ALGEBRE ET PROBABILITE
On recopie à la suite du déterminant de la matrice A, les deux premières colonnes(ou les deux
premières lignes) puis, on effectue le calcul : les éléments dont le produit doit être affecté du signe
(+) sont ceux situés sur les « parallèles à la diagonale principale» tandis que ceux affecté du signe (-)
sur les « parallèles à la diagonale non principale»
Disposition pratique :
L’astuce consiste à se ramener à des déterminants d’ordre inférieur jusqu’à obtenir des déterminants
d’ordre 2. Pour cela, on développe le déterminant suivant une ligne ou une colonne.
Page 7
ALGEBRE ET PROBABILITE
la ligne et de la colonne.
Exemple :
Exemple :
4) Propriétés :
Soient A, B deux matrices carrées d’ordre n, I n une matrice unité d’ordre n et α un nombre réel.
dét(In)=1.
dét (αA)=αndét(A).
Page 8
ALGEBRE ET PROBABILITE
Définition :
Considérons une matrice carrée d’ordre n, la matrice des cofacteurs des éléments de la
matrice notée : est appelée matrice adjointe de ou comatrice de notée :
2 )Matrice inversible :
Définition :
Une matrice carrée d’ordre n est inversible s’il existe une matrice carrée unique d’ordre n
telle que : .
Propriété 1:
Soit une matrice carrée d’ordre n. Alors est une matrice inversible si et seulement si
Propriété 2 :
une matrice carrée d’ordre n. Si alors est inversible et son inverse est
Soit
donnée par :
Propriété 3 :
Page 9
ALGEBRE ET PROBABILITE
APPLICATION :
A tout système linéaire de n équations à p inconnues est associé une écriture dite :
Page 10
ALGEBRE ET PROBABILITE
Écriture matricielle
Le rang d’un système de n équations à inconnues, auquel est associée la matrice A :
- Est inférieur à n si dét(A)=0. Il est alors à l’ordre maximum r d’un des mineurs non nuls extraits
de A.
Exemple :
Résoudre un système d’équations linéaires consiste à rechercher les x i vérifiant toutes les équations
proposées.
a. Système de cramer
- Le déterminant de la matrice associée au système est différent de zéro : le rang du système est
égal à n. il admet alors une solution unique.
Page 11
ALGEBRE ET PROBABILITE
Méthode de Cramer
Méthode de Cramer :
- Un système linéaire de n équations à n inconnues est dit de Cramer (admet une solution
Si est inversible,
- On vérifie que, dans la première ligne , le coefficient de la première inconnue est non nul,
sinon on échange avec une ligne dont le coefficient de la première inconnue est non nul ;
APPLICATION :
a. Méthode de Cramer
b. Méthode du pivot
c. Méthode matricielle
Remarque :
Nous pouvons rencontrer des systèmes à n inconnues comportant plus de n équations. Pour
résoudre un tel système on peut choisir n équations, résoudre le système composé de ces n
équations, puis vérifier si les solutions trouvées sont solutions ou non des autres équations.
Page 12
ALGEBRE ET PROBABILITE
Exemple :
ils sont tels que le déterminant de la matrice associée au système est égal à 0. Leur rang sera donc
inférieur à n. leur résolution exclut la méthode par inversion matricielle et la méthode de cramer. Ils
admettront une infinité de solutions ou aucune.
Exemple :
c)Systèmeshomogènes
Un système d’équations linéaire est dit homogène si les seconds membres seconds sont nuls. Un tel
système admet toujours le triplet solution (0 ; 0 ; 0). C’est l’unique solution lorsque le rang du
système est égal à n c'est-à-dire lorsque dét(A) ≠ 0. Au contraire, si le rang du système est inférieur à
Exemple :
Page 13
ALGEBRE ET PROBABILITE
1. Calculer :
| | | | | || |
2 3 x ab x 2 −1 0 0
1 2 3 x x x
a xx b ∆ 4= 3 1 0 0
y , ∆ 3=
2 3
∆ 1= 3 1 2 , ∆2= y y ,
b xx a 0 0 5 −3
2 3 1 z z2 z 3
xbax 0012
| | | |
1 cosa cos2a 1 sina cosa
∆ 5 = 1 cosb cos2b , ∆ 6❑ = 1 sinb cosb
1 cosc cos2c 1 sinc cosc
( ) ( )
3 5 4 1 2 m
A= 9 6 3 B = m 1 2 (m ∈ R) C = ¿
−12 −3 1 2 m 1
( )
1 10 0
( )
2 1 0
(
A= cos x sin x
sin x −cos x ) (x∈ R ) B= 1 2 1
0 1 2
1 11 0
et C = 0 1 1 1
0011
4. Résoudre les systèmes suivants :
Page 14
ALGEBRE ET PROBABILITE
{ { { {
3 x-y +3 z =1 x + y + z =1 x-y +2 z =0 mx + y + z =1
( s 1 ) x + 3 z =-2 ( s2 ) x +2 y- 2 z =0 ( s3 ) x + y +2 z =0 ( s ) x + my + z =1
4 x + 2z =3 2 x+ 3 y-z=5 x + y +3 z =0 4 x + y + mz=1
EXERCICE 2
( ) ( )
−1 1 1 1 0 0
Soient les matrices : A= 3 5 3 et I = 0 1 0 .
1 1 −1 0 0 1
{
yz
=e
x
A partir des résultats précédents, résoudre le système ( S ) x3 y 5 z3 = e2
xy -1
=e
z
Page 15
ALGEBRE ET PROBABILITE
APPLICATIONS LINÉAIRES-
I. Espace vectoriel
1. Définitions
Soit K un corps commutatif. On appelle espace vectoriel sur K un ensemble E muni de deux
opérations :
Page 16
ALGEBRE ET PROBABILITE
EXEMPLE 1 :
L’ensemble A (IN, IK) des suites éléments de IK est donc un espace vectoriel sur IK. Les vecteurs sont
2. Propriétés
1. Définition
Soit E un espace vectoriel sur un corps K. une partie F de E est un sous espace vectoriel de E si :
2.Remarques
Page 17
ALGEBRE ET PROBABILITE
Tout sous espace vectoriel d’un espace vectoriel est un espace vectoriel.
L’intersection de deux sous –espaces vectoriels d’un même espace vectoriel E est un sous - espace
vectoriel de E.
EXEMPLE 2 :
Soient des éléments d’un espace vectoriel E, et x un élément de E. On dit que x est
EXEMPLE 3 :
REMARQUE :
1. PARTIE LIBRE
Page 18
ALGEBRE ET PROBABILITE
EXEMPLE 4 :
2. PARTIEE LIEE
On dit que A est une partie libre s’il existe , sont tous non
EXEMPLE 5 :
3. PARTIE GENERATRICE :
Une famille de vecteurs d’un espace vectoriel E est une famille génératrice de E
EXEMPLE 6 :
4. BASE :
Soient E un K espace vectoriel et B une partie non vide de E. On dit que B est une base de E si B est à
la fois une partie génératrice et une partie libre de E.
Page 19
ALGEBRE ET PROBABILITE
EXEMPLE 7 :
5. DIMENSION :
On appelle dimension d’un espace vectoriel E le nombre de vecteurs d’une base de E. La dimension
de E est notée dimE.
EXEMPLE 8 :
Pour montrer que des vecteurs sont linéairement indépendants il suffit de montrer que le
déterminant associé à la matrice du système de ces vecteurs est différent de zéro. Dans le cas
Page 20
ALGEBRE ET PROBABILITE
EXEMPLE 9 :
B. APPLICATIONS LINEAIRES
I. Définitions :
1. Applications linéaires
Soient E et F deux espaces vectoriels sur K. On dit qu’une application est K- linéaire ou
On appelle noyau de f une application linéaire de E dans F l’ensemble noté Ker(f) ou N(f) définie par :
EXEMPLE 10 :
On appelle image de f, et l’on note Imf, l’ensemble f(E), des images par f des éléments de E.
On appelle noyau de f une application linéaire de E dans F l’ensemble noté Ker(f) ou N(f) définie
par :
Ker(f) est un sous-espace vectoriel de E et Imf est un sous-espace vectoriel de F.
Page 21
ALGEBRE ET PROBABILITE
Théorème de la dimension
EXEMPLE 11 :
Soit E l’espace vectoriel des fonctions de R dans R , deux fois dérivables et l’application :
1. Définition
Soient E et F deux espaces vectoriels, de dimension finie sur K et f une application linéaire de E dans
Par rapport aux bases B et F la matrice de type dont la colonne de type j est
2. Remarque
Page 22
ALGEBRE ET PROBABILITE
type (q, p) et B de type (n, q) alors la matrice de l’application est la matrice C de type
(n, p) avec : C = B X A.
(n, p) alors la matrice de l’application f+g de E vers F est la matrice S de type (n, p) avec : S = A + B.
3. Conséquences
-
Si le déterminant de la matrice est différent de zéro , l’application f
dépendants.
-
Pour déterminer l’image d’un vecteur V par l’application f (f(V)) on effectue le calcul
EXEMPLE 12 :
3°) Soit de E ; déterminer son image par f. Donner une base de Im(f) et écrire les
I-
CHANGEMENT DE BASE POUR UNE APPLICATION LINEAIRE
1)
Définition
Page 23
ALGEBRE ET PROBABILITE
d’ordre n dont la colonne est formé par les composantes de par rapport à la base B.
Autrement dit, si
2)
Propriété
3)
Influence d’un changement de bases sur les composantes d’un vecteur
EXEMPLE 13 :
4)
Influence d’un changement de bases sur la matrice d’une application linéaire
la base F est . On dira dans ce cas que M et A sont deux matrices semblables.
EXEMPLE 14 :
Page 24
ALGEBRE ET PROBABILITE
Soit f un endomorphisme d’un espace vectoriel E, c’est-à-dire une application linéaire de E dans E.
un scalaire est une valeur propre de f s’il existe un vecteur non nul x de E tel que :
les vecteurs x qui vérifient sont les vecteurs propres associés à la valeur propre. L’ensemble
de ces vecteurs est un sous-espace vectoriel de E, noyau de , appelé sous-espace propre
associé à la valeur propre . En dimension finie : dimE = n. Soit A la matrice de f dans une base B
de E. Les propositions suivantes sont équivalentes :
.
Page 25
ALGEBRE ET PROBABILITE
Où les sont les valeurs propres de f , certaines d’entre elles pouvant être identiques. La
diagonalisation d’une matrice à coefficients réels n’est pas toujours possible. Par contre :
Les matrices à coefficients complexes sont toutes diagonalisables dans C.
Une matrice carrée d’ordre n qui a n valeurs propres distinctes est diagonalisable.
Les deux propositions suivantes sont équivalentes :
(1) A diagonalisable.
se note tr(M).
2)
Remarques
Deux matrices semblables ont même trace et si A et D une matrice diagonale sont
semblables on a
Deux matrices semblables ont même déterminant et si A et D une matrice diagonale sont
semblables on a
IV- Applications
Page 26
ALGEBRE ET PROBABILITE
4°) Calculer .
5°) En déduire .
On considère la matrice :
Page 27
ALGEBRE ET PROBABILITE
Page 28
ALGEBRE ET PROBABILITE
TRAVAUX DIRIGÉS SUR LES ESPACES
VECTORIELS- APPLICATIONS
LINÉAIRES-DIAGONALISATION
EXERCICE 1
Soit
EXERCICE 2
4) a) Déterminer le noyau de .
Page 29
ALGEBRE ET PROBABILITE
b) Déterminer l’image de .
EXERCICE 3
1) On donne
EXERCICE 4
3) On pose
Page 30
ALGEBRE ET PROBABILITE
5) On pose .
EXERCICE 5
f ( e 1 ) =-2 e 1 + 3e2 -3 e3 , f ( e2 ) =4 e 2 -6 e3 et f ( e3 ) =3 e2 -5 e3 .
b) Montrer que H= {u= ( x, y, z ) ∈ R 3 / f ( u ) =-2u } est un sous espace vectoriel de R3. En donner
une base.
' ' '
c) Calculer f( e1 ), f( e2 ) et f( e3 ) .
3. On note A la matrice de f relativement à la base B .
a) Déterminer la matrice A’ de f dans la base B’.
b) On pose g=fofo…of= f n . Déterminer la matrice M de g dans la base B .
EXERCICE 6
Page 31
ALGEBRE ET PROBABILITE
1
3) On donne a = ln2, b =ln3, c = ln( ¿ et on pose simplement pour ces valeurs de a, b, c f a, b, c = f.
2
4) On donne dans cette question a = ln2, b =ln3, c = ln(2) et on note simplement dans ce cas f a, b, c = g.
on note la matrice de g relativement à la base canonique B.
a) Vérifier que PD = BP puis, au moyen d’un raisonnement par récurrence sur n que
b) En déduire Bn
Chapitre3
Page 32
INTEGRALES D’UNE FONCTION NUMERIQUE
ALGEBRE ET PROBABILITE
I - Primitives
1 - Définition
Soientf etF deux fonctions définies sur un intervalleI.F est une primitive def surI si et
seulement siF est dérivable sur I et .
2 –Propriétés
2 - 1 - Primitives usuelles
ou
ou
IR
IR
IR
IR
IR
Page 33
ALGEBRE ET PROBABILITE
si
r<0
lnIuI
I
Exemple 1 :
1- Déterminer la primitive F de f vérifiant la condition indiquée :
Page 34
ALGEBRE ET PROBABILITE
2 - Propriétés
Soient f et g deux fonctions continues sur un intervalle
P1) P2)
P4) Linéarité : et
Si alors
P8) Valeur moyenne
f une fonction continue sur un intervalle . On appelle valeur moyenne de f sur
Page 35
ALGEBRE ET PROBABILITE
sur l’intervalle
3 –Techniques de calcul
3 -1- Intégration par parties
Soient f et g deux fonctions dérivables sur un intervalle . Si les fonctions dérivées
Soit à calculer
-Faire le changement de variable
-Utiliser l’égalité
4:calculer les intégrales suivantes :
Exemple
Page 36
ALGEBRE ET PROBABILITE
. ua, est l’aire de la partie du plan limitée par (Cf), (OI), les droites
d’équationsx = a et x = b
x=0 x=2
Exemple :
x = 0 et x = 2 est :
O
Page 37
ALGEBRE ET PROBABILITE
est : A= - . ua
Exemple :
(Cf)
x = -2 x = 0
Aire de la partie hachurée du plan limitée par (Cf), l’axe des
abscisses, les droites d’équations x = 0 et x = -2 est :
O
A=
f et g deux fonctions continuent sur ; telles que x f(x) g(x). (Cf) et (Cg)
leurs courbes respectives dans un repère orthogonal (O, I, J). L’aire de la partie du
plan limitée par (Cf), (Cg), les droites d’équations x = a et x = b est :
Exemple :
x=0 x=1
(Cg)
Aire de la partie hachurée du plan limitée par (Cf), (Cg), les droites
(Cf) O d’équations x = 0 et x = 1 est :
Page 38
ALGEBRE ET PROBABILITE
on a l’inégalité
Exemple11
Page 39
ALGEBRE ET PROBABILITE
Converge si , diverge si .
Exemple 12
Donner la nature des intégrales suivantes
3- Critère de convergence
3-1- Comparaison des fonctions positives
Soit f et g deux fonctions continues positives sur telles que, pour tout
.
Exemple13
Etudier la convergence des intégrales suivantes :
Page 40
ALGEBRE ET PROBABILITE
Exemple15
1)
2)
Exercice 2
Calculer les intégrales suivantes :
Exercice 3
et
On pose
1) Calculer I + J
2) Calculer I - J à l’aide d’une intégration par parties
3) En déduire les valeurs de I et J
Page 41
ALGEBRE ET PROBABILITE
Exercice 4
Etudier la nature des intégrales suivantes :
Exercice 5
On considère l’intégrale : I =
I- ANALYSE COMBINATOIRE
On cherche la probabilité d’événements complexes, l’énumération des cas élémentaires est souvent
difficile, fastidieuse, ou l’un et l’autre. Pour faciliter la tâche, on utilisera les principes de base de
l’analyse combinatoire.
1) Principe fondamental
Lorsqu’un événement peut se réaliser suivant n1 manières, et qu’immédiatement après, un autre
événement peut se produire n2 façons, ainsi de suite jusqu’au k et dernier événement peut se
produire nk façons, les k événements peuvent alors se produire dans l’ordre considéré suivant
façons.
2) Factorielle
4) Arrangements
Page 42
ALGEBRE ET PROBABILITE
5) Combinaisons
Exemple 1
a°) Une agence de voyages veut organiser des circuits touristiques comprenant dans un ordre donné,
les six villes ivoiriennes : Abidjan, Divo, Gagnoa, Issia, Daloa, Man. Pour définir un circuit, on suppose
que chaque ville n’est visitée qu’une fois et on tient compte de l’ordre de visite de ces villes ; par
exemple, le circuit « Abidjan, Divo, Gagnoa, Issia, Daloa, Man » diffère du circuit « Man, Daloa, Issia,
Gagnoa, Divo, Abidjan ». Combien y-a-t-il de circuits possibles ?
b°) Cette agence propose également des excursions permettant de visiter deux villes parmi les six
villes citées précédemment ; les excursions du type, par exemple ; Divo-Gagnoa et Gagnoa-Divo sont,
pour des raisons financières, considérées comme des excursions différentes. Combien y a-t-il
d’excursions différentes ?
c°) En définitive, l’agence, pour la visite de deux villes déterminées, ne retient qu’une seule excursion
(par exemple, soit Daloa-Man, soit Man-Daloa). Combien, dans ces conditions, propose-t-elle
d’excursions ?
Solution :
a. Un circuit est déterminé par le choix d’un ordre de visite des villes mentionnés : il s’agit donc
b. les excursions sont déterminées par le choix, dans un ordre déterminé, de deux villes parmi les six.
L’ordre et la nature des éléments interviennent. Il s’agit donc d’un arrangement d’ordre 2 parmi 6
éléments. .
c. Si l’on ne tient plus compte de l’ordre de visite des villes. Il s’agit des combinaisons des 6 villes
prises 2 à 2. .
1) Vocabulaire de base
Ensemble : un ensemble est constitué d’éléments. Leur nombre, s’il est fini, est le cardinal de
l’ensemble.
Page 43
ALGEBRE ET PROBABILITE
Expérience aléatoire : Une expérience est aléatoire lorsque son issue est imprévisible.
L’univers : l’univers Ω est l’ensemble des résultats possibles (éventualités). Pour le lancer d’un dé
Evénement : Partie de l’univers notée A, B, C…. (A ⊂ Ω). P(Ω) est l’ensemble des événements de
l’univers Ω (A ϵ P(Ω)). L’ensemble des nombres impairs est A = {1, 3, 5} dans le cas du lancer de dé.
Evénement élémentaire : événement comportant une seule éventualité. Les ensembles {1}, {2}, {3},
{4}, {5}, {6} sont des événements élémentaires.
Evénements contraires : A est l’événement contraire de A (ce sont des parties complémentaires
dans Ω ; on note symboliquement A = Ω – A). L’ensemble des nombres pairs est l’événement
contraire de l’ensemble des nombres impairs dans le cas de lancers de dé.
Evénement A U B : c’est l’événement A ou B (A ou B se réalise lorsque l’un au moins des deux
événements se réalise.
2) Théorèmes
3) Probabilité
a) Définition
Soit Ω un univers et P(Ω) l’ensemble des événements de cet univers. Une probabilité est une
application p : p : Ω → [0 ; 1] telle que :
b)Propriété
Page 44
ALGEBRE ET PROBABILITE
2°) Quelle la probabilité d’obtenir au moins une fois face au cour des quatre lancers ?
Solution :
1.
4)Probabilité conditionnelle
a)Définition
La probabilité conditionnelle de B sachant que A est réalisé est le nombre noté p(A/B) défini par :
c) Evénements indépendants :
Soient A et B deux événements. On dit que A est indépendant de B si : p(A∩B)= p(A) p(B)
Remarque
Page 45
ALGEBRE ET PROBABILITE
Solution :
1er lancer 1 2 3 4 5 6
2ème lancer
1 (1 ; 1) (1 ; 2) (1 ; 3) (1 ; 4) (1 ; 5) (1 ; 6)
2 (2 ; 1) (2 ; 2) (2 ; 3) (2 ; 4) (2 ; 5) (2 ; 6)
3 (3 ; 1) (3 ; 2) (3 ; 3) (3 ; 4) (3 ; 5) (3 ; 6)
4 (4 ; 1) (4 ; 2) (4 ; 3) (4 ; 4) (4 ; 5) (4 ; 6)
5 (5 ; 1) (5 ; 2) (5 ; 3) (5 ; 4) (5 ; 5) (5 ; 6)
6 (6 ; 1) (6 ; 2) (6 ; 3) (6 ; 4) (6 ; 5) (6 ; 6)
1.
et . .
, ,
et
2. , et
par conséquent B et C sont indépendants.
Page 46
ALGEBRE ET PROBABILITE
Exemple 4 :
On a une pièce mécanique qui est fabriquée soit par l’usine 1, 2 ou 3. On suppose que 25%
(respectivement 30% et 45%) de la production provient de l’usine 1 (respectivement l’usine 2 et 3).
On suppose que 10% (respectivement 2% et 5%) des pièces produites par l’usine 1 (respectivement
l’usine 2 et 3) sont défectueuses.
1°) On prend une pièce, quelle est la probabilité pour qu’elle soit défectueuse ?
2 °) On tire une pièce au hasard. On constate qu’elle est défectueuse. Quelle est la probabilité pour
cette pièce provienne de l’usine 1.
Solution :
Soient Ui « la pièce choisie provient de l’usine i » et D « la pièce choisie est défectueuse ».
1.
2.
x1 x2 …
Page 47
ALGEBRE ET PROBABILITE
p1 p2 …
c) Espérance et variance
On appelle espérance mathématique de la variable aléatoire X le nombre réel, noté E(X)
On appelle variance de la variable aléatoire X le nombre réel positif, noté V(X) définie par :
L’écart -type de cette loi, noté (X), est la racine carrée de la variance : .
3) Fonction de répartition
On appelle fonction de répartition de la variable aléatoire X l’application F définie par :
F(x) est la probabilité de l’événement « obtenir une valeur de X inférieure ou égale à x »
Si , ; si ,
EXEMPLE 5 :
Solution :
2 3 4
U2
U1
Page 48
ALGEBRE ET PROBABILITE
1 2 3 4
2 4 6 8
3 6 9 12
xi 2 3 4 6 8 9 12
P(X=xi)
2.
2.
b) Loi binomiale
On considère un schéma de Bernoulli consistant en la répétition n fois de façons indépendantes
d’une même épreuve de Bernoulli pour laquelle la probabilité du succès S est .
On note X la variable aléatoire égale au nombre de succès obtenus sur les n répétitions,
On dit que la variable aléatoire X suit une loi binomiale de paramètres n et p, notée en abrégé
Remarque : ; ; ;
c) Loi de Poisson
Une variable aléatoire X à valeurs dans IR suit une loi de Poisson de paramètre ( ), notée en
Page 49
ALGEBRE ET PROBABILITE
Exemple 6 :
Une fabrique de tubes électroniques produit en moyenne 1% de tubes défectueux. On considère une
commande de 300 tubes et on appelle X la variable aléatoire égale au nombre de tubes défectueux
parmi ces 300.
3°) Démontrer que cette loi peut être approchée par une loi de poisson dont on précisera le
paramètre.
4°) Calculer, en utilisant cette approximation, la probabilité pour que, parmi les 300 tubes livrés, il y
en ait moins de quatre défectueux (strictement).
Solution :
1. La variable aléatoire X qui désigne le nombre de tubes défectueux suit deux issues contraires :
Cette expérience est répétée 300 fois dans des conditions identiques et indépendantes. X suit la loi
binomiale de paramètres n=300 et p=0,01.
Soit un univers. On dit qu’une variable aléatoire est continue si elle peut prendre toutes les
valeursdans un intervalle donné de IR.
Page 50
ALGEBRE ET PROBABILITE
et
et
c) Densité de probabilité
Soit une variable aléatoire continue X est définie par une fonction f.
Une fonction f définie et positive sur IR est une densité de probabilité si et la loi X est
F(t) est l’aire de la surface délimitée par la courbe représentative de la densité f, l’axe des abscisses
et la droite d’équation x = t.
EXEMPLE 7 :
Page 51
ALGEBRE ET PROBABILITE
Solution :
1. On a toujours :
2.
4. P(X=2)=0 en effet pour une variable aléatoire continue, la densité de probabilité en un point est
nulle.
P(X<2)=F(2)=0,5 et P(2<X<3)=F(3)-F(2)= .
La loi de probabilité d’une variable aléatoire continue X suit la loi normale ou loi de Laplace Gauss de
paramètres m et , notée N , si sa densité de probabilité f est définie par :
Page 52
ALGEBRE ET PROBABILITE
Si les paramètres de la loi normale sont respectivement m=0 et =1, alors on dit que la loi est
centrée réduite, on la note N (0 ; 1).la densité de probabilité associée à la normale N (0 ; 1) est la
Sa courbe représentative C g est symétrique par rapport à l’axe ( ) car g est paire.
Soit T la variable aléatoire qui suit la loi normale centrée réduite N (0 ; 1). La fonction de répartition
Propriétés
Page 53
ALGEBRE ET PROBABILITE
N en prenant et .
et .
Exemple 8 :
On considère une population très nombreuse où chaque individu est susceptible de posséder un
caractère A, avec une probabilité p = 0,4. On effectue 900 observations et on désigne par X le
nombre d’individus ayant le caractère A dans cet échantillon.
3°) Démontrer que cette loi peut être approchée par une loi normale dont on précisera les
paramètres.
4°) Calculer P ( ).
Solution :
1. La variable aléatoire X qui désigne le nombre d’individus ayant le caractère A suit deux issues
contraires :
Cette expérience est répétée 900 fois dans des conditions identiques et indépendantes. X suit la loi
binomiale de paramètres n=900 et p=0,4.
3. n=900, p=0,4 et q=1-p=0,6 donc et par conséquent X peut être approchée par
4.
Page 54
ALGEBRE ET PROBABILITE
Exemple 9 :
Les deux parties de cet exercice sont indépendantes. Une entreprise fabrique en grande quantité des
tiges métalliques cylindriques pour l'industrie. Leur longueur et leur diamètre sont exprimées en
millimètres. Dans cet exercice, les résultats approchés sont à arrondir à 10 -2.
A. Loi normale
Une tige de ce type est considérée comme conforme pour la longueur lorsque celle-ci appartient à
l'intervalle [99,45; 100,55]. On note X la variable aléatoire qui, à chaque tige prélevée au hasard dans
la production, associe sa longueur. On suppose que X suit la loi normale de moyenne 100 et d'écart
type 0,25.
1°) Calculer la probabilité qu'une tige prélevée au hasard dans la production soit conforme pour la
longueur.
2°) Déterminer le nombre réel h positif tel que : P (100-h≤ X ≤100+h)= 0,95. Interpréter le résultat à
l'aide d'une phrase.
Dans un lot de ce type de tiges 3 % des tiges ne sont pas conformes pour la longueur. On prélève au
hasard 50 tiges de ce lot pour vérification de la longueur .Le lot est suffisamment important pour que
l'on puisse assimiler ce prélèvement à un tirage avec remise de 50 tiges. On considère la variable
aléatoire y qui, à tout prélèvement de 50 tiges, associe le nombre de tiges non conformes pour la
longueur.
1°) Justifier que la variable aléatoire y suit une loi binomiale dont on déterminera les paramètres.
2°) Calculer la probabilité que, dans un tel prélèvement, deux tiges ne soient pas conformes pour la
longueur.
3°) Calculer la probabilité que, dans un tel prélèvement, au plus deux tiges ne soient pas conformes
pour la longueur.
4°) On considère que la loi suivie par y peut être approchée par une loi de Poisson.
5°) On désigne par Z une variable aléatoire suivant la loi de Poisson de paramètre où a la valeur
obtenue au 4°.Calculer P(Z = 2) et P(Z < 2).
Solution :
Partie A:
1. On cherche . La variable aléatoire suit la loi normale donc
la variable aléatoire suit la loi normale réduite . Notons E l'évènement «la tige
est conforme ».
Page 55
ALGEBRE ET PROBABILITE
2.
Partie B:
1. On assimile ce prélèvement de 50 tiges à un tirage aléatoire avec remise, répété 50 fois. Les
expériences sont indépendantes et il n'y a que deux issues observées : non conformes ou conformes,
la probabilité qu'une tige soit non conforme est de : 0,03. On est donc dans le cadre d'un schéma de
Bernoulli et la variable Y suit la loi B (50 ; 0,03).
2. .
L
a probabilité que, dans un tel prélèvement, au plus deux tiges ne soient pas conformes pour la
longueur est de 0,81.
4. Z peut donc être approchée par une loi de poisson de paramètre = 50 0,03 soit = 1,5.
5.
EXEMPLE 10 :
Les trois parties de cet exercice peuvent être traitées de façon indépendante.
Une usine fabrique, en grande quantité, des rondelles d’acier, leur diamètre est exprimé en millimètres.
Dans cet exercice, sauf indication contraire, les résultats approchés sont à arrondir à 10 .
A. Loi normale
Une rondelle de ce modèle est conforme pour le diamètre lorsque celui-ci appartient à l'intervalle
[89,6; 90,4].
Page 56
ALGEBRE ET PROBABILITE
1°) On note la variable aléatoire qui, à chaque rondelle prélevée au hasard dans la production,
associe son diamètre. On suppose que la variable aléatoire suit la loi normale de moyenne 90 et
d'écart type .Calculer la probabilité qu'une rondelle prélevée au hasard dans la production soit
conforme.
2°) L'entreprise désire améliorer la qualité de la production des rondelles : il est envisagé de modifier
le réglage des machines produisant les rondelles. On note D la variable aléatoire qui, à chaque rondelle
prélevée dans la production future, associera son diamètre. On suppose que la variable aléatoire D suit
une loi normale de moyenne 90 et d'écart type .
Déterminer pour que la probabilité qu'une rondelle prélevée au hasard dans la production future soit
conforme pour le diamètre soit égale à 0,99.
B. Loi binomiale Arrondir à10
On note E l'événement : « une rondelle prélevée au hasard dans un stock important a un diamètre
défectueux ».On suppose que P(E) = 0,02. On prélève au hasard quatre rondelles dans le stock pour
vérification de leur diamètre. Le stock est assez important pour que l'on puisse assimiler ce
Prélèvement à un tirage avec remise de quatre rondelles. On considère la variable aléatoire qui, à
tout prélèvement de quatre rondelles, associe le nombre de rondelles de ce prélèvement ayant un
diamètre défectueux.
1°) Justifier que la variable aléatoire suit une loi binomiale dont on déterminera les paramètres.
2°) Calculer la probabilité que dans un tel prélèvement, aucune rondelle n'ait un diamètre défectueux.
3°) Calculer la probabilité que, dans un tel prélèvement, au plus une rondelle ait un diamètre
défectueux.
C. Approximation d'une loi binomiale par une loi normale
Les rondelles sont commercialisées par lots de 1000. On prélève au hasard un lot de 1000 rondelles
dans un dépôt de l'usine. On assimile ce prélèvement à un tirage avec remise de 1000 rondelles. On
considère la variable aléatoire qui, à tout prélèvement de 1000 rondelles, associe le nombre de
rondelles non conformes parmi ces 1000 rondelles. On admet que la variable aléatoire suit la loi
binomiale de paramètres n = 1 000 et p = 0,02. On décide d'approcher la loi de la variable aléatoire par
la loi normale de moyenne 20 et d'écart type 4,43. On note Z une variable aléatoire suivant la loi
normale de moyenne 20 et d'écart type 4,43.
1°) Justifier les paramètres de cette loi normale.
2°) Calculer la probabilité qu'il y ait au plus 15 rondelles non conformes dans le lot de 1000 rondelles.
Solution:
A. Loi normale
1. On cherche .La variable aléatoire suit la loi normale donc la
. La table de la loi
Page 57
ALGEBRE ET PROBABILITE
équivalent à : .
; ; .
B. Loi binomiale
1. chaque prélèvement est constitué par quatre épreuves élémentaires indépendantes puisque le
prélèvement est associé à un tirage avec remise. Chaque épreuve peut déboucher sur deux résultats,
et deux seulement, la rondelle n’est pas conforme, Événement de probabilité et la rondelle
est pas conforme événement de probabilité donc la variable aléatoire suit la loi
binomiale .
2. .
obtient et .
, donc .
Page 58
ALGEBRE ET PROBABILITE
Chapitre 6
ESTIMATION
Page 59
ALGEBRE ET PROBABILITE
L’échantillonnage est l’étude des liens existant entre les paramètres (moyenne ou fréquence) des
échantillons issus de la population elle-même. Grâce à l’échantillonnage, on peut faire des
statistiques inférentielles. Pour prédire, dix jours avant l’élection, la proportion exacte d’ivoiriens qui
va voter pour tel ou tel candidat, il faudrait interroger tous les ivoiriens : c’est matériellement
impossible. On interroge donc un échantillon d’environ milles personnes (sondage) et on en déduit
une estimation de la proportion recherchée.
Une machine doit remplir des paquets de sucre de 1 kg. Il est matériellement impossible de vérifier
que la masse de chaque paquet est bien de 1 kg. Alors, pour contrôler le bon réglage de la machine,
on étudie un échantillon de 50 paquets et on prendra une décision grâce aux tests d’hypothèses,
théorie qui doit beaucoup au statisticien anglais KARL PEARSON.
I- ÉCHANTILLONNAGE
loi normale
3) Distribution d’échantillonnage
a) Principe
L’échantillonnage consiste, connaissant les propriétés d’une population, à déterminer les propriétés
des échantillons dans cette population.
Nous ne considérerons ici que des échantillons aléatoires et des tirages effectués avec remise, pour
que des tirages soient indépendants. Dans le cas où l’effectif de la population est grand, ce qui est
très souvent le cas des populations que l’on étudie, on peut assimiler les tirages exhaustifs (sans
remise) à des tirages avec remise. Un échantillon peut donc être considéré comme la réalisation
d’une suite de n variables aléatoires indépendantes de même loi de probabilité.
Page 60
ALGEBRE ET PROBABILITE
Soit une population d’effectif N de moyenne m et d’écart type σ. On prélève un échantillon aléatoire
de taille n. soit la variable aléatoire qui associe à chaque échantillon sa moyenne. Alors pour n
Exemple :
Une production de 10 000 objets est réglée pour un poids moyen de 250g et pour un écart type de
10g. On prélève 200 objets (tirage avec remise).
Calculons la probabilité pour que la moyenne de l’échantillon soit comprise entre 249g et 250g.
L’échantillon étant suffisamment grand, la loi d’échantillonnage peut êtreapprochée par la loi
normale
caractère étudié est . Soit la variable aléatoire F donnant la fréquence du caractère étudié
pour chaque échantillon aléatoire de taille n prélevé. Alors pour n suffisamment grand, la loi de
Remarque :
Ce théorème est un cas particulier du précédent et on est ici dans le cas d’une approximation de la
loi binomiale par la loi normale.
Exemple :
Au cours d’une consultation électorale, Monsieur Zozo, le candidat du PIFC a recueilli 55% des
suffrages exprimés.
Page 61
ALGEBRE ET PROBABILITE
Calculons la probabilité d’avoir, dans un échantillon de taille 100 prélève parmi les suffrages
exprimés, moins de 50% des voix pour le candidat Zozo. La taille de l’échantillon étant suffisamment
1) Principe
Je ne connais pas la fréquence ou la moyenne d’un caractère d’une population donnée et j’essaie de
l’estimer en observant un échantillon.
Par exemple, avant les élections, on ne connaît pas encore les résultats, mais on aimerait bien
savoir… on ne peut pas interroger toute la population, alors les instituts spécialisés effectuent des
sondages, c'est-à-dire interrogent 1000 personnes environ dans la population ivoirienne et, à partir
de là, ils évaluent les résultats que devraient obtenir les différents candidats.
L’estimation peut se faire à l’aide d’un nombre qui estime celui recherché ; c’est l’estimation
ponctuelle ou à l’aide d’un intervalle : c’est l’intervalle de confiance (ou la fourchette).
2) Estimation
Je ne connais pas m (moyenne de la population), et généralement pas non plus (écart type de
a) Estimation ponctuelle de m et σ
Règle 1
La moyenne d’un échantillon de taille n prélevé au hasard dans une population est une bonne
estimation ponctuelle de la moyenne m de population.
Règle 2
L’écart type d’un échantillon de taille n prélevé au hasard dans une population n’est pas une
bonne estimation de l’écart type de la population. On admettra que le nombre est une
bonne estimation ponctuelle de (ce nombre est généralement noté sur les calculatrices).
et on suppose que les conditions sont réunies pour considérer que la loi normale
Page 62
ALGEBRE ET PROBABILITE
Règle :
Conditions d’application :
Les résultats précédents sont valides si les conditions sont réunies pour considérer que la loi de
suit la loi normale c'est-à-dire si l’une des 3 conditions suivantes est réalisée :
1. La population suit une loi normale avec connu, quelle que soit la taille de
l’échantillon.
2. La population suit une loi normale avec inconnu, mais l’échantillon est de grande
taille (supérieure à 30) et le résultat s’applique alors en prenant pour écart type son estimation
ponctuelle.
3. La population suit une loi quelconque de moyenne m et d’écart type et l’échantillon est de
grande taille (supérieure à 50).
Exemple :
Pour mieux gérer les demandes de crédits de ses clients, le directeur d’une agence bancaire réalise
une étude relative à la durée de traitement des dossiers. Un échantillon aléatoire non exhaustif de 30
dossiers traités a donné :
Temps en
minutes
Nombre de 4 9 16 13 5 3
personnes
On en déduit :
Page 63
ALGEBRE ET PROBABILITE
Si est la variable aléatoire qui, à chaque échantillon de taille 50, associe la moyenne des durées de
traitement des dossiers de l’échantillon, alors suit approximativement la loi normale
On a :
D’où l’intervalle de confiance de la moyenne au niveau de confiance de 95% (ou seuil de 5%) :
Soit .
On peut estimer (et on est « sûr à 95% ») que la moyenne du temps passé dans l’agence pour le
traitement d’un dossier est compris entre 24,45 min et 31,55min.
Remarques :
Si on prélevait un très grand nombre de tels échantillons, environ 95 pour 100 d’entre eux
contiendraient la moyenne inconnue m de la population. En fait, on n’en prélève qu’un seul et on ne
peut pas savoir si celui-ci contient ou non le nombre m, mais la méthode mise en œuvre permet
d’obtenir un « bon » intervalle dans 95 cas sur 100 (un « bon »intervalle contient m).
3. Il ne faut pas écrire, car dans ces inégalités, il n’ya que des constantes.
a) Estimation ponctuelle de p
Règle : La proportion pn du caractère dans un échantillon de taille n prélève au hasard dans une
population est une bonne estimation ponctuelle de la proportion p du caractère dans la population.
Page 64
ALGEBRE ET PROBABILITE
pour considérer que la loi de F peut être approchée par la loi normale
Règle :
Les conditions d’application de ce résultat sont réunies si l’échantillon est de grande taille
(supérieure 50).
Exemple :
Dans un sondage effectué 15 jours avant le scrutin auprès des 1000 personnes choisies de façon
aléatoire dans la commune Yopougon, 458 habitants de Yopougon se déclarent favorable à la
candidate Madame Konan.
La proportion d’électeurs favorables à Madame Konan dans cet échantillon est de :
D’où l’intervalle de confiance de la proportion au niveau de confiance de 95% (ou seuil de 5%) :
A partir du sondage effectué sur 1000 personnes, on peut estimer (avec un coefficient de confiance
Page 65
ALGEBRE ET PROBABILITE
EXERCICE1 :
En général quatre demandeurs d’emploi sur dix falsifient leur curriculum vitae. Une agence de
recrutement dispose d’u n fichier de 150 demandeurs d’emploi. On désigne par X la variable
aléatoire « égale au nombre de curriculum vitae falsifiés dans ce fichier ».
1) Montrer que X suit une loi binomiale B(n, p) que l’on précisera.
2) a- quel est en moyenne le nombre de curriculum vitae falsifiés que pourrait contenir ce fichier ?
3) a- Montrer que la loi binomiale B(n, p) peut être approchée par une loi normale dont on
déterminera les paramètres.
b- Utiliser cette approximation de la loi binomiale pour calculer la probabilité de chacun des
événements suivants :
C « le nombre de CV falsifiés que contient le fichier est strictement compris entre 45 et 55 »
EXERCICE2 :
1) Un laboratoire a mis au point un test pratiqué par un « détecteur de mensonges » au cours d’une
KERMESS où les jeunes gens se rencontrent. Quand un jeune ment le test est positif dans le cas
contraire le test est négatif.
Page 66
ALGEBRE ET PROBABILITE
Sachant que dans ce quartier 66% de jeunes couples de sexes opposés se forment au cours des
KERMESS ; calculer la probabilité qu’une rencontre du quartier dont le test de mensonge s’est révélé
positif ne soit pas un couple de sexes opposés. (Indication : théorème de BAYES).
EXERCICE3 :
Les passagers de côte d’ivoire Airways arrivent généralement au poste de contrôle des bagages au
rythme de 5 passagers toutes les 15 minutes. On considère la variable aléatoire « X égale au nombre
de passagers arrivant toutes les 15 minutes au poste de contrôle des bagages ».
A : « Un seul passager arrive au poste de contrôle des bagages toutes les 15 minutes ».
B : « Toutes les 15 minutes, au plus 3 passagers arrivent au poste de contrôle des bagages »
C : «Toutes les 7,5 minutes, au moins 2 passagers arrivent au poste de contrôle des bagages ».
EXERCICE4 :
Une usine fabrique des moteurs électriques. Ces moteurs peuvent présenter deux types de défauts :
Page 67
ALGEBRE ET PROBABILITE
2) Le coût de fabrication d’un moteur est 360 000F. la garantie permet de faire les répartitions aux
frais du fabricant selon les tarifs suivants :
On note X la variable aléatoire qui, à chaque moteur choisi au hasard dans la production associe son
coût global, c'est-à-dire son coût de production augmenté éventuellement des frais de répartition.
a) Justifier que X prend les valeurs suivantes : 360 000, 420 000, 438 000, 486 000.
d) Calculer l’espérance mathématique E(X) de la variable aléatoire X. Que représente E(X) pour
l’usine ?
e) On admet que tous les moteurs produits sont vendus. L’usine veut réaliser un bénéfice moyen de
51 000F par moteur. Quel sera le prix de vente d’un moteur ?
EXERCICE 5 :
Une machine automatique remplit des paquets dont la masse théorique doit être de
250 grammes.
11
19
26
18
Page 68
ALGEBRE ET PROBABILITE
13
l’intervalle est 0,26. On effectue des contrôles sur des échantillons de n paquets au
hasard et avec remise. On note X la variable aléatoire qui, à tout échantillon ainsi défini de n paquets,
2. On suppose que n = 6.
Déterminer la probabilité d’obtenir dans un tel échantillon exactement 4 paquets dont la masse est
dans l’intervalle .
3. Déterminer la valeur minimale n0 de n, entier strictement positif, pour que la probabilité d’obtenir
III. Soit Y la variable aléatoire qui, à chaque paquet prélevé au hasard à la sortie de
la machine, associe la masse de ce paquet, exprimée en grammes ; on suppose que
la variable aléatoire Y suit une loi normale de moyenne m et d’écart-type 15,8g.
1. On prend m = 250g.
Sur quelle valeur de m, au gramme près, doit être réglée la machine pour que
? Justifier.
Page 69