Ps-Chap 2

Déf & mesures de probabilités Prob.
conditionnelles Analyse combinatoire les variables aléatoires Lois de prob discrètes et continues
Probabilités et Statistique
Z. Bahou, EMI
2019/2020
Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Déf & mesures de probabilités Prob. conditionnelles Analyse combinatoire les variables aléatoires Lois de prob discrètes et continues
Plan du cours:
▪ Statistiques Descriptives
‐ Introduction
‐ Présentation des données
‐ Description des données
▪ Probabilités
‐ Calcul des probabilités
‐ Distribution des Probabilités Variables Aléatoire Discrètes
‐ Distribution des Probabilités Variables Aléatoire Continues
▪ Statistiques Mathématiques
‐ Échantillonnage
‐ Estimation Paramétrique
‐ Tests Statistiques Paramétriques

Chapitre 2 : Probabilités

PROBLÉMATIQUE
La boucle locale ou l’infrastructure de raccordement d’un opérateur a ses clients concentre une grande partie des problèmes de
dégradation des communications téléphoniques ou des transferts de données via les technologies ADSL / ADSL2+ .
Ces raccordement opérateur-client sont assurés par 2 câbles de cuivre que l’on appelle paire torsadée.
Ces technologies sont très sensibles aux défauts de connexion. Tel que les ruptures de câbles « défaut A » , et la sensibilité au
perturbations proches des câbles « défaut B ».
▪ Admettons on dispose d’une liste de 100 raccordement et on s’ intéresse aux événements A « raccordement présente un
défaut A » et B « raccordement présente un défaut B » . Nous avons 8 articles présent le défaut B et 12 articles présent le
défaut A
B ഥ
𝐁
▪ Le contraire de l’événement A est 𝐀ഥ = 88 le complément
▪ Le contraire de l’événement B est 𝑩ഥ = 92 A 4 8 12
▪ Admettons on a 4 articles qui ont les 2 défauts , remplissez le tableau ഥ
𝐀 4 84 88
▪ Traduire les cases des tableaux en opérations de la théorie des ensembles
▪ 𝐴 ∩ 𝐵 = 4 ; 𝐴ҧ ∩ 𝐵ത = 84 … .
8 92 100
ത 92 ; Card(Ω )=100…
▪ Card(A) = 12 ; Card (𝐵)=

PROBLÉMATIQUE
B ഥ
𝐁
▪ Le contraire de l’événement A est 𝐀 ഥ = 88 le complément
ഥ = 92 A 4 8 12
▪ Le contraire de l’événement B est 𝑩
▪ Admettons on a 4 articles qui ont les 2 défauts , remplissez le tableau ഥ
𝐀 4 84
▪ Traduire les cases des tableaux en opérations de la théorie des ensembles
88
▪ 𝐴 ∩ 𝐵 = 4 ; 𝐴ҧ ∩ 𝐵ത = 84 … .
ത 92 ; Card(Ω )=100…
▪ Card(A) = 12 ; Card (𝐵)=
8 92 100
▪ Quelle est la probabilité d’avoir un raccordement avec un défaut A?

Card(A)
P(A)=Card(Ω ) = 𝟏𝟐%
▪ Quelle est la probabilité d’avoir un raccordement avec ou moins un défaut? !!! ou inclusif
𝑷 𝑨 ∪ 𝑩 = 𝑷 𝑨 + 𝑷 𝑩 − 𝑷 𝑨 ∩ 𝑩 = 𝟎, 𝟏𝟐 + 𝟎, 𝟎𝟖 − 𝟎, 𝟎𝟒 = 𝟎, 𝟏𝟔 "𝑻𝒉é𝒐𝒓è𝒎𝒆 𝒅𝒆𝒔 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é𝒔 𝒕𝒐𝒕𝒂𝒍𝒆𝒔"

Evènement
Une expérience est dite aléatoire si on ne peut pas prédire a priori son résultat. On note ω un résultat possible de cette
expérience aléatoire. L’ensemble de tous les résultats possibles est noté Ω.
Par exemple, si on jette deux pièces de monnaie, on peut obtenir les résultats
Ω = {(P, P),(F, P),(P, F),(F, F)} , avec F pour “face” et P pour “pile”.
Un évènement est une assertion logique sur une expérience aléatoire comme “avoir deux fois pile” ou “avoir au moins
une fois pile”. Formellement, un évènement est un sous-ensemble de Ω.
L’ensemble Ω est appelé évènement certain, et l’ensemble vide ∅ est appelé évènement impossible.
On appelle, enfin, événements incompatibles, deux parties disjointes de Ω. Lançant par exemple un dé à six faces,
les deux événements:
A: le résultat est un chiffre pair
B: le résultat est un chiffre impair
•A et B sont incompatibles puisque: A = {1, 3, 5} et B = {2, 4, 6} n'ont aucun élément commun.

Opérations sur les évènements

Sur les évènements, on peut appliquer les opérations habituelles de la théorie des ensembles.
• L’union
L’évènement A ∪ B est réalisé dès que A ou B est réalisé. Dans un lancer de dé, si l’évènement A est “obtenir un nombre pair” et
l’évènement B “obtenir un multiple de 3”, l’ évènement A ∪ B est l’évènement “obtenir un nombre pair OU un multiple de 3”, c’est-
à-dire {2, 3, 4, 6}.
• L’intersection
L’évènement A ∩ B est réalisé dès que A et B sont réalisés conjointement dans la même expérience. Dans
un lancer de dé, si l’évènement A est “obtenir un nombre pair” et l’évènement B “obtenir un multiple de 3”,
l’évènement A ∩ B est l’évènement “obtenir un nombre pair ET multiple de 3”, c’est-à-dire {6}
• Le complémentaire
Le complémentaire de l’évènement A est l’évènement Ω\A. Le complémentaire est noté 𝐴.ҧ
Exemple: L’ expérience peut consister à jeter un dé, alors Ω = {1, 2, 3, 4, 5, 6}, et un évènement, noté A, est “obtenir un nombre
pair”. On a alors A = {2, 4, 6} et 𝐴ҧ = {1, 3, 5}

Relations entre les évènements

• Evènements mutuellement exclusifs
A et B sont mutuellement exclusifs, signifie que A et B ne peuvent pas se produire ensemble.
Exemple : Si on jette un dé, l’évènement “obtenir un nombre pair” et l’évènement “obtenir un nombre impair” ne peuvent pas être
obtenus en même temps. Ils sont mutuellement exclusifs. D’autre part, si l’on jette un dé, les évènements A : “obtenir un nombre
pair” n’est pas mutuellement exclusif avec l’évènement B : “obtenir un nombre inférieur ou égal à 3”. En effet, l’intersection de A et
B est non-vide et consiste en l’évènement “obtenir 2”.
• Inclusion
Si A est inclus dans B, on écrit A ⊂ B. On dit que A implique B.
Exemple : Si on jette un dé, on considère les évènements A “obtenir 2” et B “obtenir un nombre pair”. A = {2} et B = {2, 4, 6}.
On dit que A implique B.

Axiomes de Kolmogorov
-On fait correspondre une probabilité à chaque événement X, c'est-à-dire à chaque partie X de l'ensemble Ω des possibilités, c'est
définir une application de l'ensemble P(Ω) des parties de Ω, dans [0,1], qui satisfasse les trois conditions suivantes (souvent appelées
axiomes de Kolmogorov):
• positivité: la probabilité d'un événement est un nombre positif ou nul: ∀ X ∈ P(Ω), p(X)≥ 0
• échelle: la probabilité d'un événement impossible est nulle, celle d'un événement certain est égale à 1:p(Ø) = 0, p(Ω) = 1
• additivité: l'union de deux événements incompatibles, donc tels que: A ∩ B = Ø, a pour probabilité la somme des probabilités de
ces événements: p(A∪B) = p(A) + p(B)
Il en résulte immédiatement une relation très utile: la somme des probabilités de deux événements complémentaires est égale à 1:
p(A) + p(A) = 1
• Équiprobabilité
a) Définition Dans un univers Ω, on dit qu’il y a équiprobabilité lorsque tous les événements élémentaires ont la même probabilité
(on dit qu'ils sont équiprobables).
Exemple : Dans le jet d'un dé équilibré, chaque chiffre de 1 à 6 est équiprobable.
nombre de fois que l ' on observe x = 

P( x =  ) =
nombre d ' observations des valeurs de x

Exercices:
Exercice 1
Une urne contient des boules blanches, noires et rouges. On tire une boule de l’urne. On note :
A : « Tirer une boule blanche ».
B : « Tirer une boule ni blanche ni rouge ».
C : Tirer une boule noire ou une boule rouge ».
1) A et B sont-ils incompatibles ?
2) B et C sont-ils incompatibles ?
3) Traduire par une phrase ne comportant pas de négation 𝐴ҧ et 𝐵.
ത
Correction:
1) A et B sont incompatibles car une boule ne peut être simultanément blanche et non blanche.
2) B et C ne sont pas incompatibles car le tirage d’une boule noire les réalise simultanément.
3) L’événement 𝐴ҧ est « tirer une boule noire ou rouge ».
4) L’événement 𝐵ത est « tirer une boule blanche ou rouge ».
Exercices:
Exercice 2
On lance un dé à 6 faces. On note pi la probabilité de sortie de la face marquée i . Ce dé est truqué
de telle sorte que les probabilités de sortie des faces sont : p1 = 0,1 ; p2 = 0,2 ; p3 = 0,3 ; p4 = 0,1 ;
p5 = 0,15 . Quelle est la probabilité de sortie de la face marquée 6 ? Quelle est la probabilité
d’obtenir un nombre pair ?
Correction:
Si on note 𝑃6 la probabilité d’apparition du chiffre 6, la somme des probabilités des événements
élémentaires valant 1, on a 𝑃6 =1- ( 𝑃1 + 𝑃2 + 𝑃3 + 𝑃4 + 𝑃5 ) =1- 0,85 = 0,15 .
L’événement A « obtenir un nombre pair » étant A = {2;4;6} , on a p(A)= 𝑃2 +𝑃4 + 𝑃6 = 0,2 +
0,1+ 0,15 = 0,45 .
𝐶𝑎𝑟𝑑(𝐴) 3 1
Il ne faut surtout pas écrire P(A) = = = car il n’y a pas équiprobabilité des faces de
𝐶𝑎𝑟𝑑 (Ω) 6 2
dés.
Théorème des probabilités totales

Supposons deux événements A et B non disjoints, et calculons la probabilité P(A ∪ B) de leur réunion. L'axiome
d'additivité des probabilités d'événements incompatibles, permet d'écrire que :
𝑝 𝐴 ∪ 𝐵 = 𝑝 𝐴 ∩ 𝐵ത + 𝑝 𝐴 ∩ 𝐵 + 𝑝 𝐴ҧ ∩ 𝐵 , 𝑎𝑣𝑒𝑐 ∶
𝑝 𝐴 = 𝑝 𝐴 ∩ 𝐵ത + 𝑝 𝐴 ∩ 𝐵
𝑝 𝐵 = 𝑝 𝐴ҧ ∩ 𝐵 + 𝑝 𝐴 ∩ 𝐵
D’où la relation souvent appelée théorème des probabilités totales:
𝒑 𝑨 ∪ 𝑩 = 𝒑 𝑨 + 𝒑 𝑩 − 𝒑(𝑨 ∩ 𝑩)
❑ que l'on peut énoncer ainsi : si un événement peut se produire soit par l'arrivée d'un événement A, soit par
l'arrivée d'un événement B, sa probabilité est égale à la somme des probabilités de A et de B moins la
probabilité pour que A et B se produisent ensemble.


Exercices:
Exercice4
Lors d’un référendum, deux questions étaient posées. 65 % des personnes ont répondu « oui » à la
première question, 51 % ont répondu « oui » à la seconde question, et 46 % ont répondu « oui » aux
deux questions.
1) Quelle est la probabilité qu’une personne ait répondu « oui » à l’une ou l’autre des questions ?
2) Quelle est la probabilité qu’une personne ait répondu « non » aux deux questions ? .
Correction:
on note A l’événement « la personne a répondu oui à la première question » et B l’événement « la personne a répondu
oui à la deuxième question », l’énoncé nous fournit p( A) = 0,65 , p(B) = 0,51 et p( A B) = 0,46 .
1) On calcule p( A B) = p( A) + p(B) - p( A B) = 0,65 + 0,51- 0,46 = 0,7 .
(
2) On calcule p A B ) = p(𝐴ҧ 𝐵ത ) =1- p( A B) =1- 0,7 = 0,3.
Exercices:
Exercice 5
Dans une assemblée de 250 personnes, on ne remarque que les hommes portant une cravate ou
ayant des cheveux noir . Il y a 120 hommes qui portent la cravate, 85 hommes qui ont les cheveux
noir, dont 50 portent la cravate. On discute avec une personne choisie au hasard dans cette
assemblée.
1) Quelle est la probabilité que ce soit un homme portant une cravate.
2) Quelle est la probabilité que ce soit un homme aux cheveux noir et portant une cravate.
3) Quelle est la probabilité que ce soit un homme aux cheveux noir ou portant une cravate.
4) Quelle est la probabilité de discuter avec une personne qui n’est ni un homme aux cheveux noir ,
ni un homme portant une cravate ?

Exercices:
Exercice 5: Correction
Pas de Cravate
Cravate ഥ
(événement 𝑪) Total
(événement C)
Cheveux Noir
(évènement N)
50 35 85
Cheveux non Noir
ഥ)
(évènement 𝑵 70 95 165
Total 120 130 250
Card(C) 𝟏𝟐𝟎 3.
𝟖𝟓 𝟏𝟐𝟎
P(N ∪ C)= P(N) +P(C) - P(N ∩ C) =𝟐𝟓𝟎 + 𝟐𝟓𝟎 − 𝟐𝟓𝟎 = 𝟐𝟓𝟎
𝟓𝟎 𝟏𝟓𝟓
1. P(C)=Card(Ω ) = 𝟐𝟓𝟎 = 𝟎, 𝟒𝟖
Card(N∩C ) 𝟓𝟎 ഥ ∩ 𝑪) = = 1- 𝟏𝟓𝟓 𝟗𝟓
2. P(N ∩ C)= Card(Ω ) = 𝟐𝟓𝟎 = 𝟎, 𝟐 4. P(N ∪ C)= 1- P(N ∪ C)= P(𝑵 = 𝟐𝟓𝟎
𝟐𝟓𝟎

probabilités conditionnelles
Axiomes de probabilités conditionnelles × 𝐁 = 𝐏(𝐀 ∩ 𝐁)
Maintenant, On va s’intéresser à la réalisation de l’événement X de
Ω sachant que l’événement A de Ω est réalisé, et que la A
probabilité de l’événement A est non nulle: ഥ
𝑩
La réalisation d'un événement A modifie donc l'ensemble
×
𝐁 ഥ ∩ 𝐁)
= 𝐏(𝑨
des possibilités, et chaque événement X devient X∩A. Elle
modifie aussi les probabilités. On désignera par p(X|A) ou ഥ
𝑨
𝑝𝐴 (𝑋)la probabilité de l'événement X si A est réalisé. On ഥ
𝑩
l'appelle : probabilité conditionnelle de X sachant que A est
réalisé, et par définition :
𝐏 𝐀∩𝐁
p(X⋂A) 𝐏 𝐀 ∩ 𝐁 = 𝐏 𝐀 × 𝐏𝐀 𝐁 ⇔ 𝐏𝐀 𝐁 = 𝐏(𝐁ȁ𝐀) =
p(X|A)= 𝑷(𝑨)
p(A)
Il n'existe donc pas de probabilité conditionnelle lorsque la

probabilité de A est nulle

probabilités conditionnelles 𝐏 𝐁 =𝐏 𝐀∩𝐁 +𝐏 𝑨 ഥ∩𝐁

ഥ × 𝐏𝑨ഥ 𝐁
𝐏 𝐁 = 𝐏 𝐀 × 𝐏𝐀 𝐁 + 𝐏 𝑨
Axiomes de probabilités conditionnelles
𝑷 𝑩 = ෍ 𝐏(𝐁ȁ𝐀𝐢 ) × 𝑷 𝐀𝐢 = ෍ 𝐏(𝑩 ∩ 𝐀𝐢 )
𝒊=𝑰 𝒊=𝑰
× 𝐁 = 𝐏(𝐀 ∩ 𝐁) "𝐅𝐨𝐫𝐦𝐮𝐥𝐞 𝐝𝐞𝐬 𝐩𝐫𝐨𝐛𝐚𝐛𝐢𝐥𝐢𝐭é𝐬 𝐭𝐨𝐭𝐚𝐥𝐞𝐬"
A
B ഥ
𝐁
ഥ
𝑩
× A 4 8 12
𝐁 ഥ ∩ 𝐁)
= 𝐏(𝑨
ഥ
𝐀 4 84 88
ഥ
𝑨
ഥ
𝑩
8 92 100
𝟖
𝑷 𝑩 =
= 𝟎, 𝟎𝟖
𝟏𝟎𝟎
𝐏 𝐀∩𝐁 𝟏𝟐 𝟒 𝟖𝟖 𝟒
𝐏𝐁 𝐀 = "𝑩𝒂𝒚𝒆𝒔" ഥ × 𝑷𝑨ഥ 𝑩 =
𝑷 𝑩 = 𝑷 𝑨 × 𝑷𝑨 𝑩 + 𝑷 𝑨 × + × = 𝟎, 𝟎𝟖
𝑷 𝑩 𝟏𝟎𝟎 𝟏𝟐 𝟏𝟎𝟎 𝟖𝟖

Probabilités conditionnelles
▪ Événements indépendants
Par définition, deux événements sont indépendants, si la probabilité de l'un n'est
pas modifiée lorsque l'autre est réalisé. On a donc : p(A|B) = p(A)
Il en résulte que : p(A∩B) = p(A) ×p(B)
On peut donc énoncer que «la condition nécessaire et suffisante pour que deux
événements soient indépendants, est que la probabilité de leur intersection
soit égale au produit de leur probabilités»
NB: Il est essentiel de bien réaliser la différence entre événements incompatibles:
p(A∩B) = 0, et événements indépendants: p(A∩B) = p(A) ×p(B).

Exercice 6:
On jette une pièce de monnaie 3 fois de suite.
1) Donner la liste de tous les résultats possibles en notant P pour Pile et F pour Face (exemple : PPF).
2) Donner la probabilité des événements suivants :
A « le tirage ne comporte que des Piles ».
B « le tirage comporte au moins une fois Face ».
Correction:
1) On peut lister W = {PPP;PPF;PFP;PFF;FPP;FPF;FFP;FFF} D’où Card (W) = 8

Exercice 7:
Dans un magasin d’électroménager, on s’intéresse au comportement d’un acheteur
potentiel d’un téléviseur et d’un magnétoscope. La probabilité pour qu’il achète un
téléviseur est de 0,6. La probabilité pour qu’il achète un magnétoscope quand il a
acheté un téléviseur est de 0,4. La probabilité pour qu’il achète un magnétoscope
quand il n’a pas acheté de téléviseur est de 0,2.
1) Quelle est la probabilité pour qu’il achète un téléviseur et un magnétoscope ?
2) Quelle est la probabilité pour qu’il achète un magnétoscope ?


Exercice 8:
Le tableau suivant donne la répartition de 150 stagiaires en fonction de la langue choisie et de
l’activité sportive choisie. On choisit un élève au hasard.
Tennis Equitation Voile

Anglais 45 18 27
Allemand 33 9 18
1) Les événements « étudier l’allemand » et « pratiquer le tennis » sont-ils indépendants ?

2) Les événements « étudier l’anglais » et « pratiquer la voile » sont-ils indépendants ?

Tennis T Equitation E Voile V Total
Anglais A 45 18 27 90
Allemand D 33 9 18 60
Total 78 27 45 150

Probabilités conditionnelles Théorème de Bayes

• Très souvent lorsqu'on connait 𝑃𝐴 (𝐵), l'événement A est considéré comme la cause et
l'événement B comme la conséquence ;
✓ supposons que A soit l’événement atteint de la maladie M.
✓ supposons que B soit l’événement positif pour le test diagnostic D.
Le théorème de Bayes permet de calculer la probabilité pour qu’un patient positif pour le test
diagnostic D soit atteint de la M, en fonction de la probabilité de la maladie M dans la
population. Cette exemple illustre l’importance de ce théorème en termes de modélisation du
diagnostic « un fondement d’une partie de la théorie de la décision »
• Le théorème de Bayes est souvent appelé 'théorème de probabilité des causes'. Il s'énonce
comme suit :
𝑷 𝑨𝒊 𝑷𝑨𝒊 𝑩
soit 𝐴1 , … , 𝐴𝑛 un système complet d’événements, alors 𝑷𝑩 𝑨𝒊 =
σ𝒏
𝒋=𝟏 𝑷 𝑨𝒋 𝑷𝑨𝒋 𝑩



Exercie1:
On pose une question au hasard à une personne dans une population comptant une proportion p = 10 % de tricheurs.
On admet que si cet individu est tricheur, il connaît d’avance la réponse ; sinon il a une chance sur 12 de répondre
correctement.
Sachant que le candidat a répondu correctement, quelle est la probabilité qu’il ait triché ?
N.B. Pour la résolution, poser :
B = « Le candidat a bien répondu. » et T = « C’est un tricheur. ».
Solution :
1
ത
On sait que : P(B/T).= 1 ; P(T) = p ; P(B/𝑇 ).= ; P(𝑇ത ) = (1 – p)= 90%.
12
– Par la formule de Bayes :
P( B / T ).P(T ) P( B / T ).P(T ) 1.p 12p
P(T/B) = = = =
P( B / T ).P(T ) + P( B / T ).P(T ) P( B ) 1 + 11p 1 + 11p
12

Exercice 2:
Le gérant d'un magasin d'informatique a reçu un lot de clés USB. 5% des boites sont abîmées.
Le gérant estime que :
• 60% des boites abîmées contiennent au moins une clé défectueuse.
• 98% des boites non abîmées ne contiennent aucune clé défectueuse.
Un client achète une boite du lot. On désigne par A l'événement : ``la boite est abîmée'' et par
D l'événement ``la boite achetée contient au moins une clé défectueuse''.
• Donner les probabilités de P(A), P(𝐴),ҧ P(D|A), P(D|𝐴), ҧ P(𝐷|A)
ഥ ҧ En déduire la
ഥ 𝐴).
et P(𝐷|
probabilité de D.
• Le client constate qu'un des clés achetées est défectueuse. Quelle est la probabilité pour
qu'il ait acheté une boite abîmée?

Analyse combinatoire
▪ Permutations simple : Tout classement ordonné de n éléments distincts est une permutation de ces n
éléments. Par exemple aebcd est une permutation des éléments a, b, c, d, e.
‐ Il y a donc n! permutations de n éléments distincts. 𝑷𝒏 = 𝒏!
‐ Voici les 4! = 24 permutations de 4 éléments distincts a, b, c, d : ABCD ABDC ACBD ACDB ADBC ADCB
BACD BADC BCAD BCDA BDAC BDCA CABD CADB CBAD CBDA CDAB CDBA DABC DACB
DBAC DBCA DCAB DCBA
‐ Exemple : De combien de façons pouvez-vous ranger 10 livres sur une étagère ?
Réponse : 10! = 3'628'800
▪ Permutations avec répétition :On peut également se poser la question du nombre de manières de ranger
des objets qui ne sont pas tous distincts. Supposons que nous ayons 2 boules rouges (notées R) et 3 boules
blanches (notées B). Il existe 10 permutations possibles qui sont : {R, R, B, B, B}, {R, B, R, B, B}, {R, B, B, R, B},
{R, B, B, B, R}, {B, R, R, B, B}, {B, R, B, R, B}, {B, R, B, B, R}, {B, B, R, R, B}, {B, B, R, B, R}, {B, B, B, R, R}. Si
l’on dispose de n objets appartenant à deux groupes de tailles n1 et n2, le nombre de permutations avec répétition
𝒏! 𝟓! 𝟏𝟐𝟎 𝒏!
est , pour notre exemple « 2 boules rouges , 3 boules blanches » = = 𝟏𝟎. « »
𝒏𝟏 !𝒏𝟐 ! 𝟐!𝟑! 𝟐×𝟔 𝒏𝟏 !𝒏𝟐 !×⋯×𝒏𝒑 !

▪ Arrangement sans répétition: C’est le nombre de permutations que l’on peut faire avec p éléments
choisis parmi n éléments , chacun d’eux ne peut figurer qu’une seule fois dans le même arrangement. Le nombre
𝒑 𝒏!
d’arrangement sans répétitions est: 𝑨𝒏 =
𝒏−𝒑 !
‐ Exemple: 24 arrangements de 3 éléments choisis parmi a, b, c, d : ABC ABD ACB ACD ADB ADC BAC BAD
BCA BCD BDA BDC CAB CAD CBA CBD CDA CDB DAB DAC DBA DBC DCA DCB
‐ Après les prolongations d'un match de football, l'entraîneur doit choisir les 5 tireurs de penaltys parmi les onze
joueurs et l'ordre de passage. Combien de choix a-t-il ? Réponse : 𝑨𝟓𝟏𝟏 = 55'440 .
▪ Arrangement avec répétition: C’est le nombre d’arrangements que l’on peut faire avec p éléments
choisis parmi n éléments , chacun d’eux peut figurer plusieurs fois dans le même arrangement. Le nombre
d’arrangement avec répétitions est: 𝒏𝒑
Combien de numéros de téléphone composés de 7 chiffres choisis parmi 10 existe-t-il ! Réponse : 𝟏𝟎𝟕

▪ Combinaison sans répétition: Une combinaison est une collection de p objets pris simultanément
parmi n, donc sans tenir compte de l'ordre d'apparition. Elle est dite simple si on ne peut prendre chaque objet
𝒑 𝒏!
qu'une fois au plus. Le nombre de combinaisons sans répétitions est: 𝑪𝒏 =
𝒑!× 𝒏−𝒑 !
‐ Exemple: Le nombre de combinaisons sans répétitions que l’on peut faire avec deux éléments choisis parmi
𝟑!
trois éléments a , b , c , est : 𝑪𝟐𝟑 = = 𝟑 « AB AC BC »
𝟐!× 𝟑−𝟐 !
▪ Combinaison avec répétition: c’est le nombre de combinaisons que l’on peut faire avec p éléments
choisis parmi n éléments, chacun d’eux peux figurer plusieurs fois dans la même combinaison. Le nombre de
𝒑 (𝒏+𝒑−𝟏)!
combinaisons avec répétitions est : est: 𝑪𝒏+𝒑−𝟏 =
𝒑!× 𝒏−𝟏 !
‐ Exemple: le nombre de combinaisons avec répétitions que l’on peut faire avec deux éléments choisis parmi
(𝟑+𝟐−𝟏)!
trois éléments a,b,c ,est: 𝑪𝟐𝟑+𝟐−𝟏 = = 𝟔 "𝑨𝑨 𝑨𝑩 𝑨𝑪 𝑩𝑩 𝑩𝑪 𝑪𝑪"
𝟐!× 𝟑−𝟏 !

▪ Variable aléatoire discrète:

Définition: Une grandeur numérique X prenant, lors d’une expérience aléatoire, des valeurs 𝑥1 , 𝑥2 ,
..., 𝑥𝑛 avec des probabilités 𝑝1 , 𝑝2 , ..., 𝑝𝑛 est une variable aléatoire discrète.
Exemple : Un jeu de hasard consiste à lancer un dé équilibré à 6 faces. Le lanceur gagne la somme double de la valeur de la face
obtenue si celle-ci est paire, sinon, il perd le double de la valeur indiquée par le dé. On appelle X le gain, positif ou négatif, du joueur
après un lancer.
➔ Ici, l’ensemble des issues possibles est Ω = {1; 2; 3; 4; 5; 6},
➔ on a défini avec X une variable aléatoire réelle telle que : X(1) = −2, X(2) = 4, X(3) = −6, X(4) = 8, X(5) = −10 et X(6) = 12.
Remarque: En général, on présente la loi d’une variable aléatoire X sous la forme d’un tableau, qui récapitule les valeurs
prises par X ainsi que les probabilités associées.
On reprend l’énoncé de l’exemple précédent. La loi de X est donnée par :

▪ Définition d’une variable aléatoire discrète:

Exemple : On dispose d’un jeu de 32 cartes. On tire une carte dans ce jeu, et on attribue à ce tirage la valeur X calculée
suivant la règle suivante :
➔ si la carte est un Roi, X vaut 4 points,
➔ si la carte est une Dame, X vaut 3 points,
➔ si la carte est un Valet, X vaut 1 point,
➔ toutes les autres cartes valent 0 point. La loi de X est donnée par :
Remarque : On note que pour chacun de ces tableaux, la somme des probabilités élémentaires fait 1, en accord avec l’un
des axiomes des probabilités.
▪ Espérance d’une variable aléatoire :
Soit X une variable aléatoire discrète, on appelle espérance de la variable aléatoire X le réel noté E(X) qui vaut :
E(X) = 𝒑𝟏 𝒙𝟏 + 𝒑𝟐 𝒙𝟐 + ... + 𝒑𝒏 𝒙𝒏 =σ𝒏𝒊=𝟏 𝒑𝒊 𝒙𝒊 .
L’ espérance représente la valeur moyenne de la variable aléatoire X

▪ Espérance d’une variable aléatoire :

Exemple : On reprend le jeu de cartes étudié précédemment. On rappelle que la loi de X est
donnée par :
D’où le calcul de l’espérance :

➔ E(X) = 0 × 5/ 8 + 1 × 1/8 + 3 × 1/8 + 4 × 1/8
➔ E(X) = 8/8 = 1.
➔ Concrètement, cela signifie "qu’en moyenne", le joueur gagne 1 point.
▪ Variance et écart-type d’une variable aléatoire
Définition : Soit X une variable aléatoire discrète d’espérance E(X).
➤ On appelle variance de la variable aléatoire X le réel noté V (X) qui vaut :
V (X) = 𝒑𝟏 [𝒙𝟏 − E(X)]² + 𝒑𝟐 [𝒙𝟐 − E(X)]² + ... + 𝒑𝒏 [𝒙𝒏 − E(X)]² = σ𝒏𝒊=𝟏 𝒑𝒊 [𝒙𝒊 − E(X)]² .
➤ On appelle écart-type de X le réel noté σ(X) ou σX défini par : σ(X) = V (X).


Exemple : Calcul de la variance pour le jeu de cartes :
➔ V (X) = 5/8 [0 − 1]²+ 1/8 [1 − 1]² + 1/8 [3 − 1]² + 1/8 [4 − 1]²
➔ V (X) = 5/ 8 + 0 + 4/8 + 9/8 = 9/4 = 2, 25. D’où l’écart-type :
➔ σ(X) = 9/4= 3/2 = 1, 5
Propriété 1
♦ La variance et l’écart-type d’une variable aléatoire réelle X sont des nombres positifs.
♦ L’écart-type mesure la dispersion des valeurs d’une variable aléatoire par rapport à son espérance.
♦ Si X est exprimé dans un certaine unité, σ(X) l’est dans la même unité.
Propriété 2 Soit X une variable aléatoire discrète admettant une espérance et une variance, alors pour tous a; b
∈ R, la variable aléatoire aX + b admet une espérance, une variance et un écart-type définis par :
♦ E(aX + b) = a E(X) + b.
♦ V (aX + b) = a² V (X).
♦ σ(aX + b) = |a| σ(X).


Exemple : On considère la variable aléatoire X de loi
➔ Y = 2X − 1


Exercices
Exercice 1 5.6
La demande journalière X d’un bien fabriqué par une entreprise est une v.a. qui suit la loi suivante :
P(X = 0) = 1/6 ; P(X = 1) = 1/6 ; P(X = 2) = 1/2 ; P(X = 3) = 1/6.
On suppose que le profit est en fonction de la demande et du coût, il vérifie la relation suivante :
Π(X) = p.X – C, p étant le prix unitaire du bien fixé à 600 dh, C étant le coût supposé indépendant
de la demande et égal à 800 dh.
1. Calculez l’espérance et l’écart-type du profit.

▪ Lois de probabilités discrètes

Loi de Bernoulli
Définition : Une expérience de Bernouilli est une expérience qui n’a que deux issues possibles, l’une appelée «
succès » qui a pour probabilité p, l’autre appelée « échec » qui a pour probabilité q = 1 − p. Définir une loi de
Bernouilli de paramètre p, c’est associer une loi de probabilité discrète à cette expérience aléatoire en faisant
correspondre la valeur 1 à l’apparition d’un succès et 0 à celle d’un échec.
Exemple : Si on lance un dé et qu’on nomme « succès » l’apparition de la face 6, on obtient la loi de Bernouilli suivante :
Propriété Soit X une variable aléatoire suivant une loi de Bernouilli B(p), alors :
♦ L’espérance de X vaut E(X) = p.
♦ La variance de X vaut V (X) = pq
Exemple :Dans l’exemple précédent, on obtient E(X) = 1/6 et V (X) = 5/36

Loi Binomial
Définition : La loi binomiale de paramètres n et p, notée B(n; p) est la loi de probabilité d'une variable aléatoire X
égale au nombre de succès dans la répétition de n expériences de Bernouilli de paramètre p identiques et
indépendantes. Elle est définie par : 𝒏 𝒏!
= 𝑪𝒌𝒏 =
𝒌 𝒌! × 𝒏 − 𝒌 !
Exemple On lance 2 fois un dé bien équilibré. On s’intéresse à l’apparition de la face 6. Chaque lancer est une
expérience de Bernouilli de paramètre 1/6 . On obtient donc une loi binomiale B (2; 1/6 )
𝟎 ≤ 𝒌 ≤ 𝒏 ;𝒌
= 𝟎 , 𝟏, 𝟐 𝒔𝒖𝒄𝒄è𝒔
Propriété 5 Soit X une variable aléatoire suivant une loi Binomiale B(n, p), alors :
♦ L’espérance de X vaut E(X) = np.
♦ La variance de X vaut V (X) = npq.
Exemple: Dans l’exemple précédent, on obtient E(X) = 1/3 et V (X) = 5/18 .


Loi de Poisson
La loi de Poisson modélise des situations où l’on s’intéresse au nombre d’occurrences d’un événement dans un laps
de temps déterminé ou dans une région donnée
Définition La variable aléatoire X suit une loi de Poisson de paramètre λ, notée P(λ) avec λ > 0 lorsque sa loi de probabilité
vérifie : Les événements se produisent λ fois en
moyenne durant un intervalle de temps
donné
Soit X une variable aléatoire suivant une loi de Poisson de paramètre λ, alors l’espérance et la variance sont égales et valent
E(X) = V (X) = λ
Domaine d’application:
La loi de Poisson est utilisée pour décrire :
-La réalisation d’événements peu probables dans une succession d’épreuves très nombreuses ≥ 50 et p ≤ 0,01
-Le nombre d’accidents dans un atelier, le nombre de défauts sur un appareil. Elle a des applications dans le domaine des
files d’attente.
-La loi de Poisson est la loi des événements rares ou loi des petites probabilités


Loi de Poisson
Exemple: On considère la variable aléatoire X mesurant le nombre de clients se présentant au guichet 1 d’un bureau de
poste par intervalle de temps de durée 10 minutes entre 14h30 et 16h30. On suppose que X suit la loi de Poisson de
paramètre λ = 5.
➔ Pour λ = 5, la table de la loi de poisson nous donne :
➔ On peut aussi représenter graphiquement la loi P(5) :

➔ La probabilité que 10 personnes exactement se présentent à ce
guichet vaut : P(X = 10) = 0, 018.
➔ La probabilité qu’au maximum 3 personnes se présentent à ce
guichet vaut : P(X ≤ 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X
= 3) = 0, 265.


Loi uniforme
une distribution de probabilité suit une loi uniforme lorsque toutes les valeurs prises par la variable aléatoire sont
équiprobables
Exemple : la distribution des chiffres obtenus au lancer de dé suit une loi uniforme dont la loi de probabilité est la
suivante


La loi géométrique est la loi de la variable X « loi du nombre d’essais nécessaires » pour qu’un
événement de probabilité p apparaisse pour la première fois. « mêmes conditions d'une même épreuve de
Bernoulli p = succès ;q = échec = 1 - p»
Définition: On dit qu'une variable aléatoire X, suit une loi géométrique si sa loi de probabilité est :
▪ où p est un réel de ]0 ; 1[ et q = 1 – p
▪ p est le paramètre de la loi
Espérance et variance mathématique :
L'espérance mathématique d'une variable aléatoire suivant une loi géométrique de paramètre p est :
La variance mathématique d'une variable aléatoire suivant une loi géométrique de paramètre p est :


La loi géométrique
Exemple: Un commerçant a une probabilité de 22 % de vendre un article.
Quelle est la probabilité que son premier acheteur soit la 4ème personne qu'il côtoie ?
P(X=4) = pq(4-1) = (0,22) (1 - 0,22)3 = 0,1044 = 10,44 %


La loi hypergéométrique
On tire sans remise n objets d’un ensemble de N objets dont D possèdent une caractéristique
particulière (et les autres N − D ne la possèdent pas). Soit X le nombre d’objets de l’échantillon qui
possèdent la caractéristique. Alors X suit une loi hypergéométrique de paramètres n, N, D, dénoté X ∼
H(N, D, n).
Domaine d’utilisation:
La loi hypergéométrique est utilisée, en particulier dans les contrôles de qualité où on retire, de la
population étudiée, les éléments défaillants.
Quand n < 0,1 N la loi hypergéométrique H(N ; n ; p) peut être approché par la loi binomiale B(n,p)

La loi hypergéométrique
Exemple:
❖ On prend au hasard, en même temps, trois ampoules dans un lot de 15 dont 5 sont défectueuses.
Calculer la probabilité des événements :
A : les 3 ampoules sont défectueuses;
B : exactement une ampoule est défectueuse.
❖ On tire sans remise n = 3 ampoules d’un lot N = 15 dont D= 5 sont défectueuses.

5 10
P(A)= 3
15
0
= 2.1978 ∗ 10−2
3
5 10
P(B)= 1 2
15 = 0.49451
3


Exercices
Exercice1 Un avion peut accueillir 20 personnes; des statistiques montrent que 25% clients ayant
réservé ne viennent pas. Soit X la variable aléatoire : «nombre de clients qui viennent après
réservation parmi 20». Quelle est la loi de X ? (on ne donnera que la forme générale) quelle est
son espérance, son écart-type ? Quelle est la probabilité pour que X soit égal à 15 ?
Correction:
Soit X la variable aléatoire nombre de clients qui viennent après réservation parmi 20. La loi de
X est une loi binomiale de paramètres n = 20, p = 0.75. Son espérance est np = 15, son écart-
type est 𝑛𝑝(1 − 𝑝) = 15.0,25 . La probabilité pour que X soit égal à 15 est
20 15 0.255 = 0.20233
15
. 0.75


Exercices
Exercice 2
L’oral d’un concours comporte au total 100 sujets ; les candidats tirent au sort trois sujets et choisissent alors le sujet
traité parmi ces trois sujets. Un candidat se présente en ayant révisé 60 sujets sur les 100.
1. Quelle est la probabilité pour que le candidat ait révisé :
(a) les trois sujets tirés ;
(b) exactement deux sujets sur les trois sujets ;
(c) aucun des trois sujets.
Correction:
La variable aléatoire associée à ce problème est X
«nombre de sujets révisés parmi les 3»; son
support est l’ensemble {0;1;2;3}. La loi de X est
une loi hypergéométrique puisque l’événement [X
= k], pour k compris entre 0 et 3, se produit si le
candidat tire k sujet(s) parmi les 60 révisés, et 3-k
sujets parmi les 40 non révisés. Alors :


Exercices
Exercice 3: Sur le trajet ferroviaire Casa-Tanger, nous avons constaté deux incidents par an.
1. Quelle est la probabilité qu'il y en ait exactement dix en dix ans?
2. Quelle est la probabilité qu'il y en ait dix au plus en dix ans?
2. P(de 0 à 10, 20) = P(0; 20) + P(1; 20) + …
Correction: λ le nombre moyen en dix ans + P(10; 20)
(notre période de temps) égale à 20 =
incidents « 2 par an, soit 2 x 10 = 20 en
= 1%
10 ans »
1. Pour 10 incidents :
P(10; 20) = 0,0058

▪ Définition d’une variable aléatoire continue:

Une variable aléatoire continue peut prendre une infinité non dénombrable de valeurs, par exemple
dans un intervalle ou sur tout R.
• taille des individus d’une population, X(Ω) = [0, M]
• temps d’attente à la poste, X(Ω) = R
• taux de cholestérol, X(Ω) = R
• poids à la naissance, X(Ω) = [0, m]
Si X suit une loi continue, la probabilité que X prenne une valeur bien précise a est en général
nulle. On ne peut donc pas définir la loi de X en se contentant de donner ses probabilités
élémentaires P[X = a] pour tout a.
Exemple: Si X désigne le taux de cholestérol d’un individu, alors P[X = 0.53969252982 mg|l] = 0.
On s’ intéresse plutôt à la probabilité que X soit dans un intervalle donné [a, b], ou qu’il soit
inférieur à une valeur donnée a.

Densité de probabilité
Une densité est une fonction définie sur un intervalle I et
qui vérifie 3 conditions:
- Cette fonction doit être continue sur I.
- Cette fonction doit être positive sur I.
- L'aire sous la courbe de cette fonction sur l'intervalle I
doit être égale à 1 unité d'aire.
𝒃
La probabilité P(a ≤ X ≤ b) = ‫𝒙𝒅 𝒙 𝒙𝒇 𝒂׬‬
correspond à l’aire du domaine situé sous le graphe
de 𝑓𝑥 entre les abscisses a et b.


Fonction de répartition
Une variable aléatoire continue prend des valeurs dans R ou dans un intervalle de R. La probabilité qu’une variable
aléatoire continue soit inferieure à une valeur particulière est donnée par sa fonction de répartition. Pr(X ≤ x) =
F(x).
La fonction de répartition d’une variable aléatoire continue est toujours :
– dérivable,
– positive : F(x) ≥ 0, pour tout x,
– croissante,
– limx→∞ F(x) = 1,
– limx→−∞ F(x) = 0.
La fonction de densité d’une variable aléatoire continue est la dérivée de la fonction de répartition en un point f(x) =
dF(x)
dx


Fonction de répartition
𝒂
▪ La probabilité que la variable aléatoire soit inferieure à une valeur quelconque vaut : Pr(X ≤ a) = ‫׬‬−∞ f(x)dx = F(a).
▪ Dans la Figure , la probabilité Pr[X ≤ a] est l’aire sous la densité de −∞ à a
▪ La probabilité que la variable aléatoire prenne une valeur comprise entre a et b vaut
𝒃
Pr(a ≤ X ≤ b) = ‫ 𝒂׬‬f(x)dx = F(b) − F(a)
∞
▪ L’ espérance d’une variable aléatoire continue est définie par : µ = E(X) = ‫׬‬−∞ 𝒙f(x)dx .
∞
▪ la variance σ𝟐 = var(X) =‫׬‬−∞(x − µ)𝟐 f(x)dx .


Loi uniforme continue
Une variable aléatoire X est dite uniforme dans un intervalle [a,b] On peut calculer l'espérance et la variance :
(avec a < b), si sa répartition est :
Sa densité est alors


Loi uniforme continue


Loi exponentielle
On dit qu’une variable aléatoire continue X suit une loi exponentielle de paramètre λ si sa fonction de densité est
De manière synthétique, on écrit : X ∼ ε(λ).

Quand x > 0, sa fonction de répartition vaut :
𝟏 𝟏
E(X) = λ var(X) = λ𝟐
La loi exponentielle est utilisée en fiabilité, le paramètre λ représente le taux de défaillance alors que son inverse 1/λ est le temps
moyen de bon fonctionnement MTBF (Mean Time Between Failure).


Loi exponentielle
A retenir


Loi exponentielle
Exemple: Soit X une variable aléatoire qui suit la loi exponentielle de paramètre = 3.
Calculer : P (X ≤ 2) ; P ( 2 ≤ X ≤ 4 )


Loi exponentielle
Exercice: Un chêne a une durée de vie moyenne de 240 ans et on convient de modéliser sa durée de vie en années par
une variable aléatoire X suivant une loi exponentielle.
1) Quel est le paramètre λ de X ?
2) Calculer la probabilité que la durée de vie d’un chêne soit :
a) supérieure à 480 ans.
b) inférieure à 120 ans
Correction


Loi exponentielle
Exercice: La loi de durée de vie d’une machine électroménagère suit une loi exponentielle. La moyenne de durée de
vie d’une telle machine annoncée par le constructeur est de 5 000 heures.
1) Calculer λ
2) Calculer la probabilité qu’il n’y ait pas de défaillance au cours des 2000 premières heures d’utilisation de cette
machine.


Loi normale
▪ Une variable aléatoire X est dite normale si sa densité vaut
▪ ou µ ∈ R et σ ∈ R + sont les paramètres de la distribution. Le paramètre µ est appelé la moyenne et le paramètre σ

l’´écart-type de la distribution
▪ De manière synthétique, pour noter que X suit une loi

normale (ou gaussienne, d’ après Carl Friedrich Gauss) de
moyenne µ et de variance σ2 on écrit : X ∼ N(µ, σ2 ).
▪ La loi normale est une des principales distributions de probabilité. Elle a de nombreuses applications en statistique
« modèle probabiliste le plus utilisé pour décrire de très nombreux phénomènes observés dans la
pratique » . Sa fonction de densité dessine une courbe dite courbe de Gauss. E(X) = µ, et var(X) = σ2 . La
fonction de répartition vaut


Loi normale


Concentration autour de la moyenne
Dans l’intervalle [µ − σ, µ + σ] centré Dans l’intervalle [µ − 2σ, µ + 2σ] (ou plus Dans l’intervalle [µ − 3σ, µ + 3σ]
autour de la moyenne µ, il y a 68% de la précisément dans [µ − 1.96σ, µ + 1.96σ]) centré autour de la moyenne µ, il y a
masse de la distribution N (µ, σ2 ) P[µ − centré autour de la moyenne µ, il y a 95% 99, 7% de la masse de la distribution
σ ≤ X ≤ µ + σ] ≅0.68. de la masse de la distribution N (µ, σ2 ) N (µ, σ2 ) P[µ − 3σ ≤ X ≤ µ + 3σ]
P[µ − 2σ ≤ X ≤ µ + 2σ] ≅0.95 ≅ 0.997.


Loi normale centrée réduite
▪ La variable aléatoire normale centrée réduite est une variable normale, d’espérance nulle, µ = 0, et de variance σ2 = 1.
Sa fonction de densité vaut
▪ sa répartition vaut


Loi normale centrée réduite Z-table pour N (0, 1)


Exemple On suppose qu’une certaine variable X ∼ N (0, 1). Pour quelle proportion d’individus est-ce que X ≤ 1, 56 ?
On cherche P(X ≤ 1, 56) (rappel : on écrit aussi F(1, 56)).


Exemple On suppose qu’une certaine variable X ∼ N (0, 1). Pour quelle proportion d’individus est-ce que X ≥ 1, 49 ?
On cherche P(X ≥ 1, 49). On écrit d’abord P(X ≥ 1, 49) = 1 − P(X ≤ 1, 49) = 1 − F(1, 49)


Exemple On suppose qu’une certaine variable X ∼ N (0, 1). Pour quelle proportion d’individus est-ce que X ≤ −1, 1
? On cherche P(X ≤ −1, 1), c’est-à-dire F(−1, 1).
P(X ≥ 1, 1) = 1 − P(X ≤ 1, 1) = 1 − 0, 8643. Finalement, P(X ≤ −1, 1) = 0, 1357.




Pour faire des calculs avec une N (µ, σ), on se ramène à la loi N (0, 1).
On dit que l’on centre et réduit X.

On utilise la lettre Z pour designer une loi normale centrée/réduite.


Exemple On suppose qu’une certaine variable X ∼ N (11; 2). Pour quelle proportion d’individus est-ce que X ≤ 14 ?
On cherche P(X ≤ 14).


Exemple Soit X la variable aléatoire représentant le poids d’un bébé à la naissance au Maroc. On fait l’ hypothèse
que X suit une loi normale de moyenne µ = 3500g et d’ écart-type σ = 500g. Quelle est la probabilité qu’un enfant ait
un poids inferieur à 3.1kg à la naissance ?
1-0.7881= 0.2119

▪ Exercices
Exercice 1
X suit la loi normale N(20; 5), calculer les probabilités suivantes 1. p(X ≤ 28) ; 2. p(X ≥ 28) ; 3. p(X ≥ 12) ; 4. p(12 ≤ X
≤ 28)
Correction:

▪ Exercices
Exercice 2
Un fournisseur produit deux sortes de cadenas. Les uns sont premier prix, et les autres sont haut de gamme. Un magasin de
bricolage dispose d’un stock de cadenas provenant de ce fournisseur; ce stock comprend un grand nombre de cadenas de
chaque type.
D’après une étude statistique faite sur plusieurs mois, on admet que le nombre X de cadenas premier prix vendus par mois
dans le magasin de bricolage peut être modélisé par une variable aléatoire qui suit la loi normale de moyenne μ=750 et
d’écart-type σ=25.
1.Calculer P(725⩽X⩽775).
2.Le responsable du magasin veut connaître le nombre n de cadenas premier prix qu’il doit avoir en stock en début du mois,
pour que la probabilité d’être en rupture de stock en cours de mois soit fixée à 0,05. On ne réalimente pas le stock en cours de mois.
Déterminer la plus petite valeur de l’entier n remplissant cette condition.
Correction:
1.P(725≤X≤775)≈0,683
2.On cherche donc la valeur de n telle que P(X>n)=0,05 Ou encore P(X≤n)=0,95. n=792 (on arrondit par excès).

▪ Exercices
Exercice 3
Une entreprise fabrique des tablettes de chocolat de 100 grammes. Le service de contrôle qualité effectue plusieurs types de
contrôle.
Contrôle avant la mise sur le marché
Une tablette de chocolat doit peser 100 grammes avec une tolérance de deux grammes en plus ou en moins. Elle est donc
mise sur le marché si sa masse est comprise entre 98 et 102 grammes.
La masse (exprimée en grammes) d’une tablette de chocolat peut être modélisée par une variable aléatoire X suivant la loi
normale d’espérance μ=100 et d’écart-type σ=1. Le réglage des machines de la chaîne de fabrication permet de modifier la
valeur de σ.
• Calculer la probabilité de l’événement M : “la tablette est mise sur le marché”.
• On souhaite modifier le réglage des machines de telle sorte que la probabilité de cet événement atteigne 0,97.
Déterminer la valeur de σ pour que la probabilité de l’événement “la tablette est mise sur le marché” soit égale à 0,97.

▪ Exercices
Exercice 3 Correction:

▪ Exercices
Exercice 4
Un ingénieur a été chargé d'étudier le fonctionnement d'un certain type A de pièces. Après mesure de la durée de vie
d'un certain nombre de ces pièces, il en est arrivé à la conclusion que la variable aléatoire qui à chaque pièce de type
A associe sa durée de vie en jours suit une loi exponentielle dont la MTBF est égale à 145.
1. Calculer le paramètre de cette loi,

2. On admet dans cette question que le paramètre de la loi vaut : 𝞴= 0,007
a) Calculer la probabilité qu'une pièce de type A soit en panne au bout de 200 jours.
b) Calculer la probabilité qu'une pièce de ce type soit encore en fonctionnement au bout de 500 jours.
c) Déterminer, arrondi à 1 jour près, le temps de bon fonctionnement avec une fiabilité égale à 0,8.

▪ Exercices
Correction

Exercice 4 : La créatinine est un déchet métabolique normal produit par l'organisme. Elle est le résultat de la dégradation de la
créatine, éliminée en majeure partie par les reins. Son taux dans l'organisme dépend de la capacité d'élimination rénale et de la masse
musculaire .Si le rein filtre bien, les traces de créatinine dans le sang sont faibles. En revanche, leur augmentation traduit une
défaillance de la filtration rénale et on parle alors de « l’insuffisance rénale ».
Sur un grand nombre de patients habitués des cliniques néphrologiques d’un pays, on a constaté que la répartition du taux de
créatinine suit une loi normale avec les résultats suivants :
52% ont un taux inférieur à 209 𝜇𝑚𝑜𝑙/𝐿;
47% ont un taux compris entre 209 𝜇𝑚𝑜𝑙/𝐿 et 277 𝜇𝑚𝑜𝑙/𝐿;
1% ont un taux supérieur à 277𝜇𝑚𝑜𝑙/𝐿.
1. Quel est le nombre de personnes qu’il faut prévoir de soigner par la dialyse dans une population de 10 000 patients, si le taux
maximum toléré sans ce traitement « la dialyse » est de 300 𝜇𝑚𝑜𝑙/𝐿?

▪ Exercices
Exercice 5: Sur un grand nombre de personnes on a constaté que la répartition du taux de cholestérol suit une loi
normale avec les résultats suivants :
- 56% ont un taux inférieur à 165 cg;
- 34% ont un taux compris entre 165 cg et 180 cg;
- 10% ont un taux supérieur à 180 cg.
Quelle est le nombre de personnes qu’il faut prévoir de soigner dans une population de 10 000 personnes, si le taux
maximum toléré sans traitement est de 182 cg ?
Correction

▪ Exercices
Exercice 6 :
Correction


La convergence vers la loi normale : Théorème central limite
Le théorème central limite est un théorème fondamental du domaine de la probabilité et des
statistiques. Il décrit la loi de distribution de la moyenne d'un échantillon aléatoire provenant d'une
population avec une variance limitée. Lorsque l'effectif de l'échantillon est suffisamment large, la
loi de distribution des moyennes est à peu près normale. Le théorème s'applique quelle que soit
la forme de la loi de distribution de la population. La taille que doit présenter l'effectif de
l'échantillon dépend de la forme de la loi de distribution initiale. Si la distribution de la population
est symétrique, l'effectif d'un échantillon de 5 pourra générer une bonne approximation. Si la
distribution de la population est fortement asymétrique, un effectif d'échantillon plus important
est nécessaire.


La convergence vers la loi normale : Théorème central limite
Soit (Xn), n ≥ 1, une suite de n variables aléatoires indépendantes, de même loi de probabilité, d’espérance
mathématique μ et d’écart type 𝜎 .
ഥ =𝟏 ( X1 + X2 + … + Xn) « moyenne empirique »
Soit 𝑿
𝒏
𝑿converge vers la loi N (μ, ) quand n tend vers l’infini
𝜎
La loi de la variable aléatoire ഥ 𝑛
Dans le théorème central limite, 𝜇 est la valeur à estimer. Les n valeurs 𝑋1 … , 𝑋𝑛 constituent un échantillon de
𝑋 …+𝑋𝑛
mesures aléatoires indépendantes d'espérance 𝜇 . La quantité 1+ est la moyenne empirique de l'échantillon,
𝑛
qui d'après la loi des grands nombres doit converger vers l'espérance 𝜇 .Le théorème central limite donne la
précision de cette approximation.

▪ La convergence en loi normale

Approximation de la loi binomiale (théorème de Moivre)
Soit X la variable aléatoire, nombre de succès lors de la réalisation de n épreuves indépendantes, la probabilité de
succès pour chaque épreuve étant égale à p. La loi de la variable aléatoire :
tend vers la loi N (0 ; 1) quand n tend vers l’infini.
Approximation d'une loi binomiale par une loi normale.

En pratique, dès lors que :En pratique, cette approximation est valable dès que les quantités
𝑛 ≥ 30 𝑛𝑝 ≥ 15 𝑛(1 − 𝑃) ≥ 5
Approximation de la loi de Poisson
Soit X une variable aléatoire suivant la loi de Poisson P(λ), la variable aléatoire définie par :
tend vers la loi N (0 ; 1) quand λ tend vers l’infini.
En pratique l’approximation est satisfaisante si le paramètre 𝜆 ≥ 20

▪ La convergence en loi normale

Approximation de la loi binomiale (théorème de Moivre)
Exemple 1 On lance une pièce de monnaie « honnête » 1 000 fois. Quelle est la probabilité
d’obtenir au moins 548 piles ?

▪ Exercices
Exercice:
Une ligne de transmission entre un émetteur et un récepteur transporte des pages de texte,
chaque page étant représentée par 100 000 bits.
La probabilité pour qu’un bit soit erroné est estimé à 0,0001 et on admet que les erreurs sont
indépendantes les unes des autres.
Soit X la variable aléatoire donnant le nombre d’erreurs lors de la transmission d’une page.
1. Quelle est la loi de probabilité suivie par X ?
Calculer la moyenne et l’écart type de X.
2. On admet que cette loi peut être approchée par une loi normale de paramètres m = 10 et
𝜎 = √10. Dans ces conditions, déterminer la probabilité pour qu’une page comporte au plus
15 erreurs.

▪ Exercices
Exercice:
1.
2.

Lois dérivées de la loi normale

Parfois d’autres lois que la loi normale sont utiles dans les approximations (cf. les calculs
d’intervalle de confiance, de test). Ce sont les lois de Student et du χ 2 (lire khi-deux). Ces
lois dépendent d’un paramètre n entier, appelé degré de liberté (d.d.l.). De même que pour la
loi normale N (0, 1), on disposera de tables pour ces lois. Les mêmes règles de calcul que
pour la loi normale s’appliqueront pour ré-exprimer les probabilités qu’on cherchera en des
probabilités disponibles dans ces tables.


I– LOI du 𝝌2 (loi du khi deux , loi du khi carré)
Cette loi permet, en particulier, de comparer des distributions, de Tester l'ajustement d'un échantillon à une loi
théorique, et d’établir des tests d'indépendance.
Définition Soient X1, X2, . . . Xn, des v.a indépendantes de même loi N (0, 1). La loi de 𝝌2 à n degrés de
liberté est la loi de la variable aléatoire « somme » :𝜒 2 = σ𝑛𝑖=1 𝜒𝑖2
Remarque : 𝜒 2 à 1 degré de liberté est le carré d’une variable normale centrée réduite
Propriétés :
• 𝜒 2 ≥ 0 , cette loi n′ est donc pas symétrique,
• 𝜒 2 admet une densité « difficile à retenir »
• E[𝝌𝟐 ]=n et Var(𝝌𝟐 ) = 2n,
• Pour n ≥30, 2𝜒 2 − 2𝑛 − 1 suit approximativement une loi N(0,1)


P (c2)
. La loi de 𝝌2 tend vers la loi normale centrée n=4
réduite quand n ∞ ; Les deux lois 0,1
deviennent quasiment identiques quand n > 30 5 n=1
0,1 n = 15
0
0,0
5
0 10 20 30 c2
En pratique : tables de la distribution de 𝝌2 tables établies par PEARSON


Table du 𝝌2 (la plus utilisée)
donne, en fonction du nombre de degrés de liberté, les valeurs limites 𝝌𝟐𝜶 du 𝝌2 correspondant au coefficient
de risque 𝛼
P (c2)
0 c 2 c2


I– LOI du 𝝌2 (loi du khi deux , loi du khi carré) Dans les tests statistiques, on utilise souvent comme
Exemple : pour n = 8 et a = 0,05 seuil de risque :
𝛼=5% soit pour n = 8 𝝌²5% = 15,51

0,99 ... ... 0,05 0,010 𝛼=1% " 𝝌²1% = 20,09
n
1 3,841 Remarques :
. . - pour toute la 1ère ligne, les valeurs sont celles du
carré de la variable normale centrée réduite t
8 ... ... ... ?
- la table s’arrête pour n = 30, au-delà on prend
. l’approximation de la loi normale et on utilise la
. table de t
.
30


II- LOI de STUDENT ou de STUDENT-FISHER
Permet, en particulier, de comparer les moyennes d’échantillons
Définition
La loi de STUDENT notée ts à n degrés de liberté est le quotient d’une loi normale centrée réduite N (0, 1) par la
racine carrée d’une loi du khi2 à n degrés de liberté divisée par n ; les deux lois étant indépendantes
N (0, 1)
ts=
c2
n


Propriétés P (t)
courbe normale
a) t s   - ∞, + ∞ [
b) représentation graphique de la loi de STUDENT courbe hyper-normale
. courbe en cloche symétrique, plus aplatie que la
courbe de Gauss (courbe hyper-normale)
• d’autant plus aplatie que n est plus petit 0 t


P (t s)
. Exemple de famille de distributions de t s suivant le nombre n n = 40
de degrés de liberté
n = 10
. La loi de STUDENT tend vers la loi normale centrée réduite
n=3
quand n ∞
Les deux lois deviennent quasiment identiques quand n > 30
0 ts



Lois dérivées de la loi normale 0,90 ... ... 0,05 0,001
n
1 .
Table de la variable de STUDENT-FISHER (la plus utilisée)
. .
. similaire à celle de l’écart-réduit (loi normale)
10 ... ... ... ?
.
/2
/2 .
.
120
∞ 0,126 1,960 3,291
-ts 0 ts Dans les tests statistiques, on utilise souvent comme seuil de risque :
Exemple : pour n = 10 et a = 0,05 𝛼=5% soit t s = 2,228 (t = 1,96 pour loi normale)
𝛼=1% t s = 3,169 (t = 2,58 ")

Ps-Chap 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

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 :

Formats disponibles

Ps-Chap 2

Transféré par

Droits d'auteur :

Formats disponibles

Déf & mesures de probabilités Prob.

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

▪ Quelle est la probabilité d’avoir un raccordement avec un défaut A?

𝑷 𝑨 ∪ 𝑩 = 𝑷 𝑨 + 𝑷 𝑩 − 𝑷 𝑨 ∩ 𝑩 = 𝟎, 𝟏𝟐 + 𝟎, 𝟎𝟖 − 𝟎, 𝟎𝟒 = 𝟎, 𝟏𝟔 "𝑻𝒉é𝒐𝒓è𝒎𝒆 𝒅𝒆𝒔 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é𝒔 𝒕𝒐𝒕𝒂𝒍𝒆𝒔"

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Opérations sur les évènements

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Relations entre les évènements

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

nombre de fois que l ' on observe x = 

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Théorème des probabilités totales

D’où la relation souvent appelée théorème des probabilités totales:

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Total 120 130 250

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Il n'existe donc pas de probabilité conditionnelle lorsque la

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

probabilités conditionnelles 𝐏 𝐁 =𝐏 𝐀∩𝐁 +𝐏 𝑨 ഥ∩𝐁

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Tennis Equitation Voile

1) Les événements « étudier l’allemand » et « pratiquer le tennis » sont-ils indépendants ?

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Probabilités conditionnelles Théorème de Bayes

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Probabilités conditionnelles Théorème de Bayes

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Probabilités conditionnelles Théorème de Bayes

Probabilités conditionnelles Théorème de Bayes

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

▪ Variable aléatoire discrète:

On reprend l’énoncé de l’exemple précédent. La loi de X est donnée par :

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

▪ Définition d’une variable aléatoire discrète:

L’ espérance représente la valeur moyenne de la variable aléatoire X

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

▪ Espérance d’une variable aléatoire :

D’où le calcul de l’espérance :

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

▪ Variance et écart-type d’une variable aléatoire

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

▪ Variance et écart-type d’une variable aléatoire

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

▪ Variance et écart-type d’une variable aléatoire

1. Calculez l’espérance et l’écart-type du profit.

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr

▪ Lois de probabilités discrètes

▪ Lois de probabilités discrètes

Chapitre 2: Probabilités Ziyad Bahou : Ziyad.bahou@hotmail.fr