Académique Documents
Professionnel Documents
Culture Documents
conditionnelles Analyse combinatoire les variables aléatoires Lois de prob discrètes et continues
Probabilités et Statistique
Z. Bahou, EMI
2019/2020
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 ou moins un défaut? !!! ou inclusif
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.
• 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-
`a-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-`a-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}
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.
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 ».
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
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.
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
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
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.
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
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
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)
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 7: Correction
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.
Exercice 8: Correction
Tennis T Equitation E Voile V Total
Anglais A 45 18 27 90
Allemand D 33 9 18 60
Total 78 27 45 150
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
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
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 !
Analyse combinatoire
▪ 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
Analyse combinatoire
▪ 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 !
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.
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 .
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).
➔ Y = 2X − 1
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.
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
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
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 .
Exemple : la distribution des chiffres obtenus au lancer de dé suit une loi uniforme dont la loi de probabilité est la
suivante
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 :
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)
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
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
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.
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
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.
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
▪ La probabilité que la variable aléatoire prenne une valeur comprise entre a et b vaut
𝒃
Pr(a ≤ X ≤ b) = 𝒂f(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 .
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).
Correction
▪ 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
▪ sa répartition vaut
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-`a-dire F(−1, 1).
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.
▪ 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
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.
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.
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)
0 10 20 30 c2
P (c2)
0 c 2 c2
N (0, 1)
ts=
c2
n
0 ts
-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 ")