Académique Documents
Professionnel Documents
Culture Documents
INSTITUT de MATHÉMATQUES et de
SCIENCES PHYSIQUES
(IMSP)
COURS DE PROBABILITES I
Email : ogouyandjou@imsp-uac.org
10 mai 2014
Table des matières
1 Dénombrement 4
1.1 Rappels et compléments sur la théorie des ensembles . . . . . . . . . . . 4
1.1.1 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Image directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Image réciproque . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.4 Ensemble ni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.5 Propriétés des cardinaux . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 p-listes d'un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 p-listes quelconque d'un ensemble . . . . . . . . . . . . . . . . . . 8
1.2.2 p-listes d'éléments distincts d'un ensemble . . . . . . . . . . . . . 9
1.2.3 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Parties d'un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Coecients binomiaux . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Dans de nombreuses expériences, le résultat n'est pas connu à l'avance. Par exemple,
imaginons une expérience très simple : le jet d'un dé. Sans avoir la moindre connaissance
en probabilité, on sait bien que, à moins d'avoir à faire à un dé pipé, qu'il est impossible
de prédire avec certitude le résultat que l'on obteindra. Une telle expérience est appelée
expérience aléatoire ; le résultat parait dépendre du hasard. Toutefois, ce résultat n'est
pas quelconque. Avant même de jeter le dé, on sait que le dé ne peut acher qu'un
résultat parmi les nombres 1, 2, 3, 4, 5, ou 6, et un seul de ces résultats à la fois.....
Dans de nombreuses expériences, on a cependant une idée à priori du caractère plus
ou moins vraisemblable des diérents poossibles. on peut alors convenir d'exprimer
cette vraisemblance en aectant aux diérents résultats des grandeurs numériques, cen-
sées représenter des mesures de leur vraisemblance. la manipulation de ces grandeurs
numériques pourra alors fournir de nouvelles informations sur l'expérience. la théorie
des probabilités vise à formaliser ces idées intuitives.
Il est à noter que le fait d'associer un modèle probabiliste à une expérience n'indique pas
si le choix de ce modèle est pertinent, c'est-à-dire si les vraisemblances que l'on associe
aux résultats sont réellement représentatives de cette expérience. Ce dernier point con-
stitue plutôt un aspect de la théorie des statistiques que nous étudierons en deuxième
année.
Dénombrement
1.1.1 Opérations
Soient A et B deux éléments de P(E).
Réunion : A ∪ B = {x ∈ E, x ∈ A ou x ∈ B} .
Intersection : A ∩ B = {x ∈ E, x ∈ A et x ∈ B} .
Complémentaire : Ā = {x ∈ E, x ∈ / A} .
On dit qu'une famille nie de n parties (Ei )i∈J1;nK de E est une partition de E si :
Proposition 1.4. Si deux ensembles nis non vides E et F ont le même cardinal, alors
il existe une bijection entre E et F .
Preuve de la Proposition 1.4. Si E et F ont le même cardinal, alors il existe une bijection
ϕ de J1; nK sur E et une bijection ϕ de J1; nK sur F . Alors ψ ◦ ϕ est une bijection de E
sur F .
Néanmoins, si par une méthode chaque élément de E est compté k fois, card E est
le quotient par k du nombre obtenu par cette méthode.
γ : J1; n + mK −→ E∪F
ϕ(k) si 1 ≤ k ≤ n
k 7−→ γ(k) =
ψ(k − m) si m + 1 ≤ k ≤ n + m
L'application γ est surjective, puisque
A1 = A ∩ {x} et A2 = A \ {x}.
Il est clair que A1 et A2 sont deux ensembles disjoints et que A = A1 ∪ A2 .
L'ensemble A1 est un sous-ensemble de {x} ; donc card A1 ≤ card {x} = 1.
D'autre part, A2 ⊂ E \ {x} qui est de cardinal au n. Donc A2 est ni et son
cardinal est au plus n par hypothèse de récurrence. Par suite A est un ensemble
ni et son cardinal est au plus n + 1.
A = (A \ B) ∪ (A ∩ B) avec (A \ B) et (A ∩ B) disjoints ,
E =A∪A avec A et A disjoints et
A ∪ B = A ∪ (B \ A) avec A et (B \ A) disjoints .
Dénition 1.5. Soient E et F deux ensembles non vides. Le produit cartésien de E par
F est l'ensemble de tous les couples (x, y) tels que x ∈ E et y ∈ F .
E × F = {(x, y), x ∈ E, y ∈ F }.
On a le théorème suivant :
Corollaire 1.2. Soit (Ei )i=1,···,n est une famille d'ensembles nis, alors Ei est un
Qn
i=1
ensemble ni et !
n
Y n
Y
card Ei = (card Ei ) .
i=1 i=1
où n! est le produit de tous les entiers naturels non nuls au plus égaux à n. On a
n
Y
n! = k.
k=1
1.2.3 Application
On veut garer trois voitures dans cinq garages. de combien peut-on procéder dans
chacun des cas suivants :
. {1n = {n−1
n = n.
. p+1
{n+1 = {n + {pn .
p+1
On en déduit que :
Si Card E = n, alors Card (P(E)) = 2n .
1.4 Exercices
Exercice 1.1. Soit (Ei )i∈J1;nK une partition d'un ensemble E . Montrer que, pour tout
sous-ensemble A de E , la famille des sous-ensembles (Ai )i∈J1;nK où Ai = A ∩ Ei est une
partition de A.
Exercice 1.2. Pour deux sous-ensembles non vides E et F d'un ensemble E,on dénit
la somme booléenne ou diérence symétrique par :
E∆F = E ∩ F̄ ∪ Ē ∩ F ;
4. Calculer
n
X n
X
k(k − 1) et retrouver k2
k=1 k=1
.
Exercice 1.5. On veut distribuer 7 prospectus dans 10 boîtes aux lettres nominatives.
De combien de façons peut-on le faire si :
1. on met au plus un prospectus par boîte et les prospectus sont identiques ?
2. on met au plus un prospectus par boîte et les prospectus sont tous diérents ?
3. on met un nombre quelconque de prospectus par boîte et les prospectus sont tous
diérents ?
4. on met un nombre quelconque de prospectus par boîte et les prospectus sont iden-
tiques ?
Exercice 1.6. Soient (n, p) ∈ N2 , n et p non nuls. Soit Sp,n le nombre de surjections
d'un ensemble à p éléments sur un ensemble à n éléments, c'est-à-dire le nombre de
surjections de J1; pK sur J1; nK.
1. Combien y a-t-il d'applications de J1; pK dans J1; nK ?
Introduction à la théorie
probabiliste
Exemple 2.2. Une pièce de monnaie comporte deux faces tête que l'on notera T et
franc F. On sait que l'ensemble de tous les résultats possibles au terme d'un lancer de
cette pièce est Ω = {T, F }. Mais avant l'opération de lancer de la pièce, on ne peut pas
dire avec certitude une issue. On a donc une expérience aléatoire.
2.3 Évènements
Dénition 2.3. Soit une expérience aléatoire représentée par un univers Ω. Les évène-
ments de aléatoires sont des sous-ensembles de Ω. L'ensemble des évènements est une
tribu de parties de Ω.
Dénition 2.4 (Système complet d'évènements). Soit Ω l'univers d'une expérience aléa-
toire. On appelle système complet d'évènements, la donnée de n évènements A1 , A2 , · · · , An
avec n ∈ N∗ tels que :
. pour tout J1; nK, Ai 6= ∅ ;
. pour tous (i, j) ∈ J1; nK2 , Ai ∩ Aj = ∅ ;
. ni=1 Ai = Ω.
S
La première condition est parfois omise. On précise dans ce cas, selon les circon-
stances, "système complet d'évènements non vides". dans tout ce cours, ce sera toujours
le cas.
Utiliser un système complet d'évènements revient à raisonner par disjonctiondes cas.
On découpe l'univers en plusieurs 'évènements, un et un seul d'entrte eux étant réalisé
à chaque expérience. Le plus simple des système complet d'évènements est A et A avec
A un évènement distinct de Ω et du ∅. C'est le raisonnement binaire ; "la boule est
blanche" ou "la boule n'est pas blanche".
Le triplet (Ω, F, p) est appelé espace probabilisé. Pour tout évènement A, le réel p(A)
est appelé probabilité de l'évènemnt A.
Proposition 2.2 (Propriétés d'une probabilité nie). Soit (Ω, F, p) un espace probabilisé
ni, A et B deux évènements de Ω. On a :
1. p(A) = 1 − p(A).
2. p(∅) = 0.
3. p(A − B) = p(A) − p(A ∩ B).
4. Si A ⊂ B , alors on a : p(A) ≤ p(B).
5. p(A ∪ B = p(A) + p(B) − p(A ∩ B).
Preuve de la Propriété 2.2. 1. Remarquer que Ω=A∪A et A ∩ A = ∅.
2. Remarquer que ∅ est le complémentaire de Ω.
3. Remarquer que A = (A \ B) ∩ (A ∩ B).
4. Remarquer que B = B \ A ∩ A.
5. Remarquer que A ∪ B = A ∪ (B \ A).
Preuve de la Propriété 2.3. Il sut de mener un raisonnement par récurrence par rap-
port à n.
Preuve du Corollaire 2.1. Il sut de remarquer que les Ak sont disjoints deux à deux
et leur réunion est Ω.
Théorème 2.1 (Germe de probabilité-cas ni). Une probabilité sur un ensemble ni
est entièrement caractérisée par sa valeur sur les évènements élémentaires. Plus précise-
ment, soit Ω un ensemble ni. On note Ω = {ωI }1≤i≤n . Soit (pi )1≤i≤n une suite de réels
positifs de somme 1. Alors, il existe une unique probabilité sur Ω telle que
Preuve du Théorème 2.1. Soit A un évènement quelconque. Si A est vide, alors p(A) =
0. Si A n'est pas vide, on peut alors l'écrire sous la forme
où i1 , i2 , · · · , ir sont des indices compris entre 1 et n. Comme A est l'union disjointe des
singletons ωik , l'additivité nie de la probabilité p entraîne que
r
X r
X
p(A) = p({ωik }) = p ik .
k=1 k=1
1.
n
X n
X
p(Ω) = p({ωi }) = pi = 1.
i=1 i=1
Exemple 2.4 (Loi binomiale) . Considérons Ω = J1; nK, p ∈]0, 1[ et posons pour tout
k∈ J1; nK, pk = {kn pk (1 − p)n−k .
1. Montrer que les pk dénissent une probabilité sur Ω, P(Ω).
2. Calculer la probabilité de l'ensemble des nombres impairs I = {1, 3, · · · }.
p(A ∩ B)
pA (B) = .
p(A)
pA est une probabilité sur l'espace probabilisable (Ω, P(Ω)), appelée probabilité contion-
nelle relative à A oubien probabilité sachant A. pA (B) se note égalemnt p(B/A).
Exemple 2.7. Une urne contient 2 boules rouges et 3 vertes indiscernables au toucher.
On tire successivement et sans remise 2 boules de l'urne.
Quelle est la probabilité d'obtenir au second tirage une boule verte sachant que la
première boule tirée est rouge ?
pB (A) = p(A).
Ce qui traduit le fait que la réalisation de l'évènement A n'a aucune inuence sur
celle de B à priori et réciproquement.
Exemple 2.8. Soit Ω = J1; 6K, p1 et p2 deux probabilités dénies sur (Ω, P(Ω)) par :
k 1 2 3 4 5 6
1 1 1 1 1 1
p1 ({k}) 6 6 3 9 9 9
1 1 1 1 1 1
p2 ({k}) 6 6 6 6 6 6
2.8 Exercices
Exercice 2.1. On considère une urne contenant 5 boules blanches et 5 boules noires.
Les boules blanches sont numérotées de 1 à 5 et les boules noires également.
1. Décrire l'univers associé à chacune des expériences suivantes :
(a) on tire une à une trois boules de l'urne, en remettant la boule tirée à chaque
fois ;
(b) on tire une à une trois boules de l'urne, sans remettre la boule tirée à chaque
fois ;
(c) on tire une à une les boules de l'urne, sans les remettre après chaque tirage,
jusqu'à ce qu'il n'y ait plus de boules dans l'urne ;
(d) on tire une à une les boules de l'urne. Si la boule tirée est blanche on la remet,
sinon on ne la remet pas.
2. On considère l'expérience : "on tire simultanément deux boules de l'urne".
(a) Décrire l'univers des possibles pour cette expérience.
(b) Décrire les évènements A "il y a plus de boules blanches que de boules noires"
et B "les boules blanches tirées ont toutes un numéro pair". Décrire ensuite
l'évènement A ∩ B .
Exercice 2.2. Expliquer pourquoi lorsqu'on jette trois dés, on obtient plus souvent la
somme 10 que la somme 9 alors que ces deux sommes sont obtenues de six façons
diérentes chacune.
Exercice 2.4. Dans un studio de cinéma, un casteur doit trouver rapidement le meilleur
candidat pour un rôle. Il y a n candidats possibles qui se présentent dans un ordre
quelconque.
1. Quelle est la probabilité que le meilleur candidat se présente à la k -ième position
(k ∈ J1; nK) ?
2. Pour éviter de faire passer tous les candidats, le casteur utilise la stratégie suivante.
Il choisit un entier m entre 1 et n − 1, puis
* il fait passer d'abord m candidats qu'il refuse systématiquement ;
* il auditionne ensuite les autres candidats et prend le premier des candidats
qui est meilleur que les m premiers. S'il n'en trouve aucun, il prend le dernier
des candidats.
(a) Quelle est la probabilité que le casteur choisisse le meilleur des candidats et
que celui-ci se présente en k -ième place (pour k ∈ Jm + 1; nK) ?
(b) En déduire la probabilité pn (m) (sous forme d'une somme) que le casteur
choisisse le meilleur candidat.
(c) Démontrer que
1 1
∀k ∈ N∗ ≤ ln(k + 1) − ln(k) ≤
k+1 k
puis
1
∀k ∈ J2; +∞J ln(k + 1) − ln(k) ≤ ≤ ln(k) − ln(k − 1).
k
En déduire un encadrement de pn (m).
(d) On fait tendre n vers +∞ en gardant m
n
constant. Démontrer que pn (m)
admet une limite.
Exercice 2.5. Soit l'univers Ω = J1; 2nK. Peut-on trouver deux réels a et b tels que
∀k ∈ Ω p({k}) = ak + b
Exercice 2.6. les fonctions suivantes, dénies sur les singletons, se prolongent-elles en
une probabilité sur (ΩP(Ω)) ?
1. Ω = J1; nK, p({k}) = {kn (−1)k 2n−k ;
2. Ω = J1; 2nK, p({k}) = n1 |1 − nk |.
Exercice 2.7. 1. Un étang contient des poissons rouges et gris. Un tiers des poissons
sont d'origine chinoise. parmi les poissons d'origine chinoise, 30 % sont rouges.
Au total, 20 % des poissons sont rouges. Un promeneur voit un poisson rouge dans
l'étang. Quelle est la probabilité qu'il soit d'origine chinoise ?
2. Dans une université, 10% des étudiants sont d'origine chinoise. parmi ceux-là,
90% ont moins de 30 ans. Il y a 5% d'étudiants chinois ayant moins de 30 ans et
eectuant un doctorat. vous rencontrez par hasrd un étudiant qui dit être chinois
et avoir moins de 30 ans. Quelle est votre chance de gagner en qu'il eectue un
doctorat ?
Exercice 2.8. Soit donné un dé pour lequel les nombres pairs sont deux fois plus prob-
ables que les nombres impairs.
1. Donnez l'espace de probabilité si on lance le dé une fois.
2. Donnez l'espace de probabilité si on lance le dé deux fois. Quelle est la probabilité
que les deux résultats obtenus, x1 , x2 , diérent de un, cest-à-dire |x1 − x2 | = 1 ?
Exercice 2.9. Une usine possède trois machines A, B, C pour produire deux composants
électroniques diérents. Ces machines fournissent respectivement 45%, 30% et 25% de
la production de ces deux composants.
La machine A est uniquement utilisée pour la production du composant de type 1 ; le
composant produit est de bonne qualité dans 97% des cas. La machine B produit les deux
composants avec un taux déchec de 5%. La machine C produit les deux composants en
égale proportion ; pour le composant de type 2 elle est optimisée, ayant une probabilité
de réussite de 100% ; pour le composant de type 1, 2 pièces sur 25 sont de mauvaise
qualité.
1. Quel pourcentage de la production est de mauvaise qualité ?
2. Si une pièce (de n'importe quel type) est de mauvaise qualité, quelle est la proba-
bilité quelle ait été produite par la machine A ?
Exercice 2.10. Amanda, Deborah et Rebecca travaillent dans une entreprise en tant
qu'opératrices ; leur tâche est de diriger les appels externes arrivant à la centrale vers les
diérents services de l'entreprise. Parfois distraites, elles commettent des erreurs avec
une probabilité valant respectivement 0, 02; 0, 03 et 0, 05. Amanda s'occupe de 50% des
connections, Deborah de 30% et Rebecca de 20%.
1. Quelle est la proportion de mauvais services fournis par Amanda ?
2. Quelle est la proportion totale de bons services ?
3. Deborah fait souvent la fête tard dans la nuit avec des amis ; par conséquent, elle se
trouve par hasard subitement malade le lendemain. Ces absences festives ont une
probabilité doccurence de 10%. Lors des absences de Deborah, Amanda soccupe de
65% des connections et Rebecca de 35%, mais, à cause du stress, leurs probabilités
d'erreur augmentent à 0, 04 pour Amanda et à 0, 06 pour Rebecca.
4. Si un client est dirigé vers une fausse ligne, quelle est la probabilité que Deborah
ait trop dansé durant la nuit précédente ?
Exercice 2.11. Dans une ville ravagée par un terrible tremblement de terre, certains
promoteurs immobiliers n'ont pas respectés les normes de construction, soit en ayant
omis de placer une dalle de fondation spéciale et trés coûteuse, soit en ayant sous-
dimensionné cette dalle. Sur base d'un modèle théorique, on a estimé que pour le trem-
blement de terre ayant eu lieu, les risques d'eondrement d'un immeuble sont de 85 %
si la dalle n'est pas présente, de 25 % si elle est sous-dimensionnée et de 1 % si elle est
correctement dimensionnée. Des contrôles antérieures à l'accident ont montré que pour
5 % des constructions, il y avait une fraude ; la dalle était sous-dimensionnée dans 80 %
des cas et absente dans 20 % des cas.
1. Pour un immeuble eondré pris au hasard, quelle est la probabilité qu'il ne soit
pas muni d'une dalle ?
2. Pour un immeuble non eondré pris au hasard, quelle est la probabilité que la dalle
soit correctement dimensionnée ?
3.1.1 Ouverts
Dénition 3.1. Un sous-ensemble de R est dit ouvert, s'il est vide, ou bien s'il est
voisinage de chacun de ses points. Un ouvert de R est donc une réunion d'intervalles
ouverts éventuellement vides.
Proposition 3.1. 1. Une réunion quelconque d'ouverts est un ouvert ;
2. Une intersection nie d'ouverts est un ouvert ;
3. R et ∅ sont des ouverts.
3.1.2 Fermés
Dénition 3.2. Un sous-ensemble de R est dit fermé si son complémentaire est ouvert.
Proposition 3.2. 1. Une intersection quelconque de fermés est un fermé ;
2. Une réunion nie de fermés est un fermé ;
3. R et ∅ sont des fermés.
Théorème 3.1. La tribu des boréliens est aussi engendrée par l'une quelconque des cinq
familles de parties de R suivantes :
1. la famille des ouverts ;
2. la famille des intervalles ]a, b] ;
3. la famille des intervalles [a, b[ ;
4. la famille des intervalles non bornés ]−∞, a[ ;
5. la famille des intervalles non bornés ]−∞, a].
3.2.2 Opérations
Soient X, Y deux variables aléatoires réelles d'un espace probabilisable (Ω, P(Ω)), λ ∈
R. Alors, X + Y, λX, XY, sup(X, Y ), inf(X, Y ) sont des v.a.r. sur (Ω, P(Ω)).
Exemple 3.1. On lance un dé cubique dont les faces sont numérotées de 1 à 6. On
appelle X le numéro obtenu et Y son complémentaire à 6. Dé&terminer les v.a.r. X +
Y, 2X + 4Y, inf(X, Y ).
Remarque 3.2. On a :
Théorème 3.3. Soit F une fonction dénie sur R à valeurs dans [0, 1] vériant les
propriétés suivantes :
1. F est croissante ;
2. limx→−∞ F (x) = 0 et limx→+∞ F (x) = 1;
3. F est continue à gauche en chacun de ses points de continuité. Alors F est la
fonction de répartition d'une variable aléatoire réelle.
F : R −→ [0, 1]
.
x 7−→ F (x) := p(X < x)
Si X(Ω) = {x1 , x2 , · · ·, xn } avec x1 < x2 < · · · < xn , la fonction F est défnie par :
n
X
mk (X) = (xi )k pi .
i=1
Proposition 3.4. Soient X et Y deux v.a.r. sur un espace probabilisé ni (Ω, P(Ω), p),
λ et µ deux nombres réels. On a :
E(λX + µY ) = λE(X) + µE(Y ).
En particulier, on a :
E(λX + µ) = λE(X) + µ.
V (X)
p (|X − E(X)| ≥ a) ≤ .
a2
Remarque 3.4. L'inégalité de Chebyshev ne requiert que la connaissance de l'espérance
et de la variance de X . Elle donne une borne supérieure quant à la probabilité que
la variable aléatoire réelle X prenne des valeurs comprises à l'intérieur de l'inter-
valle [E(X) − a; E(X) + a] . En pratique, l'inégalité de Chebyshev est très utiles si l'on
veut obtenir une estimation des ordres de grandeurs pour des intervalles de conance
symétriques autour de la moyenne lorsque l'on ne dispose que des valeurs de E(X) et
de V (X).
Exemple 3.7. Si l'on sait seulement que la pluviométrie annuelle dans une zone A du
bénin vaut en moyenne 800 mm avec un écart type de 100 mm. Quelle est la probabilité
minimale qu'il pleuve entre 600 et 1000 mm une année ?
3.6 Exercices
3.6.1 Exercice
Soit une v.a.r. continue de fonction de répartition F. On dénit l'application G de
R dans R par :
Z y+1
G(y) = F (x)dx.
y
Montrer que G est la fonction de répartition d'une variable aléatoire absolument continue
dont on exprimera la densité de probabilité.
3.6.2 Exercice
La fonction de répartition F d'une variable aléatoire réelle X est dénie par :
F : R −→ R
x0 2
1− si x > x0
x 7−→ F (x) = x
0 si x ≤ x0
3.6.3 Exercice
Soit l'équation diérentielle :
0 si x<0
ϕ(x) =
f (x) si x≥0
(a) Montrer que ϕ est une densité de probabilité.
3.6.4 Exercice
Soit le problème diérentiel :
xy 0 + (a + 1)y = 0, x > 0, (P )
Z +∞
f (x)dx = 1.
k
0 si x<k
ϕ(x) =
f (x) si x ≥ k
3.6.5 Exercice
Soit n un entier positif et X une variable aléatoire absolument continnue dont
l'ensemble fonadmental est R+ . la densité de probabilité de X est la fonction f dénie
par :
f (x) = ke−x xn−1 , x ≥ 0.
1. Calculer k.
4.1 Introduction
Les lois classiques de probabilité sont des distributions particulières de probabilité
que l'on utilise sur le plan théorique pour décrire certains phénomènes s'inscrivant dans
les chémas classiques qui ne sont rien d'autre que des matérialisations des phénomènes
concrets de la vie socio-économique. Dans ce chapitre, nous étudierons successivement
la loi de Bernouilli, la loi binomiale et la loi de Poisson.
Exemple 4.1. Une urne contient des boules dont une proportion p de couleur blanche.
On tire au hasard une boule de cette urne et suppose que l'on réalise le succès lorsqu'une
boule blanche est tirée et l'échec lorsqu'une boule d'une autre couleur est tirée. Il s'agit
d'une épreuve de Bernouilli.
succès peut prendre les valeurs 0, 1, 2, · · ·, n. Si p est la probabilité de succès après une
épeuve de Bernouilli, on dit que X obéit à une loi binomiale de paramètres n et p. On
note X ; B(n, p).
Proposition 4.2. Si X suit la loi de binomiale B(n, p), alors :
pour tout k ∈ {0, 1, 2, · · ·, n},
p(X = k) = {kn pk (1 − p)n−k .
E(X) = np et V (X) = np(1 − p).
Si X1 et X2 sont deux variables aléatoires indépendantes suivant respectivement
les lois binomiales B(n1 , p) et B(n2 , p), alors la variable aléatoire réelle X1 + X2
suit la loi binomiale B(n1 + n2 ; p).
Exemple 4.2. Un vivier contient 100 truites de même aspect et de même âge. Cinq
d'entre elles pèsent moins de 200 grammes, les autres plus de 200 grammes. Trois fois
de suite, on va sortir une truite du vivier, la peser et la replonger rapidement dans le
vivier. Soit X le nombre de truites de plus de 200 grammes obtenues à l'issue de ces
trois pesées. Déterminer la loi de X.
Dénition 4.6. Soit p ∈ ]0; 1[ donné ; on dit qu'une v.a.r. X suit la loi géométrique de
paramètre p (notée G(p)), lorsque X prend les valeurs n ∈ N∗ avec les probabilités
p(X = n) = p(1 − p)n−1 .
Proposition 4.5. Si X suit la loi uniforme G(p) avec (0 < p < 1), alors
1 1−p
E(X) = et V (X) = .
p p2
Exemple 4.4. Considérons un dé cubique parfaitement équilibré dont les faces sont
numérotées de 1 à 6. Soit X la v.a.r. égale au nombre de jets nécessaires pour obtenir
pour la première fois 6.
1. Quelles sont les valeurs possibles de X ?
2. Déterminer la probabilité pour que l'on obtienne 6 pour la première fois au 6ème
jet.
3. Calculer l'espérance mathématique et l'écart type de X .
λk
p(X = k) = e−λ .
k!
On note X ; P(λ).
Proposition 4.7. Si X suit la loi de Poisson P(λ), alors :
E(X) = V (X) = λ.
Si X1 et X2 sont deux variables aléatoires indépendantes suivant respectivement
les lois de Poisson P(λ1 ) et P(λ2 ), alors la variable aléatoire réelle X1 + X2 suit
la loi binomiale P(λ1 + λ2 ).
Remarque 4.1. La loi de Poisson est utilisée lorsque l'étude statistique porte sur les
phénomènes rares.
Exemple 4.5. Un employé de la compagnie Confort Lines contrôle chaque lundi 100
voyageurs. On note X le nombre de personnes qu'il trouve en situation irrégulière. On
admet que X suit la loi de Poisson de paramètre 2.
Quelle est la probabilité qu'aucune personne ne soit en situation irrégulière ?
4.9 Exercices
4.9.1 Exercice
Thierry et 11 autres jeunes font un stage de 30 jours dans un grand labo-photo
japonais. Chaque soir, l'un d'eux, tiré au sort parmi les 12 stagiaires, gagne, en quittant
le laboratoire, un appareil photographique gracieusement oert.
Quelle est la probabilité qu'à l'issue de son satage Thierry ait gagné au moins deux
appareils ?
4.9.2 Exercice
Début janvier, une grande surface met en location, à la journée, 20 shampouineuses
à moquette toutes neuves. Lorsqu'un appareil tombe en panne, il n'est pas réparé mais
remplacé par une shampouineuse toute neuve. On suppose que, pour chaque appareil,
la probabilité qu'il soit à changer au cours de l'année est égale à 0,2. Si l'appareil de
remplcement vient à tomber en panne également, il n'est pas changé.
4.9.3 Exercice
Une petite imprimerie vend des cartes de visite par paquets de 100. Il arrive parfois
qu'une carte échappe à l'impression. On note X le nombre de cartes toutes blanches
dans un paquet. On suppose que X suit une loi de Poisson de paramètre 1, 5.
4.9.4 Exercice
Chaque année, il y a 450 morts accidentelles dues aux armes à feu parmi les 15 − 24
ans.
1. Quel est le nombre moyen de morts accidentelles dues aux armes à feu par semaine ?
2. Quelle est la probabilité qu'aucune mort accidentelle par arme à feu ne survienne
au cours d'une semaine ?
3. Quelle est la probabilité qu'au moins deux morts accidentelles par arme à feu ne
survienne en une journée ?
4.9.5 Exercice
1. Soit T une variable aléatoire suivant la loi N(0, 1). Calculer les probabilités des
évènements suivants :
4.9.6 Exercice
L'âge moyen d'une personne qui se marie pour la première fois est de 26 ans. Supposez
que l'âge du premier mariage soit normalement distribué, avec un écart type de quatre
ans.
1. Quelle est la probabilité qu'une personne qui se marie pour la première fois, ait
plus de 20 ans ?
2. Quelle est la probabilité qu'une personne qui se marie pour la première fois, ait
plus de 20 ans mais moins de 30 ans ?
3. Avant quel âge 90% des personnes se marient-elles pour la première fois ?
4.9.7 Exercice
Un organisme humanitaire prépare des petits colis contenant : un paquet de sucre,
une boîte de lait en poudre, un sachet de biscuits, du savon.
On note X1 , X 2 , X 3 et X4 les poids respectifs (en grammes) du paquet de sucre, de
la boîte de lait, du sachet de biscuits et du savon. On suppose que :
1. Le carton d'emballage pèse 100 g. Déterminer la loi du poids total d'un colis.
4. On prend deux colis au hasrd. quelle est la probabilité que leur poids dièrent de
plus de 5 grammes ?
4.9.8 Exercice
Un toréfacteur reçoit en début de mois 150 kg de café qui viennent s'ajouter à
réserve. La demande mensuelle (en kilogrammes) suit une loi normale d'espérance 150
kg et d'écart type 15 kg.
2. De quelle réserve doit-il disposer en début de mois (avant livraison de 150 kg) pour
qu'il y ait plus de 95 chances sur 100 qu'il ne soit pas en rupture de stock au cours
du mois ?
4.9.9 Exercice
Une entreprise fabrique et commercialise des produits de consommation courante en
très grand nombre. Il y a une probabilité constante égale à 0, 1 qu'un article choisi au
hasard dans la production ne satisfasse pas aux normes imposées.
(a) Indiquer la loi suivie par X1 (On justiera avec soin le résultat.)
(b) Montrer que cette loi peut être approchée par une loi que l'on précisera.
(c) A l'aide de cette loi, calculer la probabilité qu'il y ait au plus 5 articles non
conformes parmi les 50 articles.
(a) Indiquer la loi suivie par X2 (On justiera avec soin le résultat.)
(b) Montrer que cette loi peut être approchée par une loi que l'on précisera.
(c) A l'aide de cette loi, calculer la probabilité qu'il y ait au moins 50 articles
non conformes parmi les 500 articles.
[1] Probabilités, 70 exercices corrigés avec résumé de cours, Maurice Gaulthier, Vuibert,
collection les sciences en fac.
[5] Probabilités, Analyse des données et Statistiques, Gilbert SAPORTA, Édition Tech-
nip ; 1990.