Académique Documents
Professionnel Documents
Culture Documents
NIVEAU 1
SEMESTRE 1
EQUIPE PEDAGOGIQUE :
Pr. TAMBA
Dr. SAKAROS
(CM=18H;TD=6H;TP=00H; TPE=6H)
UE IUT GCI12 : SCIENCES DE BASE
GCI122 : PROBABILITÉ ET STATISTIQUES
DUREE : 30 HEURES
OBJECTIFS GENERAUX :
Permettre à tous les scientifiques de trouver des résultats rigoureux et bien expliqués,
mais sans avoir à rentrer dans des explications compliquées.
Les futurs étudiants des sciences (physique, mécanique, électronique …) trouveront là
la plupart des outils de calcul de probabilité et de statistique dont ils pourront avoir
besoin. Pour les étudiants qui feront des mathématiques, cet ouvrage leur permettra
d'avancer rapidement et avec précision dans la découverte de ces outils, sur lesquels ils
reviendront éventuellement plus tard lorsqu'ils éprouveront le besoin de
« tout démontrer ».
Permettre à un étudiant isolé d'acquérir, de comprendre et de dominer par lui-même
toutes les notions abordées.
OBJECTIFS SPÉCIFIQUES :
2
FICHE DE PROGRESSION DU COURS
SEQUENCES THEMES DEVELOPPES DUREE
SEQUENCE 1 1.1 Le langage des ensembles
RAPPELS 1.2 L’analyse combinatoire
1.3 Fonction génératrice CM : 04 H
1.4 Quelques sommes finies
classiques.
SEQUENCE 2 2.1 Modéliser une expérience
PROBABILITE ET aléatoire.
ANALYSE 2.2 Espace probabilisé fini.
COMBINATOIRE 2.3-Espace probabilisé quelconque CM : 04 H
2.4- Probabilité conditionnelle.
2.5-Indépendance en probabilité
SOURCES DOCUMENTAIRES
[1] André Giroux, Initiation au calcul de probabilités - Cours et exercices corrigés, Ellipses,
2014.
3
[2] Ernst Hairer et Gerhard Wanner, Les probabilités au fil de l'histoire, Springer, 2000.
[5] Dimitri Latsis Université de Caen. Mathématiques pour l’étudiant de première année
[7] François LIRET. Maths en pratique. A l’usage des étudiants cours et exercices.
[8] www.bibmaths.net
[10] www.bibmaths.net.
4
Table des matières
FICHE DE PROGRESSION DU COURS3
SOURCES DOCUMENTAIRES3
7
7
7
8
9
9
10
11
12
13
13
14
14
15
16
16
16
17
17
17
17
17
18
18
19
19
19
19
20
5
20
22
22
22
22
22
23
23
23
23
23
23
24
26
4.4.1 Loi du Khi-deux χ2(p)26
26
27
29
29
29
6
CHAPITRE 1 : RAPPELS
Produit cartésien
Le produit cartésien des deux ensembles E et F est noté . Il est défini par :
Partition
Une famille de partie d’un ensemble est une partition de
.
Ensemble des parties
L’ensemble des parties d’un ensemble E est noté , est l’ensemble de tous les sous-
ensembles de E, .
Règles
Soient A, B et C trois parties de E :
1.
2.
7
3.
4.
5.
de dans E.
b) fonction caractéristique d’une partie
Soit A une partie de l’ensemble E. La fonction caractéristique de A, ou fonction indicatrice de
A notée , est une fonction définie sur E et à valeur par :
Complémentaire.
Différence.
Intersection.
En particulier
Réunion.
8
Différence symétrique.
Propriété
L’ensemble des parties de est une bijection avec l’ensemble des fonctions de E dans
, .
Devoir (voir fiche)
1.2-L’analyse combinatoire
1.2.1-L’ensemble finis
Définition
Un ensemble E est fini s’il est vide ou s’il existe un entier naturel n et une
bijection , n est appelé cardinal de E, noté Card(E) ou . Le cardinal
de l’ensemble vide est égale à zéro (Card( ).
Propriétés
Soit E un ensemble fini. Si F est un ensemble tel qu’il existe une bijection de E dans F,
alors F est un ensemble fini et Card(F) = Card(E).
Soit E un ensemble fini. Toute partie A de E est finie et Card(A) Card(E). une partie
A de E est égale à E ssi le cardinal de A est égale à celui de E.
Soit A et B deux parties de l’ensemble fini E, et le complémentaire de A dans E.
1. Si A et B sont disjoints , Card = Card(A) Card(B).
2. Card(A\B) = Card (A) .
3. Card Card(E) .
4. Card = Card(A) Card(B) .
5. Card Card (A) Card (B) .
Formule du crible ou du Poincaré.
Si la famille est une famille de partie de l’ensemble fini E, alors
9
Soit E un ensemble fini. On a: Card Card
1.2.2 Dénombrement
a) Nombre de permutation de n objets :
On appelle factorielle la fonction notée !, de définie par : n!=1 . Par
convention 0!=1. Le nombre des bijections d’un ensemble E à n éléments sur lui-même, c'est-
à-dire le nombre de perturbations des n objets vaut n!
b) Nombre d’arrangements de n objets m à m :
Soient E et F deux ensemble finis tels que Card (E) = m Card (F). Alors le nombre des
applications injectives de E dans F est
10
Devoir (voir fiche)
On appel fonction génératrice d’une suite entiers naturels, la série formelle notée
Propriétés
Soit une fonction génératrice de ( , ) : et la fonction
génératrice de ( , .
sont égales ssi pour tout entier naturel n, on a
, ).
Mise à l’échelle. , .
Addition. ( ,…).
Différence. ( …)
Convolution (
11
Somme partielle
12
CHAPITRE 2 : PROBABILITE ET ANALYSE COMBINATOIRE
Certaines expériences entraînent des résultats aléatoires, c-a-d qui dépendent directement du
hasard. Nous les appelons des expériences aléatoires. Dans la suite désignera une
expérience aléatoire.
2.1 Modéliser une expérience aléatoire
Le terme modélise désigne l’opération qui consiste à associé à trois objets mathématiques ;
l’univers , l’ensemble des éléments et la probabilité P.
On appelle univers associé à . L’ensemble de tous les résultats possibles de .
Pour représenter les éléments, il est d’usage d’utiliser la théorie des ensembles. Un événement
est donc associé à un sous-ensemble de l’univers , l’ensemble des résultats pour lesquels
l’événement est réalisé. Terminologie des événements :
est appelé événement impossible
est appelé événement certain
Tout singleton , ou est appé évènement élémentaire.
c-a-d que la probabilité d’un événement qui est la réunion disjointe d’évènements est égale à
la somme des probabilités de ces évènements.
NB : un ensemble d’événement vérifiant les trois propriétés ci-dessus est appelé une -
algèbre ou une tribu
Devoir (voir fiche)
13
Espace probabilisé fini
On appelle espace probabilisé fini associé à une expérience aléatoire le triplet (Ω, (Ω), P),
lorsque l’univers Ω est fini.
Propriétés
Pour tout élément A et B de (Ω), nous avons :
1. ) , d’où P(
2.
3.
4. P(A
5. Si A et B sont incompatibles, alors
sont n événements deux à deux
incompatibles,
6. Formule du crible onde Poincaré : pour toute suite d’évènements , nous avons
Nous disons qu’il y’a équiprobabilité lorsque les probabilités de tous les événements élémentaires
sont égales. Dans ce cas, P est la probabilité uniforme sur (Ω, (Ω)).
Conséquence : s’il y’a équiprobabilité, pour tout évènement A, on a :
14
6. La formule du crible est encore valable
L’application qui à un évènement B associe P(B\A) est une probabilité sur (Ω, , appelé
probabilité conditionnelle relative à A ou probabilité sachant A.
Propriétés
1. P (Bc/A)=1- P(B/A)
2. P(B\C/A)=P(B/A)-P(B
3.
15
4. Si B et C sont incompatibles, alors P(B P(B/A)+P(C/A). Plus généralement, si I est
une partie finie ou infinie de et si est une suite d’évènements deux à deux
incompatible
On a l’égalité suivante :
16
2.4.4. Formule de bayes
Pour tout système d’évènements de probabilités non nulles et pour tout évènement B de
probabilité non nulle, on a :
Indépendance en probabilité
Soit (Ω un espace probabilisé. On appelle évènements indépendants pour la probabilité P des
évènements A et B qui vérifient :
.
Pour généraliser la notion d’indépendance à plus de deux évènements on utilise la notion de tribut
de -algèbre.
2.5.1 Tribu engendrée par une famille d’évènements
Soit S une famille de Ω. L’intersection de toutes les tribus sur Ω qui contiennent S est une tribu sur Ω
qui contient S. On note (S) et on l’appelle la tribu engendrée par S.
sur sont indépendantes pour la probabilité P lorsque pour toute famille d’évènements telle
Théorème
sont mutuellement indépendant ssi pour tous parties I [1, n] l’égalité suivante est vérifiée
17
Propriété
n évènements mutuellement indépendants. Alors les évènements où par tout
i {1,…,n}, ou sont mutuellement indépendants.
2.5.4 Indépendance mutuelle d’une suite infinie d’évènements
Soit une suite infinie d’évènements. Les évènements sont mutuellement indépendants
pour la probabilité P lorsque pour tout n sont des évènements mutuellement
indépendants pour la probabilité P.
Théorème
une famille d’évènements mutuellement indépendants ssi pour tout partie finie I l’égalité
suivante est vérifiée
18
CHAPITRE 3 : VARIABLES ALEATOIRES
3.1 VARIABLES ALEATOIRES REELLES ET DISCRETES
3.1.1 Variables aléatoires réelles
Soit ( , l’espace probabilisée. On appelle variable aléatoire réelle X toute application de
dans telle que pour tous intervalle I de l’ensemble (I) = { I} est un
évènement de .
On note X( l’ensemble des valeurs prises par la variable X définie sur l’espace probabilisé
(
({x}) = { X ( = x} se note {X = x}
] ={ X(
] a<X( se note {a < X .
Soit X une variable aléatoire réelle définie sur l’espace probabilisé ( On appelle
fonction de répartition de la variable aléatoire X la fonction numérique réelle définie par :
,
Propriétés
1. , ;
2. est une fonction croissante sur ;
3. et et est continue à droite et admet une
limite à gauche en tout point de ;
4. Pour tous réels P (a<X .
Soit X une variable aléatoire réelle définie sur l’espace probabilisé ( . On appelle loi de
la variable aléatoire discrète X la donnée d’une suite numérique (P(x = k) = telle que :
1. ;
2. ;
3. où désigne la sommation sur l’ensemble de
inférieure ou égale à x.
19
3.2-MOMENTS ET FONCTIONS GENERATRICES D’UNE VARIABLE
ALEATOIRE DISCRETE
( Désigne un espace probabilisé et X une variable aléatoire discrète défini sur Ω. X(Ω)
= avec I une partie de ou de .On pose P = .
Var(X) = E (( =
20
L’écart type :
Propriétés :
Pour tous les réels a et b et pour tout variable aléatoire discrète X admettant une variance on
a:
Var(
21
CHAPITRE 4 : LES LOIS EN PROBABILITE
4.1 Loi discrètes usuelles finies
4.1.1 Loi de Bernouilli
Soit p ∈ [0,1].Une variable aléatoire X suit une loi de Bernoulli de paramètre p, notée
B(1,p), si la variable aléatoire X prend la valeur 1 avec la probabilité p et la valeur 0 avec la
probabilité 1 − p = q.
Propriétés
L'espérance et la variance d'une variable aléatoire X suivant une loi de Bernoulli de paramètre
p sont égales respectivement à :
E(X) = p et Var(X) = p(1 − p) = pq où q = 1 − p.
4.1.2 Loi uniforme discrète
Soit n ∈N*. Une variable aléatoire X suit une loi uniforme discrète si la variable aléatoire X
prend n valeurs possibles k1,k2,. . . ,knavec la probabilité égale à 1/n pour n'importe quelle
valeur ki.
Propriétés
Si X suit une loi uniforme discrète sur [a,b], alors nous avons :
Notons q le nombre 1- p.
Cette loi caractérise le nombre de boules blanches obtenues dans un tirage avec remise de n
boules dans une urne.
Propriétés
L’espérance et la variance d’une variable aléatoire X suivant une loi binomiale de paramètres
n et p sont égales respectivement à :
22
4.1.4 Loi hypergéométrique
Soit N et n deux entiers naturels tels que n N et p ∈ [0,1] tel que Np soit entier. Une variable
aléatoire X suit une loi hypergéométrique de paramètres N, n et p, notée H(N,n,p), si la
variable aléatoire X prend la valeur k avec la probabilité égale à :
Notons q le nombre 1- p.
Propriétés
L'espérance et la variance d'une variable aléatoire X suivant une loi hypergéométrique de
paramètres N,n,p sont égales respectivement à :
Propriétés
L’espérance et la variance d’une variable aléatoire X suivant une loi géométrique de
paramètre p sont égales respectivement à :
Propriétés
L’espérance et la variance d’une variable aléatoire suivant une loi de Poisson de paramètre
λsont égales respectivement à :
Le graphe de a l'allure d'une courbe en S assez étalée et est symétrique par rapport au point
(0,1/2)et la pente de la tangente en ce point est . Voir la courbe noire de la figure 2.
24
Propriétés
1. Le graphe de fμ,σa l'allure d'une courbe en cloche symétrique par rapport à x = μ, très
pointue pour σpetit, très aplatie pour σgrand. Voir la figure 1 pour σ= 1 et différentes valeurs
de μet figure 3 pour μ= 0 et différentes valeurs de σ.
2. La fonction de densité d'une loi normale N(μ,σ) vérifie fμ,σ (μ+ u) = fμ,σ (μ− u).
3. La fonction de répartition d'une loi normale N(μ,σ) est égale à :
Son graphe a l'allure d'une courbe en S, très pentue pour σpetit, très étirée pour σgrand. Voir
la figure 2 pour σ= 1 et différentes valeurs de μet figure 4 pour μ= 0 et différentes valeurs de
σ.
4. La fonction de répartition d'une loi normale N(μ,σ) vérifie Fμ,σ(μ− x) = 1 −Fμ,σ (μ+ x).
5. Soit X une variable aléatoire qui suit une loi normale N(μ,σ). Nous avons : E(X) = μet
Var(X) = σ2.
6. La fonction génératrice des moments d'une loi normale N(μ,σ) est égale, pour tout t ∈R à :
7. Il en résulte de la forme de la fonction génératrice des moments que si (X1,X2) est un couple
de variables aléatoires indépendantes de lois respectives N(μ1,σ1) et N(μ2,σ2), avec μ1,μ2 des
réels et σ1>0,σ2>0, alors la somme X = X1 + X2 suit une loi normale N(μ,σ) où μ= μ1 + μ2 et σ2
= σ21
+ σ22.
25
4.4 Lois dérivées de la loi normale
4.4.1 Loi du Khi-deux χ2(p)
Soit p un entier positif. Une variable aléatoire X suit une loi de Pearson ou loi du Khi-deux à
p degrés de liberté, notée χ2(p) , si X est une variable continue et admet pour densité de
probabilité la fonction fXsuivante :
26
La figure 7 montre le graphe de la densité de probabilité fXpour différentes valeurs du
paramètre n.
3. Soit une variable aléatoire U qui suit une loi normale N(0, 1) et X une variable aléatoire qui
suit indépendamment de U une loi du Khi-deux χ2(n). Alors la variable aléatoire
suit une loi de Student t(n).
4. Pour n = 1, la loi est la loi de Cauchy. La loi de Cauchy est en fait la loi du rapport de deux
variables qui suivent chacune indépendamment la loi normale N(0,1).
4.4.3 Loi de Fischer-Snedecor F(n,p)
Soit n et p deux entiers positifs. Une variable aléatoire X suit une loi de Fisher-Snedecor (ou
loi de Fisher) à n et p degrés de liberté, notée F(n,p), si X est une variable continue et admet
pour densité de probabilité la fonction fXsuivante :
27
Propriétés
1. La fonction de répartition ne s’explicite pas. Cependant, il existe des tables de la fonction
de répartition. Les figures 10 et 12 montrent le graphe de la fonction de répartition pour
différentes valeurs des paramètres n et p.
2. Soit X une variable aléatoire qui suit une loi de Fisher F(n,p). Nous avons :
28
4.5 Lois continues
4.5.1 Loi uniforme continue U[a,b]
Une variable aléatoireX à valeurs dans [a, b], où a et b sont deux réels tels que a < b suit une
loi uniforme continue sur [a, b], notée U[a, b] , si X est une variable continue et admet pour
densité de probabilité la fonction fXsuivante :
Exercice 2 :
Calculez la probabilité de l’union de trois événements A, B et C de deux manières
différentes :
1. En utilisant la formule .
2. En appliquant directement la formule du crible.
Exercice 3 :
1. Soit X, Y et Z trois sous-ensembles d’un ensemble E. A l’aide des fonctions
caractéristiques de ces ensembles, montrez que :
29
Exercice 4 :
Une urne contient 20 boules blanches et 12 boules rouges. On tire 6.
1. Quelle est la probabilité pour que les 6 boules soient blanches ?
2. Quelle est la probabilité d’avoir au moins une boule rouge ?
3. Quelle est la probabilité pour que les six boules soient de même couleur ?
4. Quelle est la probabilité pour que l’on ait des boules des deux couleurs ?
5. Quelle est la probabilité d’obtenir 4 boules rouges et 2 boules blanches ?
6. Quelle est la probabilité d’obtenir au moins 4 boules rouges ?
Exercice 5 :
Neuf chevaux, 4 blanc et 5 noirs pénètrent un par un sur la piste d’un cirque. Ils sont distincts
les uns par rapport aux autres par leurs harnachement.
1. Combien existe-t-il de façon de les arriver sur la piste ?
2. On appelle X la variable aléatoire : nombre de chevaux blancs précédant le premier cheval
noir. Donner la loi de probabilité de X.
3. Calculer l’espérance mathématique de X et sa variance.
Exercice 6 :
Deux joueurs A et B écrivent simultanément un nombre choisi dans l’ensemble {1, 2, 3}. On
désigne par x le nombre choisi par le joueur A et par y celui choisi par le joueur B. Chaque
joueur écrit à l’insu de l’autre. Si est pair, A reçoit p francs de B et si est impair
A donne q francs à B.
1. Soit X le gain algébrique du joueur A à l’issue de la première partie. Déterminer
l’espérance mathématique de la variable aléatoire X sachant que les joueurs A et B choisissent
les nombres 1, 2 ou 3 avec équiprobabilité.
2. Déterminer un couple d’entiers (p, q) tel que le jeu soit équitable donc d’espérance
mathématique nulle.
3. On suppose que et . Les joueurs A et B jouent trois parties successives.
Déterminer la probabilité pour que à l’issue de ces trois parties, le gain du joueur A soit
positif.
Exercice 7 :
1. Soit X et Y deux sous-ensembles d’un ensemble E. Montrez que l’égalité suivante est
vraie :
2. Soit n un entier naturel inférieur ou égal à 12. Combien y a-t-il de façon de choisir n
beignets de trois saveurs différentes (fraise, vanille et chocolat) s’il doit y avoir au moins deux
beignets de chaque saveur et pas plus de quatre beignets au chocolat.
Exercice 8 :
Deux chasseurs A et B aperçoivent ensemble un lièvre et tire simultanément.
1. Sachant que A atteint et tue d’habitude 5 lièvres sur 6 et B, 4 sur 5 (NB : A et B sont des événements
indépendants).
a) Quelle est la probabilité P(A) ?
b) Quelle est la probabilité P(B) ?
c) Quelle est la probabilité pour que le lièvre soit tué.
2. En fait B a tiré.
30
a) Quelle est la probabilité pour que A tue le lièvre (événement ), sachant que si B tire et
manque (événement ), les chances de A d’atteindre le lièvre se trouvent diminuées de
moitié (événement )?
b) Dans ces conditions B a tiré le premier puis A, quelle est la probabilité pour le lièvre d’en
réchapper (événement )?
Exercice 9 :
On jette successivement et indépendamment sur une table deux dés tétraédriques dont les
faces sont numérotées de 1 à 4. X étant le produit des nombre obtenus.
1. Donner la loi de probabilité de X, son diagramme en bâtons.
2. Donner la fonction de répartition de X et sa courbe cumulative.
Exercice 10 :
1. Une urne contient 8 boules blanches et deux boules noires. On tire sans remise trois de ces
boules. On considère la variable aléatoire X qui est égale au nombre de boules noires tirées à
l’occasion d’un tirage de 3 boules, déterminer la loi de probabilité de X.
2. Une boite contient 20 pièces d’équipement dont 5 sont défectueuses. On y prend au hasard
un lot de 3 pièces. Quelles sont les probabilités des événements suivants :
a) A : le lot a au moins une pièce mauvaise.
b) B : le lot a au moins deux pièces mauvaises.
31