Untitled

Analyse combinatoire
Chapitre 2: Théorie des Probabilités

Consulter la page
https://www.facebook.com/ecours/
9:17 1
Théorie des Probabilités
La théorie des probabilités fournit des modèles

mathématiques permettant l’étude d’expériences dont
le résultat ne peut être prévu.
• On peut déterminer par avance, toutes les issues

possibles ;
• On ne peut pas prévoir, par avance, laquelle de ces
issues sera réalisée.
Lancer une pièce de monnaie à 2 faces Pile ou Face

Il n'y a que 2 issues possibles ;
9:17 https://www.facebook.com/ecours/ 2
Expérience aléatoire
Définition: Une expérience aléatoire est une

expérience dont le résultat est uniquement dû au hasard.
(on ne peut pas en prévoir avec certitude le résultat)
on pourra citer:
1. Lancement d'une pièce de monnaie
2. Tirage d'une boule dans un urne
3. Tirage d’une carte , ..
Chaque résultat possible d’une expérience aléatoire est

une issue de l’expérience.
Événement aléatoire
Un événement aléatoire est un résultat observable à
l'issue d'une certaine expérience.
Un événement aléatoire est une partie de l'univers,
formée d'une ou de plusieurs issues possibles
Exemple:
Une expérience aléatoire: jetter d’un dé à 4 faces
L’événement aléatoire A: obtenir le 4:

L’événement A esthttps://www.facebook.com/ecours/
une partie de Ω = {1; 2;3; 4} 4
9:17
Exemple
On jette un dé à 6 faces :
Cette expérience aléatoire admet 6 issues (résultats

possibles ): 1, 2, 3, 4, 5 et 6.
L’évènement « obtenir le 7 » n’est réalisé par aucune issue.

Évènement Impossible
L’évènement « obtenir un nombre pair » est réalisé par

trois issues : 2, 4 et 6.
L’évènement « obtenir le 5 » est réalisé par une issue.
Définition : Un évènement élémentaire est un

évènement qui ne peut être réalisé que par une seule
issue.
Univers ou espace des résultats
Définitions
L'ensemble noté en général Ω, est appelé univers ou
espace des résultats possibles.
Le nombre d'éléments d'un ensemble Ω est noté #Ω.
(Card Ω)
Exemple:
Si on jette un dé à 8 faces non truqué: Ω = {1; 2;3; 4;5;6;7;8}
et le cardinal de Ω est égal à 8 on note (#Ω = 8).
A est l’événement "un nombre pair est tiré" alors A= {2;4;6;8}
B est l’événement "un nombre impair est tiré" alors B = {1;3;5;7}
8 7
Exemple:
C est l’événement "un nombre ≥ 4" alors C= {4;5;6;7;8}
D est l’événement élémentaire "le plus petit nombre" alors D= {1}
8 7
C
La probabilité
Définition :
Une probabilité est un nombre compris entre 0 et 1, associé à un
événement. Elle indique les chances de réalisation de cet
événement au cours d’une expérience aléatoire.
L’évènement « obtenir 2 »
Les chances de réalisation de cet événement est 2/5
le cardinal de Ω est égal à 5 on note (#Ω = 5).
L’évènement « obtenir un nombre supérieur 3 »

les chances de réalisation de cet événement est 0/5=0
L’évènement « obtenir un nombre inferiueur à 4 »
les chances de réalisation de cet événement est 5/5= 1
Une probabilité est, un nombre compris entre 0 et 1
pourcentage
9:17 ou quotient « la chance » qu'un événement a pour se réaliser
https://www.facebook.com/ecours/ 10
La probabilité
La probabilités a trois éléments essentiels:
1. Une expérience aléatoire

2. Des événements
3. Des nombres associés aux événements.
Probabilité d’un évènement
P(A) représente la probabilité associée à l’événement A.
La probabilité P(A) est donnée par la formule :
nombre de cas favorables
P(A) =
nombre de cas possibles
On a des boules numérotés de 1 à 20
les résultats possibles sont les nombres entre 1 et 20.
L’univers Ω est l’ensemble des six résultats possibles:
Ω = {1, 2, 3, 4, 5, 6, ……. 19,20}.
A est l’événement “Obtenir un 6“

Nombre des résultats favorable=1
nombre de résultats favorables 1

P(A) = P(A) = P(X = 1 ) =
nombre de résultats possibles 20
Probabilités
B est un événement « Obtenir un nombre supérieur à 5 » ,
la probabilité P(B) = P ({6 jusqu’à 20}).
P(B) =
15
P(B) =
20
Ou P(B) = P(6 ) + P(7) + ..... + P(20 )
1 1 1 15
P(B) = + + ...... + =
20 20 20 20
Equiprobabilité
Définition : Pour une expérience aléatoire, lorsque tous
les évènements élémentaires ont la même probabilité, on
dit qu’il s’agit d’une situation d’équiprobabilité.
Exemple : Une urne contient 5 boules indiscernables. On

tire au hasard une boule de l’urne.
la probabilité d’un évènement est égale au quotient du
nombre d’issues qui réalisent l’évènement par le nombre
total d’issues.
nombre d’ issues qui réalisent l’ évènement

P(A) =
nombre total d’ issues
1
P(Rouge 1) = P(Rouge 3) = P(Vert 1) = P(Vert 2) = P (Bleu 2) =
5
9:17 https://www.facebook.com/ecours/
14
L’évènement I « obtenir un nombre impair » est réalisé par 3 issues,
P(1) + P(1) + P(3) = P(Vert 1) + P(Vert 2) + P (Bleu 2) = 1 + 1 + 1 = 3

5 5 5 5
Evénements contraires
Propriété : L’évènement contraire d’un évènement A se
note non A ou A . L’évènement A est réalisé lorsque
l’évènement A n’est pas réalisé: P ( A) + P A = 1 ()
Exemple : les évènements P « obtenir un nombre pair » et
I « obtenir un nombre impair » sont des évènements
contraires.
P (P ) + P (I ) = 1 P (P ) = 1 − P (I ) = 1 − =
3 2
9:17 https://www.facebook.com/ecours/
5 5 15
Utilisation l’arbre de probabilité
Exemple : On lance une pièce de monnaie puis on tire une
boule dans une urne contenant 5 boules rouges et une
verte.
On peut représenter cette expérience à deux épreuves par
un arbre pondéré.
Utilisation l’arbre de probabilité
Propriété : Dans un arbre pondéré, la probabilité de
l’évènement auquel conduit un chemin est égal au produit des
probabilités rencontrées le long de ce chemin. La multiplication
Exemple :
P ((P; R )) =
1 5 5
 =
2 6 12
P ((P;V )) =  =
1 1 1
2 6 12
P ((F ; R )) =  =
1 5 5
2 6 12
P ((F ;V )) =  =
1 1 1
2 6 12
9:17
 Pi = 1
Axiomes d’une probabilité.
Propriété : Une probabilité doit satisfaire aux axiomes suivants :
1. p(A ∪ B) = p(A) + p(B) - p(AB).
2. p(A) = 1 - p(A).
3. P(B−A)=P(B)−P(B∩A)
Axiomes d’une probabilité.
Propriété : Une probabilité doit satisfaire aux axiomes suivants :
1. p(A ∪ B) = p(A) + p(B) - p(AB).
2. p(A) = 1 - p(A).
3. P(B−A)=P(B)−P(B∩A)
A
Événements incompatibles
On considère deux événements A et B.
a) On dit que A et B sont deux événements incompatibles
Si A∩B =∅.
Pr (A ∪ B) = Pr (A) + Pr (B)
Exemple
Si on jette un dé à 6 faces
A est l’événement "un nombre pair "
B est l’événement "un nombre impair "
les événements A et B sont incompatibles → A∩B =∅ et P(A  B) = 0

3 3
9:17 P( ) = P(A  B) = P(A) + P(B) - P(A  B) = + -0 =1 20
6 6
Exercice
1) A et B sont deux événements d'un ensemble oméga muni
d'un loi de probabilité.
P(B)=0.5, P(A ∩ B)= 0.2 et P(A ∪ B)= 0.9
• Calculer p(A)
• P(A ∪ B)= P(A)+P(B)-P(A ∩ B)

• P(A) = P(A ∪ B) - P(B)+P(A ∩ B)
• Avec P(B) = 1 - P(B)
• P(A) = P(A ∪ B) - 1 + P(B) +P(A ∩ B)
• P(A) = 0.9 - 1 + 0.5 + 0.2= 0.6
Exercice
2) On a p(A)=0.4 et p(B)=0.6
et A et B sont incompatibles
• Calculer p(AUB)
• A et B sont incompatibles, implique que: P(A ∩ B)=0

• P(A ∪ B) = P(A) + P(B) - P(A ∩ B)
• P(A ∪ B) = P(A) + P(B)
• P(A ∪ B) = 0.4 + 0.6 = 1
Probabilité conditionnelle
.
Définition :
Pour tout événement A, on appelle probabilité
conditionnelle de A sachant B, le nombre
P( A  B)
P( A | B) =
P( B)
Exemple
On lance 2 dés équilibrés.
On observe l’événement A = {au moins un des deux dés donne 2}
et de l’événement B = {somme des 2 dés = 8}.
Quelle est la probabilité P ( A | B ) et P ( B | A) ?
1 2 3 4. 5 6
1 11 12 13 14 15 16
2 21 22 23 24 25 26
3 31 32 33 34 35 36
4 41 42 43 44 45 46
5 51 52 53 54 55 56
6 61 62 63 64 65 66
A = {au moins un des deux dés donne 2}: des résultats contiennent un 2 ou plus
{A = {(2, 1), (2, 2) (2, 3 ), (2, 4 ), (2, 5 ),(2, 6 ) , (1, 2 ), (3, 2 ), (4, 2 ), (5, 2), (6, 2)}
B = {somme des 2 dés = 8}: .
B = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)}
2+6=8
A  B = {(2, 6), (6, 2)} :
les résultats qui se trouvent dans A et B
9:17 24
.
le nombre total d’issues Ω = 6 × 6 =36: nombre de cas possibles

P(A) =
{A = {(2, 1), (2, 2) (2, 3 ), (2, 4 ), (2, 5 ),(2, 6 ) , (1, 2 ), (3, 2 ), (4, 2 ), (5, 2), (6, 2)}
11
P( A) =
36
B = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)}
5
P( B) =
36
A  B = {(2, 6), (6, 2)}
2
P( A  B) =
36
2
D’où , P( A  B ) 36 2
P( A | B ) = = =
9:17 P( B ) 5 5 25
36
1 2 3 4. 5 6
1 11 12 13 14 15 16
2 21 22 23 24 25 26
P( B | A) 3 31 32 33 34 35 36
4 41 42 43 44 45 46
5 51 52 53 54 55 56
6 61 62 63 64 65 66
11 2
P ( A) = P( A  B) =
36 36
2
P( A  B ) 36 2
P( B | A) = = =
P( A) 11 11
36
9:17 26
Utilisation l’arbre de probabilité: Tirage avec remise
Exemple : On tire de boule avec remise dans une urne contenant 5
boules rouges et une verte.
P ((R; R )) =  =
5 5 25
6 6 36
P ((R;V )) =  =
5 1 5
6 6 36
( ) 1 5
P( V ; R ) =  =
5
6 6 36
P ((V ;V )) =
1 1 1
 =
6 6 36
5 1 5
P ( (R;V )) = P ( R  V ) = P ( R )  P (V ) =  =
6 6 36
Après chaque tirage, la boule est remise dans l'urne:
Le nombre des boules reste le même
9:17  Pi = 1 https://www.facebook.com/ecours/ 27
Utilisation l’arbre de probabilité: Tirage sans remise
Exemple : On tire de boule avec remise dans une urne contenant 5
boules rouges et une verte.
P ((R; R )) =  =
5 4 20
6 5 30
P ((R;V )) =  =
5 1 5
6 5 30
P ((V ; R )) =  =
1 5 5
6 5 30
P ((V ;V )) =  =
1 0 0
6 5 36
5 1 5
P ((R;V )) = P ( R  V ) = P ( R )  P (V / R ) =  =
6 5 30
Après chaque tirage, la boule n’est pas remise dans l'urne:
Le nombre des boules se diminue
9:17  Pi = 1 https://www.facebook.com/ecours/ 28
Événements indépendants
L’événement A est indépendant de l’événement B si:
P( A | B ) = P( A) P( B | A) = P( B)
P( A  B )
P( A / B ) =
P( B )
P( A  B )
P( A / B ) = P( A) =
P( B )
P( A  B) = P( A)  P( B)
P( A  B )
P( B / A) = P( B ) =
P( A)
P( A | B ) = P( A)
L’événement A est indépendant de l’événement B si: P( B | A) = P( B)
P( A  B) = P( A)  P( B)
Exemple
On lance deux fois une pièce de monnaie et on considère
les événements P
P
A : « obtenir pile au premier lancer » F

P
A = { pp ; pf }, F
F
B : « obtenir deux résultats identiques ».

B = { pp ; ff }
Avec 𝛀 = { pp ; pf ; fp ; ff }, nombre de cas possibles
nous avons et A∩B = { pp }: Resultats trouvés dans A et B
P(A) =
2 1
P( A) = =
4 2
2 1
P( B ) = =
4 2 P
P
1 F
P( A  B ) = P
4 F
F
1
1
P( A | B) = P( A  B) / P( B) = 4 = = P( A)
1 2
2
1 1 1
P( A)  P( B ) =  = = P( A  B )
2 2 4
P(A∩B) = P(A) x P(B), donc L’événement A est indépendant de

l’événement
9:17 B https://www.facebook.com/ecours/ 31
Exemple :
• Soit une urne contenant 10 boules blanches, 20
noires et 30 rouges.
• On tire 2 boules AVEC remises.
• Calculer la Probabilité pour que la première boules soit noire
(événement A) et la deuxième soit blanche (événement B) ?
P( A  B ) = P( B | A) P( A) avec P( B | A) = P( B )
20 1 A et B sont indépendants: le nombre des boules reste le même
P( A) = =
60 3
10 1 10B 20N 10B 20N
P( B ) = = 30R 30R
60 6
1 1 1
P( A  B ) = P( B )  P( A) =  = A B
6 3 18 60 choix 60 choix
Exemple :
• Soit une urne contenant 10 boules blanches, 20
noires et 30 rouges.
• On tire 2 boules SANS remises.
• Calculer la Probabilité que la première soit noire (événement
A) et la deuxième soit blanche (événement B) ?
A et B sont dépendants: le nombre
des boules change
P ( A  B ) = P ( B | A) P ( A)
20 1
P ( A) = =
60 3 10B 20N 10B 19N
30R 30R
10
P ( B / A) =
59 1 tirage :60 choix 2 tirage
10 1 10 59 choix
P ( A  B ) = P ( B | A) P ( A) =  =
59 3 177
Loi de Bayes
La loi de Bayes lie les probabilités conditionnelles de deux
événements. P( A)  0, P( B)  0
P( A  B) = P( A | B) P( B)
P( A  B) = P( B | A) P( A)
P( A | B) P( B) = P( A  B) = P( B | A) P( A)
P( A | B) P( B) = P( B | A) P( A)
P( B | A) P( A)
P( A | B) =
P( B)
Loi de Bayes
Théorème de Bayes
les événements B et Ai se produisent en même temps. Le théorème
des probabilités composées donne :
n n
P ( B ) =  ( B  Ai ) =  P ( B | Ai ) P ( Ai )
i =1 i =1
P ( B  Ai ) P ( B | Ai ) P ( Ai )
P ( Ai | B ) = =
P( B ) P( B )
P ( B | Ai ) P ( Ai )
P ( Ai | B ) = n
9:17  P( B | A ) P( A )
i =1
i i
Exemple
Une entreprise a deux fournisseurs différents.
65% des pièces proviennent du fournisseur 1 et le reste
provient du fournisseur 2.
Soit A1 l’événement « la pièce du fournisseur 1 »
et A2 l’événement « la pièce du fournisseur 2 ».
P(A1) = 0,65
P(A2) =1- P(A1)= 0,35
• B « l’événement la pièce est de bonne qualité »
• M « l’événement la pièce est de mauvaise qualité ».
2% des pièces du fournisseur 1 sont de mauvaises qualités et
95% des pièces du fournisseur 2 sont de bonnes qualités .
1) Quelle est la probabilité que la pièce soit de bonne qualité ? P(B)
2) Sachant qu’une pièce est de bonne qualité, quelle est la probabilité qu’elle
provienne du fournisseur 1? P(A1|B)
L’évènement contraire P(B|A1) = 1- P(M|A1)
2% des pièces du fournisseur 1 sont de mauvaises qualités P(M|A1) = 0,02

98% des pièces du fournisseur 1 sont de bonnes qualités P(B|A1) = 1- P(M|A1) =0,98
95% des pièces du fournisseur 2 sont de bonnes qualités P(B|A2) = 0,95

5% des pièces du fournisseur 2 sont de mauvaises qualités P(M|A2) = 1- P(B|A2) = 0,05
9:17 37
• B « l’événement la pièce est de bonne qualité »
• M « l’événement la pièce est de mauvaise qualité ».
2% des pièces du fournisseur 1 sont de mauvaises qualités et
95% des pièces du fournisseur 2 sont de bonnes qualités .
1) Quelle est la probabilité que la pièce soit de bonne qualité ? P(B)
2) Sachant qu’une pièce est de bonne qualité, quelle est la probabilité qu’elle
provienne du fournisseur 1? P(A1|B)
P(B|A1) = 1- P(M|A1) P( A1  B )
L’évènement contraire P(B|A1) = 0,98
P(A1) = 0,65
P(M|A1) = 0,02 P( A1  M )
P(B|A2) = 0,95 P( A2  B )
P(A2) = 0,35
P(M|A2) = 0,05
P( A2  M )
9:17 38
1) la probabilité « la pièce est de bonne qualité : P(B)
2 2
P( B) =  P(A i  B) =  P(A i ) . P( B | Ai )
i =1 i =1
P(B) = P(B  A1 ) + P(B  A2 )
P(B) = P(A1 ) . P(B|A1 ) + P(A2 ) . P(B|A2 )

P(B) = 0,65  0,98 + 0,35  0,95 = 0,9596
2) La pièce est de bonne qualité provienne fournisseur 1 P(A1|B)
P( A1  B) P( B | A1 ) P( A1 )
P( A1 | B) = =
P( B) P( B)
P( A1  B) = P( B | A1 ) P( A1 ) = 0,98  0,65 = 0,637

0.637
P( A1 | B ) = = 0.657
0.9596
Exercice
Une population est constituée de 10 Français, 10
Allemands.
7 Français sont bruns, 3 blonds,
1 Allemand est brun, 9 blonds.
Soient les événements B = ”il est blond” et
A = ”Allemand” et F = ”Français”.
Quelle est la probabilité P ( A | B )
• On connait P(A) = 10/20 = 10/20, P(F) = 1/2
• P(B|A) =9/10 et P(B|F) = 3/10.
• On calcule P(B). P( A  B)
P( A | B) =
P( B)
P( B) = P( A  B) + P( F  B)
P ( B ) = P ( B | A) P ( A) + P ( B | F ) P ( F )
9 1 3 1
P( B) =  +  = 0.0304
10 2 10 2
P ( A  B ) P ( B | A) P ( A)
P( A | B) = =
P( B) P( B)
9 1

P( A  B) 10 2 3
P( A | B) = = =
P( B) 9 1 3 1 4
 + 
9:17 10 2 10 2
• Exercice
• En Afrique, 95% des garçons naissent non
daltoniens et 1% des filles naissent daltoniens.
51% des naissances sont des garçons.
1. Quelle est la probabilité d’avoir des enfants
daltoniens?
2. Quelle est la probabilité de trouver des
garçons daltoniens?
1) la probabilité « les enfants sont daltoniens? : P(D)
P( D | G ) = 0.05
P( D) = P(G  D) + P( F  D)
P( D) = P( D | G ) P(G ) + P( D | F ) P( F ) P(G ) = 0.51 P( D | G ) = 0.95
P( D) = 0.05  0.51 + 0.01 0.49 = 0.0304 P( D | F ) = 0.01
P( F ) = 0.49
P( D | F ) = 0.99
2) la probabilité « garçons daltoniens » P(G | D)
P(G  D) P( D | G ) P(G )
P(G | D) = =
P( D) P( D)
P( D) = P( D | G ) P(G ) = 0.05  0.51 = 0.0255
0.0255
P(G | D) = = 0.839
0.0304
Analyse combinatoire
Chapitre 3: Variables aléatoires

Consulter la page
10:58 1
Variables aléatoires
La variable aléatoire est une grandeur numérique dont la

valeur dépend de l’issue d’une expérience aléatoire.
Loi de probabilité d'une variable aléatoire discrète
Une loi de probabilité discrète est caractérisée par la variable
aléatoire X et par les probabilités associées: Pr(X = xi ) = pi
La loi de probabilité de X:
p1 + p2 + … + pn = 1
Valeur xi x1 x2 … xn
P(X = x i) p1 p2 … pn
variable aléatoire discrète
Exemple
On lance une pièce de monnaie non équilibrée. La
probabilité P(Pile)=0,6 et P(Face)=0,4.
Si Pile On gagne 10 et Si Face on perd 10 DH.
On associe à chacun des événements correspondants, le
gain en 10 Dirhames avec positif ou négatif.
la loi de probabilité de la variable aléatoire, X
xi 10 - 10
P(X = x i) 0,6 0,4
n
∑ p = 0,4 + 0,6 = 1
1
i
L'espérance de la loi de probabilité d’une variable aléatoire discrète
L’espérance mathématique d’ une variable aléatoire X est défini par:

n
E(X) = µ = ∑1
p i x i = p 1 x 1 + p 2 x 2 ......... + p n x n
p i = p (X = x i )
Exemple
xi 10 - 10
P(X = x i) 0,6 0,4
L'espérance mathématique E de p est .
2
E(X) = µ = ∑ pi x i = 0.6 ×10 + −0.4 ×10
1
E(X) = µ = 2
La variance et l’écart-
l’écart-type de la loi de probabilité
Définition
La variance de X est :
n n
V(X)= ∑ pi (xi − µ) V(X) = ∑ pi x i − µ 2
2 2
1 1
L’écart-type de X, est la racine carrée de la variance :
σ ( X ) = V(X)
xi 10 - 10
P(X = x i) 0,6 0,4
2
V(X)= ∑ pi (xi − µ) = 0.6× (10− 2) + 0.4× (−10− 2)
2 2 2
1
V(X) = 96
σ (X ) = V(X) = 9 . 798
Loi de Bernoulli - Loi binomiale
Loi de Bernoulli
Lors d’une expérience aléatoire, on s’intéresse uniquement à la
réalisation d’un certain événement S (appelé « succès ») ou à sa non
réalisation (appelé « échec »)
On appelle loi de Bernoulli de paramètre p la loi de probabilité définie
sur Ω={0;1} par p( 1)=p et p(0)=1−p. B (p)
xi 1 0
E(X ) = p ×1 + q × 0 = p
pi p q n n
V= ∑ p (x
1
i i − µ) =
2
∑ p (x
1
i i − E )2
V = p(1− p)2 + q(0 − p)2

V = p(1− p)2 + (1− p)( p)2 = (1− p)( p(1− p) + p2 ) = (1− p)( p − p2 + p2 )
V = p (1 − p ) = pq
Exemples
On dispose d’une pièce de monnaie qui tombe sur Pile dans
80% des cas. Ce jeu peut constituer un exemple d'épreuve
de Bernoulli, si l'on décide par exemple qu'un succès
consiste à obtenir le Face:
La loi de Bernoulli associée, est résumée par le tableau
xi 1 0
pi 0.2 0.8
p(1)=p= p(Face)= 0.2
et p(0)=1−p= p(Pile)= 0.8.
B (0.2) est la loi de Bernoulli de paramètre p= 0.2
Son espérance mathématique vaut: E = p = 0.2
Sa variance vaut: V = pq = 0.2 × 0.8 = 0.16
10:58 7
Définition Loi binomiale
La loi binomiale de paramètres n et p est la loi de probabilité de
nombre de succès (S) obtenus au cours d’une expérience de Bernoulli
d’ordre n et paramètre p : B (n,p)
Exemple. On lance trois fois de suite un dé équilibré à 6 faces et on
s’intéresse au nombre de 2 obtenu. Chaque lancée est une épreuve de
Bernoulli de paramètre p=P(2)=1/6 et on la répète 3 fois de manière
indépendante. (q=1-p= 1/6).
On veut donc déterminer la loi binomiale de paramètres n=3 et p=1/6.
B (3, 1/6) 3S
2S
1S
10:58 https://www.facebook.com/ecours/ 0S 8
Loi binomiale
n=3
n=2
n=1
3S
2S
1S
10:58 https://www.facebook.com/ecours/ 0S 9
Axiome
On obtient donc la loi binomiale de paramètres de paramètres n=3 et p=1/6:
X prend les nombres 0, 1, 2 et 3: Nombres d’apparition du nombre 2

Notations
X est la variable aléatoire comptant le nombre de succès, alors
La probabilité qu’il y ait k succès est donc de :
n k
P ( X = k ) =   p (1 − p )
n−k
k 
n n!
  = C n =
k
avec
10:58 k  p! × (n − k )!
L'espérance mathématique et La variance
Théorème
B(n,p) est la loi binomiale de paramètres n et p.
L'espérance mathématique E de B(n,p) est E=np ;
La variance V de B(n,p) est V=npq.
On obtient pour la loi binomiale de paramètres de
paramètres n=3 et p=1/6:
1 3 1
E = np = 3 × = =
6 6 2
1 5 15 5
V = npq = 3 × × = =
6 6 36 12
Exemple: Une urne contient 10 boules (indiscernables au toucher) :
4 boules sont rouges et les autres sont noires. On tire successivement 3 boules de
l’urne en remettant la boule à chaque tirage.
Déterminer et représenter la loi de probabilité de la variable aléatoire X qui
représente le nombre de boules rouges obtenues.
La probabilité d’obtenir une boule rouge est de 4/10=0,4
On a une loi binomiale B(3,0.4)
3 0
P ( X = 0 ) =   0 .4 (1 − 0 .4 ) = 0 .6 3 ≈ 0 .216
3
n k
0 P ( X = k ) =   p (1 − p )n−k
k
 
P ( X = 1) =   0 .41 × (0 .6 ) = 3 × 0 .4 × 0 .6 2 = 0 .432
3
2
n n!
= =
k
1  
 k  Cn p! × (n − k )!
 
 
P ( X = 2 ) =   0 . 4 2 × (0 . 6 ) = 3 × 0 . 4 2 × 0 . 6 = 0 . 288
3
1
2
3 3
P ( X = 3) =   0 .4 (1 − 0 .4 ) = 0 .4 3 = 0 .64
0
3
On obtient alors le tableau de la loi de probabilité
xi 0 1 2 3
pi 0.216 0.432 0.288 0.64
n k
Pour une loi binomiale B(4,0.4) P ( X = k ) =   p (1 − p )
n−k
k
4
P( X = 0 ) =   × 0 . 4 0 × (1 − 0 . 4 )4 = 0 .6 4 = 0 . 1296 NNNN
0
4 1
P( X = 1) =   0 . 4 × (0 . 6 )3 = 4 × 0 . 4 × 0 . 6 3 = 0 . 3456 RNNN
1
4 2
P( X = 2 ) =   0 .4 × (0 .6 )2 = 6 × 0 .4 2 × 0 .6 2 = 0 .3456 RRNN
2
4 3
P( X = 3) =   0 .4 × (0 .6 )1 = 4 × 0 .4 3 × 0 .61 = 0 .1536 RRRN
3
4
P( X = 4 ) =   × 0 .4 4 × (1 − 0 .4 )0 = 0 .4 4 = 0 .0256 RRRR
4
On obtient alors le tableau de la loi de probabilité
xi 0 1 2 3 4
pi 0.1296 0.3456 0.3456 0.1536 0.0256
Variables aléatoires continues
Définition
Une variable aléatoire X est continue s’il existe une fonction
de densité f(x) telle que sa fonction de répartition F(x) est
égale à : x
P(X ≤ x) = F(x) = ∫ f (t)dt
-∞
x2
P(x1 ≤ X ≤ x 2 ) = F(x) = ∫ f (t)dt
x1
La fonction f(x) est appelée densité de probabilité et on a :

f (t) = F' (x)
F(x) = ∫ f (t)dt
Une variable aléatoire continue X est définie par son
intervalle de variation (a, b) et par la fonction de densité f(x)
f(x) doit satisfaire deux conditions:
f(x) est positive: f(x) ≥ 0
L’intégrale de f(x) est égale à 1
La probabilité que X appartienne à l’intervalle [a, b] est

donnée par l’intégrale:
Exemple
La fonction de densité d’une variable aléatoire X est donnée
par :
f(x)=
X est une variable aléatoire continue et l’on vérifie aisément

que f(x) ≥ 0. De même:
La fonction de répartition
La fonction de répartition F est donnée par:
a) Les probabilités
a) Les probabilités
Variables aléatoires continues : L'espérance
mathématique et La variance
Si X est une variable aléatoire continue prenant ses valeurs
sur un intervalle (a, b), alors l’espérance mathématique de X,
notée E(X), est définie par :
La variance est définie par :
La loi uniforme
Une variable aléatoire X est définie sur l’intervalle [a, b] avec
une fonction de densité constante .
Par intégration, nous obtenons la fonction de répartition F :
Densité uniforme
 1
 b − a a≤ x≤b
f ( x) = 

 0 sinon
La loi uniforme
 1
 b − a a≤ x≤b
f ( x) = 

 0 sinon
−∞ a b +∞
f ( x) = 0 f ( x) =
1 f ( x) = 0
b−a
La loi uniforme
Par intégration, nous obtenons la fonction de répartition F :
−∞ a
x−a
b +∞
F ( x) = 0 F ( x) = F ( x) = 1
b−a
La loi uniforme
c a ≤ x ≤ b

f (x) = 
 0 sinon
f ( x)dx = 1 ⇒ ∫ c dx = 1 ⇒ [cx] = 1
+∞ b
∫
b
a
−∞ a
[cx] = 1 ⇒ c(b − a) = 1 ⇒ c =
b 1
(b − a )
a
 1
 b − a a≤ x≤b
f ( x) = 
Densité uniforme 
 0 sinon
L’espérance et la variance de la loi uniforme
L’espérance mathématique et la variance de la loi uniforme
est égale à :
b
+∞ b x 1 x  2
∫−∞ x f ( x)dx = ∫a (b − a )
dx = 1 ⇒  
 2 (b − a )  a
b
1 x 
( )
2
1 1
 ×  = b −a = (b − a)(b + a)
2 2
 2 (b − a ) a 2(b − a) 2(b − a)
a+b
E ( x) =
2
Exercice 1 Soit une variable aléatoire qui suit la
loi uniforme sur . Calculer:
a) La fonction densité
b) Les probabilités et
c) L’espérance mathématique et la variance
 1
• loi uniforme sur :  b − a a≤ x≤b
f ( x) = 

a) La fonction densité  0 sinon
1
 20 − 5 ≤ x ≤ 15
f ( x) = 

0 sinon
b)
−5
f ( x ) dx = ∫ f ( x ) dx + ∫ f ( x )dx
2 2
P ( X ≤ 2) = ∫
−∞ −∞ −5
2  − 5 7
2
−5 1 2 1 2 x
P ( X ≤ 2 ) = ∫ 0 dx + ∫ dx = ∫ dx = = − =
−∞ − 5 20 − 5 20 20 −5 20  20  20
P ( −1 ≤ X ≤ 1) = ∫ f ( x ) dx = ∫
1 1 1
dx
−1 −1 20
1  −1 2
1
x 1
P ( X ≤ 2) = = − = =
10:58 20  20  20 10
20 −1https://www.facebook.com/ecours/ 31
L’espérance et la variance de la loi uniforme
L’espérance mathématique et la variance de la loi uniforme
est égale à : 1
− 5 ≤ x ≤ 15  20
f ( x) = 

0 sinon
− 5 + 15
E ( x) = =5
2
Var ( x ) =
(15 + 5)
2
=
400
= 33.34
12 12
La loi exponentielle
une variable aléatoire X suit une distribution exponentielle
de paramètre λ>0 si sa densité est donnée par:
λ e − λ x x≥0
f ( x) = 
0 x<0
−∞ f ( x) = 0
0
f ( x ) = λ e − λx +∞
une variable aléatoire X suit une distribution exponentielle
de paramètre λ>0 si sa densité est donnée par: λe−λx x ≥ 0
f ( x) = 
La fonction de répartition F 0 x<0
x 0 x
x ≥ 0 F (x) = ∫ f ( y )dy = ∫ 0 dy + ∫ λ e − λ y dy
−∞ −∞ 0
x
F (x) = ∫ λ e − λ y dy = − e − λ y = − e −λx − ( − e 0 ) = − e −λx + 1
x
0 0
F ( x ) = 1 − e −λx
1 − e − λx x≥0
F ( x) = 
0 x<0
0
−∞ F ( x) = 0 F ( x ) = 1 − e − λx +∞
Espérance et Variance
Son espérance et sa variance sont respectivement données par:
1 1
E( x ) = V( x)=
λ λ 2
Exemple: Considérons la variable aléatoire X « durée de vie (en

heures) d’un composant électronique de type donné ». Supposons
que la densité de probabilité de X soit donnée par:
− λx 1
f ( x) = λe ⇒ λ =
100
1 1
E ( x) = = 100 V ( x) = = 100 2
λ λ2
Utilisation de la fonction de la densité de probabilité

 1 −100
1
x
 e
x≥0
f ( x ) = 100

0 x<0
1
1 − 100 x
f ( x ) dx = ∫
2 0 2
P ( X ≤ 2) = ∫ 0 dx + ∫ e dx
−∞ −∞ 0 100
2
1 1 2 1
2 1 − x − x − −
P( X ≤ 2) = ∫
0 100
e 100 dx = − e 100 = 1 − e 100 = 1 − e 50
10:58
0
Utilisation de la fonction de répartition:
 −
1
x
F ( x ) = 1 − e x≥0
100
0 x<0
f ( x ) dx = ∫ f ( x )dx + ∫ f ( x )dx
2 0 2
P ( X ≤ 2) = ∫
−∞ −∞ 0
−
2
 −
0

∫ f (x ) dx = F ( 2) − F (0) = 1 − e
2
P ( X ≤ 2) = 100
−  1 − e 100 
 
0
2 1
− −
P( X ≤ 2) = 1 − e 100
− (0) = 1 − e 50
La loi normale
Une variable aléatoire X définie sur l’intervalle (+∞,+∞),
caractérisée par la fonction de densité suivante :
1 ( x−µ )
2
−
1 2 σ2
∀x f ( x) = e
σ 2π
où μ et σ sont deux paramètres, de la variable aléatoire

normale X.
On écrit X ≈ N (µ ;σ )
E ( x) = µ V ( x) = σ 2
La loi normale centrée réduite
La loi normale centrée réduite correspond à la loi normale ayant
comme paramètres µ= 0 et σ = 1
Le passage de la variable aléatoire t =
X − µ s’effectue par la
transformation σ
t ≈ N ( 0 ;1 )
Par convention, la fonction à densité s'écrit à présent
.
t2
1 −
f ( x) = e 2
2π
Utilisation du tableau de la loi normale
réduite pour calculer une probabilité
Exemple
Une pièce mécanique sur laquelle on veut vérifier une cote x de
10,00 mm ± 0,05 mm 9 , 95 ≤ x ≤ 10 , 05
Après plusieurs contrôles on trouve une valeur moyenne de 10,00
mm et un écart type de 0,15 mm.
Calculer le pourcentage de pièces dont la cote x est dans l'intervalle
[9,95 mm ; 10,05 mm]
9,95 mm
15,00 mm
10:58 10,05 mm
Etape 1 : changement de variable x -> t
Passage de La loi normale vers La loi normale centrée réduite
µ = 10,00 mm σ = 0,15 mm
9 , 95 ≤ x ≤ 10 , 05 t1 ≤ t ≤ t 2
X −µ
t=
σ
 9,95 − µ X − µ 10,05 − µ 
P ( 9 ,95 ≤ x ≤ 10 ,05 ) = P  ≤t= ≤ 
 σ σ σ 
 9,95 − 1 0 ,00 10,05 − 1 0 ,00 
P ( 9 ,95 ≤ x ≤ 10 ,05 ) = P  ≤t≤ 
 0,15 0,15 
P(9,95 ≤ x ≤ 10,05) = P(−0,33 ≤ t ≤ 0,33) = F (0,33) − F (−0,33)

P(9,95 ≤ t ≤ 10,05) = P(0,33) − P(−0,33)
10,05 −10,00
t1 = = 0,33 = 0,3 + 0,03
0,15
P(0,33) = 0,6293 − 0,33 ≤ t ≤ 0,33

calcul de probabilité sur l'intervalle -t1 < t < +t1
P ( − 0 ,33 ≤ t ≤ 0 ,33 ) = P ( 0 ,33 ) − P ( − 0 ,33 )
P ( − 0 ,33 ) = 1 − P ( 0 ,33 )
P ( − 0 , 33 ≤ t ≤ 0 , 33 ) = 2 P ( 0 , 33 ) − 1
10:58
P ( − 0 ,33 ≤ t ≤ https://www.facebook.com/ecours/
0 ,33 ) = 2 ( 0 , 6293 ) − 1 = 0 , 2586 = 25 ,86 %
43
X −µ
T=
σ
p (0,93) = 0,8238 p (1,19) = 0,8830 p (1,5) = 0,9332


Untitled

Transféré par

Informations du document

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

Untitled

Transféré par

Droits d'auteur :

Formats disponibles

Analyse combinatoire

Chapitre 2: Théorie des Probabilités

La théorie des probabilités fournit des modèles

• On peut déterminer par avance, toutes les issues

Lancer une pièce de monnaie à 2 faces Pile ou Face

Définition: Une expérience aléatoire est une

Chaque résultat possible d’une expérience aléatoire est

L’événement aléatoire A: obtenir le 4:

Cette expérience aléatoire admet 6 issues (résultats

L’évènement « obtenir le 7 » n’est réalisé par aucune issue.

L’évènement « obtenir un nombre pair » est réalisé par

L’évènement « obtenir le 5 » est réalisé par une issue.

Définition : Un évènement élémentaire est un

L’évènement « obtenir un nombre supérieur 3 »

1. Une expérience aléatoire

A est l’événement “Obtenir un 6“

nombre de résultats favorables 1

Ou P(B) = P(6 ) + P(7) + ..... + P(20 )

Exemple : Une urne contient 5 boules indiscernables. On

nombre d’ issues qui réalisent l’ évènement

P(1) + P(1) + P(3) = P(Vert 1) + P(Vert 2) + P (Bleu 2) = 1 + 1 + 1 = 3

les événements A et B sont incompatibles → A∩B =∅ et P(A  B) = 0

• P(A ∪ B)= P(A)+P(B)-P(A ∩ B)

• A et B sont incompatibles, implique que: P(A ∩ B)=0

le nombre total d’issues Ω = 6 × 6 =36: nombre de cas possibles

A : « obtenir pile au premier lancer » F

B : « obtenir deux résultats identiques ».

P(A∩B) = P(A) x P(B), donc L’événement A est indépendant de

P(A2) =1- P(A1)= 0,35

L’évènement contraire P(B|A1) = 1- P(M|A1)

2% des pièces du fournisseur 1 sont de mauvaises qualités P(M|A1) = 0,02

95% des pièces du fournisseur 2 sont de bonnes qualités P(B|A2) = 0,95

P(B) = P(B  A1 ) + P(B  A2 )

P(B) = P(A1 ) . P(B|A1 ) + P(A2 ) . P(B|A2 )

P( A1  B) = P( B | A1 ) P( A1 ) = 0,98  0,65 = 0,637

P( D) = 0.05  0.51 + 0.01 0.49 = 0.0304 P( D | F ) = 0.01

Chapitre 3: Variables aléatoires

La variable aléatoire est une grandeur numérique dont la

L’espérance mathématique d’ une variable aléatoire X est défini par:

V = p(1− p)2 + q(0 − p)2

X prend les nombres 0, 1, 2 et 3: Nombres d’apparition du nombre 2

La fonction f(x) est appelée densité de probabilité et on a :

La probabilité que X appartienne à l’intervalle [a, b] est

X est une variable aléatoire continue et l’on vérifie aisément

La variance est définie par :

Par intégration, nous obtenons la fonction de répartition F :

Par intégration, nous obtenons la fonction de répartition F :

Exemple: Considérons la variable aléatoire X « durée de vie (en

Utilisation de la fonction de la densité de probabilité

où μ et σ sont deux paramètres, de la variable aléatoire

P(9,95 ≤ x ≤ 10,05) = P(−0,33 ≤ t ≤ 0,33) = F (0,33) − F (−0,33)

P(0,33) = 0,6293 − 0,33 ≤ t ≤ 0,33

p (0,93) = 0,8238 p (1,19) = 0,8830 p (1,5) = 0,9332

Vous aimerez peut-être aussi