Académique Documents
Professionnel Documents
Culture Documents
PROBABILITE DISCRETES ET
LOIS USUELLES
Plan :
Variables aléatoires
Distributions de probabilités discrètes
Fonction de répartition
Espérance et variance
Loi Binomiale
Loi de Poisson
loi Hypergéométrique
Pr. H. CHAMLAL
Variable aléatoire
Pr. H. CHAMLAL
Remarquons que :
• Il arrive souvent que les résultats d’une expérience aléatoire ne
soient pas définis sous forme numérique. Il est pratiquement
impossible d’effectuer des opérations mathématiques sur des
résultats comme des triplets (P,F,P)
• Il est donc utile de faire correspondre à chacun des résultats non
numériques un résultat de type numérique
• Ainsi à chaque triplet on fera correspondre, par exemple, le
nombre réel défini comme le nombre de faces dans le triplet
Pr. H. CHAMLAL
• Une variable aléatoire est une fonction qui associe à chaque résultat
d’une expérience aléatoire un nombre réel
X : S
x
• Elle nous fournit un moyen de décrire de façon numérique les résultats
d’une expérience
• Elle associe une valeur numérique à chaque résultat possible
• Exemples :
– Exemple 1 :
On considère l’expérience aléatoire qui consiste à tirer une carte.
= {A♥, 2♠, ... ,R♣, 2♦, ... ,A♠, 2♥, ... ,R♠,A♣, 2♣, ... ,R♥}
On définit les variables aléatoires :
X(w)=1 si w est une figure, 0 sinon
X est une quantité qui prend les valeurs 1 ou 0 par exemple
X(A♥)=?
Pr. H. CHAMLAL 4
X(w)=n si w est un n, o sinon
X est une variable aléatoire qui prend les valeurs {0,1,2,....,10} par
exemple X(2♦)=? et X(R♣)=?
– Exemple2 :
On considère l’expérience aléatoire consistant à lancer une pièce de
monnaie, non truquée, 4 fois.
||=24, ={PPPP,PPPF,PPFP,…..,FFFF}
On définit la variable aléatoire X par : X=« nombre de piles obtenus »,
X est une quantité dont la valeur numérique dépend du résultat de
l’expérience aléatoire. X est à valeurs dans {0,1,2,3,4}, par
exemple X(FFFF)=?, X(PPFP)=?
Pr. H. CHAMLAL 5
Variable aléatoire discrète
Pr. H. CHAMLAL
Exemple 3 :
Pr. H. CHAMLAL
Variable aléatoire continue
Pr. H. CHAMLAL
Distribution de probabilité discrète
Pr. H. CHAMLAL
• Propriété : Si on note V l’ensemble de valeurs de X alors
(a)p(x)0 xV
p(x) 1
(b)
xV
Exemple 5:
On lance une pièce de monnaie, non truquée, et on définit la variable
aléatoire X qui prend la valeur 1 si le résultat est « pile » et 0 sinon.
L’ensemble de valeurs possibles de X est {0,1}.
La fonction de masse de X est :
p(0)=P({F})=1/2 et p(1)=P({P})=1/2.
On présente cette fonction de masse comme suit :
x 0 1
p(x) ½ ½
Pr. H. CHAMLAL
Exemple 6: On lance un pièce de monnaie, non truquée, 2 fois et on
définit la variable aléatoire X=« nombre de pile obtenus ».
L’ensemble de valeurs possibles de X est {0,1,2}
La fonction de masse de X est :
p(0)=P({FF})=1/4,p(1)=P({PF,FP})=2/4=1/2 et p(2)=P({PP})=1/4.
On présente la fonction de masse comme suit :
x 0 1 2
p(x) ¼ ½ ¼
0 1 2
Cette loi de probabilité est appelée loi Binomiale, une loi de
probabilité classique.
Pr. H. CHAMLAL
Fonction de répartition
Pr. H. CHAMLAL
Propriétés de la fonction de répartition
Pr. H. CHAMLAL
Lien entre fonction de répartition et fonction de masse :
• p(x)=F(x)- F(x-)
Pr. H. CHAMLAL
Espérance et variance
L’espérance mathématique d’une v.a. X permet de caractériser la tendance
centrale ou la position de l’ensemble des valeurs possibles d’une v.a.
Notation : E[X] ou
Si X est une v.a. discrète : E[X] = xi p(xi)
Exemple 10 : On lance un pièce de monnaie, non truquée, 2 fois et on
définit la variable aléatoire X=« nombre de pile obtenus ».
V=X()={0,1,2}
La fonction de masse de X est :
p(0)=P({FF})=1/4,p(1)=P({PF,FP})=2/4=1/2 et p(2)=P({PP})=1/4.
x 0 1 2
p(x) ¼ ½ ¼
X*p(x) 0 ½ ½
E(X)=1
Pr. H. CHAMLAL
La variance sert d’indicateur pour l’étalement des valeurs de la variable
aléatoire par rapport à (l’espérance mathématique)
n 2
Var(X) = 2 = E[(X-)2] = x i . p xi
On a aussi : i 1
n 2
(X) = VAR(X)
Pr. H. CHAMLAL
Exercice d’application :
Pr. H. CHAMLAL
Loi Binomiale
Pr. H. CHAMLAL
Distribution Bernoulli
On considère une expérience Bernoulli et on définit la v.a. qui prend 1 si
le résultat est succès et 0 sinon.
On dit que XB(p) où p est la probabilité de succès.
Distribution binomiale
Si une variable aléatoire X représente le nombre de succès lorsqu’on
effectue n épreuves indépendantes de Bernoulli, alors X obéit à une
distribution binomiale. Et on note XB(n,p)
L’intérêt est de compter le nombre de succès après n répétitions d’une
expérience bernoulli
Pr. H. CHAMLAL
• n = le nombre d’épreuves de Bernoulli
• p = la probabilité de succès
• Définition : Une v.a. X qui prend les valeurs entières x telles que
x = 0,1,2,…n pour n entier positif, 0 p 1, q=1-p, avec les
probabilités :
P(X x) C .p .q n
x
x nx
Pr. H. CHAMLAL
• Si X est une v.a. binomiale alors :
E( X ) n.p
VAR( X ) n.p.q
Pr. H. CHAMLAL
Exemple:
• Soit l’expérience aléatoire consistant à lancer 2 dés où un succès
consiste à obtenir une somme égale à 8 ou une somme égale à 9.
Si on répète 10 fois cette expérience aléatoire, quelle est la
probabilité d’obtenir 4 succès ?
• p= ? q= ? n= ? x=?
Pr. H. CHAMLAL
Exemple
Dans une population, il y a 45% de filles et 55% de garçons. Quelle
est la probabilité que dans un groupe de 20 personnes, il y ait au
moins 3 garçons?
Pr. H. CHAMLAL
Exemple
• À l'entrée de l'hiver, une épidémie de grippe affecte une
population et on estime que 20% des personnes âgées sont
menacées.
– 1- Calculer la probabilité que, dans un groupe de 20 personne
âgées, il y en ait moins de 5 atteintes.
– 2- Une campagne de vaccination est mise en place, à l'issue de
laquelle, soit le risque de maladie reste le même, soit il est
diminué de moitié: on estime à 40% les chances que la
campagne soit efficace. Que devient la probabilité de la
question précédente?
(ind. (P(risque)=P(risque/efficace)P(efficace)+P(risque/non
effi)P(non effi)=0.1*0.4+0.2*0.6=0.16)
Pr. H. CHAMLAL
Distribution de Poisson (distribution des événements rares)
• Une v.a. souvent utilisée pour décrire le nombre d’occurrences
d’un événement au cours d’un intervalle de temps ou d’espace
bien défini
• Si les deux propriétés suivantes sont satisfaites:
1. La probabilité d’occurrence est la même dans deux
intervalles de la même longueur
2. L’occurrence ou la non-occurrence d’un événement dans un
intervalle est indépendante de l’occurrence ou de la non-
occurrence d’un événement dans un autre intervalle
– Alors: X P ()
Pr. H. CHAMLAL
• Définition mathématique d’une v.a. de Poisson :
Une v.a. X qui prend toutes les valeurs entières x telles que x = 0, 1,
2,… avec les probabilités :
-
.e x
f (x) P( X x)
x!
s’appelle une v.a. de Poisson de paramètre
Pr. H. CHAMLAL
• Variables utilisées :
– V.a. X donne le nombre de succès obtenus pour une période de
temps donnée;
– t= période de temps considérée;
- a= l’intensité du processus considéré (constante de proportionnalité)
(correspond au nombre moyen de succès pour une période de temps
unitaire);
– = a.t
– e=2,71828183…
Pr. H. CHAMLAL
• Si X est une v.a. de Poisson alors :
– E(X) =
– VAR(X) =
Pr. H. CHAMLAL
• Dans une grande usine, on sait par expérience qu’il se produit en
moyenne 1,5 accidents de travail par semaine. Trouvons :
Pr. H. CHAMLAL