Académique Documents
Professionnel Documents
Culture Documents
Introduction à la modélisation
stochastique
&
A. Ganiou D. ATINDEHOU
Table des matières
1 Dénombrement 1
1.1 Rappels et compléments sur la théorie des ensembles . . . . . . . . . . . . 1
1.2 p-listes d’un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Arrangements, permutations . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Combinaisons, coefficients binomiaux . . . . . . . . . . . . . . . . . . . . . 8
2 Notion de probabilité 11
2.1 Mesure de propobabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Notion de probabilité : espace probabilisé fini . . . . . . . . . . . . . . . . 13
2.3 Une autre façon de définir la probabilité . . . . . . . . . . . . . . . . . . . 14
2.4 Probabilité uniforme ou équiprobabilité . . . . . . . . . . . . . . . . . . . . 15
2.5 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6 Indépendance d’évènements . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Dénombrement
Le but dans ce chapitre est de dénombrer, c’est à dire de compter les différentes façons
dont on peut ranger des objets dans des circonstances déterminées.
Définition 1.2 Une famille finie de parties (Ai ), i ∈ [1; n] d’un ensemble E est une
partition de E si :
1. ∀i ∈ [1; n], Ai 6= ∅ ;
2. E = ∪ni=1 Ai ;
3. Ai ∩ Aj = ∅ pour tout i 6= j.
- A∩B =B∩A
- (A ∩ B) ∩ C = A ∩ (B ∩ C)
- (A ∪ B) ∩ C = (A ∩ C) ∪ (B ∩ C).
- (A ∩ B) ∪ C = (A ∪ C) ∩ (B ∪ C).
- (A) = A
- (A ∪ B) = A ∩ B
- (A ∩ B) = A ∪ B
- si A ⊂ B, alors B ⊂ A et A ∩ B = A.
Ces résultats s’étendent à des réunions et des intersections finies.
Définition 1.6 On dit que deux ensembles non vides E et F ont le même cardinal si il
existe une bijection entre E et F .
Proposition 1.4 Si deux ensembles finis non vides E et F ont le même cardinal, alors il
existe une bijection entre E et F .
Preuve. Si E et F ont le même cardinal, alors il existe une bijection ϕ de E sur [1; n] et
une bijection ψ de [1; n] sur F . Alors ψ ◦ ϕ est une bijection de E sur F .
Dénombrer un ensemble fini non vide E, c’est déterminer son cardinal, c’est-à-dire le
nombre de ses éléments. Trois conditions doivent être remplies pour que le dénombrement
de E soit correct :
1. il ne faut compter que des éléments de E ;
2. il ne faut pas en oublier ;
3. il ne faut pas compter certains éléments de E plusieurs fois.
card(E) = card(F ).
Preuve. Soit n le cardinal de E, il existe donc une bijection de ϕ de [1; n] sur E. S’il
existe une bijection ψ de E sur F , alors l’application ψ ◦ ϕ est une bijection de [1; n] sur
F.
Ainsi, pour déterminer le cardinal d’un ensemble fini E, il suffit de le décrire en établis-
sant une bijection entre l’ensemble E et un ensemble bien connu.
F.
Définissons l’application γ entre [1; n + m] et E ∪ F par :
γ : [1; n + m] −→ E ∪ F
ϕ(k) si 1 ≤ k ≤ n
k 7−→ γ(k) =
ψ(k − n) si n + 1 ≤ k ≤ n + m
Corollaire 1.1 Soient A1 , A2 ,... et Ap p ensembles finis disjoints deux à deux, où p est
un entier naturel au moins égal à 2. Alors A1 ∪ A2 ∪ ... ∪ Ap est un ensemble fini et
p
card(A1 ∪ A2 ∪ ... ∪ Ap ) = card(Ak ).
X
k=1
k=1
Le principe d’addition permet de dénombrer les possibilités pour des situations correspon-
dant à des disjonctions de cas. Supposons qu’on distingue p cas qui sont mutuellement
exclusifs et que tous les cas possibles sont pris en compte. Soit nk le nombre de possibilités
dans le k–ième cas. Alors d’après le principe d’addition, on a :
card(A) ≤ card(E).
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 n. Donc A2 est fini et son cardinal est au plus
n par hypothèse de récurrence. Par suite A est un ensemble fini et son cardinal
est au plus n + 1. Si de plus card(A) = card(E) = n + 1, alors nécessairement,
card(A1 ) = 1 et card(A2 ) = n. Par application de l’hypothèse de récurrence aux
rangs 1 et n, A1 = {x} et A2 = E \{x}. Donc A = A1 ∪ A2 = E.
Preuve. Il suffit d’écrire les ensembles dont on cherche le cardinal sous forme de réunion
disjointes d’ensembles et d’appliquer le principe d’addition. On a :
E = A ∪ A avec A et A disjoints, et
A ∪ B = A ∪ (B\A) avec A et (B\A) disjoints.
Exemple 1.1 Une station de radio diffuse une même émission à 15h et à 16h dans une
même journée. D’après un sondage mené sur l’intérêt que les auditeurs de la radio portent
à l’émission, on estime qu’il y a 21400 auditeurs à 15h et 24800 à 16h. Déterminer dans
chacun des cas suivant le nombre d’auditeurs ayant suivi cette émission au bout d’une
journée.
1er cas : les personnes qui écoutent la radio à 15h ne l’écoutent pas à 16h.
2ème cas : 4600 personnes écoutent la radio à 15h et à 16h.
Exemple 1.3 Dans une classe de 40 élèves, il y a 16 filles parmi lesquelles 12 apprennent
l’anglais et 6 apprennent l’arabe ; 26 élèves suivent les cours d’anglais, 17 suivent les cours
d’arabe, 7 suivent les deux cours ; 2 garçons ne suivent aucun de ces deux cours.
1. Déterminer le nombre de filles de cette classe qui suivent les deux cours de langue.
2. Déterminer le nombre de filles qui ne suivent aucune de ces deux matières.
Définition 1.7 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 et y ∈ F }
Preuve. On a E × F = ∪x∈E ({x} × F ) où les ensembles {x} × F dans cette réunion sont
deux à deux disjoints. D’après le principe d’addition card(E × F ) = x∈E card({x} × F ).
P
L’application
ϕ : {x} × F −→ F
(x, y) 7−→ y
est une bijection. Donc card({x} × F ) = card(F ) et
x∈E x∈E
Cette propriété se généralise au produit d’un nombre fini d’ensemble fini comme suit :
Corollaire 1.2 Si (Ei )i=1,...,n est une famille d’ensembles finis, alors Ei est un en-
Qn
i=1
semble fini et
n n
!
Ei = card (Ei ) .
Y Y
card
i=1 i=1
5. Cn+1
p+1
= Cnp+1 + Cnp (Formule de Pascal).
Preuve. Exercice
Exemple 1.7 Un sac contient 26 jetons représentant les 26 lettres de l’alphabet français,
dont 20 consonnes et 6 voyelles.
1. On tire simultanément 5 jetons du sac. Déterminer
(a) le nombre total de tirages possibles.
(b) le nombre de tirages distincts :
i. contenant exactement 2 voyelles.
ii. contenant au moins une voyelle.
p=0 p=0
Preuve. Exercice.
Pour a = b = 1, on a d’après la formule du binôme de Newton :
n
2n = Cnp
X
p=0
D’où
n
Nombre de parties de E = (Nombre de parties à p élémentsde E
X
p=0
n
= Cnp
X
p=0
= 2n .
Exercices
Exercice 1.1 1. Combien y a-t-il d’anagrammes du mot ANGELOT ?
2. Combien y a-t-il d’anagrammes du mot INSTITUT ?
Exercice 1.3 On veut distribuer 7 prospectus dans 10 boı̂tes aux lettres nominatives. De
combien de façons peut-on le faire si :
1. on met au plus un prospectus par boı̂te et les prospectus sont identiques ?
2. on met au plus un prospectus par boı̂te et les prospectus sont tous différents ?
3. on met un nombre quelconque de prospectus par boı̂te et les prospectus sont tous
différents ?
4. on met un nombre quelconque de prospectus par boı̂te et les prospectus sont iden-
tiques ?
Exercice 1.4 Soient (n, p) ∈ N 2 , 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 [1; p] sur [1; n].
1. Combien y a-t-il d’applications de [1; p] dans [1; n].
2. Calculer Sp,n dans le cas où p < n puis p = n et enfin n = 2.
3. Montrer que Sp,n = n(Sp−1,n−1 + Sp−1,n ). On choisira une image pour p et on dis-
tinguera selon que p ait la même qu’un autre élément de [1; p] ou non.
4. Montrer que np = Cnk Sp,k .
Pn
k=0
Exercice 1.5 1. De combien de façons différentes peut-on choisir p entiers (x1 , x2 , ..., xp )
dans [1; n] de façon à ce que x1 < x2 < ... < xp ?
2. De combien de façons différentes peut-on choisir p entiers (x1 , x2 , ..., xp ) dans [1; n]
de façon à ce que x1 ≤ x2 ≤ ... ≤ xp ?
Notion de probabilité
Exemple 2.1
- F0 = {∅, Ω}.
- F1 = P(Ω).
- Pour toute partie non vide A de Ω, F = {∅, A, A, Ω}.
Preuve. Exercice
Définition 2.2 On appelle espace probabilisable, un couple (Ω, F) , où Ω est un ensemble
non vide et F une tribu de parties de Ω.
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.
Exemple 2.3 On considère un dé cubique dont les faces sont numérotées de 1 à 6. On jette
ce dé et on observe après immobilisation le chiffre apparu à sa face supérieure. L’ensemble
de tous les résultats possibles au terme d’un lancer de ce dé est Ω = [1; 6 ]. Mais avant
l’opération de lancer de la pièce, on ne peut pas dire avec certitude une issue. On a donc
une expérience aléatoire.
2.1.3 Evènements
Définition 2.4 Soit une expérience aléatoire représentée par un univers Ω. Les évènements
aléatoires sont des sous-ensembles de Ω. L’ensemble des évènements est une tribu de parties
de Ω.
Les opérations ensemblistes correspondant à des propriétés logiques, les termes du lan-
gage probabiliste (le langage ”courant”) se retrouvent en langage ensembliste (langage
”formel”).
La première condition est parfois omise. On précise dans ce cas, selon les circonstances,
”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 disjonction des cas.
On découpe l’univers en plusieurs évènements, un et un seul d’entre eux étant réalisé à
chaque expérience. Le plus simple des systèmes complets 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.
Preuve.
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).
Proposition 2.3 Si A1 , A2 , ..., An sont n évènements deux à deux disjoints d’un espace
probabilisé (Ω, F, p), alors :
n
p(∪ni=1 Ai ) = p(Ai ).
X
i=1
Corollaire 2.1 Si A1 , A2 , ..., An est un système complet d’évènements d’un espace proba-
bilisé (Ω, F, p), alors :
p(∪ni=1 Ai ) = 1.
Preuve. Il suffit de remarquer que les Ai sont disjoints deux à deux et leur réunion est
Ω.
Preuve. Soit A un évènement quelconque. Si A est vide, alors p(A) = 0. Sinon, on peut
alors l’écrire sous la forme A = {wi1 , wi2 , ..., wir } où i1 , i2 , ..., ir sont des indices compris
entre 1 et n. Comme A est l’union disjointe des singletons {wik }, alors
r r
p(A) = p ({wik }) =
X X
pik .
k=1 k=1
i=1 k=1
k=1 k=1
Exemple 2.5 On jette un dé cubique dont les faces sont numérotées de 1 à 6 et on lit
après immobilisation le chiffre apparu à sa face supérieure.
1. Sachant que le dé est parfaitement équilibré, quelle est la probabilité d’obtenir un
chiffre pair ?
2. Sachant que le dé est truqué de sorte que chaque face ait une probabilité d’apparution
proportionnelle au numéro qu’elle porte, quelle est la probabilité d’obtenir un numéro
pair ?
p(A ∩ B)
pA (B) = .
p(A)
pA (B) est une probabilité sur l’espace probabilisable (Ω, P(Ω)), appelée probabilité condi-
tionnelle relative à A ou bien probabilité sachant A. pA (B) se note également 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 ?
Exemple 2.8 Dans un lot de 100 produits, 20 ont le défaut A, 10 ont le défaut B et 3 ont
les deux défauts. On choisit un produit au hasard dans le lot. On constate qu’il a le défaut
B ; quelle est alors la probabilité qu’il possède aussi le défaut A ?
p(A1 ∩A2 ∩...∩An ) = p(A1 )∗p(A2 |A1 )∗...∗p(An−1 |A1 ∩A2 ∩...∩An−2 )∗p(An |A1 ∩A2 ∩...∩An−1 )
Cette formule permet de calculer la probabilité d’un évènement qui est le résultat d’une
succession d’étapes qui ne sont pas nécessairement indépendantes. Les évènements A1 , .., An
représentent les différentes étapes de l’expérience.
Exemple 2.9 10 femmes et 15 hommes descendent au hasard d’un bus. Quelle est la pro-
babilité que les 3 premières personnes qui descendent sont des hommes et la 4ème personne
une femme ?
Résultats : Soit Ai , i = 1, ..., 4 l’évènement : la ”ième personne qui descend du bus est
un homme” et B l’évènement” les 3 premières personnes qui descendent du bus sont des
hommes et la 4ème personne une femme”. On a :
B = A1 ∩ A2 ∩ A3 ∩ A4
Donc
p(B) = p(A1 ∩ A2 ∩ A3 ∩ A4 )
= p(A1 ) ∗ p(A2 |A1 ) ∗ p(A3 |A1 ∩ A2 ) ∗ p(A4 |A1 ∩ A2 ∩ A3 )
D’où p(B) = 2
5
∗ 9
24
∗ 8
23
∗ 15
22
.
p(B)
p(B|A) = p(A|B).
p(A)
Proposition 2.7
- Si p(A) 6= 0, alors A et B indépendants pour la probabilité p si et seulement si
pA (B) = p(B).
pB (A) = p(A).
Ce qui traduit le fait que la réalisation de l’évènement A n’a aucune influence sur celle de
B à priori et réciproquement.
Exemple 2.10 Soit Ω = [1; 6], p1 et p2 deux probabilités définies sur (Ω, P(Ω)) par :
k 1 2 3 4 5 6
p1 ({k}) 1
6
1
6
1
3
1
9
1
9
1
9
p2 ({k}) 1
6
1
6
1
6
1
6
1
6
1
6
Preuve. Exercice
p(∩i∈I Ai ) = p(Ai ).
Y
i∈I
En effet,
Exemple 2.11 On lance deux fois un dé cubique parfaitement équilibré. On considère les
évènements suivants :
- A1 : ”le premier nombre obtenu est pair”.
- A2 : ”le deuxième nombre obtenu est impair”.
- A2 : ”la somme des deux nombres obtenus paire”.
1. Les évènements A1 , A2 et A3 sont-ils deux à deux indépendants ?
2. Les évènements A1 , A2 et A3 sont-ils mutuellement indépendants ?
Exercices
Exercice 2.1. Soit l’univers Ω = J1; 2nK. Peut-on trouver deux réels a et b tels que
∀k ∈ Ω p({k}) = ak + b
Exercice 2.2. Les fonctions suivantes, définies sur les singletons, se prolongent-elles
en une probabilité sur (Ω, P(Ω)) ?
1. Ω = J1; nK, p({k}) = C k (−1)k 2n−k ;
2. Ω = J1; 2nK, p({k}) = n1 |1 − nk |.
Exercice 2.3. Soit A et B deux évènements tels que P (A) = 1/4, P (B) = 2/3 et
P (A ∩ B) = 1/8. Calculer les probabilités de E :" au moins l’un de ces évènements se
produit " et F : " un seul de ces évènements se produit".
Exercice 2.4. On suppose qu’à chaque naissance, une famille a la même chance d’avoir
une fille ou un garçon et on s’intéresse à la répartition par sexe des enfants parmi les
familles à n (n ≥ 2) enfants.
1. Construire l’univers et l’espace probabilisé associés à cette expérience aléatoire.
2. Quelle est la probabilité de l’évènement A "il y a des enfants des deux sexes dans
la famille" ?
3. Quelle est la probabilité de l’évènement B "il y a au plus une fille dans la famille" ?
4. Définir l’évènement A ∩ B et déterminer sa probabilité.
5. Montrer que les évènements A et B sont indépendants si et seulement si n est
solution de l’équation 2n−1 = n + 1.
Exercice 2.6. Soit n ∈ N∗ . Soit les urnes Uk contenant k boules blanches et n−k boules
noires, pour k ∈ J0; nK.
1. On tire une boule dans une urne choisie au hasard. Quelle est la probabilité de
tirer une boule blanche ?
2. On tire une boule dans une urne choisie au hasard. Celle-ci est blanche. Quelle
est la probabilité d’avoir tiré cette boule dans l’urne Uk , k ∈ J0; nK ?
3. On tire successivement et avec remise deux boules dans une urne choisie au hasard.
Quelle est la probabilité d’obtenir deux boules blanches ?
4. On tire successivement et sans remise deux boules dans une urne choisie au hasard.
Quelle est la probabilité d’obtenir deux boules blanches ?
Exercice 2.7. Une usine possède trois machines A, B, C pour produire deux composants
électroniques différents. 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 ?
Remarque 3.1 Lorsque X(Ω) est un sous ensemble dénombrable de R, alors toute appli-
cation X définie de Ω dans R est une variable aléatoire discrète réelle.
Proposition 3.1 Soit X et Y deux variables aléatoires discrètes réelles définies sur un
espace probabilisable (Ω, P(Ω)) et λ ∈ R. Alors, X + Y , λX, XY , sup(X, Y ), inf(X, Y )
sont des variables aléatoires discrètes réelles sur (Ω, P(Ω)).
Preuve. Exercice
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 (c’est-à-dire 6 − X).
Déterminer les v.a.r. X + Y , X − 12 Y , sup(X, Y ).
- Pour tout intervalle I, l’événement (X ∈ I), encore noté X −1 (I) est l’ensemble
X −1 (I) = {w ∈ Ω; X(w) ∈ I}
(Comprendre par X ∈ I qu’il s’agit ici de l’ensemble discrète des valeurs possibles
que X peut prendre dans l’intervalle I).
- Soit a et b deux réels. L’événement (a < X ≤ b) encore noté X ∈]a, b] est l’ensemble
Théorème 3.1 Soit X une variable aléatoire réelle sur un espace probabilisé fini (Ω, P(Ω), p).
Pour toute partie A de R, l’ensemble X −1 (A) est un évènement.
Preuve.
X −1 (A) = {w ∈ Ω; X(w) ∈ A} est un sous-ensemble de Ω donc un évènement.
Exemple 3.2 Soit Ω = {w1 , w2 , w3 , w4 , w5 } un ensemble fini. On définit sur l’espace proba-
bilisable (Ω, P(Ω)) la probabilité uniforme. Considérons la v.a.r. X définie sur (Ω, P(Ω), p)
par X(w1 ) = X(w5 ) = 0, X(w2 ) = X(w4 ) = 1 et X(w3 ) = 2.
Déterminer la loi de probabilité de la v.a.r. X.
F : R −→ [0, 1]
x 7−→ F (x) = p(X < x).
où p(X < x) = p(X < xi ) représente la probabilité de toutes les réalisations strictement
X
x<xi
inférieures au réel x.
Si X(Ω) = {x1 , x2 , ..., xn } avec x1 < x2 < ... < xn , alors la fonction F est définie par :
i=1
∀ x ∈]xn , +∞[, F (x) = p(X < x) = 1
Proposition 3.2
1. La fonction de répartition d’une variable aléatoire discrète réelle X est croissante
et continue à gauche en chacun de ses points de discontinuité. En tout point de
discontinuité x0 ,
2. On a :
lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
Exemple 3.4 Une urne contient quatre boules indiscernables au toucher numérotées de 1
à 4. On tire successivement avec remise deux boules de cette urne. On note X1 le numéro
de la première boule tirée et par X2 celui de la deuxième boule tirée. On désigne par
Y = sup(X1 , X2 ) le plus grand des deux numéros tirés et leur différence par Z = X2 − X1 .
1. Déterminer la loi de probabilité puis la fonction de répartition de la v.a.r. Y .
2. Déterminer la loi de probabilité puis la fonction de répartition de la v.a.r. Z.
Proposition 3.3 Soit F une fonction définie sur R à valeurs dans [0, 1] vérifiant les pro-
priétés suivantes :
1. F est croissante ;
2.
lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
0 si x ≤ 1
2
si 1 < x ≤ 2
6
F (x) =
5
si 2 < x ≤ 4
6
1 si x > 1,
est une fonction de répartition d’une v.a.r dont on déterminera la loi de probabilité.
Exemple 3.6 En reprenant l’exemple précédent, montrer que les variables X1 et X2 sont
indépendantes et que, les variables Y et Z ne le sont pas.
i=1
xi −2 −1 0 1
pi = p(X = xi ) 16 1
3
1
3
1
6
Proposition 3.4 Soit X et Y deux v.a.r. sur un espace probabilisé (Ω, P(Ω), p), α et β
deux nombres réels.
- E(α) = α
- E(αX + β) = αE(X) + β
- E(αX + βY ) = αE(X) + βE(Y )
En particulier, si X et Y sont indépendants alors E(XY ) = E(X)E(Y ).
i=1
i=1
i=1
Exemple 3.9 Si l’on sait seulement que la pluviométrie annuelle dans une zone A du
bénin vaut en moyenne 800mm avec un écart type de 100mm. Quelle est la probabilité
minimale qu’il pleuve entre 600 et 1000mm une année ?
Proposition 3.9 Soit X, Y , Z trois variables aléatoires réelles discrètes sur un même
espace probabilisé (Ω, P(Ω), p) et a, b des réels. On a :
1. V (aX + bY ) = a2 V (X) + b2 V (Y ) + 2abCov(X, Y ) ;
2. Cov(X, X) = V (X) ;
3. Cov(X, Y ) = Cov(Y, X) (symétrie) ;
4. Cov(aX + bY, Z) = aCov(X, Z) + bCov(Y, Z) (linéarité à gauche)
5. si X et Y sont indépendantes alors cov(X, Y ) = 0.
Exercices
Exercice 3.1.
On considère quatre lettres et quatre enveloppes correspondantes. On met au hasard
les quatre lettres dans les enveloppes et on désigne par X la variable aléatoire égale au
nombre de lettres qui atteindront leur destinataire.
1. Décrire un univers adapté à cette expérience.
2. Déterminer X(Ω) puis la loi de X et son espérance mathématique.
Remarque 4.1 On note X U(n) pour signifier que la v.a.r X suit une loi uniforme
sur [1; n].
Proposition 4.1 Soit X une v.a.r qui suit la loi uniforme sur [1; n]. Alors,
n+1 n2 − 1
E(X) = et V (X) =
2 12
Introduction à la modélisation stochastique Freedath MOUSSA & Ganiou ATINDEHOU ©MIA1-FAST-UAC-2019-2020
Loi binomiale 30
Exemple 4.1
1. On lance un dé parfaitement équilibré, on note X le numéro obtenu après stabilisa-
tion. Alors X U(6).
2. On effectue un tirage dans une urne contenant n boules numérotées de 1 à n. On
note X le numéro de la boule tirée. Alors, X U(n).
Exemple 4.2 Une urne contient a boules rouges et b boules vertes.On tire au hasard une
boule de cette urne et on suppose que l’on réalise le succès lorsqu’une boule verte est tirée
et l’échec lorsqu’une boule rouge est tirée. Il s’agit d’une épreuve de Bernoulli.
P (X = 1) = p et P (X = 0) = 1 − p = q.
Proposition 4.2 Soit X une v.a.r qui suit la loi de Bernoulli de paramètre p (X B(1, p)).
Alors,
E(X) = p et V (X) = p(1 − p).
Exemple 4.3 Déterminer la loi de la v.a.r X valant 0 si on tire une boule rouge et 1 si on
tire une boule verte de l’épreuve de Bernoulli de l’exemple précédent ainsi que sa moyenne
et sa variance.
Proposition 4.3
1. Soit X une v.a.r qui suit la loi de binomiale de paramètres n et p (X B(n, p)).
Alors,
pour tout k ∈ {0, 1, 2, ..., n}, P (X = k) = Cnk pk (1 − p)n−k .
De plus,
E(X) = np et V (X) = np(1 − p).
Exemple 4.4
1. Un quadrimoteur est un avion possédant quatre moteurs identiques. Ces moteurs
tombent en panne avec probabilité p. Un tel avion peut terminer son vol si la moitié
de ses moteurs fonctionnent. On note X la variable aléatoire qui compte le nombre
de moteurs tombés en panne. Quelle est la probabilité que le quadrimoteur tombe en
panne ? On sait que X B(4, p).
2. On lance 5 pièces équilibrés et on note X le nombre de piles obtenus. Alors, X
B(5, 21 ).
3. On lance n dés et on note X le nombre de 1 obtenus. Alors, X B(4, 61 ).
P (X = n) = p(1 − p)n−1 .
Proposition 4.4 Soit X une v.a.r qui suit la loi géométrique de paramètre p (X
GN ∗ (p)) avec 0 < p < 1. Alors,
1 1−p
E(X) = et V (X) = .
p p2
Exemple 4.5 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.
P (X = k) = Ck−1 p (1 − p)k−n .
n−1 n
n n(1 − p)
E(X) = et V (X) = .
p p2
Exemple 4.6 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 quatre fois 6.
1. Quelles sont les valeurs possibles de X ?
2. Déterminer la probabilité pour que l’on obtienne quatre fois 6 au cours des dix pre-
miers jets.
3. Calculer l’espérance mathématique et l’écart type de X.
C k C n−k
N1 N −N1 si k ∈ [max(0, n − N + N1 ); min(n, N1 )]
P (X = k) = CNn
0 sinon
Proposition 4.6 Soit X une v.a.r qui suit la loi hypergéométrique de paramètres (N, n, N1 )
(X H(N, n, N1 )). Alors,
N −n N1
E(X) = np et V (X) = np(1 − p) où p = .
N −1 N
Le réel N −n
N −1
est le facteur d’exhaustivité.
λk −λ
P (X = k) = e .
k!
Proposition 4.7
1. Soit X une v.a.r qui suit la loi de Poisson de paramètre λ (X P(λ)). Alors,
E(X) = V (X) = λ.
(X1 + X2 ) P(λ1 + λ2 ).
Exemple 4.8 Un magasin spécialisé reçoit en moyenne 4 clients par jour, le nombre de
clients étant distribué selon une loi de Poisson. Calculer la probabilité que le magasin soit
visité le mercredi par :
1. aucun client ;
2. 5 clients ;
3. au moins 6 clients.
Exercices
Exercice 4.1.
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.
1. On prélève au hasard 10 articles. Calculer la probabilité qu’il y ait au moins un
article non conforme parmi ces dix articles.
2. On prélève au hasard 50 articles. Soit X 1 le nombre d’articles non conformes parmi
ces 50 articles :
(a) Indiquer la loi suivie par X1 (on justifiera 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.
Exercice 4.2.
On désigne par X la variable aléatoire qui représente le nombre de boules blanches
obtenues après trois tirages sans remise dans une urne qui contient deux boules noires et
huit boules blanches. Déterminer sa loi de probabilité puis calculer E(X) et V (X).
Exercice 4.3.
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.
1. Jean a commandé un paquet. Quelle est la probabilité qu’il y trouve :
(a) zéro carte blanche ?
(b) une seule carte blanche ?
(c) plus de deux cartes banches ?
2. Quels sont l’espérance et l’écart-type de X ?
3. Quelle est la valeur la plus probable de X ?
4. Seuls les paquets contenant plus de 4 cartes blanches font parfois l’objet d’une
réclamation. En moyenne, 10% de ces paquets sont rapportés chez l’imprimeur. Sur
10.000 paquets vendus, combien, en moyenne, seront rapportés ?
5. Jeanne a commandé 5 paquets de 100 cartes de visite. Quelle est la probabilité
qu’elle ait exactement 8 cartes blanches ?
Exercice 4.4.
On lance une pièce de monnaie supposée équilibrée n (n ∈ N∗ ) fois de suite.
1. Déterminer l’espérance et la variance de la variable aléatoire représentant le fréquence
de Face obtenus.
2. A l’aide de l’inégalité de Bienaymé-Tchebychev, trouver une condition suffisante sur
l’entier n pour que la fréquence de Face obtenus soit strictement comprise entre 0, 4
et 0, 6 avec une probabilité supérieure ou égale à 0, 95.
Exercice 4.5.
Dans une population de N individus, dont N1 sont d’un type T , on effectue des tirages
successifs et sans remise (un individu à la fois) jusqu’à obtenir n (n ∈ [1, N1 ]) individus
du type T . Soit Z le nombre de tirages effectués. Pour tout k dans [n, N ], on note :
Ak l’évènement :”on obtient un individu du type T au k − ème tirage” ;
Ak−1 l’évènement :”on obtient n − 1 individus du type T aux k − 1 premiers tirages”
(n ≥ 2) ;
Xk−1 le nombre d’individus du type T obtenus aux k − 1 premiers tirages” (n ≥ 2).
5. Déterminer CN −k .
n−1 N1 −n
PN
k=n Ck−1