Académique Documents
Professionnel Documents
Culture Documents
Laubhouet Lavry
lavryabel@yahoo.fr
1. Définitions
Lancer le dé une fois constitue une épreuve. Le résultat de cette épreuve est un
évènement : obtenir un 4 par exemple est un évènement. L’ensemble des
évènements possibles porte le nom d’univers.
1
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Chaque fois que dans le langage courant on dit que l’on choisit au hasard dans
un ensemble fini, on sous-entend que les divers choix possibles sont
équiprobables. C’est cette définition que nous avons utilisée pour dire que la
probabilité d’obtenir l’as en lançant un dé est de 1/6.
2
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Tableau 1
𝑋𝑖 10 20 30
Associer à toutes les valeurs d’une variable aléatoire la probabilité qui lui
correspond, c’est définir la loi de probabilité.
3
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Les événements aléatoires sont désignés par les lettres 𝐴, 𝐵, 𝐶 … Chaque fois
que la présence de l’ensemble de conditions susmentionné est assurée, on dit
que l’on assiste à une épreuve. Le nombre des épreuves peut augmenter
indéfiniment.
0 ≤ 𝑃̅(𝐴) ≤ 1
0 ≤ 𝑃(𝐴) ≤ 1
Dans les cas les plus simples, la probabilité d’un événement aléatoire peut être
déterminée à l’avance (à priori).Cela peut se faire si, par exemple, les résultats
possibles de chaque épreuve d’une série d’épreuves homogènes sont
représentés par n (les seuls possibles) constituants(cas) incompatibles entre
eux et équiprobables(cela signifie que ces n cas (constituants) excluent la
possibilité de réalisation de tout autre résultat, que deux de ces cas
(constituants) ne peuvent pas arriver en même temps et que la réalisation d’un
cas n’est point plus favorisée que la réalisation d’un autre).
5
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Cependant un théorème appelé loi des grands nombres montre que, plus
le nombre d’épreuve augmente, plus il devient certain que l’écart entre la
fréquence d’un évènement et sa probabilité sera inférieur à une valeur
quelconque, aussi petite soit-elle.
Pour cette raison la fréquence peut fournir une valeur approchée de la
probabilité.
6
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
𝐹(𝑎) = 𝑃( 𝑋𝑖 ≤ 𝑎)
En utilisant l’exemple du tableau 1, on obtient le tableau 2.La représentation
graphique correspondante est un diagramme en escaliers (fig.1.3)
Tableau 2
𝑋𝑖 𝑃𝑖 𝐹
10 2 ⁄6 2⁄ 6
20 1 ⁄6 3⁄ 6
30 3 ⁄6 1
7
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
𝑚 = ∑ 𝑃𝑖 𝑋𝑖
𝑖=1
L’espérance mathématique est encore appelée moyenne de la variable
aléatoire.
On définit de même l’écart-type 𝜎 de la variable aléatoire :
𝑁 𝑁
𝜎= √∑ 𝑃𝑖 (𝑋𝑖 − 𝑚)² = √∑ 𝑃𝑖 𝑋𝑖 2 − 𝑚²
𝑖=1 𝑖=1
Tableau 3
8
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
𝑋𝑖 𝑃𝑖 𝑃𝑖 𝑋𝑖
10 2⁄6 20⁄6
20 1⁄6 20⁄6
30 3⁄6 90⁄6
N 1 130⁄6
Exemple
Dans le jeu de dés précédemment défini, le gain est de 10 francs pour un as ou
pour un deux, de 20 francs pour un 3, et de 30 francs pour un 4, un 5 ou un
6.On peut calculer l’espérance mathématique de ce jeu (voir tabl.3)
130
𝑚= = 21,6 𝑓𝑟𝑎𝑛𝑐𝑠
6
L’espérance mathématique de ce jeu est de 21,6 francs. Cela ne signifie pas que
si l’on joue une fois à ce jeu, on gagnera 21,6 francs. Cela signifie tout au plus
que, si l’on jouait un très grand nombre de fois, le gain par partie serait e »n
moyenne de 21,6 francs.
La confusion entre probabilité et espérance mathématique donne
naissance à des raisonnements viciés.
Exemple
Compte tenu des mesures de sécurité, la probabilité d’accident dans
une centrale électrique nucléaire est plus faible que celle d’une centrale
électrique classique. Disons, par exemple, que la probabilité d’explosion est de
1/10000 pour la centrale nucléaire et de 1/100 pour une centrale classique.
Cependant, ce n’est pas la probabilité de l’explosion qui importe ; mais
les conséquences qui en découlent. Or, les conséquences qui en découlent. Or,
les conséquences d’une explosion nucléaire sont beaucoup plus importantes
que celles d’une explosion dans une centrale classique.
Supposons que la première entraîne la mort de 10000 personnes et la
seconde celle de 10 personnes. Comparons alors les espérances
mathématiques des risques dans les deux types de centrales (tabl.4)
Tableau 4
Centrale nucléaire Centrale classique
𝑃𝑖 𝑋𝑖 𝑃𝑖 𝑋𝑖 𝑃𝑖 𝑋𝑖 𝑃𝑖 𝑋𝑖
Explosion 1⁄10000 1000 1 1⁄100 10 0,1
0
Pas 9999⁄10000 0 0 99⁄100 0 0
d’explosion
𝑚 1 0,1
La probabilité d’explosion est cent (100) fois plus faible dans une centrale
nucléaire que dans une centrale classique, mais l’espérance mathématique du
9
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
nombre de morts est dix fois plus grande dans une centrale nucléaire que dans
une centrale classique. Le choix d’une décision est un autre problème ; encore
faut-il qu’il repose sur un raisonnement exact.
●●● Si les événements réunis sont incompatibles (c’est-à-dire que deux de ces
événements ne peuvent pas être réalisés simultanément), la probabilité de la
réunion de plusieurs événements est égale à la somme des probabilités des
événements réunis (axiome de l’addition des probabilités) :
●●● Si une épreuve donnée peut avoir comme résultat un seul des
événements incompatibles 𝐴1 , 𝐴2 ,…, 𝐴𝑛 , on dit que les
événements 𝐴1 , 𝐴2 ,…, 𝐴𝑛 forment un ensemble d’événements appelé espace
des événements de l’épreuve. Etant donné que la réunion des événements de
l’espace des événements d’une épreuve constitue un événement certain, on
peut écrire :
10
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
11
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Si l’on sait qu’un évènement 𝐴 peut avoir lieu simultanément avec l’un des
évènements 𝐻1 , 𝐻2 , … , 𝐻𝑛 qui forment un espace des évènements
incompatibles, alors l’événement 𝐴 peut être présenté comme la réunion des
évènements 𝐴𝐻1 , 𝐴𝐻2 , … , 𝐴𝐻𝑛 , c’est-à-dire 𝐴 = 𝐴𝐻1 + 𝐴𝐻2 + ⋯ + 𝐴𝐻𝑛 . La
probabilité de l’évènement peut être déterminée par la formule
Ou
Exemple 1
12
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Une urne contient cinq boules : une noire, un rouge, une verte, une blanche, et
une bleue. On tire une boule, que l’on ne remet pas dans l’urne, puis on tire
une autre boule. Quelle est la probabilité qu’on ait tiré la boule rouge, puis la
boule noire ?
Solution
Tous les groupements de deux boules que nous pouvons constituer à partir de
deux tirages envisagés doivent différer, soit par leur composition (nous voulons
absolument la boule rouge et la boule noire).
1 1 1 1
Ce résultat, peut s’écrire : = ×
20 20 5 4
Probabilité Probabilité
a été tirée
13
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
produits, et ainsi de suite. Ce principe est dit : Principe (ou axiome) des
probabilités composées.
Exemple 2
Une urne contient deux boules noires, cinq boules rouges, et trois boules
blanches. On tire successivement de l’urne trois boules, une boule tirée n’étant
pas remise dans l’urne avant le tirage de la suivante. Quelle est la probabilité
d’obtenir, dans l’ordre, 𝑁, 𝑅, 𝑅 ?
Solution
5
●Probabilité de tirer une boule rouge, une noire étant tirée :
9
4
●Probabilité de tirer une boule rouge, une noire et une rouge étant tirées :
8
Solution
14
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
On a :
2 5
𝑃(𝑁) = 𝑃(𝑅) = ↔ 𝑃(𝑁, 𝑅, 𝑅)
10 10
2 5 5 50 1
= × × = =
10 10 10 1000 20
Exemple 3
Dans un jeu de 32 cartes on tire une carte. Quelle est la probabilité d’avoir tiré
un roi ou un trèfle ?
Nous écrirons :
4 + 8 − 1
4 8 1
= + −
32 32 32
4 8 1 1
= + − ( × )
32 32 4 8
15
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
On peut écrire :
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡é 𝑑𝑒 𝑙 ′ é𝑣é𝑛𝑒𝑚𝑒𝑛𝑡
= 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡é(𝐸1 ) + 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡é (𝐸2 )
− 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡é (𝐸1 𝑒𝑡 𝐸2 )
𝑃(𝐴 ∩ 𝐶)
𝑃(𝐴/𝐶) =
𝑃(𝐶)
On pourrait dire que les cas favorables sont ceux où les événements A et C sont
tous réalisés, alors les cas possibles sont ceux pour lesquels de toutes façons
l’événement C est observé. Il faut noter qu’une probabilité conditionnelle n’a
de sens que si la condition est réalisable (de probabilité non nulle).La notion de
probabilité conditionnelle, ou encore de conditionnement des probabilités,
revient à modifier l’ensemble fondamental puisque l’événement C ∈ A se
trouve être rapporté à une probabilité égale à un. Ainsi, par conditionnement,
la probabilité de A est ramenée à la seule part de A, incluse dans C.
16
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
On peut vérifier que l’application qui à tout A ∈ A associe 𝑃(𝐴/𝐶) est bien
une mesure de probabilité.
Propriété
Définition 2
𝑃(𝐴/𝐵) = 𝑃(𝐴)
𝑃(𝐵/𝐴) = 𝑃(𝐵)
●Dans le premier cas, si les deux événements 𝐴 et 𝐵 sont des probabilités non
nulles, alors la probabilité 𝑃(𝐴 ∩ 𝐵) est aussi non nulle.
17
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Pour calculer 𝑃(𝐻𝑖 ⁄𝐴), nous allons utiliser les probabilités inconditionnelles de
certains événements où 𝐻𝑖 , est un événement particulier et les probabilités
conditionnelles 𝑃(𝐴⁄𝐻𝑖 ) disponibles.
●●Démonstration de la formule.
18
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
𝑛 𝑛
Exemple 4
19
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Si on tire un dossier au hasard pour lequel le score est bas ; quelle est la
probabilité qu’il ait abouti en contentieux ? Quelle est la probabilité qu’il n’ait
donné lieu à aucune difficulté de paiement ? Quelle est la probabilité qu’il ait
engendré des difficultés légères ?
…………………………………………………………………………………………………………………………
Solution
On en déduit :
20
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
𝑷(𝑨) = 𝑷 = 𝟏⁄𝟔 𝒆𝒕 ̅ ) = 𝒒 = 𝟓⁄ 𝟔
𝑷(𝑨 𝒂𝒗𝒆𝒄 𝑷 + 𝒒 = 𝟏
Une telle épreuve qui n’a que deux issues porte le nom d’épreuve de Bernoulli.
La variable aléatoire 𝑋𝑖 , correspond au nombre d’as et prend les valeurs 0 ou 1.
L’espérance mathématique de cette loi est : 𝒎 = 𝟏 × 𝒑 + 𝟎 × 𝒒 =
𝟏 𝟓 𝟏
𝒑 𝒔𝒐𝒊𝒕 𝒎 = 𝟏 × + 𝟎 × =
𝟔 𝟔 𝟔
3.2 La loi binomiale
Exemple : Répétons plusieurs fois l’épreuve de Bernoulli précédente. Si l’on
répète deux fois l’épreuve la variable 𝑋, nombre d’as apparus, prend des
valeurs 0, 1 ou 2 selon le schéma de la figure 2.4
21
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 2.4
D’une façon plus générale, si on répète 𝑛 fois une épreuve dont l’issue
est, soit le succès avec une probabilité 𝑃, soit l’échec avec une
probabilité 𝑞 𝑎𝑣𝑒𝑐 (𝑞 = 1 − 𝑝) , la probabilité d’avoir 𝑘 succès est donnée par
la formule :
𝑛(𝑛 − 1)(𝑛 − 2) … (𝑛 − 𝑘 + 1)
∁𝑘𝑛 =
1 × 2 × 3…× 𝑘
Tableau 5
Nombre de succès
n 0 1 2 3 4 5 6 7 8 9
k
E 1 1 - - - - - - - -
p 1 2 1 - - - - - - -
r 3 1 3 3 1 - - - - - -
e 4 1 4 6 4 1 - - - - -
u 5 1 5 10 10 5 1 - - - -
v 6 1 6 15 20 15 6 1 - - -
e 7 1 7 21 35 35 21 7 1 - -
s 8 1 8 28 56 70 56 28 8 1 -
9 1 9 36 84 126 126 84 36 9 1
23
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
𝑝𝑞
𝑚=𝑝 𝑒𝑡 𝜎= √
𝑛
Exemple
Dans une famille de 5 enfants, quelle est la probabilité d’avoir X garçon ?
Sur 1600 familles ayant 5 enfants, quel est le nombre théorique de familles
ayant 1, 2, 3, 4,5 garçons ?
On suppose que la probabilité pour qu’un enfant soit un garçon est de 1/2.
Comparer les résultats théoriques avec la distribution statistique réelle
obtenue en observant une population de 1600 familles de 5 enfants (tabl.6).
Représenter les, puis calculer les caractéristiques s’y afférant.
Tableau 6
1- Nombre Nombre de
de familles
garçons 2-Effectif
observé
0 46
1 254
2 501
3 506
4 248
5 45
●Si dans une famille on considère un enfant, soit c’est un garçon, soit c’est une
1
fille. L’épreuve est donc une épreuve de Bernoulli dont la probabilité est 𝑃 =
2
●Lorsque l’on considère des familles de 5 enfants, on répète 5 fois l’épreuve de
Bernoulli. On est donc en présence d’une loi binomiale, de paramètres 𝑛 =
1
5 𝑒𝑡 𝑃 = , dans laquelle la variable aléatoire 𝑋, nombre de garçons, prend les
2
valeurs de 0 à 5. La probabilité, en tenant compte de la formule générale, est :
𝑘
1 𝑘 1 5−𝑘
𝑃(𝑋 = 𝑘) = ∁5 ( ) ( )
2 2
1 1 5−0 1 1
Probabilité d’avoir : 0 garçon = 𝑃(𝑋 = 0) = ∁05 ( )0 ( ) = 1× =
2 2 25 32
24
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
1 1 5−1 1 1 5
Probabilité d’avoir : 1 garçon = 𝑃(𝑋 = 1) = ∁15 ( )1 ( ) = 5× × =
2 2 2 24 32
1 1 5−2 1 1
Probabilité d’avoir : 2 garçons = 𝑃(𝑋 = 2) = ∁25 ( )2 ( ) = 10 × × =
2 2 22 23
10
32
1 1 5−3 1 1
Probabilité d’avoir : 3 garçons = 𝑃(𝑋 = 3) = ∁35 ( )3 ( ) = 10 × × =
2 2 23 22
10
32
1 1 5−4 1 1
Probabilité d’avoir : 4 garçons = 𝑃(𝑋 = 4) = ∁45 ( )4 ( ) = 5× × =
2 2 24 2
5
32
1 1 5−5 1 1
Probabilité d’avoir : 5 garçons = 𝑃(𝑋 = 5) = ∁55 ( )5 ( ) = 1× =
2 2 25 32
Et ainsi de suite (voir les résultats de l’effectif théorique dans le tableau 6.1 à la
colonne 3)
25
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Tableau 6.1
1- 2-Effectif 3- Effectif
Nombre observé théorique
de du des
garçons nombre familles
de
familles
0 46 50
1 254 250
2 501 500
3 506 500
4 248 250
5 45 50
26
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 6.2
1 1
Le diagramme est symétrique lorsque 𝑃 = .Lorsque 𝑃 est différent de , le
2 2
diagramme est dissymétrique.
Tableau 6.2
𝑋 𝑃(𝑋 = 𝑘)
0 (0,1)0 (0,9)3
0 ∁3
= 0,729
1 ∁13 (0,1)1 (0,9)2
= 0,243
2 ∁23 (0,1)2 (0,9)1
= 0,027
3 ∁33 (0,1)3 (0,9)0
= 0,001
N 1
27
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 5.1
28
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Soit une variable aléatoire 𝑋 qui prend les variables 0, 1,2,…, 𝑛.On dit qu’elle
suit une loi de Poisson de paramètre 𝑚 ,lorsque la probabilité pour que 𝑋 = 𝑘
qui peut prendre toute valeur entière (0,1,…, 𝑛) est donnée par :
−𝑚
𝑚𝑘
𝑃(𝑋 = 𝑘) = ℮ ×
𝑘!
Exemple Soit une variable aléatoire 𝑋, prenant les valeurs entières 0, 1, 2,3 et
suivant une loi de Poisson de paramètre 𝑚 = 0,3. Déterminer la probabilité
des différentes valeurs de 𝑋 :
−0,3
(0,3)0
𝑃(𝑋 = 0) = ℮ × = 0,7408
0!
−0,3
(0,3)1
𝑃(𝑋 = 1) = ℮ × = 0,2222
1!
−0,3
(0,3)2
𝑃(𝑋 = 2) = ℮ × = 0,0334
2!
−0,3
(0,3)3
𝑃(𝑋 = 3) = ℮ × = 0,0033
3!
Les calculs peuvent se révéler longs, des tables permettent de les faciliter. Dans
cette loi, l’espérance est égale à la variance et vaut 0,3. Il est intéressant de
comparer ces résultats avec ceux obtenus dans l’exemple de la loi binomiale de
paramètres 𝑛 = 3 𝑒𝑡 𝑃 = 0,1
Les probabilités des différentes valeurs de cette variable aléatoire calculées à
partir de la loi binomiale ou à partir de la loi de Poisson sont relativement
proches.
29
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
On montre que lorsque 𝑃 est faible et 𝑛 est grand, la loi de Poisson constitue
une bonne approximation de la loi binomiale. On prend alors pour paramètre
de la loi de Poisson l’espérance mathématique de la loi binomiale.
Exemple
Considérons une urne contenant 50 boules : 49 blanches et 1 (une) blanche. On
tire une boule et on la remet dans l’urne. On répète l’épreuve 100 fois et on
s’intéresse au nombre 𝑋 de boules noires apparues.La probabilité d’apparition
1
d’une boule noire au cours d’un tirage est faible : 𝑜𝑢 0,02.
50
L’épreuve étant répétée 100 fois on est en présence d’une loi binomiale
de paramètres 𝑛 = 100 , 𝑃 = 0,02 .
La probabilité pour que le nombre 𝑋 de boules noires soit égal à 𝑘 est :
𝑘 (0,02)𝑘 (0,98)100−𝑘
𝑃(𝑋 = 𝑘) = ∁100
−2
(2)2
𝑃(𝑋 = 2) = ℮ × = 0,271
2!
Résultat que l’on peut comparer à celui que l’on aurait obtenu avec beaucoup
plus de calculs par application de la loi binomiale :
La loi de Poisson n’est pas la plus fréquente des lois usuelles. Elle trouve
cependant son application dans l’étude des « évènements rares » : nombre de
naissances de triplés par an, nombre de fautes d’impression dans une page
d’un livre, prise au hasard….etc.
30
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Exemple
Observons, dans une usine, le poids des sacs de ciment à la sortie de la chaîne
d’ensachage. Les machines sont réglées pour que le poids des sacs soit de 50
kg. La majeure partie des sacs pèsera 50 kg environ. Peu de sacs pèseront 47 ;
48 ou 52 ; 53 kg. Plus on s’éloignera du poids de 50 kg, par valeur inférieure ou
par valeur supérieure, plus le nombre de sacs considérés sera faible.
On peut représenter cette distribution statistique au moyen de sa courbe
des fréquences (fig.5.2)
31
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 5.2
Lorsqu’une grandeur qui se reproduit, est soumise à l’influence d’un
grand nombre de facteurs de variations indépendants les uns des autres,
chacun exerçant des actions individuelles de faible intensité, dont les effets
tendent à se compenser, on montre que la distribution des valeurs de cette
grandeur suit une loi de Laplace-Gauss.
Ce type de distribution statistique correspond, en probabilité, à la loi de
Gauss. La courbe des fréquences idéalisée porte alors le nom de densité de
probabilité et a pour équation :
1 −
(X−m)2
𝑓(𝑥) = × ℮ 2σ2
𝜎 √2𝜋
32
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
33
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 5.3
34
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
35
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Etudier la probabilité d’une variable aléatoire qui suit une loi normale se
ramène donc à une mesure de surface.
𝑋−𝑚
𝑡= , 𝑜𝑢 𝑒𝑛𝑐𝑜𝑟𝑒 𝑋 = 𝑚 + 𝑡 × 𝜎
𝜎
𝑡 est appelé variable centrée réduite. La fonction densité de probabilité est
alors simplifiée (fig.5.6&5.7) et s’écrit :
1 t2
𝑓(𝑡) = × ℮− 2
√2𝜋
36
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
37
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 5.8
L’étude de la loi normale centrée réduite est facilitée par l’existence de tables.
Celle que nous utiliserons (Voir annexe 1) fournit les valeurs de la surface
située sous la courbe centrée réduite jusqu’à une valeur donnée de la variable.
Cette table qui donne le cumul croissant des probabilités est donc une table de
la fonction de répartition 𝐹(𝑥) de la variable aléatoire gaussienne (fig.5.9 et
5.10).
Ainsi la valeur de 𝐹(1,35) se lit à l’intersection de la ligne 1,3 et de la colonne
0,05 :
𝐹(1,35) = 0,9115
38
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 5.10
3-Exemple
Dans une cimenterie, le poids des sacs de ciment à la sortie de l’atelier
d’emballage suit une loi normale de moyenne 50 kg et d’écart type 2 kg. L’usine
fabrique 80000 sacs de ciment par mois.
1-Combien de sacs pèseront : moins de 52 kg ? 51 kg et plus ? Moins de 47,3
kg ? 49,5 kg et plus ? Entre 51 et 53 kg ? Entre 48 et 49 kg ? Entre 49 et 53 kg ?
2-Quel sera le poids dépassé par : 20000 sacs ? 50000 sacs ?
(Source : données d’enquête sur la production de ciment, dans une industrie
manufacturière)
39
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Solution
Soit 𝑋 la variable aléatoire « poids d’un sac » Elle suit une loi normale 𝑁(50,2)
a) La probabilité pour qu’un sac pèse moins de 52 kg est notée 𝑃(𝑋 < 52)
(fig.5.9)
𝑋−𝑚
On effectue le changement de variable 𝑡 =
𝜎
52−50
à 𝑋 = 52 correspond à la variable centrée réduite : 𝑡 = =1 Alors la
2
probabilité devient
40
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 5.10
En assimilant fréquence et probabilité, on peut dire que 84,13 % des sacs
pèseront moins de 52 kg.
Il y aura donc : 𝒏 = 𝟎, 𝟖𝟒𝟏𝟑 × 𝟖𝟎𝟎𝟎𝟎 =
𝟔𝟕𝟑𝟎𝟒 𝒔𝒂𝒄𝒔 𝒅𝒆 𝒑𝒐𝒊𝒅𝒔 𝒊𝒏𝒇é𝒓𝒊𝒆𝒖𝒓 à 𝟓𝟐 𝒌𝒈.
b) La probabilité pour qu’un sac pèse 51 kg et plus est mesurée par la surface
hachurée sous la courbe (fig.5.10).
La surface totale située sous la courbe étant égale à l’unité :
𝑃(𝑋 ≥ 51) = 1 − 𝑃(𝑋 < 51)
𝑋−𝑚
à 𝑋 = 52 correspond à la variable centrée réduite avec 𝑡 =
𝜎
51−50
𝑡= = 0,5 ; On a donc :
2
𝑃(𝑋 ≥ 51) = 1 − 𝑃(𝑋 < 51) = 1 − 𝑃(𝑡 < 0,5)
𝑃(𝑋 ≥ 51) = 1 − 𝑃(𝑡 < 0,5) = 1 − 0,6915 = 0,3085
41
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 6.1
42
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 6.2
La table ne fournit pas les valeurs de la fonction de répartition pour les valeurs
négatives de 𝑡 .
Mais des considérations de symétrie permettent de résoudre le problème :
𝑃( 𝑡 < −1,35) = 1 − 𝑃( 𝑡 < 1,35)
Puis avec la table de répartition de la loi normale, centrée réduite, nous
avons :
𝑃( 𝑡 < −1,35) = 1 − 𝑃( 𝑡 < 1,35) = 1 − 0,9115 = 0,0885
Il y a donc 𝒏 = 𝟎, 𝟎𝟖𝟖𝟓 × 𝟖𝟎𝟎𝟎𝟎 =
𝟕𝟎𝟖𝟎 𝒔𝒂𝒄𝒔 𝒅𝒆 𝒑𝒐𝒊𝒅𝒔 𝒊𝒏𝒇é𝒓𝒊𝒆𝒖𝒓 à 𝟒𝟕, 𝟑 𝒌𝒈
d) La probabilité pour qu’un sac pèse 49,5 kg ou plus est notée :
𝑋−𝑚 (49,5−50)
𝑃(𝑋 ≥ 49,5) ; à 𝑋 = 49,5 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑 𝑡 = ⟺ 𝑡= =
𝜎 2
−0,25 :
𝑃(𝑋 ≥ 49,5) = 1 − 𝑃(𝑋 < 49,5) = 1 − 𝑃(𝑡 < −0,25) (fig.6.3)
44
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
𝑋−𝑚
𝑃(51 ≤ 𝑋 < 53) ; à 𝑋 = 51 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑 𝑡= ⟺ 𝑡=
𝜎
(51−50)
= 0,5 Et
2
𝑋−𝑚
𝑃(51 ≤ 𝑋 < 53) ; à 𝑋 = 53 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑 𝑡= ⟺ 𝑡
𝜎
(53 − 50)
= = 1,5
2
45
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 6.4
Il y a 𝒏 = 𝟎, 𝟐𝟒𝟏𝟕 × 𝟖𝟎𝟎𝟎𝟎 =
𝟏𝟗𝟑𝟑𝟔 𝒔𝒂𝒄𝒔 𝒅𝒐𝒏𝒕 𝒍𝒆 𝒑𝒐𝒊𝒅𝒔 𝒆𝒔𝒕 𝒄𝒐𝒎𝒑𝒓𝒊𝒔 𝒆𝒏𝒕𝒓𝒆 𝟓𝟏 𝒆𝒕 𝟓𝟑 𝒌𝒈.
𝑋−𝑚
𝑃(48 ≤ 𝑋 < 49) ; à 𝑋 = 48 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑 𝑡= ⟺ 𝑡=
𝜎
(48−50)
= −1 Et
2
𝑋−𝑚
𝑃(48 ≤ 𝑋 < 49) ; à 𝑋 = 49 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑 𝑡= ⟺ 𝑡
𝜎
(49 − 50)
= = −0,5
2
46
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
= 𝐹(1) − 𝐹(0,5)
47
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Figure 6.5
𝑋−𝑚
𝑃(49 ≤ 𝑋 < 53) ; à 𝑋 = 49 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑 𝑡= ⟺ 𝑡=
𝜎
(49−50)
= −0,5 Et
2
𝑋−𝑚
𝑃(49 ≤ 𝑋 < 53) ; à 𝑋 = 53 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑 𝑡= ⟺ 𝑡
𝜎
(53 − 50)
= = 1,5
2
48
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
49
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
En d’autres termes, 20000 sacs sur 80000, soit 25 % des sacs dépassent un
certain poids. Cela signifie que 75 % des sacs pèsent moins de ce poids 𝑋0 , à
déterminer :
Donc 𝑃(𝑋 ≤ 𝑋0 ) = 0,75
Soit P (𝑡 < 𝑡0 ) = 0,75 ou encore 𝐹(𝑡0 ) = 0,75 (fig.6.7)
51
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
𝑋1 − 𝑚 (𝑚 − 𝜎) − 𝑚
𝑡1 = = = −1
𝜎 𝜎
Et
𝑋2 − 𝑚 (𝑚 + 𝜎) − 𝑚
𝑡2 = = = +1
𝜎 𝜎
52
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
[𝑚 − 2𝜎 ; 𝑚 + 2𝜎 ] est de 0,9542.
Figure 6.9
Nous avons vu que, lorsque dans une loi binomiale 𝛽(𝑛, 𝑝), la probabilité 𝑃
était proche de 0,5, la distribution était symétrique. Si 𝑛 est assez grand à
savoir (𝑛 > 30) la loi de Gauss constitue une bonne approximation de la loi
binomiale.
53
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
Exemple
Soit une variable 𝑋, qui suit une loi binomiale de paramètres 𝑚 = 400 et 𝑝 =
0,5.
Déterminer la probabilité pour que 𝑋 soit compris entre 180 et 210 :
𝑚 = 𝑛𝑝 = 200
𝜎 = √𝑛𝑝𝑞 = √400 × 0,5 × 0,5 = 10
En utilisant la loi normale 𝑁(200; 10) comme approximation de la loi
binomiale, on obtient :
𝑃(180 ≤ 𝑋 < 210) On effectue le changement de variable :
𝑋−𝑚
𝑃(180 ≤ 𝑋 < 210) ; à 𝑋 = 180 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑 𝑡= ⟺ 𝑡=
𝜎
(180−200)
= −2 Et 𝑃(180 ≤ 𝑋 < 210) ; à 𝑋=
10
𝑋−𝑚 (210−200)
210 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑 𝑡= ⟺ 𝑡= = 1
𝜎 10
𝑃(180 ≤ 𝑋 < 210) = 𝑃(−2 ≤ 𝑡 < 1 ) = 𝐹(1) − 𝐹(−2)
= 𝐹(1) − [1 − 𝐹(2)]
= 0,8413 − 0,0228 = 0,8185
54
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
ANNEXES
𝒕 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5896 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7290 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
55
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
0,9 0,8159 0,8186 0,8212 0,8238 0,8254 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0 ,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0 ,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9779 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
56
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
𝑭(𝒕) 0,99865 0,99904 0,99931 0,99952 0,99966 0,99975 0,999841 0,999928 0,9
Nota-La table donne les valeurs de 𝐹(𝑡) pour 𝑡 positif. Lorsque 𝑡 est négatif il
faut prendre le complement à l’unité de la valeur lue 𝑡 < 0 ∶ 𝐹(𝑡) = 1 −
𝐹(− 𝑡)
Exemple : pour 𝑡 = 1,37 𝐹(𝑡) = 0,9147
57
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
58
Principes et méthodes de Probabilité Dr A.Laubhouet Lavry
lavryabel@yahoo.fr
59