2022-2023-LS-Biostatistiques-02-Variables Aléatoires Et Probabilités-V0

CAHIER PASS
Biostatistiques
VARIABLES ALÉATOIRES ET PROBABILITÉS
2022-23
Cours Galien Lyon Sud – 2022/2023

PASS – Biostatistiques – Probabilités et Variables aléatoires
Table des matières
I. Probabilité..........................................................................................................................................................4
A. Différents aspects...........................................................................................................................................4
1. Probabilités en santé :................................................................................................................................4
2. Types de probabilités :................................................................................................................................4
B. Épreuves aléatoires, événements et probabilités...........................................................................................4
1. Probabilité et signification :........................................................................................................................5
2. Combinaison d’événements élémentaires :................................................................................................6
3. Définition ensembliste des événements et axiomes des probabilités et leurs conséquences :..................7
4. Tableau des probabilités des événements conjoints :................................................................................8
II. Variables aléatoires discrètes et continues........................................................................................................9
A. Intérêt et définition........................................................................................................................................9
B. Variable aléatoire : application de Ω dans R..................................................................................................9
C. Notation........................................................................................................................................................10
D. Loi de Probabilité et fonction de répartition................................................................................................11
1. Loi de probabilité ou distribution théorique de probabilité et fonction de répartition............................11
E. Espérance et variance des variables aléatoires :...........................................................................................12
F. n-tuplets de variables aléatoires indépendantes..........................................................................................13
G. Théorème central limite...............................................................................................................................14
III. Les lois de probabilité...................................................................................................................................15
A. La loi de Bernoulli.........................................................................................................................................15
B. Loi binomiale de paramètre (n, π)................................................................................................................16
C. Lois de la moyenne F....................................................................................................................................16
D. Approximation de la loi binomiale par la loi normale :.................................................................................17
E. Lois continues (loi normale, loi normale standard).......................................................................................17
1. Loi normale ou de Gauss :.........................................................................................................................17
IV. Résumé.........................................................................................................................................................19
A. Formules essentielles...................................................................................................................................19
B. Différentes lois et leur vraie moyenne et vraie variance..............................................................................19
C. Approximation de loi....................................................................................................................................19
V. Probabilités conditionnelles.............................................................................................................................20
A. Définition intuitive........................................................................................................................................20
B. Définition probabiliste..................................................................................................................................20
C. Aspect fréquentiste :....................................................................................................................................21
D. Probabilité conditionnelle ou probabilité conjointe ? ..................................................................................21
E. Application de la réversibilité des probabilités :...........................................................................................22
F. Théorème de Bayes :....................................................................................................................................22
2
VI. Indépendance...............................................................................................................................................23
VII. Résumé.........................................................................................................................................................24
VIII. ANNALES CLASSÉES CORRIGÉES : PROBABILITÉS.........................................................................................25
IX. ANNALES CLASSÉES CORRIGÉES : VARIABLES ALÉATOIRES..........................................................................30
3
I. Probabilité
A. Différents aspects
1. Probabilités en santé :
Les probabilités en santé peuvent être utilisées pour de nombreuses applications :

- Le diagnostic : probabilité d’une maladie donnée en présence d’un symptôme → Probabilité (risque) de
maladie en présence d’un ensemble de signes cliniques (tableau clinique).
- La thérapeutique : probabilité d’efficacité d’un traitement → Probabilité d’efficacité d’un traitement
efficacité d’un traitement en fonction des antécédents du patient.
- Le pronostic : probabilité de survie après un diagnostic ou une intervention.
- La génétique : probabilité de transmission d’une atteinte héréditaire.
- L’anti-bioThérapie probabiliste : quand on ne connaît pas exactement la bactérie pathogène, médecine
de « ville » (vs ABT documentée).
Explication : lorsqu’un médecin généraliste rencontre un patient, il n’est pas certain de la bactérie pathogène qui
infecte le patient. Le médecin tient compte de la situation épidémiologique, des différents éléments, pour avoir la
probabilité de rencontrer tel ou tel pathogène. L’ordonnance d’antibiotique est donc faite en fonction des
probabilités de rencontrer tel ou tel pathogène. Au contraire, à l’hôpital, on sait exactement à quel pathogène on a à
faire. Puisqu’à l’hôpital on a des pathogènes multi ou hautement résistants.
- Le contrôle de qualité en industrie pharmaceutique : trouver le plan d’échantillonnage qui permet de
prendre la décision de libérer des lots de bonne qualité avec une probabilité de 0,95.
2. Types de probabilités :
Il y en a 3 types :
- La probabilité géométrique ou analytique : cas particulier où tous les évènements élémentaires possibles
sont équiprobables, analyse combinatoire. Exemple : probabilité de tirer 3 as dans un jeu de 2 cartes.
- La probabilité événementielle ou fréquentielle : basée sur la répétition possible d’épreuve aléatoire dans
les mêmes conditions : estimations possibles de probabilité (cas le plus utilisé en PASS). Exemple : lancer
20 fois une pièce de monnaie de la même façon et compter le nombre de fois qu’elle tombe sur pile.
- La probabilité subjective : l’appréciation est liée au sujet.
B. Épreuves aléatoires, événements et probabilités
Épreuve aléatoire :
- Que l’on peut répéter dans les mêmes conditions. Exemple : avec remise ou population considérée comme
infinie.
- Résultat objectif n’est pas connu à l’avance.
- Exemple d’épreuve aléatoire 1 : lancé de dés ; examen clinique du tympan qui peut être bombé ou non. Conditions
d’observation reproductibles. Par exemple on va noter P(X=1) la probabilité d’avoir un tympan bombé. Ce type
d’épreuve peut avoir deux issues possibles (tympan bombé ou non bombé). Dans ce cas-là, elle suivra une loi de
4
Bernoulli que nous détaillerons plus tard. L’épreuve peut également avoir plus de deux issues comme dans le cas du
lancé dé par exemple.
La loi des grands nombres :

- Quand on répète l’épreuve une infinité de fois pour obtenir une infinité d’observations, dans la
population « stable » définie par les conditions « stables » de l’épreuve, la fréquence observée tend vers
la probabilité.
- Convergence de la fréquence f d’un événement vers sa probabilité (la vraie proportion) quand n (nombre
d’observation) tend vers l’infini : C’est la loi des grands nombres.
nA
f= n →∞ ⇒ p=P ( A )
n
1. Probabilité et signification :
Par exemple : P(A) = 0,80 = 80% considérant que le tirage concerne des personnes :
⇨ Cela signifie que la personne à 80% de « chances » (ou de « risques ») de présenter l’événement A.
⇨ Cela veut dire que sur 100 personnes, on peut s’attendre à ce que 80 présentent l’événement A.
o Attention cela ne signifie pas que sur 100 personnes, 80 présentent l’événement A à coup sûr.
o Ce qui est important à retenir : lorsque l’on interprète une probabilité rien n’est certain, en
général on s’attend à une moyenne. 0≤P≤1 et P Є R . La probabilité est souvent exprimée en % en
médecine.
Autre exemple : Un enfant à 85% de chance d’avoir un tympan bombé.
- On note « A » l'événement « avoir un tympan bombé ».
- On note « B » l’événement « ne pas avoir le tympan bombé »
A cette épreuve aléatoire va être associé une variable aléatoire. On va répéter l’épreuve plusieurs fois dans les
mêmes conditions. La variable aléatoire est ici discrète, elle est appelée « X ». On note p(X=1) la probabilité
d’avoir un tympan bombé. On peut donc dire que P(X=1) = 0,85. Cette variable aléatoire suit une loi de Bernoulli
(vu plus loin) étant donné qu’il n’y a que deux issues possibles (avoir un tympan bombé/ne pas avoir un tympan
bombé ». Les évènements A et B étant complémentaires, on a alors P(A) + P(B) = 1.
Si on connaît P(X=1) on connaît donc P(X=0) qui vaut 1 – P(X=1). P(X=0) correspond à ne pas avoir le tympan
bombé.
Exemple d’épreuve aléatoire 2 : la température en cas d’otite diagnostiquée : épreuve aléatoire reproductible
dans les mêmes conditions, dont l’ensemble fondamental est en théorie infinie.
⇨ On mesure donc une variable d’étude quantitative continue qui peut être représentée par une variable
aléatoire continue. Notre loi de probabilité sera donc définie sur des intervalles. Pour rappel, nous avions
vu dans le cours précédent que la probabilité qu’une variable continue prenne une valeur définie valait 0.
Densité de probabilité : définition des probabilités sur des intervalles. Lorsque n → ∞, Δ x → 0 (lois des grands
nombres) :
P ( X=x ) =0
P ( x< X ≤ x +dx )=f ( x ) dx
5
2. Combinaison d’événements élémentaires :
Ensemble fondamental Ω : ensemble des résultats possibles de l’épreuve aléatoire, ensemble de tous les
événements élémentaires. Il peut y en avoir une infinité ou un nombre limité.
Evénements élémentaires : plus petits résultats possibles de l’épreuve.
Evénement non élémentaire : sous-ensembles disjoints de l’ensemble fondamental, peut comprendre plusieurs
événements élémentaires.
L’ensemble vide est un événement impossible. Il est noté ∅.

{A, B, C} est la partition de Ω, ce sont 3 événements non élémentaires, non vides, disjoints, exclusifs et
incompatibles pris 2 à 2.
A, B, C sont des événements exhaustifs (Variables aléatoires discrète {0, 1, 2}). Leur intersection est nulle. Ils ne se
chevauchent pas. Si B se réalise, alors A et C ne se réalisent pas. Pour vérifier que des événements sont exhaustifs,
il faut les additionner. Si la somme fait 1, alors ils sont exhaustifs.
D et D sont deux événements exhaustifs complémentaires (disjoints) (Variable aléatoire discrète binaire {1, 0}).
On est sûr d’observer soit D, soit D
Les événements B et D ne sont pas disjoints : B ∩ D = BD = 37 ≤ t° < 38
A est un événement inclusif de D, si on réalise A, on réalise aussi D. Mais attention, si je réalise D, je ne réalise pas
forcément A !
6
3. Définition ensembliste des événements et axiomes des probabilités et leurs
conséquences :
Connaissez bien ce tableau, il est la base pour comprendre la suite et résoudre les exercices.
Axiomes des probabilités et leurs

Version ensembliste des événements
conséquences
0 ≤ p ≤ 1 et p Є R
● Ω : toujours réalisé
Certain ● Ω : ensemble fondamental, ensemble des P(Ω) = 1
événements élémentaires
● ø : jamais réalisé
Impossible P(ø) = 0
● ø : ensemble vide
● A et B sont réalisés
Intersection
o A ∩ B ou AB
P(A ∪ B) = P(A) + P(B) – P(A ∩ B)
● A ou B (ou les deux) est réalisé
Union
o A∪B
P(A ∩ B) = 0
● A et B ne peuvent pas être réalisés en même
→ P(AB) = P(A) + P(B)
temps
Événements
o A∩B=ø
incompatibles =
disjoints = exclusifs ● A et B sont liés par une relation d’exclusion, A
et B ne sont pas indépendant
P( A ) = 1 – P(A)
● Contraire de A : A n’est pas réalisé
o A ou AC
● A et AC sont exclusifs et leur union est Ω
Complémentaire
(exhaustifs)
o A ∩ AC = ø
o A ∪ AC = Ω
● Événements tous incompatibles dont la P(A) + P(B) + P(C) = 1 ♥

réunion forme Ω tout entier
Événements ● Partition de l’ensemble fondamental
exhaustifs
o A∩B∩C=ø
o A∪B∪C=Ω
7
P(A) < P(B)
● Si A est réalisé alors B se réalise aussi
P(A ∩ B) = P(A)
Événements
● /!\ Réciproque fausse
inclusifs
o A ⊆ B (A est inclus dans B)
Exemple : dans une population connue, 40% des personnes sont vaccinées contre la fièvre jaune. Donc la
probabilité pour un sujet de cette population d’être vacciné contre la fièvre jaune (événement A) est égal à 0,40.
On sait aussi que 55% des individus sont vaccinés contre la diphtérie. 30% d’individus sont vaccinés contre les
deux maladies : P(AB)=0,3
Quelle est la probabilité d’être vacciné contre la fièvre jaune ou la diphtérie ?
P (A ∪ B) = P(A) + P(B) – P (A ∩ B) = 0,4 + 0,55 – 0,3 = 0,65
On peut remplir le tableau suivant :

Probabilités Fièvre jaune A Pas fièvre jaune A Total
Diphtérie B P ( AB ) = 0,3 0,55-0,3=0,25 P(B) =0,55
Pas Diphtérie B 0,4-0,3 = 0,1 0,6 – 0,25=0,35 P ( B ¿ = 1- 0,55 = 0,45
Total P(A) = 0,4 P ( A ¿ = 1-0,4 = 0,6 1
Petit conseil pour le concours, faites-le sur votre brouillon, ça vous aide à bien visualiser ce qu’on vous demande et
vous ne vous embêtez pas avec les formules, c’est plus intuitif.
4. Tableau des probabilités des événements conjoints :
En croisant 2 groupes d’événements exhaustifs, on obtient alors une liste de couples exhaustifs.
Probabilités
marginales de B
Probabilités marginales de A
→ On obtient 4 couples d’événements exhaustifs dont l’union est un événement certain (les 4 cases au centre du
tableau).
Pour remplir ce tableau, vous devez commencer par mettre les informations de l’énoncé, et enfin vous finissez de
remplir par un système de soustraction/addition. Pour utiliser ce tableau, il vous faut au moins 3 cases de
remplies dont 1 au centre. Ce tableau est rapide à faire et à remplir dans chaque exercice. Je vous conseille de la
faire pour chaque exercice de probabilité pour éviter toutes erreurs, et pouvoir répondre le plus rapidement aux
QCMs. Si vous avez des probabilités conditionnelles qui découlent les unes des autres, je vous conseille de faire un arbre.
8
II. Variables aléatoires discrètes et continues
A. Intérêt et définition
Principe :
- Associer une variable aléatoire à une épreuve aléatoire.
- Représenter chaque événement élémentaire par un nombre pour :
o Mesurer
o Dénombrer
o Ordonner
o Qualifier
- Une variable aléatoire peut prendre des valeurs numériques avec la probabilité de l’événement
représenté par la valeur.
Intérêt : utiliser les ressources de l’algèbre et de l’analyse pour modéliser les phénomènes aléatoires.
Il existe 2 types de variables aléatoires :
− Les variables aléatoires continues représentent des évènements INdénombrables. Elles peuvent prendre
une infinité de valeurs dans un intervalle donné. Elles représentent les variables étudiées qui sont
quantitatives continues :
o Toujours numérique
o Résultat d’une mesure
− Les variables aléatoires discrètes représentent des événements dénombrables. Ne peuvent prendre que
des valeurs isolées, elles représentent les variables étudiées qui ne sont PAS quantitatives continues :
o Qualitative nominale (ou catégorielle) :
▪ Binaire (ou dichotomique)
▪ Polytomique : à plus de 2 modalités
▪ ordinale : relation d’ordre entre les modalités, moins de 7 niveaux

o Quantitative de dénombrement (ou de comptage)
9
B. Variable aléatoire : application de Ω dans R
Point de vue mathématique :

- Une variable aléatoire peut se voir comme une application qui va de Ω dans R .
- Soit l’ensemble Ω = {A, B, C, D} avec A, B, C, D des événements disjoints.
Codage, pour chaque événement, par une valeur numérique X = {1, 2, 3, 4}.
Réalisation de chaque événement avec une certaine probabilité :
P(A) = P (X = 1) = p1
P(B) = P (X = 2) = p2
P(C) = P (X = 3) = p3
P(D) = P (X = 4) = p4
On passe des événements à leur codage, ce qui permet d’affecter les probabilités des événements aux valeurs
correspondantes qui sont susceptibles d’être prises par les variables aléatoires.
C. Notation
Les variables aléatoires sont notées par des lettres latines de la 2ème moitié de l’alphabet en majuscule : X, Y etc.
Exemple : S’il y a une seule variable, on l’appellera X « Taille ». S’il y a deux variables, la 2ème sera Y « Poids ».
Les valeurs numériques prises par ces variables sont appelées réalisations possibles et sont notées par les
mêmes lettres mais en minuscules.
D’une façon générale : « X = x », « Y = y » sont des notations d’événements.
● Exemple : « X = 52 » ; « 30 ≤ X ≤ 35 » sont les événements observés.
⇨ Exemple : Pour la variable aléatoire discrète X qui ne peut prendre que 3 valeurs :
● Ω = {« X = 0 », « X = 1 », « X = 2 »} est l’ensemble des événements que l’on peut observer.
● Alors (« X = 2 ») est le 3ème événement (ou valeur) possible, il sera donc noté (X = x3).
● (X = xj) sera le jème événement (ou valeur) possible.
10
⇨ Exemple : pour une variable aléatoire continue X : « X = x », x Є R +, si X « âge » car l’âge est
toujours positif.
D. Loi de Probabilité et fonction de répartition
1. Loi de probabilité ou distribution théorique de probabilité et fonction de

répartition
VA discrètes VA continues
Loi de probabilité : Loi de probabilité :
● Liste des J couples ( x j , p j) ● Comme P(« X = x ») = 0
● Avec pj = P(« X=xj ») ● Les probabilités sont sur des intervalles

Condition de normalisation : élémentaires :
J o P(x ≤ X < x + dx) = f(x)dx
● P(Ω) = ∑ ❑ p j = 1 o Avec f(x) la densité de probabilité
j=1
Condition de normalisation :
● Vraie proportion :
o π1 = 30%
o π2 = 60%
o π3 = 10%
X Fièvre pj
0 Aucune 0.3
0
11
1 Modérée 0.6 L’aire sous la courbe de f doit être égale à 1 :
0
2 Forte 0.1
0
+∞
∫ ❑ f ( x ) dx=1
−∞
Fonction de répartition = probabilités cumulées : Fonction de répartition = probabilités cumulées : (vite

(vite passé en cours) passé en cours)
J x
● F( x j ) = P(X ≤ x j ) = ∑ ❑ p j ,définie pour tout ● F(x) = P(X ≤ x) = ∫ ❑ f ( x ) dx ,définie pour tout
k =1 −∞
x ∈ R (mais 0 ≤ F(x) ≤ 1) x∈ R
● Fonction croissante : ● F(x) est la primitive de la densité f(x)
o F ( x )=0
● La densité f(x) est la dérivée de F(x)
o F ( x )=1
● Fonction croissante :
● Fonction discontinue en « escalier »
X Fièvre pj
o F ( x )=0
o F ( x )=1
0 Aucune 0.3
● Fonction continue : sigmoïde
0
1 Modéré 0.6
e 0
2 Forte 0.1
0
12
E. Espérance et variance des variables aléatoires :
Espérance mathématique ou (Vraie) (Vraie) variance théorique ou (Vrai) écart

moyenne théorique µ type théorique (σX ou σ)
● Paramètre indiquant la position centrale ● Paramètre indiquant la dispersion des
de la distribution théorique : réalisations possibles de X autour de son
espérance
⇨ Dans le cas discret : Loi de
Définition probabilité
● Variance : dans les unités au carré de X.
⇨ Dans le cas continue : Densité de
probabilité ● Ecart type : dans les unités de X.
● Exprimé dans les unités de la variable X
● E(X) ou µx ou µ ● Variance théorique : Var(X) ou σx2 ou σ2

Notation
● Ecart type théorique : σX ou σ
● Espérance de X : somme de toutes les ● Variance théorique de X : espérance du

réalisations possibles de X pondérées carré de l’écart de X à son espérance μ
par leur probabilité Var ( X )=E [ ( X−μ )2 ]
J
● E ( X )=∑ ❑ p j x j
j=1 On démontre que :
● E(X) est la moyenne algébrique Var(X) = E(X²) - µ²
(définition pour les 2 types de VA)
pondérée d’une infinité de valeurs de X
tirée dans la population parente infinie
Formule VA de taille N ( N → ∞ ) : Variance théorique de X (uniquement pour
discrètes N 1 x1 +…+ N N x N VA discrètes) : somme du carré des écarts de
E ( X )→ chaque réalisation x j de X à sa moyenne
N
J théorique μ pondérée par la probabilité p j
Nj Nj
E ( X ) →∑ ❑ x =f j → p j J
d’observer x j .Var ( X )=∑ ❑ p j ( x −μ )
2
j=1 N jN
Loi des grands nombres N → ∞ j=1
● On dit aussi que l’espérance ou

moyenne théorique μ de X est la valeur
attendue (en moyenne) pour X.
Formule VA
● Espérance de X : par analogie avec le cas ● Variance théorique de X : même
continues
discret : définition que dans le cas discret.
Var ( X )=E [ ( X−μ )2 ]
+∞
● E ( X )=∫ ❑ xf ( x ) dx
−∞
13
+∞
● f ( x ) dx : Probabilité que X prenne une Var ( X )= ∫ ❑ ( x−μ ) f ( x ) dx
2
valeur dans un intervalle élémentaire de −∞

largeur dx
● = P(x ≤ X < x + dx)
● E(X) est un réel
Pour les 2 types ● Ecart type théorique σ : racine carré

de VA (discrètes positive de la variance théorique σ² :
et continues)
● σ =√ σ 2= √ Var ( X )
● Si x ≥ 0, alors E(X) ≥ 0 ● Var(X) > 0
Positivité
● σ>0
● Linéarité de l’espérance. ● Non linéarité de la variance

Changement de
● E (aX + b) = aE(X) + b ● Var (aX + b) = a²Var(X)
variable linéaire
● (Où b est une constante)
• Si a > 0 :
Conservation de ● P(X ≤ x) = P(aX + b ≤ ax + b)
la probabilité
● En effet, si a < 0 alors on change le sens de l’égalité.
Centrage de X ● E(X - µ) = E(X) - µ = 0 ● Var(X - µ) = Var(X)

Centrage puis
réduction de X
● E ( X −μ
σ ) 1
= × E ( X−μ )=0
σ
● Var ( X −μ
σ ) 1
= ×Var ( X −μ )=1
σ²
F. n-tuplets de variables aléatoires indépendantes
Il s’agit d’une démonstration pour comprendre :
- La somme de n variables aléatoires indépendantes, de même espérance et de même variance est

une variable aléatoire :
o Espérance de ces n variables : µ = E(X) = E ( X i ), ∀ i = 1,…, n
n
E ( X 1+ X 2+ X 3 +…+ X n )=∑ ❑ E ( X i )=nµ
i=1
o Variance de ces n variables : σ² = Var(X) = Var ( X i ¿, ∀ i = 1, …, n

n
Var ( X 1 + X 2+ X 3+ …+ X n) =∑ ❑Var ( X i ) =nVar ( X )=nσ ²
i=1
NB : La loi de probabilité de X est appelée loi parente infinie.
- La moyenne M (moyenne empirique) d’un échantillon aléatoire de n variables aléatoires

indépendantes de même loi de probabilité de mêmes paramètres (μ , σ ) a pour vraie moyenne et vraie
variance :
14
G. Théorème central limite
Enoncé du théorème : la somme de n variables aléatoires indépendantes et de lois quelconques est une variable
aléatoire dont la loi de probabilité converge vers la loi normale quand n tend vers l’infini.
Intérêt : de nombreux phénomènes aléatoires provenant de nombreuses causes indépendantes et additives

peuvent être représentés par une variable aléatoire normale. Fréquemment rencontré en métrologie, un peu
moins en biologie.
Conséquences sur la moyenne M d’un échantillon de n variable aléatoires continues indépendantes :

X → L ( μ , σ ) n → ∞ n ≥ 30 X continue ⇒ M → N μ ,
( σ
√n )
X suit une loi quelconque M suit une loi normale de
de moyenne µ et d’écart moyenne µ et d’écart type
type σ
Ceci est valable si n>30.
Exemple : Chez 36 enfants où le diagnostic d’otite a été posé, la fièvre attendue est de 37,5 avec un écart type de
0,48. On peut donc écrire µ = 37,5 et σ = 0,48. Quelle est la moyenne théorique et l’écart type théorique de la
variable aléatoire appelée moyenne empirique, définie comme étant la moyenne algébrique d’un échantillon de
36 variables indépendantes et de même loi de probabilité ?
� Cette variable suit une loi normale de paramètre µ = 37,5 et σ = 0,48. L’espérance sera donc de 37,5. Pour
σ
= 0,48/√ 36 = 0,08.
trouver l’écart type, on utilise la formule
√n
Les paramètres de la moyenne empirique sont donc µ = 37,5 et σ = 0,08.
On observe un échantillon de 36 sujets provenant de la population précédente. Quelle est la loi de la moyenne
empirique ?
� 36>30, donc le théorème central limite peut s’appliquer, nous auront donc une loi normale. La moyenne
empirique suivra donc une loi normale avec µ = 37,5 et σ = 0,08.
Donner la valeur prise par la variable aléatoire centrée réduite U associé à cette moyenne empirique M en
fonction de la moyenne m d’un échantillon de taille 36.
15
m−μ(m)
m−μ (m) m−μ(m)
U=
σ ( m)
= σ = √n
σ
√n
On va observer l’évènement U=u avec u, la valeur prise par m dans l’échantillon.
m−37 , 5
u=
0 , 08
Exemple : Probabilité que la moyenne observée dans l’échantillon soit supérieure à 37,62 :
= p (m > 37,62)
37 , 62 – 37 ,5
� Pour passer en loi normal, on fait donc = 1,5
0 , 08
� p (U > 1,5) = 1 - p(U < 1,5) , on regarde ensuite dans la table de la lois normale et on trouve p(U < 1,5) =
0,93 donc p(U > 1,5) = 0,07.
III. Les lois de probabilité
A. La loi de Bernoulli
Il s’agit de la loi de probabilité d’une variable binaire X. L’épreuve de Bernoulli est décrite comme suit :
- A : « X=1 » Présence du caractère A
- A : « X=0 » Absence du caractère A
- Le paramètre π de la loi : π=P( X=1)
Notation : X → Bernoulli (π )
Espérance : E(X) = µ = π
Variance théorique : Var(X) = π (1 – π)
Son intérêt :
- Dénombrer le nombre de sujets présentant le caractère dans un échantillon de taille n.
- Estimer la probabilité de survenue d’un événement.
Exemple : Dans une population donnée, la prévalence de maladie est de 20%. La variable aléatoire X représente le
statu vis-à-vis de cette maladie. X=1 en cas de maladie.
On a donc comme moyenne π = 0,20.
La variance vaut 0,2 x (1 – 0,8) = 0,16.
L’écart type vaut donc 0,4.
16
B. Loi binomiale de paramètre (n, π)
Position du problème avec un exemple : Quelle est la probabilité d’avoir 1 seule fille sur 4 enfants ? 2 filles ? 3
filles ? 4 filles ou aucune fille ? Sachant que la probabilité de donner naissance à une fille est π.
Cette situation est en fait une répétition d’une même épreuve élémentaire de Bernoulli :
● n fois (exemple n = 4)
● De façon indépendante
⇨ On a ainsi un échantillon aléatoire de n variables (X1 ; X2…Xn) de Bernoulli de même loi

(paramètre π)
Le résultat de l’épreuve totale aléatoire est donc :
● Sn le nombre de fois qu’on observe l’événement d’intérêt sur les n répétitions.
● Sn est une variable aléatoire et un entier compris entre 0 et n :
▪ Sn= X 1 + X 2 +…+ X n
( )
n
n!
∑ ❑ X i=k
k
Ainsi : P ( S n=k )=P ¿ C kn π k ( 1−π )n−k Où C n=
i=1 k ! ( n−k ) !
Pour comprendre : n! = n factoriel, exemple : 4! = 1x2x3x4 ; 1! = 1 ; 0! = 1. Après la prof ne vous demandera

jamais de calculer ces formules car vous n’avez pas de calculatrice.
Notation : Sn → (n , π )
¿
Moyenne théorique : E(Sn) = nπ
Variance théorique : Var (Sn) = nπ(1-π)
Exemple : La loi de probabilité de présence de fièvre chez les enfants avec otite à comme paramètre π = 0,4. Chez
les enfants avec otite diagnostiquée, à combien d’enfant avec fièvre peut-on s’attendre.
� On s’attends à nπ enfants avec fièvres. S’il y a dix enfants, on peut s’attendre à trouver 4 enfants avec de
la fièvre.
C. Lois de la moyenne F
La moyenne et la variance de la moyenne notée F (= fréquence) de n variables aléatoires de Bernoulli,

indépendantes, de même loi de probabilité :
X 1 + X 2 +…+ X n
- F=
n
17
- E ( F )=E ( X + X +n …+ X )=E ( Sn )=E ( X )=π
1 2 n n
- Var ( F ) =Var ( X 1 + X 2 +…+ X n

n ) ( )
=Var
S n Var ( X ) π (1−π )
n
=
n
=
n
D. Approximation de la loi binomiale par la loi normale :
Application du théorème central limite si :

- n est grand, π pas trop petit
- Sn → Binomiale ( n , π )
o Dans ce cas-là, on considère que Sn → Normale ¿ )
Il faut toutefois respecter les conditions, à savoir :
- nπ ≥ 5
- n(1−π)≥ 5
De même, on obtient : F → N π ,
( √ π (1−π )
n )
car Sn=nF
Exemple de lois binomiales pour n = 30 :
E. Lois continues (loi normale, loi normale standard)
1. Loi normale ou de Gauss :
- Paramètres :
18
o μ = moyenne = médiane = mode
o σ = écart-type
- Notation : X → N (μ , σ )
- Conservation de la loi normale :

X−μ
o U= est une loi normale obtenue :
σ
▪ En modifiant la moyenne par translation -μ
▪ En modifiant la variance par changement d’échelle ÷ σ

o P ( U <u ) =P (X < μ+uσ )
a−μ
o P ( X ≤ a )=P(U ≤ )
σ
Moyennes différentes Mêmes moyennes

Mêmes variances Variances différentes Loi normale centrée réduite
→ Translation → Changement d’échelle
-
-
- Intervalle de fluctuation (IF) d’une VA à la confiance (1 –

α) (intervalle de pari) centré en probabilité :
o IF (1−α ) ( X ) =¿ binf , b¿ ¿
▪ IF centré en probabilité :
o P ( X ≤ binf )=P ( X ≥ b¿ )=α /2
▪ X est dans l’intervalle de fluctuation avec une confiance 1 –
α:
o P ( binf < X < b¿ )=1−α =0 , 95
▪ X n’est pas dans l’intervalle de fluctuation avec un risque α :
o P ¿ binf , b¿ ¿=α =0 , 05
Exemple : Dans une population donnée, la glycémie suit une loi normale de moyenne 4,8 et d’écart type 0,6. Dans
quel intervalle centré à t’on 95% de chance d’observer une glycémie chez n individus ? Chez 100 sujets de cette
population ?
19
� Pour un individu : 1−α=0 , 95donc α =0 , 05 . La valeur de u correspondante est à 1,96.
L’intervalle centré est μ +/- uσ = 4,8 +/- 2 x 0,6 = 4,8 +/- 1,2. On remplace 1,96 par deux pour simplifier les
calculs ! Ici, on s’intéresse à la loi de X étant donné qu’on tire un individu au hasard.
0 ,6
� Pour 100 individus : Comme n>30, M suit une loi normale de moyenne 4,8 et d’écart type = 0,06.
√100
L’intervalle de fluctuation sera aussi centré sur 4,8 mais +/- 2 x 0,06
Plus n est grand, et plus la moyenne observée fluctue autour de µ !
Exemple : Dans une population donnée, la probabilité d’avoir de la fièvre quand on a une otite est de 40 %. Dans
quel intervalle centré a-t-on une probabilité de 95 % d’observer de la fièvre chez 100 sujets avec otites ?
La loi normale associée aura comme fréquence 0,4. La variance est de 0,4 x (1-0,6) = 0,24. Donc l’écart type sera
environ égal à 0,5.
Notre intervalle sera centré sur 0,4 +/- 2 x 0,5.
0 ,5
Pour 100 personnes, on a σ = = 0,05. L’intervalle correspondant est donc : 0,4 +/- 2 x 0,05.
√100
IV. Résumé
A. Formules essentielles
Espérance : linéarité, E ( aX + b )=aE ( X ) +b
Variance :
Non linéarité, Var ( aX +b )=a ² Var ( X )
Si X et Y quelconques : Var ( X +Y ) =Var ( X ) +Var ( Y )+ 2Cov (X , Y )
B. Différentes lois et leur vraie moyenne et vraie variance
20
C. Approximation de loi
Ce résumé est plutôt clair pour comprendre et aide à mémoriser mais il faut remplacer les p par des π. Depuis
l’année 2018-2019, la prof considère que n ≥ 30 ne fait plus partie des conditions d’approximation de la loi
binomiale en loi normale.
🡪 Conditions d’approximation de la loi binomiale par la loi de Poisson :
n ≥ 50 ; nπ <10
🡪 Conditions d’approximation de la loi binomiale par la loi normale : nπ ≥ 5 ; n (1−π ) ≥ 5
V. Probabilités conditionnelles
A. Définition intuitive
- Il existe des probabilités subjectives a priori comme les croyances.

- Lorsque l’on reçoit des informations supplémentaires, mise à jour des probabilités a priori, on met à jour
ces croyances.
- Les probabilités subjectives a posteriori concernent ainsi les croyances réactualisées.
- Les probabilités conditionnelles sont des probabilités contextuelles, réactualisées grâce à de nouvelles
informations.
B. Définition probabiliste
21
La probabilité conditionnelle d’un événement correspond à sa probabilité sachant qu’un autre événement se
réalise. La probabilité conditionnelle de A sachant B est la probabilité que A se réalise lorsque B se réalise.
Soit 2 événements A et B possibles (P(A) ≠ 0 et P(B) ≠ 0) : P (A se réalise SI B se réalise) = P(A\B) :

P ( A et B ) P ( AB )
P ( B )= =
P (B) P ( B)
Attention : A\B n’est pas un événement, il n’y a ni de notion temporelle (B n’est pas forcément réalisé avant ou
après A), ni de relation causale (B n’est pas la cause de A).
Ainsi :
- Probabilité a priori de A : P(A)
- Probabilité a posteriori de A lorsque B : P(A\B)
NB : PAS DE SYMETRIE (dans la formule en rouge) si P(A) ≠ P(B) alors :
Exemple : P (avoir joué au loto SI gagner) =1 mais P (gagner

au loto SI avoir joué)≈ 0.
Mais ces probabilités sont réversibles en utilisant cette propriété :
P ( AB ) =P ( B ) P ( B )=P ( A ) P ( A )
C. Aspect fréquentiste :
Si on répète un très grand nombre de fois une expérience et que l’on observe :
- nA fois l’événement A
- nB fois l’événement B
- nAB fois conjointement l’événement A et l’événement B
Alors, quand n → ∞:
nA nB n AB
→ P ( A ) ; → P (B ); → P ( AB )
n n n
n AB
n n AB P ( AB )
= ; =P ( B )
nB nB P ( B )
n
n AB
P(A|B) sera interprété comme le rapport
nB
D. Probabilité conditionnelle ou probabilité conjointe ?
22
A savoir par cœur !!!! Il faut savoir faire la différence le jour du concours pour bien savoir ce qu’on vous demande.
• Probabilité que l’événement A se réalise quand l’événement B se
réalise.
• Probabilité que l’événement A se réalise lorsque l’événement B se
réalise.
• Probabilité que l’événement A se réalise sachant que l’événement B
se réalise.
Probabilités • Probabilité que l’événement A se réalise chez les sujets qui réalisent
P(A|B)
conditionnelles l’événement B.
• Probabilité que les sujets ayant réalisé l’événement B se réalisent
l’événement A.
• Probabilité que les sujets qui réalisent l’événement B réalisent
l’événement A.
• Probabilité pour une personne réalisant l’événement B de réaliser
l’événement A.
• Probabilité que l’événement A se réalise et que l’événement B se
P(AB) réalise.
• Probabilité que l’événement A se réalise avec l’événement B.
Probabilités
• Probabilité que l’événement A se réalise sans que l’événement B se
d’événements
réalise.
conjoints
P( A B) • Probabilité que l’événement A se réalise et pas B.
• Probabilité que l’événement B ne se réalise pas mais que
l’événement A se réalise.
E. Application de la réversibilité des probabilités :
P ( AB ) P ( AB )
P ( A )= ; P ( B )=
P( A) P ( B)
P ( AB ) =P ( A ) × P ( A )=P ( B ) × P ( B )
Il faut être à l’aise avec ces formules qui permettent de répondre aux questions dans les exercices !!!
Exemple : Dans une population donnée, 80% des personnes atteintes d’une maladie M sont des
hommes. Cette population est composée de 50% d’homes. La prévalence de la maladie (probabilité d’être
malade) est de 1%. Quelle est la probabilité de maladie chez les hommes ?
P ( HM )=P ( H ) × P ( H )=P ( M ) × P ( M )
P(M)×P(M)
On veut p(M/H) :
P (H )
= (0,01 x 0,81) /0,5
= 1,62 %
F. Théorème de Bayes :
Le théorème de Bayes a un intérêt puisqu’il permet une réversibilité des probabilités conditionnelles.
23
En effet :
Donc le théorème de Bayes :
On peut le détailler ainsi :
Ce théorème a pour objectif de connaître la probabilité de maladie après :

- L’observation d’un symptôme (cf : chap 12)
- Un test diagnostique (cf : chap 11)
VI. Indépendance
Deux événements possibles sont indépendants, si la réalisation de l’un des événements n’influence pas la
réalisation de l’autre évènement :
Si P ( B )=P ( A ) et P ( A )=P ( B )
⇔ P ( AB )=P ( A ) P ( B )
Soient A et B deux événements indépendants :

P ( A∨B ) =P ( A )
De plus, B n’influe pas sur A donc :
P ( A∨B ) =P ( A )
Donc, sous l’hypothèse d’indépendance :
P ( A∨B ) =P ( A∨B )
Exemple : Le fait de décéder est-il indépendant du genre dans cette population ? La probabilité d’être un homme
et d’être décédé est de 0,14. La probabilité d’être un homme (p(H)) est de 0,68 et la probabilité de décéder (p(D))
est de 0,25.
� On regarde si la probabilité p(HD) = p(H) x p(D)
� p(H) x p(D) = 0,25 x 0,68 = 0,17
24
� Les évènements ne sont pas indépendants.
VII. Résumé
La loi des grands nombres :
nA
f= n →∞ ⇒ p=P ( A )
n
Probabilités conditionnelles :
P (A et B) P( AB)
P ( B )= =
P( B) P (B)
P ( AB ) =P ( A ) × P ( A )=P ( B ) × P ( B )
P ( B )=P ( BA )+ P ( B A )
1=P ( B ) + P( A∨B)
Pour deux événements indépendants :
P ( AB ) =P ( A ) x P(B)⇔ P ( B )=P ( B )= p=π

Le théorème de Bayes :
25
VIII. ANNALES CLASSÉES CORRIGÉES :
PROBABILITÉS
2016-2017
Exercice 1 :
Pour un sujet d’une population P, X=1 représente l’exposition au tabac et Y=1 la présence de cancer.
La prévalence du cancer est de 12% dans cette population qui comprend 20% de fumeurs ; 72% des sujets sont
exempts de cancer et non fumeurs.
Question 01. Parmi les propositions suivantes, vous cocherez la ou (les) proposition(s) exacte(s) :
A) La probabilité pour un sujet fumeur de cette population d’avoir un cancer est de 0,04/0,20=0,2
B) La probabilité pour un sujet fumeur de cette population d’avoir un cancer est de 0,04/0,12=1/3=0,33
C) Les deux variables aléatoires sont indépendantes dans l’exemple numérique fourni dans l’énoncé
D) Il suffit de vérifier que P(X=0∩ Y=0)=P ( X =0 ) × P(Y =0) pour affirmer que les deux variables sont
indépendantes
E) Il suffit de vérifier que P ( Y =0 )=P(X =0) pour affirmer que les deux variables sont indépendantes
Réponses : AD
Pour les exercices de probabilités et notamment celui-ci, faire un tableau de contingence simplifie beaucoup les
choses :
Cancer (Y =1) Cancer (Y =0)
Fumeur( X=1) 0,04 0,16 0,20
Fumeur( X=0) 0,08 0,72 0,80
0,12 0,88 1
On remplit le tableau avec les données de l’énoncé (en gras), puis on le complète.
P (Y =1 ∩ X =1) P(C ∩ F) 0 ,04
A, B. On cherche : P ( Y =1 ¿=1 )= soit P ( C ¿ ) = = =0 , 20
P( X=1) P (F ) 0 , 20
C. FAUX : Pour savoir si deux événements sont indépendants, il faut que : P ( A ∩B )=P( A)× P( B) ou que
P ( A ¿ )=P( A) ou que P ( B ¿ )=P(B)
Pour cette question, P ( Y =1 ∩ X =1 )=0 , 04 et P ( Y =1 ) × P ( X =1 )=0 , 12× 0 , 20=0,024 .
On remarque que 0 , 04 ≠ 0,024 donc les deux variables ne sont pas indépendantes.
D, E. C’est du cours, pour que deux événements soient indépendants, il faut que : P ( A ∩B )=P( A)× P( B) ou
que P ( A ¿ )=P( A) ou que P ( B ¿ )=P(B), donc l’item D est VRAI.
2017-2018
Exercice 1 :
Des patients hospitalisés contractant une infection au cours de leur séjour sont pris en charge par une équipe
mobile spécialisée ne prenant en charge que des patients avec une infection nosocomiale. Ils peuvent souffrir
d’une ou plusieurs infections : une bactérienne (BAC), une pneumonie (PNE) ou une infection du tractus urinaire
(ITU).
26
Dans la population P des patients pris en charge par cette équipe, 2 patients sur 5 sont atteints d’une infection du
tractus urinaire et 35% ne présentent pas de pneumonie. Par ailleurs, 9 patients sur 10 sont atteints de
pneumonie ou d’infection du tractus urinaire.
Question 01. Parmi les propositions suivantes, vous cocherez la (ou les) proposition(s) exacte(s) :
A) La probabilité pour un patient pris en charge par cette équipe d’être atteint de pneumonie et d’infection du
tractus urinaire est de 0,10
B) La probabilité pour un patient pris en charge par cette équipe d’être atteint de pneumonie et d’infection du
tractus urinaire est de 0,15
C) La probabilité pour un patient pris en charge par cette équipe de n’avoir aucune infection est de 0,10
D) La probabilité pour un patient pris en charge par cette équipe de n’avoir qu’une bactériémie est de 0,10
E) Le fait de contracter une pneumonie est indépendant du fait de contracter une infection du tractus urinaire
Réponses : BD
Pour ce type d’exercice et si vous le pouvez (on peut ici), faites un tableau de contingence.
On note bactériémie : BAC ; pneumonie : PNE ; infection du tractus urinaire : ITU.
D’après l’énoncé, on a : P ( ITU )=0 , 4; P ( PNE ) =0 , 35; P ( PNE ∪ ITU ) =0 , 9
Pneumonie Pas de pneumonie
Infection du 2
0,15 0,25 =0 , 40
tractus urinaire 5
Pas d’infection du
0,50 0,10 0,60
tractus urinaire
0,65 0,35 1
Premièrement, il va falloir trouver une probabilité pour compléter le tableau. On va donc essayer de trouver :
P ( PNE ∩ ITU )=1−P ( PNE ∪ ITU ) =1−0 , 90=0 , 10
Les données en gras sont celles de l’énoncé.
A, B. D’après le tableau, on voit que P ( PNE ∩ ITU ) =0 , 15. Donc l’item B est VRAI.
Si vous n’avez pas fait de tableau de contingence, vous pouvez aussi passer par le calcul, en utilisant la formule :
P ( A ∪ B )=P ( A ) + P ( B ) −P( A ∩ B)
D’après l’énoncé, P ( PNE ) =0 , 35 donc P ( PNE ) =1−P ( PNE ) =1−0 , 35=0 ,65
P ( PNE ∩ IUT )=P ( PNE ) + P ( IUT )−P ( PNE ∪ IUT )=0 , 65+0 , 4−0 , 9=0 , 15
C. Dans cette étude, les patients ont obligatoirement une infection, donc la probabilité de n’avoir aucune infection
est de 0. On a P ( BAC )+ P ( PNE ) + P ( ITU )=1.
D. VRAI: N’avoir qu’une bactériémie signifie n’avoir ni pneumonie ni infection du tractus urinaire, donc d’après le
tableau : 0,10.
E. FAUX : On a une indépendance si : P ( PNE ∩ ITU ) =P( ITU )× P(PNE). Or, on a P ( PNE ∩ ITU ) =0 , 15 et
P ( ITU ) × P ( PNE ) =0 , 40 ×0 , 65=0 , 26 donc P ( PNE ∩ ITU ) ≠ P(ITU )× P(PNE). Ainsi, le fait de contracter
une pneumonie n’est pas indépendant du fait de contracter une infection du tractus urinaire.
2018-2019
Exercice 1 :
27
On considère qu’en Europe, parmi 200 patients admis en service de soins intensifs spécialisés en chirurgie, 140
présentent en moyenne une détresse respiratoire, et sont donc ventilés par intubation le jour de leur admission.
Par ailleurs, le risque de contracter une infection pulmonaire pour un patient au cours de son séjour est en
moyenne de 7% dans ces services. Sur 100 patients qui développent une infection pulmonaire pendant leur
séjour, en moyenne 85 sont ventilés à l’admission.
Quelle est la probabilité pour un patient ventilé le jour de son admission de contracter une infection pulmonaire
dans ces services ?
On donne : 49/85 ≈ 0,58.
Question 01. Parmi les propositions suivantes, vous cocherez la (ou les) proposition(s) exacte(s) :
A) La probabilité pour un patient ventilé le jour de son admission de contracter une infection pulmonaire dans
ces services est de 0,058
B) La probabilité pour un patient ventilé le jour de son admission de contracter une infection pulmonaire dans
C) La probabilité pour un patient ventilé le jour de son admission de contracter une infection pulmonaire dans
D) La survenue d’une infection pulmonaire au cours du séjour dépend du fait d’être ventilé à l’admission
E) L’absence d’infection pulmonaire au cours du séjour dépend du fait d’être ventilé à l’admission
Réponses : BDE
A, B, C. Dans cet exercice, on demande de trouver P(I ¿) . Soit les événements suivants : I → Infection
pulmonaire ; V → Ventilation.
140 70 85
On sait que : P ( V )= = =0 , 7 et P ( I )=7 %=0 , 07 P ( V ¿ )= =0 , 85
200 100 100
P (V ∩ I ) P(V ∩ I )
P ( V ∩ I )=P ( V ) × =P ( I ) ×
P (V ) P( I )
P ( V ∩ I )=P ( V ) × P ( I ¿ )=P(I )× P(V ¿)
P( I )× P (V ¿) 0 , 07 × 0 ,85 1 ×0 , 85
P ( I ¿) = = = =0,085
P (V ) 0,7 10
D. VRAI: Pour que deux événements soient indépendants, il faut que : P ( A ∩B )=P( A)× P( B) ou que
P ( A ¿ )=P( A) ou que P ( B ¿ )=P ( B ). Ici, on compare P ( I ¿ ) et P (I ). Or, P ( I ¿ ) =0,085 ≠ 0 ,07=P(I ). Donc les
deux événements ne sont pas indépendants, ainsi ils dépendent l’un de l’autre.
E. VRAI: Si on prouve que deux événements ne sont pas indépendants alors toutes autres combinaisons ne sont
pas indépendantes : P ( I ¿ ) ≠ P ( I ) → P ( I ¿ ) ≠ P(I ) .
2019-2020
Ø
2020-2021
Exercice 1 :
Dans la tranche d’âge 18-25 ans, les limites de référence du taux d’hémoglobine chez la femme sont de 124 g/L et
156 g/L. Ces deux limites correspondent respectivement aux percentiles 2,5 et 97,5 de la distribution théorique
28
du taux d’hémoglobine dans cette population. Le taux d’hémoglobine est normalement distribué dans cette
population. Une femme sera considérée anémique si son taux d’hémoglobine est inférieur à 120 g/L.
Vous arrondirez sur la 2edécimale la valeur lue dans la table et vous garderez deux chiffres après la virgule.1.
Question 01. Parmi les propositions suivantes, vous cocherez la (ou les) proposition(s) exacte(s):
A. La moyenne théorique du taux d’hémoglobine dans cette population est de 140 g/L.
B. L’écart type théorique du taux d’hémoglobine dans cette population est de 16 g/L.
C. L’écart type théorique du taux d’hémoglobine dans cette population est de 8 g/L.
D. La probabilité pour une femme de cette population de présenter une anémie est de 2 %.
E. La probabilité pour une femme de cette population de présenter une anémie est de 1 %.
Réponses : ACE
A. VRAI: le taux d’hémoglobine suit une lois normale. On a donc (124 + 156)/2 =140
B. FAUX. On a P (X ≤156) = 97,5 %. On a donc P ((𝑥−μ)/𝜎≤(156−μ)/𝜎) = 97,5 %. On note U = 𝑥−μ)/𝜎. U suit donc
une loi normale centrée réduite. On va à présent chercher dans la table la valeur correspondante à 97,5%. On
trouve P (U ≤u0,9750) = 0,975 🡪 P (U ≤ 1,96) = 0,975 Il faut donc résoudre l’équation : (𝑥−μ)/𝜎 = 1,96 soit 𝜎 = 8
g/L
C. VRAI (voir item B).
D. FAUX P(X ≤120) = P(U ≤(120−140)/8) = P(U ≤−20 /8) = 1 –P (U ≤2,5) = 1 –0,99 = 1 %
E. VRAI (voir item D)
Exercice 2 :
Dans une communauté comprenant 40% de fumeur réguliers, 20% des individus sont testé positifs au Covid-19 et
50% des sujets positifs au Covid-19 sont des fumeurs réguliers.
Question 02. Parmi les propositions suivantes, cochez la (ou les) proposition(s) exacte(s) :
A. Dans cette communauté, un sujet positif au Covid-19 a une chance sur 2 d’être fumeur régulier
B. Le résultat au test diagnostic du Covid-19 est indépendant du statut “fumeur régulier”
C. La probabilité pour un fumeur régulier d’être testé positif au Covid-19 est de 50 %
D. La probabilité pour un fumeur régulier d’être testé positif au Covid-19 est de 25 %
E. La probabilité pour un fumeur régulier d’être testé positif au Covid-19 est de 2,5 %
Réponses : AD
On connait : P(Fumeur régulier) = P(F) = 0,4 ; P(test Covid19 positif)= P(C) = 0,2 ; 𝑃(𝐹|𝐶)=0,5
A. VRAI: c’est P(F/C)
B. FAUX. 𝑃(𝐹)≠𝑃(𝐹|𝐶)
C. FAUX: On veut P(C/F). D’après Bayes, 𝑃(𝐹)×𝑃(𝐶|𝐹)=𝑃(𝐶)×𝑃(𝐹|𝐶), donc 𝑃(𝐶|𝐹)=𝑃(𝐶)×𝑃(𝐹|𝐶)/𝑃(𝐹) = (0,2 x
0,5)/0,4 = 25%.
D. VRAI (voir calcul item C)
E. FAUX (voir calcul item C)
2021-2022
Exercice 2 :
La sensibilité d'un signe clinique S vis-à-vis d'une infection par un virus V est de 60 % dans une population
donnée. Ceci signifie que la probabilité pour un sujet infecté par ce virus V de présenter ce symptôme S est
29
de 60 %. En population générale, 9 % des sujets présentent ce symptôme ubiquitaire quelle que soit la
saison. Sachant que l'hiver la prévalence de cette infection est de 6 %, quelle est la probabilité pour un sujet
présentant ce symptôme d'être infecté l'hiver par le virus V ?
QCM 2 : Parmi les propositions suivantes, cochez la (ou les) proposition(s) exacte(s) :
A) La probabilité demandée est inférieure à 0,01
B) La probabilité demandée est 0,4
C) La probabilité demandée est 0,9
D) Si le symptôme S est indépendant de l'infection par le virus V, alors P(V/S) = P(V)
E) Si le symptôme S dépend de l'infection par le virus V, alors P (V n S) = P(V) x P(S)
Réponses : BD
Information : P(S/V) = 0,6 P(S) = 0,09 P(V) = 0,06
On cherche P(V/S) = ??
On calcul P(SV) = P(S/V) x P(V) = 0.6 x 0.06 = 0.036
Soit P(V/S) = P(SV) / P(S) = 0.039 x 0.9 = 0.4  B VRAI
Si symptôme S est indépendant de l’infection par le virus V, alors P(V/S) = P(V) et donc P(SV) = P(V) x P(S)  D
VRAI et E FAUX
30
IX. ANNALES CLASSÉES CORRIGÉES :
VARIABLES ALÉATOIRES
2016-2017
Exercice 2 :
Le taux de triglycérides des sujets d’une population P peut être représenté par une variable aléatoire X de loi
normale, de moyenne théorique ( μ=1 , 3) et d’écart-type théorique (σ =0 , 5). Les valeurs sont exprimées en g/L.
On donne les valeurs suivantes de la fonction de répartition de la loi normale centrée réduite :
u 0,20 0,50 0,75 1,00 1,25 1,50 1,75 2,00
P(U ≤ u) 0,58 0,69 0,77 0,84 0,89 0,93 0,96 0,98
Question 03. On considère la variable aléatoire Y qui prend la valeur 1 lorsqu’un sujet de cette population P
présente un taux de triglycéride inférieur ou égal à 1,2g/L et qui prend la valeur 0 dans le cas contraire.
Parmi les propositions suivantes, vous cocherez la (ou les) proposition(s) exacte(s) :
A) La variable aléatoire Y suit une loi normale
B) La variable aléatoire Y suit une loi de Bernoulli
C) La moyenne théorique de Y est P( X ≤ 1 ,2)
D) La variance théorique de Y est P( X ≤ 1 ,2)× P(X > 1, 2)
E) La loi de la variable Y peut être approximée par une loi normale
Réponses : BCD
A, B. On voit que Y suit une loi de Bernoulli de paramètre : p=P (Y =1) avec pour moyenne p et pour variance
p ( 1− p ) .
C. VRAI: Pour que (Y =1), il faut que le taux de triglycérides soit inférieur ou égale à 1,2g/L. On remarque donc
que P ( Y =1 )=P (X ≤1 , 2). Ainsi, p=P (X ≤1 , 2).
D. VRAI: On a dit que la variance d’une loi de Bernoulli s’écrit
σ = p ( 1− p )=P ( X ≤ 1 ,2 ) × [ 1−P ( X ≤ 1 ,2 ) ] =P ( X ≤ 1 , 2 ) ×[ P ( X >1 ,2 ) ].
E. FAUX On ne peut pas répondre avec les données de l’énoncé.
Exercice 3 :
On considère une variable aléatoire X de loi de probabilité quelconque de moyenne et de variance théoriques
connues.
On appelle moyenne empirique M la variable aléatoire qui est la moyenne de n variables aléatoires de même loi
de probabilité que celle de la variable aléatoire X .
Question 04. La relation E ( M )=E (X ) est vraie :

A) Quelle que soit la loi de probabilité de la variable aléatoire X
B) Uniquement si X est une variable aléatoire continue
C) Uniquement si le théorème central limite s’applique
D) Uniquement si X suit une loi normale
E) Aucune des propositions précédentes n’est exacte
Réponses : A
31
QCM de cours. E ( M )=E ( X ) dans tous les cas. Donc seule la réponse A est VRAI puisque les autres items sont
restrictifs.
2017-2018 et 2018-2019
Ø
2019-2020
Exercice 1
On suppose qu’en population générale, 80% des personnes âgées de plus de 75 ans sont atteintes d’arthrose. La
variable aléatoire F (fréquence empirique) représente la proportion de sujets atteints d’arthrose estimée à partir
d’un échantillon représentatif de 100 sujets de plus de 75 ans de la population générale.
Question 1. Parmi les propositions suivantes, vous cocherez la (ou les) proposition(s) exacte(s)
A- La variable d’étude dont la valeur est collectée par sujet est une variable quantitative de dénombrement.
B- La variable aléatoire (n × F) suit une loi binomiale de moyenne théorique 80 et d’écart type théorique 4
C- La loi de la variable aléatoire (F) peut être approximée par une loi normale
D- Pour s’assurer que la proposition C est juste, il suffit de comparer la valeur 20 à 5
E- L’écart type théorique de la variable aléatoire F est égal à 0,4
Réponses : BCD
A.FAUX 𝑋 représente une variable d'étude qualitative binaire et non pas quantitative de dénombrement
B. VRAI La moyenne théorique est bien dé 80. L’écart type de F vaut :
σ nF= √ Var (nF )=√ n × π 0 ×(1−π 0 )=√ 100× 0 , 8(1−0 , 8)=√ 8× 2=√ 16=4
C.VRAI on a n > 30, nσ = 100 x 0,8 > 5 et n(1-σ) = 100 x 0,2 = 20 > 5
D. VRAI
E. FAUX il vaut 0,04 :
E ( F )=π 0 Var ( F )=
√ π 0 ( 1−π 0)
n
=
√0 , 8(1−0 ,8)
100
=
100 √
0 ,16
=
16
2
=
100 100 √
4
=0 , 04
NB. La question 2 est à classer dans le chapitre « probabilités » plutôt que « variables aléatoires », mais comme
la question est liée à l’énoncé précédent, nous la laissons à la suite.
Question 2. Calculez et indiquez la probabilité d’observer la variable aléatoire F inférieure à 0,78 ou supérieure
à 0,82 parmi les valeurs du tableau 1. Vous arrondirez la valeur lue dans la table de la fonction de répartition de
la loi normale centrée réduite sur la 2ème décimale.
0,28 0,29 0,30 0,31 0,32 0,33 0,34 0,35 0,45 0,46
A B C D E AB AC AD AE BC
0,47 0,48 0,49 0,50 0,51 0,52 0,53 0,54 0,55 0,56
BD BE CD CE DE ABC ABD ABE ACD ACE
0,57 0,58 0,59 0,60 0,61 0,62 0,63 0,64 0,65 0,66 Autre
ADE BCD BCE BDE CDE ABCD ABCE ABDE ACDE BCDE ABCDE
Tableau 1
Réponses : ABCD
32
On veut P(F < 0,78) + P(F > 0,82).
0,78 et 0,80 étant symétriques par rapport à la moyenne théorique de F, on a donc :
P(F < 0,78) = P(F > 0,82).
Sachant que l’on peut approximer F par une loi normale : N(0,8 ; 0,04), on obtiens alors :
P ( F ≤ 0 ,78 )=P ( F−0 , 80 0 ,78−0 , 80
0 , 04
≤
0 , 04 ) =P (U ≤−
0 , 02
0 , 04 )=P (U ≤− )=1−P(U ≤ 0 , 5)
1
2
D’après la table de la loi normale, on peut écrire : P(F < 0,78) = 1 – 0,69 = 0,31
P(F < 0,78) + P(F > 0,82) = 2 x 0,31 = 0,62
2021-2022
Ø
33

2022-2023-LS-Biostatistiques-02-Variables Aléatoires Et Probabilités-V0

Transféré par

Informations du document

Titre original

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

2022-2023-LS-Biostatistiques-02-Variables Aléatoires Et Probabilités-V0

Transféré par

Droits d'auteur :

Formats disponibles

CAHIER PASS

VARIABLES ALÉATOIRES ET PROBABILITÉS

Cours Galien Lyon Sud – 2022/2023

Les probabilités en santé peuvent être utilisées pour de nombreuses applications :

B. Épreuves aléatoires, événements et probabilités

La loi des grands nombres :

L’ensemble vide est un événement impossible. Il est noté ∅.

Axiomes des probabilités et leurs

Certain ● Ω : ensemble fondamental, ensemble des P(Ω) = 1

● Événements tous incompatibles dont la P(A) + P(B) + P(C) = 1 ♥

On peut remplir le tableau suivant :

4. Tableau des probabilités des événements conjoints :

Il existe 2 types de variables aléatoires :

▪ Polytomique : à plus de 2 modalités

▪ ordinale : relation d’ordre entre les modalités, moins de 7 niveaux

Point de vue mathématique :

● Exemple : « X = 52 » ; « 30 ≤ X ≤ 35 » sont les événements observés.

● Ω = {« X = 0 », « X = 1 », « X = 2 »} est l’ensemble des événements que l’on peut observer.

● (X = xj) sera le jème événement (ou valeur) possible.

D. Loi de Probabilité et fonction de répartition

1. Loi de probabilité ou distribution théorique de probabilité et fonction de

● Avec pj = P(« X=xj ») ● Les probabilités sont sur des intervalles

Fonction de répartition = probabilités cumulées : Fonction de répartition = probabilités cumulées : (vite

Espérance mathématique ou (Vraie) (Vraie) variance théorique ou (Vrai) écart

● Exprimé dans les unités de la variable X

● E(X) ou µx ou µ ● Variance théorique : Var(X) ou σx2 ou σ2

● Espérance de X : somme de toutes les ● Variance théorique de X : espérance du

● On dit aussi que l’espérance ou

valeur dans un intervalle élémentaire de −∞

● E(X) est un réel

Pour les 2 types ● Ecart type théorique σ : racine carré

● Linéarité de l’espérance. ● Non linéarité de la variance

Centrage de X ● E(X - µ) = E(X) - µ = 0 ● Var(X - µ) = Var(X)

F. n-tuplets de variables aléatoires indépendantes

Il s’agit d’une démonstration pour comprendre :

- La somme de n variables aléatoires indépendantes, de même espérance et de même variance est

o Variance de ces n variables : σ² = Var(X) = Var ( X i ¿, ∀ i = 1, …, n

- La moyenne M (moyenne empirique) d’un échantillon aléatoire de n variables aléatoires

Intérêt : de nombreux phénomènes aléatoires provenant de nombreuses causes indépendantes et additives

Conséquences sur la moyenne M d’un échantillon de n variable aléatoires continues indépendantes :

Ceci est valable si n>30.

III. Les lois de probabilité

⇨ On a ainsi un échantillon aléatoire de n variables (X1 ; X2…Xn) de Bernoulli de même loi

● Sn est une variable aléatoire et un entier compris entre 0 et n :

Pour comprendre : n! = n factoriel, exemple : 4! = 1x2x3x4 ; 1! = 1 ; 0! = 1. Après la prof ne vous demandera

La moyenne et la variance de la moyenne notée F (= fréquence) de n variables aléatoires de Bernoulli,

- Var ( F ) =Var ( X 1 + X 2 +…+ X n

D. Approximation de la loi binomiale par la loi normale :

Application du théorème central limite si :

Exemple de lois binomiales pour n = 30 :

E. Lois continues (loi normale, loi normale standard)

1. Loi normale ou de Gauss :

- Conservation de la loi normale :

▪ En modifiant la variance par changement d’échelle ÷ σ

Moyennes différentes Mêmes moyennes

- Intervalle de fluctuation (IF) d’une VA à la confiance (1 –

Espérance : linéarité, E ( aX + b )=aE ( X ) +b

B. Différentes lois et leur vraie moyenne et vraie variance

🡪 Conditions d’approximation de la loi binomiale par la loi de Poisson :

🡪 Conditions d’approximation de la loi binomiale par la loi normale : nπ ≥ 5 ; n (1−π ) ≥ 5

- Il existe des probabilités subjectives a priori comme les croyances.

Soit 2 événements A et B possibles (P(A) ≠ 0 et P(B) ≠ 0) : P (A se réalise SI B se réalise) = P(A\B) :

NB : PAS DE SYMETRIE (dans la formule en rouge) si P(A) ≠ P(B) alors :