Académique Documents
Professionnel Documents
Culture Documents
Département d’Economie
SUPPORT DE COURS
PROBABILITE
Licence 2
Enseignant : Dr Essan
Dr ESSAN K. Ambroise
2
M. ESSAN K. AMBROISE
Objectifs du cours :
Plan du cours
I- Généralités
II- Variables aléatoires discrètes
III- Variables aléatoires continues
I- Lois discrètes
II- Lois continues
Dr ESSAN K. Ambroise
3
Définitions
On appelle ensemble une collection finie ou infinie d’objets, mathématiques ou
non.
Tout objet de cette collection s’appelle élément de cet ensemble.
Une partie de l’ensemble s’appelle sous ensemble.
Appartenance et inclusion
Prenons l’ensemble E des étudiants en L2 Eco. Chaque étudiant est un élément
de E ; on dit encore chaque étudiant appartient à E. Par exemple si Laure est
une étudiante de l’ensemble E, alors on note Laure ∈ E.
La partie F de l’ensemble E, composée de fille est un sous ensemble. On note
F⊂E et on dit que F est inclus dans E.
Soit G le sous ensemble de E composé de garçon. On a laure ∉ G
Définition1.1
On dit qu’un sous ensemble B est inclus dans A ou que B est un sous ensemble
de A ou encore que B est une partie de A, noté B ⊂ A si et seulement si
∀ ∈ , ∈ .
Définition1.2
Si E est un ensemble, alors il existe un ensemble, appelé ensemble des parties
de E, noté P(E) dont tous les éléments sont les ensembles inclus dans E. Il
vérifie pour tout ensemble F : F ∈ P(E) équivaut à F ⊂ E.
Dr ESSAN K. Ambroise
4
Exercice
Soit E={1 ; x ; y ; 2 ; -4}, déterminer P(E).
a) Définitions
• On appelle union de A et de B, noté A∪B, le sous ensemble des éléments
de E qui sont soit dans A, soit dans B, soit dans les deux :
A ∪ B={ ∈ . : ∈ ou ∈ }.
∈ et ∉ }= ∩ 0000.
éléments de E qui sont dans A et qui ne sont pas dans B :
+\, ={ ∈ . :
Dr ESSAN K. Ambroise
5
Exemple
- Soient A1, l’ensemble des nombres pairs, et A2, l’ensemble des nombres
impairs.
{ A1 ; A2 } forme une partition de ℕ.
- Soit A⊂E, {A ; 000} forme une partition de E.
b) Propriétés
(i) A, B ⊂ A∪B.
(ii) A ∩ B⊂ A, B.
(iii) 0000000
∪ = 000 ∩ 000 ; 0000000
∩ = 000 ∪ 0000.
(iv) A⊂ B⇔ A ∩ B= A
(v) A∪(B∩C)= (A∪B)∩ (A∪C) ; A∩(B∪C)= (A∩B)∪(A∩C).
II. DENOMBREMENT
On se place dans un ensemble E fini. E est appelé population. On note C son
cardinal (nombre d’éléments de E).
Dénombrer, c’est trouver le cardinal de E. Pour trouver le cardinal de E, il faut
expliquer une méthode systématique qui permette de trouver tous les éléments de
E, sans compter aucun élément plusieurs fois.
1) p-uplets ou p-listes
Définition
On appelle p-uplets ou p-listes de p éléments de E, un échantillon ordonné
avec répétition de longueur p sur E ; c’est une suite ordonnée de p éléments de
E. Il correspond à une application de {1 ; 2 ; … ; p} vers E.
Proposition
Le nombre de p-uplets est : Dp.
Exemples
- De combien de façon peut-on ranger 6 fichiers dans 4 cartons ?
- Combien de possibilités un employé dispose-t-il pour ouvrir une porte d’un
bureau de son entreprise dont le système de sécurité utilise un code à 4
chiffres ?
- Un sac contient 5 boules indiscernables. On tire successivement et avec
remise 10 boules du sac. Combien de possibilités a-t-on ?
2) Arrangement
Définition
On appelle arrangement de E éléments de E, un échantillon ordonné sans
répétition de longueur E sur E ; c’est un E-uplet dont tous les éléments sont
différents, donc E ≤ C. Il correspond à une injection de {1 ; 2 ; … ; p} vers E.
Proposition
G D!
Le nombre d’arrangements de E éléments de E est : +D = (DIG)! avec E ≤ C.
Dr ESSAN K. Ambroise
6
Exemple
- Une urne contient 10 boules toutes différentes et indiscernables au
toucher : 3 rouges, 5 blanches et 2 noires. On tire successivement sans
remise 3 boules de l’urne. Quel est le nombre de possibilités ?
- De combien de façons peut-on ranger 4 fichiers dans 6 cartons ; un carton
ne peut contenir au plus un fichier ?
- De combien de façons, un employé peut-il ouvrir une porte d’un bureau de
son entreprise dont le système de sécurité utilise un code à 4 chiffres
distincts ?
3) Permutation
Définition
On appelle permutation, tout arrangement de C éléments de E.
Proposition
Le nombre de permutation de C éléments de E est : D!
4) Combinaison
Définition
On appelle combinaison de E éléments de E, un échantillon non ordonné sans
répétition de longueur E sur E ; c’est un sous ensemble de taille E dans E.
D
Proposition1
G D!
Le nombre de combinaisons de E éléments de E est : JGK = LD = G!(DIG)! avec
E ≤ C. C’est aussi le nombre de sous ensembles de E éléments dans E.
Exemples
- Une urne contient 10 boules toutes différentes et indiscernables au
toucher : 3 rouges, 5 blanches et 2 noires. On tire simultanément 3 boules
de l’urne. Combien de tirages possibles peut-on faire ? Combien de tirages
possibles peut-on faire, contenant deux boules de même couleur ?
- Considérons l’ensemble E suivant: . = {M, N, O, 1, 7}. Combien de couples
d’éléments de E peut-on former ? Combien de triplets contenant au moins
1 chiffre peut-on former ?
Exercice
1. En utilisant le binôme de Newton, développer (M + 1)W et (M − 1)W.
2. Montrer que pour tous entiers naturels C et E tels E < C,
Z[\] = Z[^\] + Z]] Z[^ = Z[^\] + Z[^
^\]
Dr ESSAN K. Ambroise
7
III. PROBABILILITES
1) Généralités
L’étude d’un phénomène aléatoire commence par la description de l’ensemble
des résultats possibles de l’expérience.
On note Ω, cet ensemble : ensemble des réalisations appelé univers.
Les éléments ` ou point de Ω sont appelés les réalisations
Les sous-ensembles ou partie de Ω, sont appelés des événements ; ils
sont notés traditionnellement par des lettres majuscules latines : A, B, …
Définitions
1. a(Ω) = 1
2. Pour tous , ∈ P (Ω) tels que ∩ = ∅, a( ∪ ) = a( ) + a( ).
Le couple (Ω, P (Ω)) est appelé espace probabilisable, le triplet (Ω, P (Ω), a) est
l’espace de probabilité. Pour tout événement , le réel positif ou nul a( ) est
appelé probabilité de l’événement .
Proposition
1. a( ̅ ) = 1 − a( )
2. Si ⊂ alors a( ) < a( ) et a( \ ) = a( ) − a( ).
3. a( ∪ ) = a( ) + a( ) − a( ∩ ), (Formule de Poincaré pour et ).
Cette formule se généralise :
Si ] , c , …, [ sont des événements, alors
[
ade fg =
fU]
∑[fU] a( f ) − ∑]kflik[ ah f ∩ i j + ∑]kflilmk[ ah f ∩ i ∩ mj − ⋯ + (−1)[I] a( ] ∩ c ∩ …∩
[ ).
2) Calculs de probabilités
a) Equiprobabilité
Définition
Dr ESSAN K. Ambroise
8
Théorème
Soit (Ω, P (Ω), a) un espace de probabilité fini (c'est-à-dire que card(Ω) est
fini) où a est une probabilité uniforme. Pour tout événement , on a :
Exemples
1. Dans un jeu de 32 cartes, on extrait une carte. Chaque carte a le même
nombre de chances d’être tirée. Quelle est la probabilité de tirer un as
sachant qu’il y a 4 as dans ce jeu.
b) Probabilité conditionnelle
La notion de probabilité conditionnelle intervient à chaque fois que l’on
dispose d’une information supplémentaire qui restreint le champ de
possibilité, et de réviser ses pronostics sur la réalisation ou non d’un
événement.
Définition
Soit (Ω, P (Ω), a) un espace de probabilité fini et A un événement de
probabilité non nulle. Pour tout événement ⊂ Ω, on appelle probabilité
~(}∩•)
conditionnelle de sachant , le nombre a} ( ) =
~(})
.
On note aussi a} ( ) = a( / ).
Dr ESSAN K. Ambroise
9
c) Probabilité totale
Définition
On appelle système complet d’événements, une partition de Ω.
Proposition
Soit { ] , c , …, [ } un système complet d’événements de probabilité non
nulle. Alors pour tout événement B, on a:
•(,) = •(, ∩ +‚ ) + •(, ∩ +ƒ ) + ⋯ + •(, ∩ +D )
•(,) = •(+‚ )•(,/+‚ )+•(+ƒ )•(,/+ƒ )+ ⋯ + •(+D )•(,/+D ).
(Formule des probabilités totales).
d) Formule de Bayes
Proposition
Soit { ] , c , …, [ } un système complet d’événements de probabilité non
nulle. Alors pour tout événement B, on a : ∀y ∈ {1, 2, … C}
~(}„ ∩•) ~(}„ )~(•/}„ )
a( f / )= = )~(•/} )~(•/} )~(•/}
~(•) ~(}… … )\~(}† † )\⋯\~(}‡ ‡)
où l’on suppose que a( ) ≠ 0.
e) Indépendance d’événements
Définition et Théorème
Deux événements A et B sont indépendants si et seulement si
a( ∩ ) = a( ) × a( ).
Proposition
et 0 ; ̅ et ; et ̅ et 0 sont indépendants.
Si et sont deux événements indépendants alors :
1.
2. a} ( ) = a( / )=a( ) et a• ( ) = a( / )= a( ).
Exemple :
On tire au hasard 13 cartes d’un jeu de 52 cartes. On donne la signification
aux évènements A et B :
A : « parmi les 13 cartes tirées figure un seul As »
B : « parmi les 13 cartes tirées figure l’As de cœur »
Les événements A et B sont-ils indépendants ?
Proposition
Les événements ] , c, …, [ sont dits indépendants, ou mutuellement
indépendants, ssi
Dr ESSAN K. Ambroise
10
Remarque
Si les événements ] , c , …, [ sont dits indépendants, alors ils sont deux à
deux indépendants. La réciproque est fausse.
Exemples fondamentaux
• Les résultats successifs du jet d’une pièce de monnaie, d’un dé, etc, sont
des événements indépendants.
• Les résultats successifs de tirages AVEC REMISE d’une boule dans une urne
sont des événements indépendants.
Exercice1
Un sac contient n jetons numérotés de 1 à n, tous indiscernables au
toucher. On tire au hasard un jeton. Si on a obtenu le jeton numéroté i, on
lance i fois une pièce de monnaie équilibrée. On recherche la probabilité de
l’évènement B : « on obtient 0 pile ».
Exercice2
Une entreprise de prêt à porter utilise dans son atelier de coupe deux
machines M1 et M2. Les deux pièces découpées sont stockées sans
distinction de provenance. La machine M1 découpe 60% des pièces ; 5%
sont défectueuses. La machine M2 découpe 40% ; 2,5% sont défectueuses.
Dr ESSAN K. Ambroise
11
I. GENERALITES
1) Définition et propriété
Définition
Soit (Ω, P (Ω), a) un espace de probabilité, on appelle variable aléatoire (v.a)
à valeurs dans E, toute application • : Ω → .. . étant un espace
quelconque.
Si . =ℝ, alors • est appelé variable aléatoire réelle.
Exemples
- Variable indicatrice
Soit A un événement sur (Ω, P), on lui associe la variable ‘} à valeurs
dans {0 ; 1} qui vaut : 1 si ’ ∈ et 0 sinon
- On jette deux dés parfaitement équilibrés de couleurs différentes. On
note (y, “) les résultats obtenus. On s’intéresse à la somme des résultats
obtenus. L’application • : Ω × Ω →ℕ : (y ; “) ↦ y + “ est une variable
aléatoire.
L’ensemble des valeurs prises par la variable aléatoire • est :
{2 ; 3 ; 4 ; 5 ; 6 ; 7 ; 8 ; 9 ; 10 ; 11 ; 12}.
- On lance cinq fois une pièce de monnaie. L’application • : Ω →ℕ, qui à
tout évènement élémentaire de Ω associe le nombre de Pile obtenus,
est une variable aléatoire.
Propriété
- Toute fonction d’une ou de plusieurs variables aléatoires est une
variable aléatoire.
- Si les •f sont des variables aléatoires réelles, alors • = ∑f Mf •f est une
variable aléatoire réelle.
En particulier ∀ ∈ ., ˜• = z = {’ ∈ Ω / •(’) = } = • I] ( )
Ceci dit soit • une v.a à valeurs dans . fini ou dénombrable, on a
∑™∈š a(• = ) = 1.
Dr ESSAN K. Ambroise
12
Propriétés
- Une fonction de répartition est une fonction croissante au sens large.
- lim œ( ) = 0 et lim œ( ) = 1
™→I• ™→\•
- Une fonction de répartition est continue à droite.
- a(M < • ≤ N) = œ(N) − œ(M) ∀ M < N.
Une variable aléatoire discrète est une variable aléatoire qui peut prendre
une quantité dénombrable de valeurs. Pour une telle variable aléatoire, on
définit sa loi de probabilité E par E( ) = a(• = ).
- Si • peut prendre les valeurs ] , c , ….. alors
E( f ) ≥ 0, ∀y = 1, 2, … et E( ) = 0 pour toutes les autres valeurs.
Et on a ∑•U‚ G( Ÿ ) = ‚.
Exemple 1
2 3 4 5 6 7 8 9 10 11 12 total
E( ) 1 2 3 4 5 6 5 4 3 2 1
¤ E( ) = 1
36 36 36 36 36 36 36 36 36 36 36
Dr ESSAN K. Ambroise
13
Exemple 2
On lance une pièce de monnaie symétrique deux fois de suite. On
représente par • la v.a réelle représentant le nombre de fois où le côté face
est apparu. On obtient la loi de probabilité suivante :
a] œc ou œ] ac 1 ]
c
œ] œc 2 ]
¥
∑ E( ) = 1
P(x)
1¦
2
1¦
4
0 1 2 x
•= 1 2 3 ... … total
a( ) 1 1 1 ... 1 … 1
2 4 8 2™
Dr ESSAN K. Ambroise
14
] ] ]
En effet ∑\•
™U] = =1
c« c ]I…
†
b) Fonction de répartition
Représentation graphique
Le graphique de la fonction de répartition ⟼ œ( ) de ℝ dans ˜0; 1z est la
courbe cumulative qui est une fonction en escalier dans le cas d’une v.a
réelle discrète.
Exemple 4
La fonction de répartition de la v.a • représentant le nombre de fois où le
côté face a été obtenu en lançant une pièce de monnaie symétrique 2 fois
de suite est la suivante :
1¦
4
0
1¦
2
1
1¦
4
2
Total 1
Dr ESSAN K. Ambroise
15
Exemple 5
Soit • une variable aléatoire dont la loi de probabilité est donnée par :
] ] ] ]
E(1) = , E(2) = , E(3) = et E(4) = , déterminer et représenter
¥ c ® ®
la fonction de répartition de •.
Définition
Tableau1
Y 7] 7c … 7i … Loi marginale de
X X
⋮ ⋮ ⋮ ⋮ ⋮
⋮ ⋮ ⋮ ⋮ ⋮
Loi
E.c E.i ¤ Ef. = 1
E.]
marginale … …
de Y f
= ¤ E.i
i
Dr ESSAN K. Ambroise
16
Exemple
On lance un dé symétrique deux fois de suite. On définit les variables
aléatoires : • = •] comme le nombre de point du premier lancer et •c comme
le nombre de point du deuxième lancer. On pose • = •] + •c la somme des
points obtenus. Déterminons la loi du couple aléatoire (•, •) et en déduisons
la loi de •.
Nous avons Efi = ah• = f , • = 7i j = ah•] = f , •c = 7i − f j =
ah•] = f ). a( •c = 7i − f j (Car •] et •c sont indépendantes )
Par suite on a
…
× … , ¹f º»I™„ ∈{],c,¼,¥,½,¾}
Efi = ·¸ ¸
0, uyCrC
Tableau2
• Loi
marginale
de •
2 3 4 5 6 7 8 9 10 11 12
• = •]
] ] ] ] ] ] ]
1 0 0 0 0 0
¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¾
] ] ] ] ] ] …
2 0 0 0 0 0 ¸
¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾
] ] ] ] ] ] …
3 0 0 0 0 0 ¸
¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾
] ] ] ] ] ] ]
4 0 0 0 0 0
¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¾
] ] ] ] ] ] ]
5 0 0 0 0 0
¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¾
] ] ] ] ] ] ]
6 0 0 0 0 0
¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¾
Loi
marginale
de • ] c ¼ ¥ ½ ¾ ½ ¥ ¼ c ]
1
¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾ ¼¾
Dr ESSAN K. Ambroise
17
G.² = ¤ G ² = •(° = ³² )
Les nombres E.i constituent la loi de probabilité marginale de •.
Exemples
Dans le tableau 2, la loi de probabilité marginale de • somme des points
obtenus se lit dans la dernière ligne du tableau et la loi de probabilité
marginale de • se lit dans la dernière colonne du tableau.
Tableau 3
•= f a(• = f ⁄• = 5)
] ¥ ]
1 :
¼¾ ¼¾
=¥
] ¥ ]
2 :
¼¾ ¼¾
=¥
] ¥ ]
3 :
¼¾ ¼¾
=¥
] ¥ ]
4 :
¼¾ ¼¾
=¥
¥
5 À: =À
¼¾
¥
6 À: =À
¼¾
total 1
Dr ESSAN K. Ambroise
18
Propriété
Nous avons : Efi = Ef. × Ei⁄f = E.i × Ef⁄i
Indépendance
La notion d’indépendance de 2 évènements peut être étendue à 2 v.a • et
•.
Définition : On dit que 2 v.a discrètes • et • sont indépendantes si pour
tout couple de valeur ( f , 7i ) on a la relation : Efi = Ef. × E.i
a) Espérance mathématique
Théorème
• Pour tout M, N réels, on a : .(M• + N) = M.(•) + N
• Pour toutes variables aléatoires • et •, si • et • sont pourvues
d’espérance alors
.(• + •) = .(•) + .(•) ; .(• − •) = .(•) − .(•) .
• Si la v.a • ne prend que des valeurs positives ou nulle sur Ω,
alors .(•) ≥ 0. Plus généralement, si • ≥ • sur Ω, alors
.(•) ≥ .(•).
]
• Si • ≥ 0 et Ä > 0, alors a(• ≥ Ä) ≤ Æ .(•).
(Inégalité de Markov)
Proposition
Si • et • sont des v.a.r. discrètes indépendantes et pourvues
d’espérances, alors .(••) = .(•).(•)
Dr ESSAN K. Ambroise
19
Exemple
On lance un dé parfaitement équilibré et on désigne par • la variable
aléatoire qui prend le nombre apparu. Calculer .(•), .(• c ) et
.(å c + 1).
b) Variance
Si .(• c ) (moment d’ordre 2) existe, alors
On appelle variance de •, la quantité
ÈMp (•) = .˜(• − É)c z = .(• c ) − É c où É = .(•).
Propriété de la variance
Pour tout M, N réels, on a : È(M• + N) = Mc È(•).
Pour toutes variables aléatoires X et Y, indépendantes :
ÈMp(• + •) = ÈMp(•) + ÈMp(•) ; ÈMp(• − •) = ÈMp(•) + ÈMp(•).
Définition
Une v.a • est dite centrée si • a une espérance nulle. Si • admet une
espérance alors la v.a • − .(•) est toujours centrée.
c) Ecart-type
On appelle écart-type de • noté Í(•), la racine carrée de la variance de
•.
Í(•) = ÎÈMp (•)
Dr ESSAN K. Ambroise
20
Proposition
Pour tout M, N réels, on a : Í(M• + N) = |M|Í(•)
Exercice
4) Covariance
Définition
Soient • et • deux v.a discrètes pourvues chacune de moment d’ordre 2. On
appelle covariance de , • la quantité
Zrw(•, •) = .˜(• − .(•))(• − .(•))z.
Propriété
• Si • = • alors Zrw(•, •) = ÈMp(•).
• En développant, on a Zrw(•, •) = .(••) − .(•).(•).
• Si • et • sont indépendantes alors Zrw(•, •) = 0. La réciproque est
fausse.
• Pour toutes constantes réelles :
Zrw(• − M, • − N) = Zrw(•, •).
Zrw(M• + N, •) = MZrw(•, •).
Dr ESSAN K. Ambroise
21
Propriété
Soient •] , … , •[ des v.a.r discrètes ayant un moment d’ordre 2. Alors
ÈMp(•] + ⋯ + •[ ) = ∑[mU] ÈMp(•m ) + 2 ∑]kflik[ Zrw(•f , •i )
Une variable aléatoire • est dite continue si les valeurs prises par • sont
dans un intervalle fini ou infini. Par exemple, l’heure d’arrivée d’un train à
une gare donnée.
• est une v. a. continue s’il existe une fonction non négative v définie pour
tout ∈ ℝ et vérifiant la propriété :
\•
a(• ∈ ) = Ï} v( )q . (3.1) et ÏI• v( )q = 1
La fonction v est appelée densité de probabilité de •.
La relation (3.1) signifie que la probabilité pour que • prenne une valeur
dans peut être obtenue en intégrant la densité de probabilité sur .
La fonction de répartition d’une v. a. continue est donnée par :
™
œ( ) = ÏI• v(±) q±.
Propriétés
Ð
- Pour tout M < N, a(M < • ≤ N) = Ï- v( ) q ;
-
- a(• = M) = Ï- v( ) q = 0 ;
-
- a(• ≤ M) = a(• < M) = œ(M) = ÏI• v( ) q
- a(• > M) = 1 − a(• ≤ M) = 1 − œ(M).
- La densité de probabilité v d’une v.a. continue est la dérivée de sa
fonction de répartition œ : œ Ñ ( ) = v( ).
a) Espérance de X
Définition
Soit • une v. a continue ayant une densité v( ). L’espérance
mathématique de • notée .(•) est :
\•
.(•) = Ò v( ) q
I•
Dr ESSAN K. Ambroise
22
Théorème
• est une v.a.r de densité continue v( ) si, et seulement si, pour toute
fonction à continue bornée on a :
\•
.hÃ(•)j = Ò Ã( )v( ) q
I•
b) Variance de X
Définition
Soit • une v. a continue ayant une densité v( ). La variance de X notée
ÈMp(•) est :
ÈMp (•) = .˜(• − É)c z = .(• c ) − É c où É = .(•).
\•
On a .(• c ) = ÏI• c v( ) q .
c) Ecart-type de X
Í(•) = ÎÈMp(•)
Propriétés
Ces propriétés sont similaires à celles de la variable aléatoire discrète. Pour
tout M et N réels et pour toute variable aléatoire continue X, on a :
- .(M• + N) = M.(•) + N
- ÈMp(M• + N) = Mc ÈMp(•)
- Í(M• + N) = |M|Í(•)
Dr ESSAN K. Ambroise
23
I- Lois discrètes
1) Loi binomiale
Définitions
• On considère une expérience dont les résultats ne peuvent prendre que
deux valeurs, appelées par convention ; succès ou échec : un candidat est
admis ou non à un examen, une pièce usinée est bonne ou défectueuse, …
A une telle expérience est associée une variable X prenant la valeur 1 pour le
succès et la valeur 0 pour l’échec avec les probabilités respectives E et 1 −
E. Cette variable est appelée variable de Bernoulli.
La loi d’une telle variable est appelée loi de Bernoulli et définie par :
a(• = 1) = E et a(• = 0) = 1 − E
On écrit • ↝ (1, E) on lit X suit une loi Bernoulli.
Propriétés
Si • ↝ (1, E) alors
- .(•) = E
- ÈMp(•) = E(1 − E).
Si • ↝ (C, E) alors
- .(•) = CE
- ÈMp(•) = CE(1 − E).
Dr ESSAN K. Ambroise
24
Exemple
On sait que les vis fabriquées par une certaine société sont affectées d'un
défaut avec la probabilité 0,01 ; l'état d'une vis est indépendant de celui des
précédentes ou suivantes. Or, la société accepte de rembourser les paquets
de 10 vis qu'elle vend si plus d'une des vis présentent un défaut. Quelle
proportion des paquets vendus la société s'expose-t-elle à devoir
rembourser ?
Solution :
Désignons par X le nombre de vis malformées d'un paquet donné. X est une
variable aléatoire binomiale de paramètres (10, 0,01). X peut prendre les
valeurs suivantes : 0 ; 1 ;2 ;… ;10 et a(• = Ô) = Z]À m
(0,01)m (0,99)]ÀIm .
La probabilité qu'il faille remplacer un paquet est :
a(• > 1) = 1 − a(• ≤ 1) = 1 − a(• = 0) − a(• = 1)
= 1 − Z]ÀÀ
0,01À × 0,99]À − Z]À ]
0,01] × 0,99× ≈ 0,004 = 4/1000
La société s’expose à rembourser 4 sur 1000 paquets vendus.
Définition
Les éléments peuvent être tirés, soit un par un, soit d’un seul coup, mais
sans remise.
Dr ESSAN K. Ambroise
25
La variable aléatoire ainsi définie suit une loi hypergéométrique Û(Ù; C; E).
Remarque
Exemple :
On tire au hasard 13 cartes d’un jeu de 52 cartes. Quelle est la probabilité
pour que parmi les 13 cartes tirées figurent 2 As ?
Solution :
Soit • la v.a désignant le nombre de As tirés.
¥
Ici = 52 , C = 13 , E = ½c et ÙE = 4.
Z¥c Z¥®
]]
a(• = 2) =
Z½c]¼
3) Loi de poisson
Définition
Une variable aléatoire • pouvant prendre les valeurs 0 ; 1 ; 2 ;… est dite de
poisson s’il existe un réel λ> 0 tel que :
Þ„
E(y) = a(• = y) = t IÞ . f! ∀y = 0; 1; 2; …
La loi d’une telle variable aléatoire est dite loi de poisson de paramètre λ
et on écrit •↝ P (λ).
Propriété
Soit •↝P(λ).
Dr ESSAN K. Ambroise
26
.(•) = ß et ÈMp(•) = ß
Soit • ↝ (C, E). On suppose que C est assez grand et E assez petit et
que CE est fini, (CE ∈ ℝ).
On pose ß = CE. Ainsi • ↝P(λ).
Dans la pratique, on peut approximer une loi binomiale de paramètre
(C, E) par une loi de poisson, pour C ≥ 30 et E ≤ 0,1.
Exemple 1
Admettons que le nombre d'erreurs par page dans un livre suive une
distribution de Poisson de paramètre λ=1/2. Calculer la probabilité qu'il y
ait au moins une erreur sur une page.
Solution
Désignons par X le nombre d'erreurs sur cette page. On aura :
…
a{• ≥ 1} = 1 − a{• = 0} = 1 − t I† ≈ 0,393. Cela signifie qu’il y a
environ 4 chances sur 10 de trouver au moins une erreur sur une page.
Exemple 2
On admet que la probabilité de défaut pour un objet fabriqué à la machine
est 0,1. Trouver la probabilité qu'un lot de 30 objets comprenne au plus un
élément affecté d'un défaut.
II - Lois continues
1) Loi uniforme sur ˜P, Rz, −∞ < M < N < +∞
Dr ESSAN K. Ambroise
27
Une variable aléatoire réelle •, suit une loi uniforme sur l’intervalle
˜M, Nz, si sa loi de probabilité admet une densité f égale à :
v( ) = ÐI-
]
1˜-,Ðz ( )
Remarque
La somme de deux v.a. indépendantes ou non, suivant une loi uniforme
sur ˜M, Nz, ne suit pas forcément une loi uniforme sur ˜M, Nz.
2) Loi exponentielle
Espérance et variance :
] ]
.( ) = Þ et È(•) = Þ† . L’espérance est égale à l’écart-type.
Remarque
La somme de deux variables aléatoires indépendantes, suivant des lois
exponentielles de paramètres respectifs ß] et ßc est une v.a suivant une
loi exponentielle de paramètre ß] + ßc .
Dr ESSAN K. Ambroise
28
3) Loi gamma
Définition
La loi exponentielle est un cas particulier de la famille des lois gamma.
Une variable aléatoire réelle positive • suit une loi gamma æ(±; ß) ou
Γ(±; ß), de paramètres positifs ± et ß, si sa densité de probabilité est
donnée par:
Þ© âè« (Þ™)éâ…
v( ) = ê(ë)
uy ≥0
v( ) = 0 uyCrC
Fonction de répartition :
ßë - IÞ™
œ(M) = a(• ≤ M) = Ò t ëI]
q
Γ(±) À
Espérance et variance :
ë ë
.(•) = Þ et ÈMp(•) = Þ†
Remarque
Loi gamma s’identifie à la loi exponentielle si ± = 1.
Définition1
Une variable aléatoire réelle X prenant ses valeurs dans ℝ, suit une loi de
Laplace-Gauss ou loi normale, de paramètres s et Í si sa densité de
probabilité est donnée par :
1 I
(™I¨)†
v( ) = t cí†
Í√2ì
On écrit alors • ↝N(s; Í).
Propriété
Si • ↝N(s; Í) alors
.(•) = s et ÈMp (•) = Í c .
Proposition
Soient •] et •c deux v.a indépendantes telles que •] ↝N(s] ; Í]) et
•c ↝N(sc ; Íc ). Alors •] + •c ↝N( s] + sc ; ÎÍ] c + Íc c )
Ce résultat se généralise facilement à la somme de C variables aléatoires
gaussiennes, indépendantes.
Dr ESSAN K. Ambroise
29
Définition 2
Une variable aléatoire est dite centrée si sa moyenne .(•) = 0.
Dans le cas d’un jeu, on dit que le jeu est équitable.
Une variable aléatoire est dite réduite si sa variance ÈMp(•) = 1.
Propriété
• Si • est une variable aléatoire quelconque admettant une
–Iš(–)
espérance et une variance non nulle alors î =
í(–)
est une
variable aléatoire centrée réduite.
¯IÕ
• ¯ ↝N(Õ; ï) si, et seulement si ð = ↝N(V; ‚).
ï
Exemple 2
On suppose que la taille, en centimètre, d'un homme âgé de 25 ans est une
variable aléatoire normale de paramètres É = 175 et Ͳ = 36. Quel est le
pourcentage d'hommes de 25 ans ayant une taille supérieure à 185 cm ?
Parmi les hommes mesurant plus de 180 cm, quel pourcentage d'entre eux
ne dépassent pas 192 cm ?
Exemple 3
Dr ESSAN K. Ambroise
30
De même si •↝P(λ) alors pour λ (en pratique ß > 18) assez grand,
óIÞ
• ↝N(λ; √λ). Donc • = ↝ N(0; 1).
√ô
Remarque
- Une variable aléatoire binomiale est une variable discrète prenant ses
valeurs dans l’intervalle ˜0, Cz alors qu’une variable aléatoire gaussienne
est une variable continue prenant ses valeurs dans ℝ.
- Dans le cas d’une loi binomiale, un point a une probabilité non nulle
alors que dans le cas d’une loi normale, un point est un ensemble de
probabilité nulle.
Pour ces deux raisons, on doit faire une correction de continuité quand
on utilise l’approximation d’une loi binomiale par une loi normale.
–I[^
Soit • ↝ (C, E). On pose î =
Î[^(]I^)
.
a(• = Ô) ≅ a(Ô − 0,5 < • < Ô + 0,5)
mIÀ,½I[^ m\À,½I[^
= a( <î< ).
Î[^(]I^) Î[^(]I^)
m\À,½I[^
De même a(• ≤ Ô) ≅ a( î < ).
Î[^(]I^)
óIÞ
Soit •↝P(λ), on pose ö = .
√Þ
a(• = M) ≅ a(M − 0,5 < • < M + 0,5)
-IÀ,½IÞ -\À,½IÞ
= a( <ö< ).
√Þ √Þ
Exemple1
Un contrôle au calibre, effectué depuis plusieurs mois sur le diamètre des
pièces usinées par une machine-outil, indique que le pourcentage de pièces
« défectueuses » est égal à 8%.
Un échantillon de 100 pièces de la production est prélevé et le diamètre de
ces pièces est vérifié. Soit • la v.a « nombre de pièces défectueuses » dans
un échantillon de 100 pièces.
La v.a • suit la loi binomiale (100; 0.08).
Comme CE = 100 × 0.08 = 8 > 5 et C(1 − E) = 100 × 0.92 = 92 > 5,
on peut utiliser l’approximation par la loi normale Ù(8; 2,713). Les
paramètres sont en effets : la moyenne s = CE = 8 et la variance est égale
à CE(1 − E) = 7,36 = (2,713)c .
En utilisant cette approximation, on peut calculer, par exemple, la
probabilité d’avoir au moins 10 pièces classées défectueuses dans un
Dr ESSAN K. Ambroise
31
échantillons de 100 pièces, soit a(• ≥ 10) qui devient avec la correction
de continuité a(• > 9,5) :
–I® ×,½I®
a(• > 9,5) = a J > = 0,552K = 0,2903.
c,W]¼ c,W]¼
Exemple2
Dans un essai de sérologie préventive d’une maladie, 2000 enfants ont été
partagés en deux groupes de 1000 ; les enfants d’un groupe recevaient un
sérum, les autres ne recevaient rien. On a observé 40 cas de maladies dans
le premier groupe et 50 dans le deuxième.
Les lois du nombre de maladies Ù] et Ùc dans chaque groupe sont des lois
discrètes, le nombre de maladies est faible 40 et 50 pour un effectif de
1000 individus. Ce sont donc des évènements rares de probabilité 0,04 et
0,05, les variables Ù] et Ùc suivent des lois de Poisson a(40) et a(50). Ces
lois peuvent être approchées par les lois normales Ù(40, √40) et
Ù(50, √50).
Remarque
- La loi normale est une des lois de probabilité la plus utilisée. Elle dépend
de deux paramètres, la moyenne s , paramètre de position, et l’écart-
type Í, paramètre mesurant la dispersion de la variable aléatoire autour
de sa moyenne.
- Elle s’applique à de nombreux phénomènes, en physique, en économie.
- Les variables utilisées dans le domaine technologique ou économique
sont en général positives. La loi normale pourra représenter un tel
phénomène si la probabilité d’obtenir des valeurs négatives de la
variable est très faible.
5) Convergences
Théorème
Soit (•[ ) une suite de variables aléatoires indépendantes et de
même loi, d’espérance s et de variance Í c positive.
]
Soit ÷[ = [ (•] + •c + ⋯ + •[ ).
í†
Alors, pour tout Ä > 0 : a(|÷[ − s| ≥ Ä) ≤ [Ɔ.
Il en résulte :
lim a(|÷[ − s| ≥ Ä) = 0 ; lim a(|÷[ − s| < Ä) = 1
[→\• [→\•
Dr ESSAN K. Ambroise
32
b) Convergence en loi
Théorème
Soit ß > 0 fixé, et soit, pour tout C ∈ ℕ∗ , •[ une v.a de loi (C, ‡è).
Þø
Alors ∀Ô ∈ ℕ , lim a(•[ = Ô) = t IÞ m! .
[→\•
On dit que la suite de v.a (•[ ) converge en loi vers une v.a de loi
P(λ).
Théorème
Soit (•[ ) une suite de v.a indépendantes et de même loi,
d’espérance s et de variance Í c positive.
Soit ù[∗ la v.a centrée réduite associée à ù[ = •] + •c + ⋯ + •[ .
Alors (ù[∗ ) converge en loi vers • ∗ de loi normale centrée réduite,
c'est-à-dire que l’on a, pour tout M, N dans ℝ tels que M < N :
] Ð é†
lim a(M ≤ ù[∗ ≤ N)= Ï t I † q±.
[→\• √cñ -
Dr ESSAN K. Ambroise