UNIVERSITE HASSAN II

Faculté des sciences Ain-chock

CASABLANCA

Filière: SV/STU

Probabilités / Statistiques

1
 Calcul des probabilités
Le calcul des probabilités à pour objectif un
traitement mathématique de la notion du
hasard.

HASARD ????

2
 Hasard
On parle de hasard :
• quand on se retrouve dans une situation
imprévue
• quand on ne sait pas ce qui va se passer
• quand on ne souhaite pas entrer dans le détail
des causalités.

3
 Expérience stochastique
• Une expérience aléatoire est une expérience
dont le résultat ne peut être connu avec
exactitude à l’avance.
• L’ensemble fondamental d’expérience est
l’ensemble des issues possibles à l’expérience,
noté par Ω.
• Selon la nature de cette expérience Ω peut
être fini ou infini.

4
 Exemples
• On lance une pièce de monnaie une seule fois,
Ω= ?
• On lance un dé cubique numéroté de 1 à 6
une seule fois,
Ω= ?

5
• Tout sous-ensemble E de Ω est appelé
événement.
• Un événement est un sous-ensemble
correspondant à divers résultats possibles de
l’expérience.
• Si le résultat de l’expérience est compris dans
E, on dit que E est réalisé.
• Si E est formé d’un seul élément, on parle
d’événement élémentaire.
6
 Exemple

On détermine le sexe d'un nouveau-né. On

posera : Ω = {g, f}

Le résultat g signifie que le nouveau-né est un

garçon et f que c'est une fille

7
 Exemple
On lance un dé cubique numéroté de 1 à 6.
• Désignons par F l’événement «obtenir le
numéro 5 »
F est un événement élémentaire.
• Désignons par E l’événement « obtenir un
nombre pair ». Si on obtient par exemple 4
E est réalisé.

8
 Événement particuliers

• Ø: événement impossible => jamais réalisé.

• Ω: événement certain => toujours réalisé.

9
 Opération sur les événements
Soient A et B deux événements.
• L’événement contraire de A noté Ᾱ ou (Ac )est
l’événement qui contient tous les événement de
Ω l’ensemble fondamental qui n’appartient pas à
A.
• L’événement AUB est l’événement qui contient les
élément de A ou de B.
• L’événement est l’événement qui contient
les élément de A et de B.
• L’événement A\B désigne l’ensemble des points
qui sont dans A mais pas dans B.
10
 Exercice
Deux boules sont tirées successivement en remettant la boule tirée
dans l’urne qui contient 6 boules blanches et 8 boules rouges.
Soient les événements suivants:
• A « la première boule tirée est blanche ».
• B « la deuxième boule tirée est blanche ».
Exprimer en terme de A et B les événements suivant:
D: « Les deux boules tirées sont blanches »,
G: « Seulement la deuxième boule est blanche »,
H: « Exactement une est blanche ».
D=….
G=….
H=….

11
 Quelques propriétés
Soient A, B et C trois événements, alors on a:
• A∪∅=∅∪A=A
• A∩∅=∅∩A=∅
• Ᾱ ∪ A = Ω et Ᾱ ∩ A = ∅.

Propriété (Commutativité)
• A∪B=B∪A
• A∩B=B∩A

Propriété (Associativité)
• A ∪ (B ∪ C) = (A ∪ B) ∪ C := A ∪ B ∪ C
• A ∩ (B ∩ C) = (A ∩ B) ∩ C := A ∩ B ∩ C

Propriété (Distributivité)
• A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
• A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)

12
 Cas général
Soient A1 A2,…, An des événements,
• on note par:

L’événement qui contient chaque point qui se

trouve dans Ai pour au moins une valeur de
i=1,2,…,n
• on note par:

L’événement qui contient les points qui se trouvent

dans tous les Ai pour i=1,2,…,n

13
• On dit que l’événement A implique l’événement B
si la réalisation de A enchaîne la réalisation de B.
• On dit que deux événements A et B sont
incompatibles s’ils ne peuvent pas se réaliser au
même temps => A ∩ B = ∅. On a en particulier A
et Ᾱ sont incompatibles pour tout événement A.
• Une suite d’événements dans Ω est dite
«système complet d’événements » si les
événements Bi sont deux à deux incompatibles et
14
 Exemple
On lance un dé cubique numéroté de 1 à 6.
Soient les événement suivants:
F: « obtenir le numéro 5 »,
E: « obtenir un nombre pair »,
G: « obtenir le numéro 1 ou 3 ».
=> E et F sont incompatibles
=> E, F et G forment un système complet
d’événements.
15
 Exercice
Quatre boules sont tirées successivement en remettant la boule tirée dans
l’urne qui contient 5 boules blanches et 7 boules rouges. Soient les
événements suivants:
• A: « la première boule tirée est blanche »,
• B: « la deuxième boule tirée est blanche »,
• C: « la troisième boule tirée est blanche »,
• D: « la quatrième boule tirée est blanche ».
Exprimer les événements suivants en fonction de A, B, C et D:
• E: « les quatre boules tirées sont blanches »,
• F: « seulement la deuxième est blanche »,
• G: « exactement une est blanche »
• E=….
• F=….
• G=….

16
 Espace probabilisé
Exemple:
• On tire une boule dans une urne
contenant 2 boules blanches, 1 noire,
4 vertes, 5 rouges, et on regarde sa couleur.
• On dit couramment qu'on a 5 chances sur 12 de
tirer une boule rouge.
• Dans le cadre d'un modèle mathématique de
cette expérience aléatoire, on dira que
l'évènement "tirer une boule rouge" a la
probabilité 5/12.

17
 Le but de cette partie est d’associer à
chaque événement A un nombre réel appelé
probabilité de cet événement, noté P(A).

La valeur de P(A) est une mesure des

chances de réalisation de l’événement A lors
de l’expérience aléatoire.

18
• Supposons que Ω ={x1, x2,…, xn}, on attribue à
chaque événement élémentaire {xk} un nombre
P({xk} ) tel que:

P({xk} ) est la probabilité de l’événement

élémentaire: xk,.

19
 Remarques

• Le choix des nombres P({xk} ) n’est pas unique,

il dépend des hypothèses faites sur
l’expérience.

• On a toujours P(Ø)=0 et P(Ω)=1.

20
 Probabilités des événements
composés
• Soit A un événement composé, {xk1, xk2,…,
xkm}, avec m≥2.
a partir des probabilités des événements
élémentaires {xk}: P({xk} ), on définit la
probabilité de P(A)par:

21
 Exercice
On lance un dé cubique parfaitement
équilibré, numéroté de 1 à 6.
Soit E l’événement « obtenir un nombre pair »

P(E)=?

22
 Exercice
Une urne contient cinq boules jaunes et
quatre boules blanches. On choisit au hasard
une boule de cette urne, on désigne par
• J « la boule choisit est jaune »,
• B « la boule choisit est blanche »,

P(J)=? P(B)=?
23
 Notation

(Ω, P) désigne un espace Ω des événements

élémentaires muni d’une probabilité P.

On dit que (Ω, P) est un espace probabilisé.

24
 Propriétés élémentaires
Soit (Ω, P) un espace probabilisé, A et B un
événement alors:
• 0≤P(A)≤1, P(A)+P(Ac)=1.
•
• Si A et B sont incompatibles alors

• Si Tous les événements élémentaires ont la

même probabilité, on a alors:

25
 Probabilité conditionnelle
• Lorsque les événements ne sont pas
indépendants, la probabilité de l’un n’est pas
la même selon que l’autre est réalisé ou non.

26
 Exemple
On jette deux dés parfaitement équilibrés et on
désigne par A « la somme des résultats est
supérieure ou égale à 10 ».
Supposons que le point amené par le premier dé
soit connu mais le second dé soit encore à lancer.
Pour cette expérience l’ensemble fondamental
Ω={(1,1),…….,(6,6)} et A={(4,6),…..,(6,6)}. D’où
P(A)=1/6.
En présence de l’information concernant le
premier dé, il n’est plus possible d’attribuer la
probabilité 1/6 à l’événement A.

27
 Exemple (suite)
En effet, si le premier dé a amené le point 2,
A est devenu irréalisable.
Si par contre le premier dé a amener le point 6,
A sera réalisé si le point amené par le
second est au moins égal à 4. Il y a donc 3 cas
favorables à la réalisation de A et 6 cas possibles.
on dit que 3/6 est la probabilité conditionnelle de
A sachant que le premier dé a amené le point 6.

28
 Définition
On considère (Ω,P) un espace probabilisé et
deux événements A et B de Ω. Si P(B)≠0, on
appelle probabilité de A sachant B ou
probabilité de A conditionnelle à B, notée
PB(A) (ou P(A/B)), le quotient:

29
 Remarque
Lorsqu’on s’intéresse à la réalisation d’un
événement A tout en sachant qu’un événement B
est réalisé, si A et B sont Incompatibles, alors la
probabilité que A se réalise est nulle.
Pour tout événement A,

Si P(A)≠0,
 peux se calculer de deux façons
différentes
30
 Formule des probabilités totales
Soient A, B et C trois événements de probabilités
non nulle alors:
1. (Formule de Bayes).
2. si
3. et plus généralement si
B1, B2,…….,Bn forment un système complet de Ω,
tel que alors:
(Formule des probabilités total)
4.

31
 Exercice
On admet que 5% des hommes et 0.25% des
femmes sont chauves.
• On sélectionne une personne au hasard.
Quelle est la probabilité qu’elle soit chauve?
• On sélectionne une personne chauve au
hasard; quelle est la probabilité qu’il s’agisse
d’un homme?

32
 Exercice
On considère la population d’un pays. Cette population est
composée de 47% d’hommes et de 53% de femmes. Parmi
les femmes, 40% sont blondes. Parmi les hommes, 30%
sont blonds. On prend une personne au hasard. Quelle est
la probabilité des événements suivants :
1. Quelle est la probabilité que ce soit une femme ?
2. Quelle est la probabilité que ce soit un homme ?
3. Quelle est la probabilité que ce soit une femme blonde ?
4. Quelle est la probabilité que ce soit un homme blond ?
5. Quelle est la probabilité que ce soit une femme, sachant
que cette personne est blonde ?
6. Quelle est la probabilité que ce soit une blonde, sachant
que cette personne est une femme ?
33
 Exercice
Considérons deux urnes : une urne A et une urne B.
L’urne A contient trois boules jaunes et deux boules bleues.
L’urne B contient trois boules bleues, deux boules rouges, une
boule jaune.
L’expérience consiste à tirer une boule au hasard dans l’urne
A, puis dans l’urne B.
J’appelle R : « la boule est rouge » ; J : « la boule est jaune » ;
B : « la boule est bleue ».

On veut connaître la probabilité d’obtenir une boule bleue,

puis une boule rouge.

34
 Exercice
Une pisciculture dispose de 2 bassin B1 et B2. le bassin B1 contient
7 truites et 3 carpes et le bassin B2 contient 5 truites et 2 carpes.
On choisit un des bassins au hasard et on pêche in poisson au
hasard.
1. Faire une arbre pondéré en précisant les probabilités.
2. Calculer la probabilité pour que le poisson pêché soit une truite
provenant de B1.
3. Calculer la probabilité pour que le poisson pêché soit une truite
provenant de B2.
4. Calculer la probabilité pour que le poisson pêché soit une truite.
5. On a extrait une truite; Calculer la probabilité pour que le poisson
pêché provenant de B1.
6. On a extrait une truite; Calculer la probabilité pour que le poisson
pêché provenant de B2.

35
 Définition
On considère (Ω,P) un espace probabilisé et
deux événements A et B de Ω. On dit que A et
B sont indépendants si:

36
 Propositions
1. Soient A et B deux événements tels que P(B)≠0,
alors A et B sont indépendants ssi:

2. Si A et B sont deux événements indépendants,

alors A et Bc sont indépendants; Ac et B sont
indépendants et Ac et Bc sont indépendants

37
 Exemple
Dans un aquarium nagent 9 poissons mâles dont
8 sont verts et 1 orange, et 8 poissons femelles
dont 6 vertes et 2 oranges. On pêche un poisson
au hasard dans l’aquarium. On appelle:
• F « le poisson pêché est une femelle »
• V « le poisson pêché est vert »
• O « le poisson pêché est orange »
Les événements F et V sont-ils indépendants?
Les événements F et O sont-ils indépendants?

38
 Définition
Soit (Ω,P) un espace probabilisé, on dit que A, B
et C sont indépendants si:

1. A, B et C sont deux à deux indépendants.

2.

39
 Chapitre II

Variables aléatoires discrètes

40
 Exemple
• On tire 3 boules successifs sans remise dans
une urne contenant 9 boule numéroté de 1 à
9.
1. Donner le nombre de résultats possible?

41
 Combinaisons - Arrangements
Considérons E un ensemble fini contenant n éléments
différents et p un entier naturel inférieur ou égal à n.
• Un arrangement à p éléments de E est un échantillon
ordonné sans remise de p éléments différents de E
• Le nombre d’arrangements à p éléments de E noté

• On appelle factorielle n le produit des n premiers

entier

42
 Exercice
• Un joueur se demande combien il peut écrire
de grille différentes de tiercé pour une course
de 16 chevaux. Il y a 16 possibilités pour le
premier, 15 pour le second et 14 pour le
troisième.
• On n’accepte pas les répétitions et on tient
compte de l’ordre

43
 Combinaisons - Arrangements
Soit E un ensemble fini contenant n éléments différents
et p un entier naturel inférieur ou égal à n.
• Une combinaison à p éléments de E est un échantillon
non ordonné sans remise de p éléments différents de E.
C’est un sous ensemble à p éléments de E.
• Dans une combinaison de p éléments, les p éléments
sont distincts et non ordonnés.
• Le nombre de combinaisons à p éléments de E noté:

44
 Introduction
Après avoir réalisé une expérience, il arrive
bien souvent qu’on s’intéresse plus à une
fonction du résultat qu’au résultat lui même.
Lorsqu’on joue aux dés, certains jeux
accordent de l’importance à la somme
obtenue des deux dés, plutôt qu’à la question
de savoir si la paire (1,6) qui est apparue ou
les paires (2,5), (3,4), (5,2).

45
Dans le cas du jet d’une pièce, il peut être plus
intéressant de connaître le nombre de fois où
pile est apparue plutôt que la séquence
détaillée des piles et faces.

46
 Variable aléatoire
Ces grandeurs auxquelles on s’intéresse sont en fait des
fonctions réelles définies sur l’ensemble fondamental et
sont appelées variables aléatoires. Si (Ω, P) un espace
probabilisé, on obtient ainsi une application X définie sur
Ω. Si l’ensemble des valeurs est fini ou dénombrable, on
dit que X est une v.a.r. discrète. Si l’ensemble des valeurs
est non dénombrable, on dit que X est une v.a.r. continue.

47
Loi d’une variable aléatoire discrète

La loi d’une v.a.r. discrète peut être définie par le tableau suivant :

48
 Exemples
• « Lancer d.une pièce de monnaie
parfaitement équilibrée »

• La loi de la v.a.r. discrète est définie par

49
 exemple
• On considère la constitution d’une fratrie de
deux enfants, l’espace fondamental est
constitué des évènements élémentaires
suivant : Ω = {GG, GF, FG, FF}
• Les valeurs possibles prises par la variable
aléatoire X, « nombres de fille dans la famille »
sont : X (Ω) = {0, 1, 2}

50
Exemples

51
52
 Proposition
• Soit X une variable discrète définie sur (Ω, P)
telle que:

53
 Fonction de répartition

• La loi d’une variable aléatoire est donnée par le tableau ci-

dessous:

Sa fonction de répartition est :

54
55
Représentation de la fonction de répartition de la variable X.

56
 Proposition
Si F est la fonction de répartition d’une variable X,
alors F vérifie:

57
• De manière réciproque, si l’on connaît la fonction de
répartition d’une variable X, on peut déduire sa loi.
• Soit X une v.a.r. définie sur (Ω, P) et F la fonction de
répartition de X définie sur R par:

58
59
60
Espérance mathématique/ Variance/
Ecart type

61
Espérance d’une variable aléatoire
réelle discrète

62
 Interprétation de E(X)
• E(X) est le nombre autour duquel oscille la
moyenne arithmétique des valeurs observées
de X.
• Le signe de E(X) est quelconque. Par contre
l’espérance d’une variable positive est
toujours positive.

63
 Exemples
« Lancer d’une pièce de monnaie »

• L’espérance de la v.a.r. X dont la loi est définie

par le tableau ci-dessus est:

64
« Lancer de deux dés cubiques »

65
Proposition

66
Variance et Ecart-type d’une variable
aléatoire réelle discrète
Pour mesurer l’écart entre les valeurs observées de la v.a.r. X
et E(X) on introduit les paramètres suivants :

67
Remarques

68
Exemple

69
Proposition

70
Exemple

71
Couple de variables aléatoires
discrètes

72
 Exemple
On dispose de deux arbustres de citronnier, de trois
arbustres d’oranger et de quatre arbustres de
poiriers. Ces arbustres sont indiscernables les uns
des autres. On plante deux arbustres au hasard. Soit
Y le nombre d’arbustres de citronnier plantés et X le
nombre d’arbustres de poirier plantés.

73
La loi du couple (X,Y ) est définie par le tableau
croisé ci-dessous:

74
• On remarque que:

75
D’après la remarque précédente, on détermine facilement les lois
marginales à partir du tableau croisé de la loi conjointe du couple
(X,Y ).

76
Variables aléatoires discrètes
indépendantes

77
Théorème

78
Théorème

79
Lois discrètes classiques
Loi de Bernouilli

80
 Définition
On appelle épreuve de Bernoulli de paramètre p
une expérience aléatoire ayant 2 issues : succès
avec une probabilité égale à p et échec.

Si la probabilité d'obtenir un succès est égale à p

alors la probabilité d'un échec est égale à 1 – p .

81
Arbre associé à une épreuve de
Bernoulli

82
 Définition
On appelle variable aléatoire de Bernoulli de
paramètre p la variable aléatoire X qui
associe la valeur 1 à un succès avec la
probabilité p et la valeur 0 à un échec avec la
probabilité 1 – p.

83
 Exemple de variable aléatoire de
Bernoulli
On lance un dé équilibré à 6 faces :
– On gagne si on fait 1 ou 6
– On perd sinon.
Soit X la variable aléatoire associée à cette expérience
aléatoire.
La probabilité de faire un coup gagnant (SUCCES)
est : p=……
La probabilité de faire un coup perdant (ECHEC)
est: 1-p =…..
On a défini une variable aléatoire de Bernoulli de
paramètre p=…..
84
 Définition
On appelle loi de Bernoulli de paramètre p la
loi de probabilité de la variable aléatoire de
Bernoulli X de paramètre p.

x 0 1
P(X=x) 1-p p

85
 Loi de Bernoulli associée à l'exemple
• La loi de Bernoulli de paramètre p=1/3 est
présentée dans le tableau ci-dessous :

x 0 1
P(X=x) 2/3 1/3

86
 Propriété
• E(X) = p
• V (X) =p(1-p).

87
Loi binomiale de paramètres n et p
On appelle schéma de Bernoulli de
paramètres n et p l'expérience aléatoire qui
consiste à répéter n épreuves de Bernoulli de
paramètre p identiques et indépendantes.

88
Arbre associé au schéma de Bernoulli

89
 Définition
On appelle loi binomiale de paramètres n et p , notée B(n , p), la
loi de probabilité de la variable aléatoire qui associe au schéma
de Bernoulli de paramètres n et p le nombre de succès.

90
 Loi binomiale B(2 , p)
• Il y a 1 chemin pour 0 succès : (1-p)*(1-p) .
• Il y a 2 chemins pour 1 succès : 2*p*(1-p) .
• Il y a 1 chemin pour 2 succès : p*p.

91
 Loi binomiale B(3 , p)
• Il y a 1 chemin pour 0 succès : (1-p)3 .
• Il y a 3 chemins pour 1 succès :3*p*(1-p) .
• Il y a 3 chemins pour 2 succès : 3*p2*(1-p).
• Il y a 1 chemin pour 3 succès donc : p3

(1-p)3 3*p*(1-p) 3*p2*(1-p) p3

92
 Propriété
La loi de la v.a.r Y suit la loi Binomiale B(n, p)
définie par:

93
Proposition

94
 Exemple
On lance 10 fois un dé équilibré à 6 faces :
– On gagne à chaque fois que l'on fait 1 ou 6
– On perd sinon.
À chaque jet, la probabilité d'un succès est p=2/6=1/3
donc ce jeu suit la loi binomiale B(10 , 1/3).
Avec la calculatrice, on calcule les probabilités :
– La probabilité d'obtenir exactement 3 succès est
p(X=3)=….
– La probabilité d'obtenir au plus 3 succès est p(x≤3)=….

95
Représentation graphique de la loi
binomiale
On représente la loi binomiale avec un
diagramme en bâtons :
– En abscisse, le nombre de succès
– En ordonnée, la probabilité correspondante

96
Exemple de représentation graphique
de la loi binomiale

97
 Exercice
Supposons qu’une expérience aléatoire suit une loi Binomiale
B(10,p). Le paramètre p inconnu peut être égal à ¼ ou ¾ . On
réalise cette expérience et l’on obtient le nombre 3.

Lequel des deux paramètres est-il le plus vraisemblable?

98
Proposition

99
 Application
On souhaite évaluer l’effectif N des loups
d’une forêt donnée. On procède à une
estimation par CMR (Capture-Marquage-
Recapture) en capturant grâce à des pièges
100 loups que l’on relâche après les avoir
marqués.

100
101
En statistique l’estimation par CMR ne peut se
faire que sur une population fermée c’est à
dire sans immigration ni mortalité ni natalité.
Or les animaux bougent et meurent. Une
solution est de conduire l’étude sur une très
courte période et sur une très grande surface.

102
Loi hypergéométrique

103
Loi hypergéométrique

104
105
Proposition

106
 Exemple

Supposons que sur un arbuste il y a 16 fleurs

dont 4 sont rouges. On cueille au hasard 5
fleurs.

La v.a.r. Y égale au nombre de fleurs rouges

suit la loi hypergéométrique..............

107
 Proposition

Si ( N est grand par rapport à n ) et ( 0, 1 < p <

0, 9 ), on peut alors effectuer une
approximation de la loi hypergéométrique
H(N, n, p) par la loi binomiale B(n, p).

108
Loi de Poisson de paramètre λ

109
110
111
Exemple

112
Notions sur les variables aléatoires
absolument continues

Lorsque l’ensemble des événements

élémentaires Ω n’est pas dénombrable, il n’est
pas possible de déterminer les lois de
probabilités à partir des événements
élémentaires ou à partir des considérations
combinatoires.

113
Exemple

114
115
116
117
Exemple

118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
Soit X une v.a suivant la loi N(3,(12)2 )

• Déterminer le réel x tel que P(X>x)=0.6255

• Calculer P(3.25<X<4.75)

135
• Soit X une v.a continue dont la densité de
probabilité f est définie par:

• Quelle est la valeur de c?

• Calculer P(X>1)

136