Prérequis :

 Expérience aléatoire : expérience où on n’est pas sûr du résultat.

 \Omega : Univers
 Probabilité : le nbr de cas favorables/ nbr de cas possibles
 Variable aléatoire X :
o X : prend un nombre fini de valeurs : Discrète (la loi phare est la loi binomiale)
o X : peut prendre toutes les valeurs d’un intervalle : Continue (borné ou non borné)
(la loi phare est la loi normale)
o Exemple :

o La notion de distribution de probabilité n’a plus de sens, car elle donne la probabilité
qu’un sujet i prenne une valeur x_i donnée, mais ici Pr(X=x_i)=0 pour tout i (il est
impossible d’observer exactement cette valeur).
o Dans le cas continue pour calculer une probabilité, on doit calculer une aire (en
utilisant la fonction densité de probabilité f(x).
Loi Normale : X N (μ , σ )

On dit qu’une variable aléatoire X suit une loi normale de paramètres (L’espérance qui donne la
valeur moyenne noté μ, écart type σ ) lorsque sa fonction de répartition associée est définie par :
−1 x−μ
1 2
(
σ
)
f ( x )= e
σ √2 π

Quantiles et Loi Normale :

La notion actuarielle de VaR, utilisée pour mesurer le risque de marché d'un portefeuille
d'instruments nanciers est étroitement liée à celle de quantile. En effet, la VaR (de l'anglais Value at
Risk) correspond au montant de pertes qui ne devrait être dépassé qu'avec une probabilité donnée,
α, sur un horizon temporel donné ; il s'agit donc du quantile de niveau 1 − α de la variable aléatoire X
représentant le montant de pertes à l'horizon donné.

Loi faible des grands nombres :

 "faible" pour la taille de l'échantillon qui est petite par rapport à la population et "grands
nombres" pour la taille de la population qui supposée très grande ou infinie.
 La différence entre la loi faible des grands nombres et la loi forte des grands nombres réside
dans le mode de convergence : la loi faible est une convergence en probabilité, tandis que la
loi forte est une convergence presque sûre. La terminologie faible/forte est justifiée par le
fait que la convergence presque sûre implique (est plus forte que) la convergence en
probabilité.
 Convergences :
o Convergence en probabilité.
o Convergence en loi.
o Convergence presque sure.
 Exemple discret :
Lancer une pièce jusqu’à obtenir face (3 lancés)

Comment savoir si un jeu de hasard est intéressant pour un joueur ?

ESPERANCE.

L’espérance est négative alors à chaque lancé (jeu) le joueur perd

1/8 de son jeton.
Le théorème central limite :

Lancement de 20 dés.

Un fournisseur produit deux sortes de cadenas. Les uns sont premier prix, et
les autres sont haut de gamme. Un magasin de bricolage dispose d’un stock
de cadenas provenant de ce fournisseur ; ce stock comprend un grand
nombre de cadenas de chaque type.

D’après une étude statistique faite sur plusieurs mois, on admet que le
nombre X de cadenas premier prix vendus par mois dans le magasin de
bricolage peut être modélisé par une variable aléatoire qui suit la loi normale
de moyenne μ=750 et d’écart-type σ=25.

1. Calculer P(725⩽X⩽775).

2. Le responsable du magasin veut connaître le nombre n de

cadenas premier prix qu’il doit avoir en stock en début de mois, pour
que la probabilité d’être en rupture de stock en cours de mois soit
inférieure à 0,05. On ne réalimente pas le stock en cours de mois.
Déterminer la plus petite valeur de l’entier n remplissant cette
condition.