Académique Documents
Professionnel Documents
Culture Documents
Cours - Calcul Des Probabilités - D. OUAHID - Sections B, D&E - 2019-2020
Cours - Calcul Des Probabilités - D. OUAHID - Sections B, D&E - 2019-2020
Semestre 2
Sections : B, D&E
Professeur D. OUAHID
1- Définitions .......................................................................................................... 60
Historiquement, le calcul des probabilités s’est développé à partir du XVIIe siècle autour
des problèmes de jeux de hasard où le nombre de cas possible est fini. Parmi les premiers
fondateurs de la théorie des probabilités, nous citons Blaise Pascal (1623-1662), Jacques
Bernoulli (1654-1705), Abraham de Moivre (1667-1754), Denis Poisson (1781-1840), … Le
cadre rigoureux des probabilités est dû à Andrei Kolmogorov en 1933.
4
Calcul des probabilités
Etant donné l’analogie existante entre le langage des ensembles et celui de la théorie des
probabilités, il serait nécessaire d’entamer le présent cours de « Calcul des probabilités » par
un rappel de la théorie des ensembles. Dans ce qui suit, les ensembles sont notés en majuscules
et leurs éléments en minuscules.
Un ensemble est défini comme une collection d’objet/ d’individus appelés les éléments de
l’ensemble. Soit A a1 , a2 ,... an est l’ensemble A dont les éléments sont a1 , a2 ,... an ou
A ai , i 1,... n
b A : b n’appartient pas à A
Définition : Qu’est-ce qu’un ensemble fini ? La première idée qui vient à l’esprit est quelque
chose comme {a, b, c, d} ou {1, 2, 3, 4}.
On dit que A est fini lorsque A= ou lorsqu’on peut définir une bijection de
l’ensemble {1, 2, …n} dans A. Sinon est infini. Un ensemble A infini peut être soit dénombrable
si on peut définir une bijection de ℕ dans A soit non dénombrable si on ne peut pas définir une
telle bijection.
5
1-1- Opérations sur les ensembles
Réunion :
A B x / x Aou x B L’ensemble des éléments appartenant soit à A soit à B soit à
A et à B : c’est la réunion entre A et B. On peut dire aussi c’est l’ensemble des éléments
appartenant au moins à l’un des deux.
A B {0,1,3, 6,9}
Intersection :
A B x / x Aet x B L’ensemble des éléments de qui appartiennent à A
A B {1, 6}
Complémentaire de A :
Différence :
A B {x / x Aet x B}: L’ensemble des éléments de appartenant à A et
n’appartenant pas à B. C’est la différence entre A et B.
A B {3,8}
6
Différence symétrique ou différence disjonctive :
Exemple : Soit A et B deux ensembles, avec A {1,3, 6,8} et A {0,1,6,9} . Calculer AB
AB {0,3,8,9}
n
A1 A2 ... An s ' ecrit Ai ou Ai : L’ensemble des éléments de qui appartiennent
i 1 iI
partition de .
7
1-2- Théorèmes
1) A B B Aet A B B A (Commutativité )
2) A ( B C ) ( A B) C A B C
( Associativité )
3) A ( B C ) ( A B ) C A B C
4) A ( B C ) ( A B ) ( A C )
( Distributivité )
5) A ( B C ) ( A B ) ( A C )
6) A B A B
7) Si A B alors B A
8) A A et A
( Identité )
9) A et A A
10) A A A et A A A ( Idempotence)
11) A B A B
(Théorème de Morgan)
12) A B A B
13) A ( A B ) ( A B )
Exercice 1 : Soit trois ensembles A, B et C, supposés tous inclus dans un ensemble Ω appelé
univers. Si A {1, 2,3} , B {0, 2, 4,5} et C {1,7,8,9} , calculer :
1. A B , A C et B C ;
2. A B , A C et B C ;
3. A B C et A B C ;
4. A, B et C ;
5. A B, B C , A B et A C .
8
Solution :
x A ( B C ) x A et x ( B C )
x A et ( x B ou x C )
( x A et x B ) ou ( x A et x C )
x ( A B) ou x ( A C )
x ( A B) ( A C )
donc A ( B C ) ( A B ) ( A C )
y A ( B C ) y A ou y ( B C )
y A ou ( y B et y C )
( y A ou y B) et ( y A ou y C )
y ( A B) et y ( A C )
y ( A B) ( A C )
donc A ( B C ) ( A B) ( A C )
1. A B A B
2. A B A B
Solution :
x A B x ( A B ) x Aet x B
x A et x B
x ( A B)
donc A B A B
9
1-3- Propriétés des cardinaux
On passe ici en revue quelques propriétés relatives aux ensembles finis en raison de leur
utilité pour le calcul des probabilités.
2)- Si A est une partie de : card A card . Si de plus card A card alors A= .
( A B) , désigne un ensemble des couples ordonnés dont le premier élément est pris dans
A et le second dans B. C’est l’analogue de choisir d’abord un point vert et ensuite un point bleu.
2- Analyse combinatoire
Autrement dit, il s’agit d’un ensemble de méthodes ayant pour but de dénombrer les
différentes dispositions que l’on peut obtenir à partir d’un ensemble fini. Une disposition est
formée d’éléments pris parmi les n éléments de l’ensemble étudié.
Les ensembles couramment étudiés sont ceux (i) formés d’éléments tous différents. Ces
éléments seront dits discernables, c’est-à-dire présentent des caractéristiques différentes et par
conséquent peuvent être distingués. (ii) formés d’éléments dont certains ont la même
10
caractéristique et de ce fait ne peuvent pas être distingués. Ces éléments seront dits
indiscernables. Les notions des discernable et indiscernable sont utiles pour faire la distinction
entre les cas d’équiprobabilité ou non.
2-1- Définition
Une disposition est un groupe d’éléments choisis parmi les n éléments d’un ensemble
fini. Si chaque élément ne peut pas apparaitre plus d’une seule fois dans chaque disposition, les
dispositions sont dites sans répétition, sinon, les dispositions sont qualifiées avec répétition.
Si l’ordre (l’emplacement) des éléments est important dans la disposition, alors les
dispositions sont dites ordonnées, sinon les dispositions sont qualifiées non ordonnées.
Exemple : Soit E= {a, b, c} ; (a, b) et (a, a) sont deux dispositions de deux éléments, mais
dans la deuxième, l’élément « a » est répété deux fois. Il s’agit d’une disposition avec
répétition.
En croissant les deux critères relatifs à la répétition et à l’ordre on peut considérer quatre
types de dispositions :
Exemple : Prenons un exemple simple afin de clarifier des schémas : soit l’ensemble
E= {a, b, c} où card E=3 et des dispositions de p=2 éléments. Dénombrons ces différentes
dispositions selon chacune des quatre situations ci-dessus.
On appelle paire une disposition de deux éléments dans laquelle le premier appartient à
E et le deuxième appartient à F. Une paire générale est donc de type {ei , f j } dont l’ordre est
indifférent. L’écriture (ei , f j ) est appelée couple dont l’ordre est important.
disposition qui est représentée. En revanche, l’écriture (ei , f j ) est différente de l’écriture
( f j , ei ) . A titre d’illustration on peut comparer les points (1, 2) et (2, 1) sur un plan. Ces deux
remarques sont valables pour des dispositions plus larges (contenant plusieurs éléments).
Exemple : Une urne contient deux boules, dont l’une porte la lettre R (rouge) et l’autre
porte la lettre N (noire). Si on tire successivement sans remises deux boules, les résultats
possibles sont les couples (R, N) et (N, R). Les deux couples(R, N) et (N, R) sont des
dispositions sans répétition.
Supposons maintenant que la première boule tirée est remise dans l’urne avant de réaliser
le deuxième tirage. Dans ce cas les différents résultats possibles sont (R, R), (R, N), (N, N) et
(N, R). Avec cette novelle hypothèse de travail, les couples obtenus sont des dispositions avec
répétition.
2-2-2- Multiplet
12
Un multiplet de p éléments est une disposition ordonnée de p éléments de type
(ei1 , ei2 ,... ei p ) où ei1 E1; ei2 E2 ;...; ei p E p .
Exemple 1 : combien de plaques de voitures peut-on imprimer tel que le premier élément
est une lettre de l’alphabet, le deuxième un chiffre et le troisième un chiffre également ?
Solution : Le premier élément : une lettre parmi 26, le deuxième élément : un chiffre
parmi 10 et le troisième élément ; un chiffre parmi 10. Le nombre de plaques est
26 10 10 2600 .
Exemple 2: Pour s’habiller une personne peut choisir une chemise parmi 6 chemises, un
pantalon parmi 4 et une paire de chaussures parmi 3. De combien de façons possibles cette
personne peut s’habiller ?
2-3- Permutations
Définition : Une permutation sans répétition d’un ensemble E est une énumération qui suit un
ordre (disposition ordonnée), où chaque élément de E ne peut figurer qu’une seule fois.
à : Pn n! n (n 1) (n 2) ... 2 1
n ! 2 n nn e n avec e 2,718
13
Exemple 1 : Soit E {a, b, c} , le nombre de permutations sans répétitions que l’on peut
faire avec ces trois éléments est 3! 3 2 1 6 . Ce sont les permutations suivantes :(a, b,
c) ; (a, c, b) ; (b, a, c) ;(b, c, a) ; (c, a, b) et (c, b, a).
Exemple 2 : Combien de nombres sans répétitions peut-on composer avec les chiffres 1,
2, 3 et 4 ?
Solution : 4! 4 3 2 1 24 nombres.
Exemple 3 : 7 chevaux participent à une course pour laquelle il n’y pas d’ex-aequo.
Combien y a-t-il de classements possibles ?
Exemple 4 : 8 athlètes participent à une course de 100m pour laquelle il n’y pas d’ex-
aequo. Combien y t-il de classements possibles ?
Soit un ensemble E {(e1 , e1 ,..., e1 );(e2 , e2 ,..., e2 );...;(ek , ek ,..., ek )} de n éléments repartis
en k groupes distincts (discernables), tels que dans chacun de ces groupes les éléments sont
identiques entre eux(les groupes sont discernables et les éléments formant un même sous-
groupe ne le sont pas). Si on note ni le cardinal de chaque groupe de E, alors on peut écrire
n n1 n2 ... nk .
14
Définition : Une permutation avec répétition de n éléments d’un ensemble E, est une
nk fois.
n! n!
permutations avec répétition est donnée par : Pn
n1 ! n2 ! ... nk ! k
n !
i 1
i
5!
Solution : On peut former P5 10 nombres différents.
3! 2!
Exemple 3 :
Solution :
10!
1. 12600 nombres différents chacun.
1!2!3!4!
2. A43 24 nombres de trois chiffres distincts.
15
2-4- Arrangements
n!
Anp n(n 1)(n 2)...(n ( p 1)) Avec n, et p ℕ*et on doit avoir
(n p)!
obligatoirement p n .Cette restriction n’est valable dans le cas d’arrangements avec
répétition.
n!
Donc le nombre d’arrangements sans répétition est : Anp
(n p )!
Remarques :
Si p n , on aura Anp
n! n!
Pn n ! ;
(n n)! 0!
16
Si p n , on aura An 0 .
p
Exemple 1 : une urne contient dix boules sur lesquelles ont été marquées les dix Lettres
de l’alphabet de A à J. on tire successivement quatre boules sans remise (sans répétition)
et on inscrit dans l’ordre les lettres, portées par les boules tirées. Combien de mots de
quatre lettres ayant un sens ou non, peut-on former ?
Solution : former un mot revient à remplir quatre cases numérotées de 1 à 4. Pour remplir
la première, il y a dix choix possibles. Pour remplir la deuxième, il y a neuf choix possibles
puisque l’urne ne contient que plus maintenant que neuf boules. Pour remplir la troisième, il y
a huit choix possibles. Pour remplir la dernière, il y a (7=10-(4-1)) choix possibles.
10!
On voit que l’on peut obtenir A104 10 9 8 (10 4 1) 5040 mots différents
(10 4)!
Exemple 2 : Dans une course de 10 chevaux (il n’y a pas d’ex-aequo), le nombre de tiercés
10!
(les trois premiers) dans l’ordre est : A103 10 9 8 720 tiercés possibles.
(10 3)!
Exemple 3 : Pour accéder à une banque de données, il faut 4 lettres différentes. Combien
de mots de passe peut-on avoir ?
Remarques :
17
P peut être supérieur à n puisqu’on peut éventuellement répéter le même élément. (p
peut être inférieur, supérieur ou égal à n).
Exemple1 : Soit E {a, b, c} les arrangements avec répétitions de deux éléments de E sont
n p 32 9 .Ces neufs arrangements sont :(a, a), (a, b), (a, c), (b, a), (b, b), (b, c), (c, a), (c,
b) et (c, c). On peut remarquer clairement qu’il y une répétition d’éléments pour les
arrangements (a, a), (b, b) et (c, c).
Exemple 2 : Combien de mots de trois lettres ayant un sens ou non, peut-on former en
utilisant les lettres du mot « banque » ?
Exemple 3 : En ne tenant pas compte du fait que le mot formé possède ou non un sens,
combien peut-on former de mots différents de 5 lettres :
1. L’alphabet arabe comprend 29 lettres ; le nombre de de 5 lettres qu’on peut former est
295 20511149
2. L’alphabet latin ne comprend que 26 lettres ; le nombre de mots de 5 lettres qu’obn peut
former est 265 11881376
2-5- Combinaisons
Une combinaison de p éléments pris parmi n éléments d’un ensemble E est une
disposition non ordonnée de p de ces n éléments. Dit, autrement, une combinaison est un
rangement ou classement de p éléments pris parmi n. On distingue les combinaisons sans
répétition et les combinaisons avec répétition.
18
2-5-1- Combinaisons sans répétition
Le nombre de combinaisons sans répétition de p éléments qu’on peut former à partir des
n élément de l’ensemble E est égal à :
Anp n!
C (si p n Cn 0 )
p p
p ! p !(n p)!
n
Remarque : l’ordre dans lequel on écrit les éléments d’un ensemble n’as pas d’importance.
Ainsi, (a, b) et (b, a) désignent la même disposition (ensemble).
Exemple 1 : De combien de façons différentes peut-on asseoir 5 personnes sur une table
de trois places si la place sur la table est indifférente ?
5!
Solution : Il y a C53 10 différentes.
3!(5 2)!
Exemple 3 : On tire 5 cartes d’un jeu de trente-deux cartes et on appelle une « main »
l’ensemble ainsi obtenu.
1. Combien y a –t-il de mains de cinq cartes contenant exactement deux cœurs ? (il
y a huit cœurs dans un jeu de trente-deux cartes).
2. Combien y a-t-il de mains contenant au moins un roi ? (il y a quatre rois dans le
jeu de trente-deux cartes).
Solution :
19
2. C41 C284 C42 C283 C43 C282 C44 C28
1
. Il existe un autre méthode ; celle de
Solution :
10!
1. A103 10 9 8 720
(10 3)!
10!
2. C103 120
3!7!
1. Cn Cn 1
0 n
n p
2. Cn Cn (propriété de symétrie : j’ai deux façons différentes pour compter les choses)
p
n(n 1)
3. Cn2 Cnn2 ( avec n 2 )
2
p 1
4. Cn Cn1 Cn 1 formule de Pascal (ou combinaisons composées)
p p
p
Le triangle de Pascal : Permet de calculer, par récurrence, la valeur de Cn . Soit le tableau
suivant où figure, en ligne les valeurs de n et en colonne les valeurs de p (avec p n ). Les
p
termes du tableau donne la valeur de Cn .
triangle.
20
p-1 P
« tout nombre du tableau est la somme du nombre placé au-dessus de lui et du nombre
précédant ce dernier dans le tableau »
p 1
Preuve : Cn Cn 1 Cn 1
p p
(n 1)! (n 1)!
Cnp1 Cnp11
p !(n 1 p)! ( p 1)!( n 1 p 1)!
(n 1)! (n 1)!
(n p 1)! ( p 1)!(n p)!
On a ( p 1)! p p ! et (n p 1)!(n p ) (n p )!
(n 1)!(n p) (n 1)! p
Donc Cnp1 Cnp11
(n p )! p ! p ( p 1)!(n p)!
(n 1)!(n p p)
p !(n p )!
(n 1)!n n!
Cnp
p !(n p)! p !(n p)!
21
Remarque : Cette relation de récurrence peut être énoncée autrement : le nombre de
combinaisons de p parmi n est la somme :
p 1
D’une part du nombre de combinaisons contenant un élément déterminé : Cn 1 ;
Et d’autre part du nombre de combinaisons à p éléments autres que l’élément
p
déterminé : Cn 1 .
n p 1
5. Cnp Cn 1 avec n *
et p *
p
n n
6. (a b)n Cnp a p b n p Cnp a n p b p Formule de binôme de Newton
p 0 p 0
n
(développement binomial). Si a b 1 on aura (1 1)n Cnp 2n
p 0
Si nous utilisons le fait que a 0 b0 1, et queC11 C10 1, nous pourrons aussi écrire :
(a b)1 a1 b1 a1b0 a 0b1 C11a1b0 C10 a 0b1
Car C2 C2 1 et C2 2
2 0 1
Car C3 1, C3 3, C3 3 et C3 1
3 2 1 0
L’examen des termes des développements qui précèdent laisse présumer que chacun des
zéro.
22
n 1 n 1 1 p p n p 1 1 n 1
Pour n n, (a b) Cn a b Cn a b ... Cn a b ... Cn a b Cn a b
n n n 0 0 0 n
Exemple 1 : (a b) C6 a b C6 a b C6 a b C6 a b C6 a b C6a b C6 a b
6 6 6 0 5 5 1 4 4 2 3 3 3 2 2 4 1 1 5 0 0 6
Solution : (2 x 1) 32 x 80 x 80 x 40 x 10 x 1 .
5 5 4 3 2
Solution : (1 i) 8i
6
n 1 1 1 p p n p 1 1 n 1
Remarque : (1 x) Cn 1 x Cn 1 x ... Cn 1 x ... Cn1 x Cn 1 x
n n n 0 0 1 n
1 nx ... nx n1 x n
p
Théorème : Soit E un ensemble à n éléments distincts et K n le nombre de combinaisons
avec répétition de p éléments choisis parmi n éléments de E.
(n 1 p )!
On a K np Cnp1 p
(n 1)! p !
Remarques :
23
N.B : Dans toute la suite et sauf mention contraire, par combinaisons nous nous référons
aux combinaisons sans répétition.
Exemple 1 : Les combinaisons avec répétition de 2 éléments pris parmi les 3 éléments de
(3 1 2)!
E = {a, b, c} est égal à : K 32 6 . Les combinaisons sont :(a, a), (b, b), (c, c), (a,
(3 1)!2!
Oui Non
Ordre
24
Exercices corrigés _Chapitre 1- Théorie des ensembles et analyse combinatoire
Solution :
1. Une combinaison de 3 éléments de E est une partie de 3 éléments de E. On obtient toutes les
combinaisons cherchées en écrivant celles qui commencent par a et b, puis a et c, etc. C’est-à-
dire : (a, b, c), (a, b, d), (a, c, d) et (b, c, d). On obtient 4 combinaisons C4 4 .
3
2. Un arrangement de 3 éléments de E est une liste d’éléments distincts de E. Pour les obtenir
tous, on peut raisonner de différentes façons.
(a, b, c) donne les arrangements suivants : (a, b, c), (a, c, b), (b, c, a), (b, a, c), (c, a, b) et (c, b,
a) soit 6 arrangements.
(a, b, d) , (a, d, b), (b, d, a), (b, a, d), (d, a, b), (d, b, a), (a, c, d), (a, d, c), (c, d, a), (c, a, d), (d,
a, c), (d, c, a), (b, c, d), (b, d, c), (c, d, b), (c, b, d), (d, b, c) et (d, c, b).
Deuxième méthode : pour écrire une 3-liste d’éléments distincts, on choisit le premier élément
(4 choix), ce choix étant fait, on choisit le deuxième élément (3choix). Arbre.
Solution :
1- 64 nombre de 4 chiffres choisis dans E.
25
Exercice 3 : développer les formules suivantes :
(2 x)4 ,(1 x)5 , (2 x y)5 ,(2 i)4 et (1 2i)3 i désigne le nombre complexe dont la racine
carrée est -1.
1. On met au plus une lettre par boite et les lettres sont identiques ?
2. On met au plus une lettre par boite et les lettres sont toutes différentes ?
3. On met un nombre quelconque de lettres par boîte et les lettres sont toutes
différentes ?
Solution :
3. n p 107
Exercice 5 :
Solution :
1. C5 C4 C3 sous-commissions possibles.
3 2 1
2. Dans le premier cas il y a 365k listes d’anniversaire possibles. Dans le deuxième cas on
aura A365 listes d’anniversaire possibles avec la condition que k 365 .
k
26
3. Deux scientifiques ne s’entendent pas et ne veulent pas faire partie du même jury.
4. Même question si ce sont deux littéraires qui ne s’entendent pas.
Solution :
2 3
1. C5 C7 façons possibles.
2 2
2. C5 C6 façons possibles.
2 2 3 2
3. ( C5 - C2 ) * C7 façons différentes. (- C2 représente le nombre de cas qui contient les deux
scientifiques qui ne s’entendent pas)
( C7 -( C2 C5 )) C5 façons possibles. (( C2 C5 ) : représente le nombre de cas qui contient
3 2 1 2 2 1
4.
les deux littéraires qui ne s’entendent pas)
Exercice 7 : On dispose de 10 billes que l’on veut placer sur une même rangée.
1. On suppose que les 10 billes sont de couleurs différentes. De combien de façons peut-
on les ranger ?
2. On suppose qu’il a 5 billes rouges, 2 blanches et 3 vertes, et que l’on ne peut pas
discerner d’une même couleur.
a) De combien de façons peut-on les ranger ?
b) De combien de façons peut-on les ranger si l’on veut que les billes soient groupées
par couleurs ?
c) Même question mais seules les rouges doivent être groupées.
Solution :
27
Solution :
28
Chapitre 2- Concepts et axiomes de base du calcul des probabilités
L’objet du calcul des probabilités est de construire une théorie mathématique pouvant
servir de cadre général à l’étude des phénomènes aléatoires, c’est-à-dire des phénomènes dans
lesquels, le hasard, intervient.
Comme dans toute théorie mathématique, il convient de préciser dans la première étape
le vocabulaire utilisé, dans un univers incertain, en définissant les concepts de base. La
deuxième étape consiste à poser un certain nombre d’axiomes et en déduire les conséquences
logiques.
Dans le présent chapitre, le langage utilisé est souvent emprunté à la théorie des
ensembles et la notion de l’aléa, est fréquemment illustré par des exemples simples inspirés des
jeux de hasard.
L’expérience qui consiste à lancer un dé dont les faces sont numérotées de 1 à 6, conduit
à plusieurs résultats possibles quant au numéro de la face du dé immobilisé. Une telle
expérience est dite aléatoire, encore appelé épreuve. L’ensemble des résultats (issues)
possibles est appelé univers des possibles ou espace des éventualités1. Nous le noterons Ω.
Toute situation attachée au résultat d’une épreuve est nommée événement ou événement
aléatoire.
Une expérience est dite aléatoire s’il est impossible, une fois les conditions sont fixées,
d’en prévoir, avec certitude, le résultat. Lorsque dans les mêmes conditions, la même
expérience, entraîne un résultat unique, on parle d’expérience déterministe.
Exemples :
1. On tire une boule dans une urne contenant N boules de couleurs différentes ;
1
En toute rigueur on devrait parler d’éventualité avant l’expérience et de résultat après l’expérience.
29
2. On lance une pièce de monnaie (On ne peut pas prévoir si la pièce va tomber sur
pile ou sur face) ;
3. On lance un dé ordinaire (On ne peut prévoir pas si le dé va se stabiliser sur la face
1, 2, 3, 4, 5 ou 6) ;
4. Tirage d'une carte dans un jeu de 32 cartes…
Dans chacune de ces expériences on ne peut pas prévoir, à priori, avec certitude un résultat
unique. Plusieurs résultats sont possibles : autrement dit, à chaque expérience on peut associer
un ensemble de résultats possibles noté Ω.
C’est l’ensemble (ou espace) noté Ω des résultats (issues) possibles associés à une
expérience aléatoire. Chaque résultat possible est une éventualité noté ω. On a
{1 , 2 ,..., n } est un ensemble fondamental (espace fondamental) à n éventualités.
Exemples :
1-3- Evénements
Un évènement A une est propriété qui est vérifiée ou non par l’issue de l’expérience
aléatoire. Autrement dit, est un sous-ensemble, ou partie, de l’ensemble fondamental Ω, il peut
comprendre une ou plusieurs éventualités. Si l’événement ne contient qu’une seule issue, on
parle d’événement élémentaire.
30
Soit {1 , 2 ,..., n } et A {1 , 2 } est une partie de Ω, l’événement A se réalise si
l’une des issues 1 ou 2 se produit, ou encore l’une quelconque des résultats {1 , 2 } réalise
l’évènement A.
Exemples : Sur l’expérience 3, on peut définir plusieurs évènements. Par exemple : soit A
l’évènement « le numéro obtenu est pair », on a donc A {2, 4,6} . Soit B l’évènement « le
numéro obtenu est inférieur à 5 », on a donc B {1, 2,3, 4,5} . On dira, alors, que : A s’est
réalisé {2, 4, 6} . B s’est réalisé {1, 2,3, 4,5} . La sortie du numéro 5 réalise B
mais la sortie du 2 et du 4 réalise simultanément A et B.
31
E est l’évènement A et B E= A ∩ B A : « obtenir 1, 3, 5» ; B : « obtenir 1,
2, 4,6 » : E 1
A et B sont incompatibles A ∩ B=∅ Signifie que les deux évènements ne
(disjoints ou exclusifs) peuvent pas se réaliser simultanément
A implique B A B { / A B} Si l’évènement A se réalise alors cela
implique que B s’est réalisé aussi
A et B sont identiques A B A 1, 3, 5 et B 1, 3, 5
A est probabilisable si :
A
A A A A ;
n
Si A1 A, A2 A, …, Ai A, alors Ai A,
i 1
suivante : A {, A, A, } .
Remarque : En particulier [Ω, P(Ω)] est un espace probabilisable. On désigne par P(Ω)
l’ensemble des parties de Ω.
32
1-6- Cas d’épreuves aléatoires répétées : nombre de résultats possibles
Toutes les expériences aléatoires susmentionnées peuvent être répétées deux ou plusieurs
fois. Si on tire au hasard p boules dans une urne qui contient n boules numérotées. Dans ce cas,
on aura :
33
Dire que les évènements élémentaires sont équiprobables signifie que
P(wi ) p( w j ) (i j ) .
L’équiprobabilité est une hypothèse. Elle est sous entendue dans le texte par des
expressions comme lancer d’un dé équilibré (parfait), lancer d’une pièce de monnaie équilibrée,
ou encore par « on choisit au hasard un objet parmi les n présents », ce qui signifie qu’au
moment du choix, aucun objet n’est favorisé.
Mais attention, dans ce cas, pour obtenir l’équiprobabilité, il faut prendre pour univers
l’ensemble des n objets. Car si on change d’univers, même avec un choix au hasard,
l’équiprobabilité, en général, est perdue.
Exemple : une urne contient deux boules rouges et une seule boule verte. On tire au hasard une
boule et on note sa couleur. En prenant pour univers R1 , R2 , V1 , chaque évènement
1
élémentaire a pour probabilité . Mais si l’on prend pour univers R, V , avec un choix de
3
2 1
boule au hasard, les évènements élémentaires ne sont plus équiprobables, P( R) , P(V )
3 3
Mais ceci ne peut être valable qu’à la condition que tous les résultats considérés comme
possibles (tant ceux dénombrés par a que ceux dénombrés par b) soient rigoureusement
équiprobables.
On voit qu’une telle approche, lorsqu’elle est applicable, ne nécessite pas forcement la
réalisation effective d’une expérience et c’est pourquoi on la désigne parfois sous le nom
« d’approche a priori ».
crad A 4 4 1
P ( A)
card 4 48 52 13
Exemple 2- dans une urne contenant 10 boules noire, 15 boules bleues et 5 boules vertes,
on choisit de façon aléatoire une boule.
34
Solution : Le tirage de la boule est une expérience aléatoire car le résultat est imprévisible. Le
nombre de boules pouvant être choisies est 30 car l’urne contient au total 30 boules. Le nombre
de boules vertes favorables à l’évènement « boules vertes » est 5 car l’urne contient 5 boules
5
vertes. La probabilité de tirer une boule verte est P(V ) 0,16
30
1. La probabilité pour que ces questions soient toutes les trois parmi les sujets qu’il a
appris ;
2. Combien il aurait dû au minimum apprendre de sujets pour que cette probabilité
soit au moins égale à 0,5.
Solution :
C53 1
1. p 3
C10 12
Cx3
2. Il faut calculer x tel que soit supérieur à 1/2. Ce nombre est 7/15 si x=8, et 7/10 si
C103
x=9 : le candidat aurait dû apprendre 9 sujets au moins.
Exemple 4: on lance en une seule fois 12 dés équilibrés dont les faces de chacun d’entre
eux sont numérotées de 1 à 6. Quelle est la probabilité de l’événement Z « obtenir
chaque face deux fois » ?
12!
12!
Solution : p( Z ) 2!2!2!2!2!2!
12
6 12 3, 44.10 3
6 26
35
Dans cette approche de calcul des probabilités on ne voit aucune raison de privilégier un
résultat plutôt qu’un autre : on dit que tous les résultats sont équiprobables.
Dans l’approche fréquentiste de la probabilité, on se base sur les données fournies par
un certain nombre d’observations ou d’expériences antérieures. Il n’est pas alors nécessaire de
postuler une quelconque égalité de base entre des résultats à venir. Comme cette approche est
fondée sur des données acquises par l’observation ou l’expérience, on la désigne parfois sous
le nom « d’approche empirique ».
Exemple 1. Si des statistiques nous apprennent que, dans la section B, 40 étudiants sur
400 qui ont obtenu une note supérieure ou égale à 10 en mathématiques I. Il est raisonnable
d’estimer qu’un étudiant a une probabilité de (40/400) pour valider telle matière.
Exemple 2. Avant d’ajouter certain types de soins dentaires à la liste des bénéficiaires
qu’elle couvre, par un groupe d’employés adultes, une compagnie d’assurances désire
analyser les probabilités qui concernent ce genre de traitements. Or, d’après des enquêtes
effectuées par des statisticiens, on a pu remarquer que sur une population de 2000 adultes,
uniquement 200 adultes nécessitent ce type de soins dentaires. Dans ces conditions, on peut
supposer que la probabilité de réalisation de l’évènement en question est :
200
P( A) 0,1ou 10%
2000
36
D’une manière synthétique, l’approche subjective, c’est une sorte de mesure de la
conviction ou de la croyance qu’une personne éprouve à l’égard de la réalisation d’un
événement. = jugements personnels sur les évènements à venir.
2-1- Définition
Soit Ω un ensemble fini non vide. On appelle probabilité sur le couple (Ω, P(Ω)) dit
espace probabilisable, toute application :
P : P(Ω)
2-2- Propriétés
2. A P(Ω) : 0 P( A) 1 ;
3. A P(Ω) : P( A) 1 P( A) p( A) p( A) 1 ;
6. Plusieurs événements aléatoires associés à une même expérience aléatoire sont dits
mutuellement exclusifs ou mutuellement incompatibles s’ils sont exclusifs deux à deux.
n n
P Ai P ( Ai ) ; ( i j Ai Aj ) )
i 1 i 1
7. Formule de Poincaré (ou du crible). Si les événements aléatoires ne sont pas
n n
P Ai P ( Ai ) ... (1) k 1 P( Ai1 Ai2 ... Aik ) ...
a : i 1 i 1 1 i1 i2 ... ik n . A titre
(1) n 1 P( A1 A2 ... An )
d’exemple Si trois événements aléatoires A, B, et C ne sont pas mutuellement exclusifs
p Aou B ou C p A p B p C – p A et B – p A et C – p B et C
alors :
p A et B et C
Tirage successif avec ordre et avec remise : on dit que le tirage de l’échantillon est ordonné
et avec remise (tirage bernoullien ou non exhaustif) lorsque les n éléments de l’ensemble
étudié sont tirés un à un et remis dans la population avant le tirage de l’élément suivant.
Ce tirage est appelé soit arrangement avec répétition et le nombre de ces tirage est noté n p ,
n!
soit permutation avec répétition et le nombre de tirages est Pn .
n1 ! n2 ! ... nk !
Tirage successif avec ordre et sans remise (exhaustif) : on dit que le tirage est ordonné et
sans remise lorsque les individus sont tirés un à un, mais ne sont pas remis dans la
population avant le tirage de l’individu suivant. Ce tirage est appelé arrangement sans
38
répétition et le nombre de ces tirages est noté : Anp
n!
. Lorsque n p ce tirage est
(n p)!
Exemple 1 : Une urne contient une boule bleue, une boule blanche, une boule rouge et
deux boules vertes. Quelles est la probabilité d’obtenir en tirant successivement trois
boules de l’urne :
Solution :
crad A 1
1. p ( A) .
card 60
cradB 6
2. p( B) 0, 6 . ( cardB A33 6 3! )
card 60
Exemple 2 : Dans u sac on a placé trois pièces de 1 DH et quatre pièces de 2 DHs. Une
personne extrait de ce sac trois pièces simultanément. En admettant que chaque sous-
ensemble de trois pièces à même probabilité d’être extrait, calculer les probabilités des
évènements suivants :
Solution :
39
card A C43 4
1. p ( A) 3 .
card C7 35
Traitons un exemple. Dans une faculté, 45% des étudiants sont des filles, 55% des
garçons. Parmi les filles, 30% sont des filles sont boursières et 70%, ne sont pas boursières.
Parmi les garçons, 60% sont boursiers et 40%, ne sont pas boursiers. On tire au hasard une fiche
dans le fichier de tous les étudiants de la faculté, et on note le résultat obtenu, qui peut être
« fille boursière », « fille non boursière », « garçon boursier » et « garçon non boursier ».
On peut représenter cette situation par le graphique ci-après, appelé arabe pondéré.
Remarquez bien que la somme des probabilités inscrites sur les branches issues d’un même
nœud est égale à 1. Cette loi est connue sous le nom de loi des nœuds.
40
Arbre pondéré
Le chemin
0,45
F
0,7
NB représente l’évènement « la fiche tirée est celle d’une fille non
boursière », qui est l’évènement « F et NB », c’est-à-dire F NB .
Si P est la population totale des étudiants, le nombre de filles est 0, 45 P , et puisque parmi
elles, 70% ne sont pas boursières, le nombre de filles qui ne sont pas boursières est 0, 45 P 0,7
Le nombre inscrit sur la branche G B est la probabilité d’obtenir la fiche d’un
0,4
étudiant garçon boursier. On dit aussi que c’est la probabilité d’obtenir la fiche d’un boursier
sachant que la fiche tirée est celle d’un garçon. On la note p( B / G) ou pG ( B) ce qui lit
« probabilité de B sachant G ».
p( AetB) p( A B) p( A / B) p( B) p( B / A) p( A)
41
On peut généraliser cette formule à plusieurs événements. Ainsi pour trois événements
A, B, et C on a : p( Aet B et C ) p( A) p( B / A) p(C / Aet B) .
p ( M 1 ) , que M 1 tombe en panne est 0,004 ; celle, notée p(M 2 ) , que M 2 tombe en panne
est 0,006. De plus, lorsque M 1 et en panne, la probabilité que M 2 tombe en panne est
Exemple 2 : Dans une urne contenant 20 boules blanches, 15 boules noires, 15 boules
rouges et 10 boules vertes on choisit de façon aléatoire deux boules successives. Quelle est
la probabilité que les deux boules tirées soient blanches ?
Exemple 3 : Une urne contient cinq boules rouges et une boule noire. Déterminer la
probabilité qu’il faille retirer successivement trois boules, sans remise dans l’urne, pour
extraire la boule noire.
1
Solution : p( Aet B et C ) p( A) p( B / A) p(C / Aet B)
6
2-4-2- indépendance de deux évènements
Définition : Dire que les deux évènements A et B sont indépendants signifie que la réalisation
( ou non) de l’un n’influence pas la réalisation ( ou non) de l’autre. p( A / B) p( A) ou encore
p( B / A) p( B) . Cette définition nous permet d’écrire :
p( A B) p( A / B) p( B) p( A) p( B) .
p( A1 A2 ... An ) p( A1 ) p( A2 ) ... p( An ) .
42
Remarques :
L’indépendance entre certains évènements est une hypothèse du modèle (qui résulte
souvent de l’analyse du dispositif expérimental) et devrait être annoncée comme telle. Mais
l’usage veut que cette hypothèse soit implicite dans certains situations de référence (en
conformité avec l’intuition et avec les résultats de tests statistiques).
C’est le cas :
D’un lancer de plusieurs pièces ou dès (l’issue d’un lancer d’une pièce n’est pas
influencée par les issues des autres) ;
De tirages sans conditionnement dans des urnes différentes ;
De lancers successifs d’une même pièce ;
De tirages avec remise dans une seule urne.
Solution :
card A 3 1 card B 3 1 card C 18 3 1
p ( A) , p( B) et p (C )
card 6 2 card 6 2 card 36 6 2
43
L’événement A : le nombre de résultats impair est égal à 3 ( 1, 3 et 5)
L’événement B : le nombre de résultats impair est égal à 3 ( 1, 3 et 5)
Pour l’événement C, on va tracer un tableau afin de faciliter le comptage de la somme des
deux résultats est impair.
Dé 1 1 2 3 4 5 6
Dé 2
1 2 3 5 7
2 3 5 7
3 5 7 9
4 5 7 9
5 7 9 11
6 7 9 11
D’après le tableau le nombre de cas où la somme des deux résultats est impaire est égal à
18.
1 1
1. Indépendance de A et B : p( A B) p( B / A) p( A) p( A) p( B) , d’où A
2 2
et B sont donc indépendants.
1 1
2. Indépendance de A et C : p( Aet C ) p(C / A) p( A) p( A) p(C ) , d’où A
2 2
et C sont donc indépendants.
3. Indépendance de A, B et C : p( Aet B et C ) 0 car la somme de deux résultats
impaires ne peut pas être impaire. Ce qui implique que
p( Aet B et C ) p( A) p( B) p(C ) .
Solution :
p( A) p( B).
44
2. Dans un ensemble {a, b} de cardinal 2, prenons A {a}, B {b} . Les deux
1
applications P et Q telles que : Q( A) Q( B) et p( A) 1, P( B) 0 permettent
2
de définir deux probabilités sur (Ω, P (Ω)). On vérifie immédiatement que les deux
événements A et B sont indépendants pour P et ne le sont pas pour Q.
Exemple 1 : Soient 3 urnes U1 , U 2 etU 3 qui sont telles que U1 contient 2 boules blanches et
noires.
le tirage dans U1 . Si X est égal à 4 ou 5 le tirage est fait dans l’urne U 2 . Le tirage est fait
dans U 3 si X 6 . Soient les évènements suivants :
Solution : Les probabilités de tirer une boule des différentes urnes sont données par :
45
3 2 1
p(U1 ) p(U 2 ) p(U 3 )
6 6 6
p ( B ) p ( B U1 ) p ( B U 2 ) p ( B U 3 )
p( B / U1 ) p (U1 ) p( B / U 2 ) p (U 2 ) p ( B / U 3 ) p (U 3 )
2 3 3 1 2 1 2
3 6 4 3 4 6 3
Exemple 2 : Deux bourses U et V contiennent des pièces d’or et des pièces d’argent. La
composition de ces bourses est la suivante :
deux pièces d ' or quatre pièces d ' or
bourse U bourse V
trois pièces d ’argent une pièce d ’argent
On tire de l’une des bourses, choisie au hasard, une pièce, et on la remet dans cette
bourse. Et si la pièce tirée est en or, on commence le tirage dans la même bourse. Si la
pièce tirée est en argent, on commence le tirage dans l’autre bourse.
On applique cette règle à chaque tirage à partir du deuxième tirage. Déterminer les
probabilités pour que :
46
4. Le premier tirage ait été fait dans U, sachant que l’on a tiré une pièce d’or
au deuxième tirage.
1 2 2 3 4
p (U1 ) pU1 (O2 ) 2 5 5 5 5 8
4. pO2 (U1 ) .
p (O2 ) 8 17
1
25
Soit (Ω, P (Ω), p) un espace probabilisé et ( H i )1i n un système complet d’événements tels
47
p( H i ) p( A / H i )
p( H i / A) n
p( H ) p( A / H )
i 1
i i
Exemple 1 : On suppose que l’on a dans un magasin des machines provenant de deux
usines différentes A et B : 70% viennent de A et 30%viennent de B. parmi celles qui
viennent de A, 20% présentent un défaut. Parmi celles qui viennent de B, 10% présentent
un défaut.
Solution :
Exemple 2 : Une urne U1 contient une boule noire et deux blanches. Une urne U 2 contient
deux boules noires, deux blanches et une rouge. On choisit au hasard l’une des deux urnes,
puis on tire au hasard une boule de cette urne. On note N l’événement « la boule tirée est
noire ».
1. Calculez p(N) ;
Solution : A noter que tous les choix sont équiprobables (faits au hasard). Le choix d’une
boule passe d’abord par le choix d’une urne. On peut construire l’arbre pondéré associée à cette
expérience.
48
1 1
1. p(U1 ) p(U 2 ) et p( N / U1 ) (il y a dans U1 trois boules dont une noire).
2 3
2 1 1 1 2 11
Et p( N / U 2 ) . Donc p( N ) .
5 2 3 2 5 30
2. Une boule noire a été tirée. Donc la question posée peut se traduire ainsi : sachant
1 1 1 11
p(U1 N ) et p( N ) , donc :
2 3 6 30
1 1
p( N / U1 ) p(U1 ) p( N / U1 ) p(U1 ) 5
p(U1 / N ) 2 3 .
p( N ) p( N / U1 ) p(U1 ) p( N / U 2 ) p(U 2 ) 11 11
30
On a p( R) 0,80 p(C ) 0, 20
49
p ( S ) p ( S / R ) p ( R ) p ( S / C ) p (C )
1.
0, 0095 0,8 0,1092 0, 2 0, 092
p( S / R) p( R) 0, 0095 0,8
2. p( R / S ) 0, 258
p( S ) 0, 029
Exemple 4 : Deux ateliers A et B fabriquent des puces électroniques. Pour une commande
de 2000 pièces, A en a produit 1200 et B en a produit 800.
L’atelier A produit 4% de puces défectueuses et B en produit 3%. On prend une
puce au hasard dans la commande.
On appelle A l’événement « la puce provient de l’atelier A », B l’événement « elle
provient de l’atelier B » et D l’événement « elle est défectueuse ».
1. Calculer p( D), p( A D) et p( A / D) .
2. p( D), p( D B) et p( B / D) .
72
1. p( D) p( D / A) p( A) p( D / B) p( B) 0, 04 0, 6 0, 03 0, 4 0, 036 .
2000
50
Première méthode : p( D) 1 p( D) 1 0,036 0,964 .
Deuxième méthode : p( D) p( D / A) p( A) p( D / B) p( B)
5. p( D B) : le chemin
0,4
B
0,97
D représente l’événement « B D », d’où
p( D B) 0,97 0, 4 0,388 .
p( D / B) p( B) 0,388 776
6. p( B / D) 0, 402
p( D) 0,964 1928
51
Exercices corrigés _Chapitre 2- Calcul des probabilités
Solution :
4
1. p( A)
9
4
2. p( B)
9
41
p(C )
3. 81
Solution :
1
1. p( D) 1 ( P( A) p( B) p(C )) .
3
1 1 1
2. On a p( R / A) , p( R / B) , p( R / C ) et p( R / D) 0 . On cherche p(C / R) :
20 20 5
52
p ( R / C ) p (C )
p (C / R)
p ( R / A) p ( A) p ( R / B) p ( B) p ( R / C ) p (C ) p ( R / D) p( D)
1 1
12 5 2
(Formule de Bayes). D’où p(C / R)
1 1 1 1 1 1
0 7
3 20 4 10 12 5
1 1 1
Exercice 3 : On a p( A) , p( B) , p( A B) . Calculer p( B / A) et p( A / B) .
2 3 10
1 1
p( A B) 10 1 p( A B ) 10 2
Solution : p( B / A) , p( A / B)
p( A) 1 5 p( B) 1 5
2 4
Exercice 4 : Une urne contient 5 boules vertes et 10 boules rouges. On tire au hasard
deux fois une boule de l’urne en remettant la boule après tirage.
1. Quelles est la probabilité d’obtenir une boule verte et une boule rouge dans cet
ordre ?
2. Quelles est la probabilité d’obtenir une boule verte et une boule rouge dans un
ordre quelconque ?
3. Si les tirages se font sans remise, quelle est la probabilité d’obtenir une boule
verte et une boule rouge dans cet ordre ? dans un ordre quelconque ?
4. On tire simultanément 5 boules de l’urne. Quelle est la probabilité d’obtenir 2
boules vertes et trois boules rouges ?
Solution :
51 101 2
1. p ( A)
152 9
51 101 51 101 51 101 4
2. p( B) p( A) p (C ) 2
152 152 152 9
crad C A51 A10
1
50 5
3. a) p(C )
card 2
A15 210 21
2 A51 A101 10
b) p(C ) .
A152 21
53
C52 C103 400
4. p( D) 5
.
C15 1001
Exercice 5 : on tire une carte au hasard d’un jeu classique de 32 cartes. Quelle est la
probabilité que cette carte soit un roi ou un trèfle ?
4 7 11
p( A B) p( A) p( B))
32 32 32
Exercice 6 : Voici un tableau relevé lors d’une enquête dans un amphi. L’événement A
désigne les étudiants qui vont au moins une fois par semaine, B l’événement qui
représente l’ensemble des filles.
A A Total
B 7 3
B 5 10
Total
1. Donner la probabilité p( A) .
2. Calculer la probabilité p( A B) .
3. Calculer la probabilité pB ( A) .
Solution :
12
1. p( A)
25
7
2. p( A B)
25
7
3. pB ( A) p( A / B)
10
Certains moteurs sont écartés comme défectueux, dans les proportions suivantes : 5%
pour la chaîne « a », 4% pour la chaîne « b » et 1% pour la chaîne « c ».
54
On prend un moteur au hasard et on définit les événements suivants : A « le moteur
issu de la chaîne « a » », B « le moteur est issu de la chaîne « b » », C le moteur est issu
de la chaîne « c » » et D « le moteur est défectueux ».
Solution :
2. Pour calculer p( D) on peut utiliser l’arbre pondéré. La somme des probabilités des trajets
conduisant à la réalisation de D est égale à :
p( D) p( A) p( D / A) p( B) p( D / B) p(C ) p ( D / C )
0, 25 0, 05 0,35 0, 04 0, 4 0, 01 0, 035
p ( A D) p ( A) p ( D / A)
p( A / D)
p( D) p( D)
0, 25 0, 05
0, 4098
0, 0305
p(C D) p (C ) p ( D / C )
p(C / D)
p( D) 1 p( D)
Or p( D / C ) 1 p( D / C ) 1 0,01 0,99
0, 4 0,99
On a donc p(C / D) 0, 4085
1 0, 0305
55
Exercice 8 : Un sondage est effectué dans une entreprise comprenant 20% des cadres et
80% d’employés. On sait que 40% des cadres et 15% des employés parlent l’anglais.
Solution : Pour simplifier les choses on peut construire l’arbre pondéré de cette expérience.
qui parle l’anglais ». Autrement dit, c’est l’événement E A 0,8 0,15 0,12 .
p ( A) p( A C ) p ( A E ) p ( A / C ) p(C ) p( A / E ) p( E )
3.
0, 08 0,12 0, 2
p ( A / C ) p (C ) p ( A / C ) p (C )
p (C / A)
p ( A) p ( A / C ) p (C ) p( A / E ) p( E )
0, 08
0, 4
0, 08 0,12
1 1 1 3
p( X ) ; p( X / Y ) ; p( Z / Y ) ; p(T / Z ) . Déterminer p(T Z ) et p(T ) .
2 2 3 5
1
1. On a p( X ) et comme X est une partie de Ω on aura donc
2
1 1 1
p( X ) p() p( X ) 1 . D’où d e f (1)
2 2 2
56
3 3
p(T / Z ) Soit p(T Z ) p(T / Z ) p( Z ) a d (a e d ) , ce qui implique
5 5
2
e (a d ) . (2)
3
1
p( X / Y ) donne a c d f 2(a c) , ce qui implique d f a c (3)
2
1 1 3
p( X / Y ) etp( Z / Y ) p ( X Y ) 2 a c (a d )
2 3 implique soit 2 (4)
p( Z Y ) 3
1 2 3
Enfin (1)+(2)+(3)+(4) donne : (a d ) soit
2 3 2
3 p(T Z ) 5
p (T Z ) et p ( Z )
13 p (T / Z ) 13
1. On obtient un six (événement A). Quelle est la probabilité que le dé tiré soit
équilibré (événement S) ?
2. On obtient un cinq (événement B). Quelle est la probabilité que le dé tiré soit
équilibré (événement S) ?
Solution :
1. On cherche la probabilité p( S / A) :
1 1
p( S A) p( A / S ) p( S ) 2 6
p( S / A) 0, 25
p( A) p( A / S ) p( S ) p( A / S ) p( S ) 1 1 1 1
* *
2 6 2 2
2. On cherche la probabilité p( S / B)
57
1 1
p( S B) p( B / S ) p(S ) 2 6
p( S / B) 0, 625
p( B) p( B / S ) p( S ) p( B / S * ) p(S * ) 1 1 1 1
2 6 2 10
58
Chapitre 3- Variables aléatoires (Aléas numériques)
Introduction
D’après les deux premiers chapitres précédents, nous savons que probabiliser un univers
consiste à affecter à chaque événement élémentaire une « mesure » (sa probabilité) de telle sorte
que la somme de ces probabilités soit égale à 1.
La variable aléatoire est la notion la plus importante à définir après celle de la probabilité
d’un événement. Elle traduit des épreuves aléatoires dont les issues (résultats possibles) sont
transformées en valeurs numériques par une certaine application X.
On distingue deux types de variables aléatoires : les variables aléatoires qualitatives et les
variables quantitatives qui peuvent être soit, discrètes soit, continues. Une variable aléatoire
qualitative est celle exprimée en mots ou lettres (de façon non chiffrée).Une variable aléatoire
est quantitative (discrète ou continue) si elle est exprimée de façon chiffrée. La variable ne peut
prendre que des valeurs entières, si elle est discrète ou des valeurs réelles, appartenant à un
intervalle (nombres infinis), si elle est continue.
Pour pouvoir éviter de travailler sur des variables qualitatives, on a l’habitude d’affecter
un nombre à chacune des valeurs qualitatives, par exemple pour le cas de la pièce de monnaie,
on pourrait affecter 1 pour la face pile et 0 pour l’autre face, de même pour le dé on a l’habitude
de numéroter de 1 à 6 ses faces.
Soit f X l’ensemble des valeurs possibles pour la variable aléatoire. On peut définir par
l’application X la probabilité associée à chacune des valeurs possibles. On obtient ainsi une
nouvelle loi de probabilité image de la loi sur Ω.
On peut ainsi procéder à des calculs analogues à ceux envisagés en statistique descriptive.
D’ailleurs on trouve ici le même langage que celui utilisé pour l’étude des variables statistiques.
59
La notion de probabilité pour la variable aléatoire remplace celle de la fréquence pour la
variable statistique. La probabilité est, en effet, une fréquence théorique correspondant à un
nombre infini d’expériences aléatoires.
1- Définitions
Variable aléatoire : On définit une variable aléatoire lorsqu’on associe un nombre réel à
chacun des résultats possibles d’une expérience ou d’un groupe d’expériences aléatoires.
Si (Ω, P (Ω), p) un espace probabilisé fini, on appelle variable aléatoire réelle toute
application de Ω vers l’ensemble ℝ des réels. L’ensemble des « valeurs prises » par la variable
aléatoire s’appelle univers-image. En général, on désigne par X la variable aléatoire.
Exemples :
60
f ( P) 10 f ( F ) 10
Cette application s’appelle variable aléatoire discrète (ou aléa numérique discret).
L’ensemble f () {10, 10} s’appelle l’univers-image.
1 1
Supposons que { P, F} soit probabilisé de la façon suivante : p( P) et p( F )
2 2
Il paraît naturel de définir sur l’univers-image f () {10, 10} , la probabilité p telle que
1 1
p(10) et p(10) . Cette nouvelle probabilité s’appelle probabilité-image.
2 2
2- Soit Ω l’ensemble des logements d’une ville déterminée (ou l’ensemble des codes
représentants ces logements). L’épreuve consiste à tirer au sort un de ces logements et à ne
retenir que le nombre de ses pièces.
Si l’on suppose que le nombre de pièces ne peut être que 1, 2, 3, 4, 5, 6, 7, il est naturel
de considérer l’ensemble {1, 2,3, 4,5, 6, 7} , appelé univers-image. L’application f de Ω vers
ℝ qui, à chaque logement, associe son nombre de pièces s’appelle variable aléatoire.
Définition : Si X est une variable aléatoire discrète prenant ses valeurs sur {x1 , x2 ,..., xn } ,
l’événement X xi .
Propriétés de p :
1. xi X (), 0 p( xi ) 1 ;
61
n
2. p( x ) 1 ;
i 1
i
3. La loi p permet donc de définir une probabilité sur ( X ()) , P [X(Ω)]. Inversement
Donner la loi de probabilité de X revient à donner, en plus des valeurs possibles de X, les
probabilités de réalisation de chacun des événements de Ω. Le tableau ci-après donne la loi
(distribution) de probabilité du lancer d’un dé équilibré.
Loi de probabilité de X
xi 1 2 3 4 5 6 p i
1 1 1 1 1 1 1
p( X xi )
6 6 6 6 6 6
Exemple 2 : Soit X la variable aléatoire qui caractérise le nombre de garçons dans une
famille de quatre enfants. Donner la loi de probabilité de X.
Solution : X est une variable aléatoire discrète, elle peut prendre les valeurs entières 0, 1, 2, 3,
et 4.
La probabilité pour qu'un enfant soit un garçon est 1/2.La probabilité pour qu'un enfant
soit une fille est 1/2.
P(0) est la probabilité que les trois enfants soient des filles. Il y a une seule possibilité :
3
1 1 1 1
p (0) 0,125 .
2 2 2 2
P(1) est la probabilité qu’un seul enfant soit un garçon. Ce garçon peut correspondre au
premier enfant, ou au deuxième, ou au troisième. Il y a donc trois possibilités:
3
1 1 1 1
p (1) 3 3 0,375 .
2 2 2 2
62
P(2) est la probabilité que deux enfants soient des garçons. Ces deux garçons peuvent
correspondre au premier et deuxième enfants, ou au premier et troisième enfants, ou au
deuxième et troisième enfants. Il y a donc trois possibilités :
3
1 1 1 1
p (2) 3 3 0,375 .
2 2 2 2
P(3) est la probabilité que trois enfants soient des garçons.
3
1 1 1 1
p (3) 0,125 .
2 2 2 2
Loi de probabilité de X
xi 0 1 2 3 p i
Remarque : dans ce qui suit, une variable aléatoire sera toujours notée avec une lettre
majuscule (X, Y, …) et une valeur possible de cette variable aléatoire par une lettre minuscule
(x, y, …).
2-1-1- Fonctions de répartition : cas d’une variable aléatoire discrète à une seule
dimension
De même qu’en statistique descriptive où nous avons complété l’étude d’une distribution
statistique à l’aide de la notion de fonction cumulative, nous allons, dans ce cours, introduire
une notion analogue : fonction de répartition.
F: [0,1]
xi F ( xi ) p ( X xi ) p( X
x xi
x) définition française
ou
n
xi F ( xi ) p ( X xi ) p ( X xi ) définition anglo saxonne
i 0
63
Propriétés des fonctions de répartition : Une fonction de répartition F doit toujours satisfaire
aux conditions suivantes :
d’illustration, si x2 x1 alors F ( x2 ) F ( x1 ) ;
3. F ( xi ) 0 sur , x1 . En effet si x1 est la plus petite valeur prise par X « l’événement
xi 1 2 3 4 5 6 p i
1 1 1 1 1 1 1
p( X xi )
6 6 6 6 6 6
1 2 3 4 5 6
F ( xi ) /////
6 6 6 6 6 6
xi 0 1 2 3 p i
Les caractéristiques définies pour les variables statistiques peuvent être étudiées
également pour les variables aléatoires. On retiendra quelques-unes des caractéristiques de
tendance centrale et de dispersion.
64
2-1-2-1- Mode
Exemple : on jette deux fois un dé. Soit X : « la somme des points obtenus » la loi de X est
donnée par le tableau suivant :
xi 2 3 4 5 6 7 8 9 10 11 12 Total
1 2 3 4 5 6 5 4 3 2 1
p( X xi ) 1
36 36 36 36 36 36 36 36 36 36 36
6
Le mode de la variable aléatoire X est égal à 7 car p( X 7) , il s’agit de la
36
valeur la plus probable.
Soient (Ω, P (Ω), p) un espace probabilisé fini, X une variable aléatoire de loi p et telle
que X () {x1 , x2 ,..., xn } , on appelle espérance mathématique d’une variable aléatoire (la
n
valeur moyenne) le nombre réel noté : E ( X ) xi pi .
i 1
Remarques :
n
L’espérance mathématique E(X) est l’équivalent de X f i xi pour les variables
i 1
statistiques ;
L’espérance mathématique est la moyenne à laquelle on espère arriver lorsqu’on effectue
l’expérience aléatoire n fois ;
E(X) peut être définie pour une variable aléatoire discrète infinie dénombrable. Dans ce cas
E ( X ) xi pi .
i 1
65
xi 1 2 3 4 5 6 p i
p( X xi ) 1 1 1 1 1 1 1
6 6 6 6 6 6
E( X ) 1 1 1 2 5 1 21
6 3 2 3 6 6
6
21
E ( X ) xi pi
i 1 6
Propriétés
n
V ( X ) E ( X E ( X )) 2 ( xi E ( X )) 2 pi : V ( X ) 0 (c’est une somme de produits
i 1
positifs ( xi E ( X )) et pi ).
2
En plus, on peut calculer la variance d’une variable aléatoire avec la formule suivante :
En effet :
66
V ( X ) E ( X E ( X )) ( xi E ( X )) pi xi2 2 xi E ( X ) E ( X ) 2 pi
n n
2 2
i 1 i 1
n n n
xi2 pi 2 E ( X ) xi pi E ( X ) 2 pi
i 1 i 1 i 1
n n n
Or xi2 pi E ( X 2 ),
i 1
xi pi E ( X ) et
i 1
p
i 1
i 1
donc V ( X ) E ( X ) 2 E ( X ) E ( X )
2 2 2
E ( X 2 ) E ( X )2
On appelle écart type d’une variable aléatoire discrète X la racine carrée de la variance.
On a X V ( X )
xi 2 3 4 5 6 7 8 9 10 11 12 Total
1 2 3 4 5 6 5 4 3 2 1
p( X xi ) 1
36 36 36 36 36 36 36 36 36 36 36
On a :
1 2 3 4 5 6 5 4 3 2 1
E( X ) 2 3 4 5 6 7 8 9 10 11 12
36 36 36 36 36 36 36 36 36 36 36
7
V ( X ) E ( X 2 ) E ( X )2 E ( X 2 ) 72
1 1
E ( X 2 ) 22 ... 12 2 54,83
36 36
d ' où V ( X ) 54,83 7 5,83
2
X X2 V ( X ) 5,83 2, 414
67
Exemple 2 : On lance simultanément deux dès dont les faces sont numérotés 1, 2, 3, 4, 5,
6. On appelle Z la variable aléatoire égale à la valeur absolue de la différence des numéros
obtenus. Déterminer la distribution de Z, sa fonction de répartition, son espérance
mathématique et sa variance.
Solution : Appelons X et Y les variables aléatoires égales aux numéros indiqués sur chacun des
deux dés. Les valeurs prises par Z sont obtenus grâce au tableau à double entrée.
Y
1 2 3 4 5 6
X
1 0 1 2 3 4 5
2 1 0 1 2 3 4
3 2 1 0 1 2 3
4 3 2 1 0 1 2
5 4 3 2 1 0 1
6 5 4 3 2 1 0
zi 0 1 2 3 4 5 Total
p ( Z zi )
6
3 10 5
8
4 6
3 4
2 2
1 p i 1
36 18 36 18 36 18 36 18 36 18 36 18
3 5 12 15 17 18
F ( zi ) 1 ////
18 18 18 18 18 18
35
Espérance mathématique de Z : E ( Z ) zi pi
18
2
105 105 35
La variance de Z : on a E ( Z ) z pi
665
2 2
i , alors V ( Z )
18 18 18 324
L’épreuve consiste à lancer le dé et à noter la face présentée par le dé. On lie à cette
épreuve la variable aléatoire X définie ainsi :
68
Si le dé présenté la face b ou la face c : X=2 ;
Si le dé présenté la face d ou la face e ou la face f : X=3.
1. Donner la loi de probabilité de X.
2. Etablir la fonction de répartition de X.
3. Calculer l’espérance mathématique et la variance de la variable X.
Solution :
p
1 2 3
p( X xi ) i 1
6 6 6
1 3
F ( xi ) 1 ////
6 6
14
L’espérance mathématique de la variable X est donnée par E ( X ) xi pi .
6
2
36 14
La variance de X : on a E ( X ) x pi
2 2
i 6 , alors V ( X ) 6 0,5555
6 6
69
2-2- Cas d’une variable aléatoire continue unidimensionnelle.
Pour les variables aléatoires continues, on calcule la probabilité d'observer une valeur
comprise dans un intervalle donné x, x x au lieu de calculer la probabilité d’une valeur
F ( x x) F ( x) F dF
lim lim F ' ( x) f ( x)
x 0 x x 0 x dx
Soit X une variable aléatoire réelle définie sur un espace probabilisé (Ω, P (Ω), p), la
fonction f ( x) , drivée de la fonction de répartition F ( x) , s’appelle une fonction de densité de
probabilité.
Définition : Soit f une fonction numérique définie sur . f est une densité si :
f est positive ;
f est continue ;
f ( x) dx 1 .
70
Les deux fonctions (de densité et répartition) et la notion de probabilité p sont les liées
x
par la relation suivante : p( X x) f (t ) dt F ( x)
x , 0 F ( x) 1 ;
petit.
a
1. a , p( X a) f ( x) dx
p( X a) 0
p( X a) f ( x) dx
a
2. (a, b) 2
,a b
p ( a X b) p ( a X b) p (a X b)
b
p (a X b) f ( x) dx
a
Définition : Si la variable aléatoire X admet un moment (non centré) d’ordre 1, il est appelé
espérance mathématique de X noté E(X) avec :
71
E( X ) x f ( x) dx
Si X admet une espérance mathématique, alors pout tout couple (a, b) avec a 0 , on a :
E (aX b) aE ( X ) b
E ( X r ) mr' ( X )
Variable aléatoire centrée : On appelle variable aléatoire centrée associée à une variable X
admettant une espérance mathématique, la variable X E ( X ) .
Définition : On appelle la variance d’une variable aléatoire X, le moment centré d’ordre 2, s’il
existe ; on le note V(X).
V ( X ) E[( X E ( X )) 2 ] E ( X 2 ) E ( X ) 2 avec E ( X 2 ) x 2 f ( x) dx
On appelle écart type d’une variable aléatoire continue X la racine carrée de la variance
On a X V ( X )
1. V (aX b) a 2V ( X )
2. (aX b) a ( X )
Variable aléatoire centrée réduite : Soit X une variable aléatoire réelle admettant une
espérance mathématique E ( X ) et une variance V ( X ) 0 , on appelle variable aléatoire réduite
X E( X )
associée à X la variable : Z
(X )
72
Elle vérifié E (Z ) 0, (Z ) 1
2 x si x 0,1
f ( x)
0 ailleurs
Solution : Pour que f est une fonction de densité, elle doit vérifier les deux conditions
requises pour une fonction de densité de probabilité :
0 1
f ( x) dx 0 dx 2 x dx 0 dx
0 1
1
x2
2 1 0 1
2 0
3. La fonction de répartition F est la primitive de f . On a :
x
F ( x) f (t ) dt
La fonction de répartition doit être donnée dans chacun des intervalles où f est définie :
73
x
a. Si x 0 F ( x) 0 dt 0
0 x
b. Si 0 x 1 F ( x) 0 dt 2t dt x 2
0
0 1 x
c. Si x 1 F ( x) 0 dt 2t dt 0 dt 0
0 1
2 1
0 t 0 1
0
0 si x 0
F ( x) x 2 si 0 x 1
1 si x 1
0,6 0,6
4. p(0,1 X 0, 6) 2 x dx x 2 0,36 0, 01 0,35
0,1 0,1
5. Espérance mathématique :
E( X ) xf ( x) dx
0 1
x 0 dt x 2 x dt x 0 dt
0 1
1
x3 2
0 2 0
3 0 3
6. La variance de X : on a V ( X ) E ( X ) E ( X ) avec :
2 2
0 1
E( X 2 ) x 2 f ( x)dx x 2 0 dx x 2 2 x dx x 2 0 dx
0 1
1
x4 1
0 2 0
4 0 2
2
1 2 1 1
Et enfin V ( X ) E ( X 2 ) E ( X ) 2 . L’écart type de X : X V ( x)
2 3 18 18
74
3- Inégalité de Biénaymé-Tchebycheff
0
Car
x f ( x) dx 0 (la variable aléatoire X est supposée strictement positive)
a
Donc E ( X ) x f ( x) dx x f ( x) dx a f ( x) dx a f ( x) dx ap( X a)
0 0 a a
E( X )
Et finalement : p( X a)
a
Exemple : Soit X une variable aléatoire de fonction de densité de probabilité f définie par :
x
Si x 0, 2
f ( x) 2
0 ailleurs
4
L’espérance mathématique de X : E ( X ) et d’après l’inégalité de Markov, on a à titre
3
d’exemple :
4
3 8
p( X ) 3 0,888
2 3 9
2
75
3
L’inégalité de Markov nous enseigne que p( X ) est sûrement inférieur ou égale
2
3
0,888. Pour vérifier ce résultat, on calcule la valeur exacte de : p( X ) :
2
1
3 1 x 1 x2 7
p( X ) 3 f ( x) dx 3 dx 0, 4375
2 2 2 2 2 2 3 16
2
V (X )
p( X E ( X )) 2 a) a 0
a
cas où a k V ( X ) :
2
1
p([ X E ( X ) a X ]
a2
Cette inégalité peut être réécrite autrement, en tenant compte l’évènement X E ( X ) a et
76
1
1. k p ( X E ( X ) k X ) 1
k2
X2
2. a p( X m a)
a2
X2
3. a p( X m a) 1
a2
Solution :
4
p( X 10 6) 0,111
36
On conclut que la probabilité pour que X soit inférieure à 4 ou supérieure à 16 est
sûrement inférieure ou égale à 0,111.
77
Exercices corrigés _Chapitre 3- Variables aléatoires
Solution :
xi 1 2 3 4 5 6 Total
pi 0,1 0,2 0,1 0,3 0,1 0,2 1
6
L’espérance mathématique de X : E ( X ) xi pi 3, 7
i 1
6
La variance de X : on a x
i 1
2
i pi 16,3 et donc V ( X ) E( X 2 ) E( X )2 16,3 (3,7)2 2,61
L’écart type de X : X V ( X ) 2, 61
2. Loi de Y est donnée par le tableau ci-dessous :
yi 3 4 5 6 Total
pi a b c d 1
1 1 1
On sait que p(Y 5) donc a b , p(Y 5) donc, p(Y 3) p(Y 4) donc a b et
3 3 2
4
a b c d 1 ( pi 1) . On en déduit a b c , d et la loi de Y est
1 1
i 1 6 2
yi 3 4 5 6 Total
1 1 1 1
pi 1
6 6 6 2
78
4
L’espérance mathématique de Y E (Y ) yi pi 5
i 1
4
158
La variance de Y : on a y
i 1
2
i pi
6
et donc V (Y ) E (Y 2 ) E (Y )2
158
6
(5)2
4
3
4
L’écart type de Y : Y V (Y )
3
Exercice 2 : Une urne contient 2 boules Vertes et 4 boules rouges. On tire les boules une
à une sans remise jusqu’à ce qu’il ne reste que des boules d’une seule couleur dans
l’urne ?
Solution :
1. Soit Vi (respectivement Ri ) « le ième tirage donne une boule verte (respectivement une boule
rouge ». X étant le nombre de tirages nécessaires pour qu’il ne reste que des boules d’une
seule couleur dans l’urne, X peut prendre les valeurs suivantes : 2, 3, 4, 5.
On a :
2 1 1
1. p( X 2) p(V1 V2 ) p(V2 / V1 )
6 6 15
2 4 1 4 2 1 2
2. p( X 3) p(V1 R2 V3 ) p( R1 V2 V3 )
6 5 4 6 5 4 15
3. p( X 4) p(V1 R2 R3 V4 ) p( R1 V2 R3 V4 ) p ( R1 R2 V3 V4 )
2 4 3 1 4 2 3 1 4 3 2 1 4 3 2 1 4
p ( R1 R2 R3 R4 )
6 5 4 3 6 5 4 3 6 5 4 3 6 5 4 3 15
4. p( X 5) p(V1 R2 R3 R4 V5 ) p ( R1 V2 R3 R4 V5 ) p ( R1 R2 V3 R4 V5 )
p( R1 R2 R3 V4 V5 ) p (V1 R2 R3 R4 V5 ) p ( R1 V2 R3 R4 R5 )
8
p ( R1 R2 V3 R4 R5 ) p ( R1 R2 R3 V4 R5 )
15
xi 2 3 4 5 Total
1 2 4 8
pi 1
15 15 15 15
79
2. Calcul des paramètres de position et de dispersion :
5
64
L’espérance mathématique de X E ( X ) xi pi 4, 26
i2 15
5
La variance de X : on a x
i2
2
i pi et donc V ( X ) E( X 2 ) E( X )2 E ( X 2 ) (4,26)2
L’écart type de X : X V ( X )
Exercice 3 : Une boîte contient 3 sortes de boules de poids différents : 7 boules de poids
de 1kg, 5 boules de poids de 3kg et 3 boules de poids 5kg. On tire au hasard une boule
de la boîte et on note X son poids.
Solution :
xi 1 3 5 Total
7 5 3
pi 1
15 15 15
7 15 15
xi pi 2, 47
15 15 15
7 45 75
xi2 pi 8, 47
15 15 15
xi 0 1 2
pi 1 1 1
2 3 6
80
1 1 1
C'est-à-dire que p(0) , p(1) et p(2) . On pose que A 0,1} et B {1, 2} .
2 3 6
Solution :
1. Comme la somme des probabilités vaut 1, donc ce tableau définit bien une loi de
probabilité.
5 1 p ( A B) 2
2. p( A) p(0) p(1) , p( B) , p( A / B) ,
6 2 p( B) 3
p( B A 2
p ( B / A) )
p ( A) 5
3. L’espérance mathématique de X :
2
E ( X ) xi p
3
V ( X ) E( X 2 ) E( X )2 avec E ( X 2 ) x 2 pi 1
i
V ( X ) E( X 2 ) E( X )2 0,555 .
Exercice 6 : X est une variable aléatoire continue définie sur l’intervalle 0,1 par la
fonction de densité suivante :
1 si x [0,1]
f ( x)
0 ailleurs
81
Solution :
0 si x 0
1. F ( x) x si x [0,1]
1 si x 1
1 2 2 1 2 1 1
Première méthode : p X F F
3 3 3 3 3 3 3
1 2 1
Deuxième méthode : p X 1/3 1 dx x1/3
2/3 2/3
3 3 3
3. Si X est définie sur l’intervalle 0,1 , Y est définie sur 3,5 . Donc la fonction de répartition
0 si y ,3
y 3
F ( y) si y 3,5
2
1
si y 5,
0 si x , 0
F ( x) ax 2 si x 0,1
1 si x 1,
1. Déterminer a
2. Déterminer la fonction de densité de X
1 1
3. Déterminer la p X
4 2
Calculer E ( X ), V ( X ) et X
Solution :
2 x si 0 x 1
f ( x)
0 si ailleurs
1 1 1 1 3
3. p X F F
4 2 2 4 16
2 13
1
4. E ( X )
0 1 1 2
x f ( x)dx x 0dx x 2 x dx 0 dx 0 2 x 3 0
0 1
3 0 3 3
V ( X ) E ( X 2 ) E ( X )2
2 14
1
0 1 1 1
E( X )
2
x f ( x)dx x 0dx x 2 x dx
2 2 2
0 dx 0 2 x 4 0
0 1
4 0 4 2
1
V ( X ) E ( X 2 ) E ( X )2
18
1
X V (X ) 0, 235
18
a (1 x) si x 0,1
f ( x)
0 ailleurs
1. Déterminer a.
2. Déterminer la fonction de répartition de X.
1 1
3. Calculer la probabilité p X .
3 2
4. Soit Y 3 X , déterminer la fonction de répartition et la fonction de densité de Y.
Solution :
1
1. Pour déterminer a il faut que
0
f ( x) dx vaut 1. Donc
83
1
1 1 x2
0
f ( x) dx 1 a (1 x) dx 1 a x 1
0
2 0
12
donc a 1 1 a 2
2
x
2. La fonction de répartition de X : F ( x) f ( x)dx :
0 si x , 0
F ( x) 2 x x 2 si x 0,1
1 si x 1,
1 1 7
3. p X
3 2 36
y y 2 y2
donnée par F ( y ) p(Y y ) p(3 X y) p X Fx y
3 3 3 9
0 si x , 0
2 2
2 y2 y si x 0,3
D’où F ( y ) y si x 0,3 et f ( y ) 3 9
3 9
0 ailleurs
1 si x 3,
0 si x , 0
f ( x) x x2
e 8
4
Solution :
1. Il est clair que f est une fonction positive continue et, à l’aide du changement de
x2
variables u
8
que
f ( x)dx 1 .
84
2 2 2
K x x8
K
K
En effet
f ( x)dx 1 lim
K 0 4
e dx lim 8 (eu ) du lim 1 e 8
K 0 K
1
2. La fonction de répartition de X :
0 si x 0
x
F ( x) p( X x) f (t )dt . Par conséquent : F ( x) x2
1 e
8
si x 0
0 si x 0
F ( x) x si 0 x 1
1 si x 1
On pose Y X
2
, déterminer la densité de probabilité de la variable aléatoire Y.
p(Y y ) p( X 2 y ) p X y Fx y y , pour tout y [0,1] . Donc la fonction de
0 si y 0,1
densité de Y est donnée par : f ( y ) 1
2 y si y [0,1]
Exercice 11 : Soit une variable aléatoire X suivant la loi uniforme sur [a, b] c’est-à-dire :
0 si x a
p ( X x) k ( x a ) si a x b où k est une constante
k (b a ) si x b
1. Calculer la valeur de k.
2. Déterminer la fonction de répartition et la densité de probabilité de X
3. Calculer l’espérance mathématique, puis l’écart type de X.
85
Solution :
1
1. On sait que p( X ) 1 k ( Si x b F ( x) k (b a)) .
ba
2.
ab
b
3. E ( X ) x f ( x) dx
b b 1
x f ( x)dx k xdx k x 2
a a
2 a 2
1 a ab b
b2 2
b
E ( X 2 ) x 2 f ( x) dx k x 2 dx k x 3
a
3 a 3
( a b) 2
D’où la variance de X est égale à : V ( X ) E ( X 2 ) E ( X ) 2
12
( a b) 2
L’écart type de X : X V ( X )
12
Exercice 12 : Soit X une variable aléatoire dont la fonction de densité de probabilité est
x
définie par : f ( x) k e pour tout réel x, k est une constante
1. Déterminer k.
2. Déterminer l’espérance mathématique de X et sa variance.
Solution :
0 1
1. f ( x)dx k e x dx k e x dx 2k , et on sait que f ( x)dx 1 . Donc k
0 2
2. E ( X ) 0( puisque x f ( x) est une fonctionimpaire)
V ( X ) E( X 2 ) x 2e x dx 2 (On intègre deux fois « par parties »)
0
86
Chapitre 4- Lois de probabilité
Lorsque des valeurs de probabilités sont attribuées à toutes les valeurs que peut prendre
une variable aléatoire X, on dit qu’on affaire à distribution de probabilité (loi de probabilité).
Naturellement, cela peut être réalisé sous forme de tableau de valeurs ou sous d’une expression
mathématique.
est dans le cas où une expression suffit à définir la distribution, on peut écrire p( X xi ) f ( xi )
.
Ces lois de probabilités tentent de décrire des phénomènes statistiques afin de calculer la
probabilité de certains événements. Dans le présent chapitre, nous examinons les paramètres
(de position et de dispersion) de ces lois, les conditions et les situations de leur applicabilité.
Un schéma de Bernoulli est une expérience aléatoire qui a deux résultats possibles (succès
ou échec). Donc, une variable aléatoire X suit une loi de Bernoulli si elle associée à une épreuve
aléatoire qui ne peut prendre que deux issues possibles. La réalisation de l’évènement auquel
on s’intéresse soit appelé « succès » et on le note S. Cet événement a une probabilité p. on
appelle l’événement complémentaire (contraire) de S l’événement « échec » et on le note S
avec une probabilité 1-p=q.
87
Pour chaque épreuve ou observation, il n’y a que deux résultats possibles
(mutuellement exclusifs) possibles. On convient de leur attribuer les noms de succès
et échec ;
La suite des épreuves, ou observations, est une suite d’événements indépendants ;
La probabilité d’un succès, qu’on note p, demeure absolument la même pour toutes
les épreuves de la suite ( il s’agit d’un processus stationnaire).
On peut synthétiser la loi de probabilité d’une variable aléatoire X qui suit une loi de
Bernoulli par le tableau ci-après.
xi 1 0 p
i 1
i
pi p q=1-p 1
Définition : X variable aléatoire sur (Ω, P (Ω), p) est dite de variable de Bernoulli si
p p ( x 1)
q p ( x 0)
E ( X ) 1 p 0 q p
V ( X ) [12 p 02 q] p 2 p p 2 p (1 p ) pq
X pq
6 ». On peut alors choisir pour univers l’ensemble {S , S} avec S est l’issue « obtenir le
88
Résultats possibles de l’épreuve S 2
p
S
xi 1 0 i
i 1
pi 1 5 1
6 6
1
E( X )
6
5
V (X )
36
Lorsqu’on répète n fois un schéma de Bernoulli, toujours dans les mêmes conditions et
de façons que le résultat S ou S de l’une quelconque des épreuves ne dépende pas des épreuves
précédentes, on dit que la variable aléatoire X suit une loi binomiale de paramètres n et p.
Autrement dit, une variable est dite binomiale de paramètres n et p s’elle peut être
considérée comme étant la somme de n variables de Bernoulli identiques et indépendantes de
paramètre p.
Définition : On dit que la variable aléatoire X suit une loi binomiale de paramètres n et p notée
X⇢ B(n, p) lorsque :
n n
La formule du binôme de Newton donne immédiatement p( X k ) Cnk p k q nk 1
k 0 k 0
Exemple 1 : Une urne contient 100 boules, 10 blanches, 30 vertes, 40 rouges et 20 jaunes.
On effectue trois tirages avec remise d’une boule de l’urne. On s’intéresse à l’événement
« obtenir deux boules blanches en trois tirages ». Calculer la probabilité de cet événement
(tirages sont équiprobables).
Exemple 2 : Une urne contient des boules rouges et des boules vertes. La proportion des
1 5
boules rouges est , celle des boules vertes . On fait l’hypothèse de l’équiprobabilité à
6 6
chaque tirage. Les tirages successifs sont effectués avec remise. Chaque tirage consiste à
tirer une seule boule de l’urne.
1. On tire 4 boules de l’urne. Quelles est la probabilité, sur les 4 boules tirées, deux,
et deux seulement, soient rouges ?
2. Quelle est la probabilité que, sur les 4 boules tirées, une au moins soit rouges ?
3. Dans cette question, on peut procéder au maximum à 4 tirages successifs.
Cependant, on décide d’arrêter les tirages dès que l’obtient une boule rouge, si
90
toutefois cela se produit avant le quatrième tirage. Soit X la variable aléatoire dont
les valeurs égales au nombre de tirages effectués.
a. Donner la loi de probabilité de X.
b. Calculer l’espérance mathématique de X.
c. Calculer l’écart type de X.
Solution : Comme les tirages dans l’urne sont indépendants, la variable aléatoire X égale au
1
nombre de boules rouges obtenues au cours des quatre tirages suit la loi binomiale B 4,
6
1. La probabilité d’obtenir exactement deux boules rouges en quatre tirages est donnée
2 2
4 2 1 5 96
par : p ( X 2) C p q
2
4
2
C
2
4 .
6 6 625
2. La probabilité d’obtenir au moins une boule rouge dans les quatre tirages est :
p( X 1) p( X 1) p( X 2) p( X 3) p( X 4)
4
5 369
ou p( X 1) 1 p( X 0) 1 C40 p 0 q 4 1
6 625
Remarque : p( événement au moins égal à 1) 1 p( événement égal à zéro)
3. La distribution de probabilité de X : X prend les valeurs 1, 2, 3, 4. A tire d’exemple
l’évènement « X=3 » signifie les deux premières boules sont vertes et la troisième boule
tirée est rouge. L’indépendance des événements (tirages avec remise) entraîne : par
5 5 1
exemple pour p( X 3) . On peut donner le la loi de X par le tableau suivant :
6 6 6
xi 1 2 3 4
pi 1 5 1 5 25 3
5 1 5
4 4
6
6 6 36 216
6 6 6
125
216
p
i 1
i 1
xi pi 1 10 75 500 4
671
6 36 216 216 x p
i 1
i i
216
On a donc
91
671
E( X )
216
2
2381 671
V ( X ) E( X ) E( X )
2 2
1, 733
216 216
X V ( X ) 1, 733 1,316
p( X k ) p(1 p)k 1 pq k 1
1
E( X )
p
q
V (X ) 2
p
Exemple : Une urne contient 20 boules noires, 10 boules vertes et 20 boules rouges. On
tire une boule de l’urne. Quelle est la probabilité d’obtenir pour la première fois une boule
noire en cinq tirages.
20 2
Solution : On la probabilité du succès est égale à p( N ) . Donc la probabilité
50 5
d’obtenir pour la première fois une boule noire en 5 tirages est :
5 1 4
2 2 2 3
p ( X 5) pq k 1 1 .
5 5 5 5
92
1-4- Loi hypergéométrique (deux paramètres de taille/ triages sans remise)
Une des caractéristiques du processus de Bernoulli est, nous l’avons vu, que la probabilité
p d’un succès demeure constante pour chaque épreuve (tirages indépendants=chaque individu
peut apparaître plusieurs fois)). C’est pourquoi la distribution binomiale ne pourrait être utilisée
dans le cas de tirages dépendants (sans remise=sans répétition).
Définition : Soit une population finie de taille N dans laquelle on compte deux sous ensemble
d’individus ; n1 qui possède le caractère étudié et n2 qui ne possède pas le caractère étudié (
Cnk1 Cnn2 k
p( X k )
CNn
avec :
N la taille dela population
n la taille del ' effectif qui possèdele caractère étudié
1
n2 la taille del ' effectif qui ne possède pas le caractère étudié
n la taille del ' echantillon prélevès sans remise
k le nombretotal de succès
E ( X ) np
N n N n
V ( X ) npq avec est le coefficient d ' exaustivité
N 1 N 1
93
Exemple 1 : Dans une société qui compte 6 employés, trois d’entre eux appartiennent à la
société depuis 5 ans. Si, dans ce groupe de 6 employés, on prélève, au hasard, un
échantillon de 4 employés. Quelle est la probabilité pour qu’il a en ait exactement 2 dans
l’échantillon à présenter ce caractère.
Comme dans le cas des processus de Bernoulli, on admet l’hypothèse que les événements
sont indépendants et que le processus est stationnaire.
Définition : Soit un réel strictement positif. On appelle loi de Poisson de paramètre notée
P( ) , la loi variable aléatoire X telle que :
k
p( X k ) e
k!
E( X )
V (X )
94
Exemple 1 : Un atelier de réparation de machines reçoit en moyenne 5 appels de service
par heure. La probabilité pour que, durant une certaine heure, on reçoive exactement 3
appels est :
53
Solution : On a 5 , donc p( X 3) e 5 0,1404
3!
Exemple 2 : En reprenant les données de l’exemple ci-dessus, soit une moyenne de 5 appels
à l’heure dans un atelier de réparation, calculer, pour une heure choisie au hasard, la
probabilité pour qu’on reçoive moins de 3 appels.
Solution : p( X 3) p( X 2) p( X 0) p( X 1) p( X 2)
50
5
p ( X 0) e 0, 0067
0!
51
On a p ( X 1) e 5 0, 0377
1!
52
p ( X 2) e 5 0, 0842
2!
Donc p( X 3) 0,1246
p( X 3) p( X 3) p( X 4) ... p( X 9)
0,1804 0, 0902 0, 0361 0, 0120 0, 0034 0, 0009 0, 0002
0,3232
95
2- Lois de probabilité continues
A l’encontre des variables aléatoires discrètes qui ont fait l’objet du précédent point de ce
chapitre, les variables aléatoires continues sont celles qui peuvent prendre n’importe quelles
valeurs réelles de tout l’intervalle de définition. Une conséquence de cette caractéristique est
qu’il est impossible de faire une liste desdites valeurs et d’attribuer à chacune une probabilité.
C’est pourquoi l’approche qui convient à ce type de variables consiste à bâtir une fonction
dite de densité de probabilité.
Définition : Soient a et b deux nombres réels tels que a b . On appelle variable aléatoire sur
l’intervalle [a, b] une variable aléatoire absolument continue admettant comme densité la
fonction f définie par :
1
si x a, b
f ( x) b a
0
si x a, b
ab
E( X )
2
(b a ) 2
V (X )
12
ba
X
2 3
Exemple : Soit une variable aléatoire équirépartie (répartition uniforme) sur l’intervalle
1 3
x . Calculer :
4 4
96
1. La densité de probabilité ;
2. La fonction de répartition ;
3. L’espérance mathématique de X ;
4. L’écart type de X.
Solution :
1. La fonction de densité de X :
1 3
0 si x , ,
4 4
f ( x)
1 1 3
si x ,
4 4
2. La fonction de répartition de X :
1
O si x ,
4
1 1 3
F ( x) x si x ,
4 4 4
3
1 si x ,
4
ab 1
3. Espérance mathématique de X : E ( X )
2 4
1
4. Ecart type de X : X
2 3
97
La distribution de certaines statistiques telles que la moyenne d’échantillon ou la
proportion de l’échantillon obéissent souvent à une loi normale de probabilité, quelle
que soit la distribution de la population sur laquelle est prélevé l’échantillon.
avec m E ( X ) et X
*
Définition : Soient m . On appelle variable aléatoire de
Avec m est la moyenne de la distribution et X l’écart type tandis que les et e sont
les constantes mathématiques bien connues ( 3,1416 et e 2, 7183 ).
N’importe quelle distribution normale de paramètres ( (m, X ) peut être ramenée normale
réduite.
X m
aléatoire réduite associé Z suit une loi normale réduite de paramètres (0,1) définie par
X
la fonction de densité suivant :
2
1 z2
f ( z) e
2
Par ce changement, toutes les variables aléatoires se ramènent à la loi normale réduite.
Exemple 1 : On sait que la durée de fonctionnement d’un composant électrique de type
donnée suit une loi normale de de paramètres m 2000 heures et X 200 ( N (2000, 200) ).
Solution :
98
X m 2400 2000
1. On peut définir une nouvelle variable Z avec Z 2 . Donc
X 200
p(2000 x 2400) p(0 z 2) 0, 4772
2. La borne de 2200 heures se traduit pour la distribution normale centrée réduite en :
X m 2200 2000
Z 1 . On a donc p(2000 x 2200) p(0 z 1) 0,3413
X 200
(table de distribution de loi normale centrée réduite). Maintenant la probabilité pour que le
composant prélevé ait une durée supérieure à 2200 heures est :
Emploi de la table de ( z )
99
Solution : La table ne donne les valeurs de ( z ) que pour z positif. Dans le cas où z est
négatif on s’appuie sur le fait que la représentation graphique de f ( z ) est symétrique par rapport
à l’axe de x 0 .
(0, 77) 1 (0, 77) 1 0, 7794 0, 2206 p( Z 0, 77) . D’une façon générale
( z ) 1 ( z ) , qui pourrait aussi s’écrire ( z ) 1 ( z )
100
Solution : En raison de la symétrie de f ( z ) , on a
Solution :
p(1,96 Z 1,96) (1,96) ( 1,96) (1,96) [1 (1,96)] 2 (1 ,96) 1 (2 0,975) 1 0,95
3. p( X 4 3) ;
101
Solution :
X 5
1. Notons Z la variable aléatoire centrée réduite associée à X : Z . Et π la
2
fonction de répartition de la loi N (0,1) .
X 5 65 X 5 1
p ( X 6) p p p ( Z 0,5) (0,5) 0, 6915
2 2 2 2
25 3 3 3
p ( X 2) p Z pZ 1 p Z 1
2 2 2 2
2.
3 3
1 1 0,9332
2 2
Exemple 3 : Si X suit une loi normale N (m 10, X 2) , que valent les probabilités
suivantes :
1. p( X 12,5) ;
2. p( X 8, 4) ;
3. p( X 12,5 / X 8, 4) .
Solution :
1. p( X 12,5) 0,1056 .
2. p( X 8, 4) 0, 2119 .
3. p( X 12,5 / X 8, 4) 0,8660 .
Exemple 4 : Sur un échantillon de population on note que 11% des personnes mesurent
moins de 1,60 m et 8% mesurent plus de 1,80 m. En admettant que la taille d’une personne
est une variable aléatoire normale, préciser ses paramètres.
Solution : désignons par X la variable aléatoire égale à la taille d’une personne par m et X
ses paramètres et par Z la variable réduite associée.
102
p( X 1, 60) 0,11
On a
p( X 1,80) 0, 08
1, 60 m
pZ 0,11
X
Soi t
p Z 1,80 m 0, 08
X
1, 60 m 1, 60 m
0,11 0,89
X X
1 1,80 m 1,80 m 0,92
0, 08
X X
0,89 et 0,92 ne sont pas lisibles dans une table usuelle des valeurs de π, il convient donc, si on
ne veut pas utiliser une calculatrice possédant la fonction π, de faire une interpolation linéaire.
Rappelant le procédé. Si une fonction π prend des valeurs connues en deux points réels a et b,
( x) (a) x a
si x a, b alors .
(b) (a) b a
Déterminons par exemple le réel x tel que ( x) 0,89 . Nous observons sur la table des valeurs
π:
(1, 22) 0,8888
(1, 23) 0,8907
π étant croissante, x 1, 22;1, 23 et une valeur approchée de x :
( x) (1, 22) x 1, 22
(1, 23) (1, 22) 1, 23 1, 22
0,89 0,8888
Soit x 1, 22 0, 01 1, 226
0,8907 0,8888
Un calcul analogue nous donne comme valeur approchée de x tel que
( x) 0,92
0,92 0,9192
x 1, 40 0, 01 1, 405
0,9207 0,9192
Ce qui nous conduit au système
103
1, 60 m
1, 228
X
1,80 m 1, 405
X
0 si x 0
f ( x) x
e si x 0
0 si x 0
F ( x)
1 e
x
si x 0
1
E( X )
1
V (X ) 2
1
X
Exemple 1 : La durée de vie, en heures d’un composant électronique est modélisée par
5
une loi exponentielle de paramètre .
1000
104
Solution :
100
p(0 X 100)
100
1. 0, 005 e0,005 x dx e 0,005 x e 0,005100 e 0,0050 0,39 .
0 0
2. La durée de vie moyenne d’un composant électronique est égale à son espérance
1 1
mathématique E ( X ) 200 h .
0, 005
Exemple 2 : La durée de vie, en heures, d’un composant électronique suit une loi
exponentielle de paramètre .
Solution :
800
p( X 800) 1 p( X 800) 1
800
1. e x dx 1 e x 0 1 (e800 e0 ) e800
0
1 1
2. La durée de vie moyenne de ce composant est égale à E ( X ) 667 h
0, 0015
105
Exercices corrigés _Chapitre 3- Lois de probabilité
Exercice 1 : Dans une société qui compte 6 employés, trois d’entre eux appartiennent à
la société depuis 5 ans. Si, dans ce groupe de 6 employés, on prélève, au hasard, un
échantillon de 4 employés. Quelle est la probabilité pour qu’il a en ait exactement 2 dans
l’échantillon à présenter ce caractère.
1. p( X 6) ;
2. p( X 2) ;
3. p( X 4 3) ;
4. De l’évènement X 2 sachant que X 6 .
Solution :
1. p( X 6) 0, 6915
2. p( X 2) 0,9332
3. p( X 4 3) 0,8185
4. p X 2 / X 6 0,9034
Exercice 5 : Si X suit une loi normale N (m 10, X 2) , que valent les probabilités
suivantes :
1. p( X 12,5) ;
2. p( X 8, 4) ;
106
3. p( X 12,5 / X 8, 4) .
Solution :
1. p( X 12,5) 0,1056 .
2. p( X 8, 4) 0, 2119 .
3. p( X 12,5 / X 8, 4) 0,8660 .
5m 5m
p ( X 5) p Z 0,1587
X X
p ( X 20) p Z 20 m 20 m 0,9772
X X
5m 5m
aura 1 0,1587 0,8413 1 . D’autre part, une table numérique de la
X X
loi normale réduite nous donne 0,8413 (1) et 0,9772 (2) et l’inactivité de conduit
5m
1
alors à X
, Dont on déduit immédiatement m 10, X 5
20 m
2
X
107
Exercice 8 : Sur un échantillon de population on note que 11% des personnes mesurent
moins de 1,60 m et 8% mesurent plus de 1,80 m. En admettant que la taille d’une
personne est une variable aléatoire normale, préciser ses paramètres.
Solution : désignons par X la variable aléatoire égale à la taille d’une personne par m et X
ses paramètres et par Z la variable réduite associée.
p ( X 1, 60) 0,11
On a
p ( X 1,80) 0, 08
1, 60 m
pZ 0,11
X
Soit
p Z 1,80 m 0, 08
X
1, 60 m 1, 60 m
0,11 0,89
X X
1 1,80 m 0, 08 1,80 m 0,92
X X
0,89 et 0,92 ne sont pas lisibles dans une table usuelle des valeurs de π, il convient donc,
si on ne veut pas utiliser une calculatrice possédant la fonction π, de faire une interpolation
linéaire. Rappelant le procédé. Si une fonction π prend des valeurs connues en deux points réels
( x) (a) x a
a et b, si x a, b alors .
(b) (a ) b a
Déterminons par exemple le réel x tel que ( x) 0,89 . Nous observons sur la table des valeurs
( x) (1, 22) x 1, 22
(1, 23) (1, 22) 1, 23 1, 22
108
0,89 0,8888
Soit x 1, 22 0, 01 1, 226
0,8907 0,8888
( x) 0,92
0,92 0,9192
x 1, 40 0, 01 1, 405
0,9207 0,9192
1, 60 m
1, 228
Ce qui nous conduit au système
X
, Puis à m 1,693 m et X 0,076
1,80 m 1, 405
X
Exercice 9 : La durée de vie, en heures, d’un composant électronique suit une loi
exponentielle de paramètre .
Solution :
E ( X ) 667 h
109
Table de Loi Normale
Fonction de répartition de la loi normale centrée
réduite.
Probabilité de trouver une valeur inférieure à z.
(-z) = 1 - (z) z
u 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1.0 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3.0 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900
3.1 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.7 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997
110
p
k
Table de la loi de Poisson p( X k ) e ( le nombre d’occurrences moyen)
k 0 k!
111
Références bibliographies
112