Cours Calcul Proba 02022023

1AST1101 - Cours de calcul des probabilités
Bruno Yempabou Lankoande
Licence en analyse statistique
02 février 2023
Plan du cours
Chapitre 1 : Elements d’analyse combinatoire ;
Chapitre 2 : Définition de la probabilité et axiomes de calcul des

probabilités ;
Chapitre 3 : Probabilité de Bayes ;
Chapitre 4 : Variables aléatoires à une dimension ;
Chapitre 5 : Caractéristiques d’une variable aléatoire à une

dimension ;
Chapitre 6 : Quelques lois de probabilité d’usage courant.
2/1
Organisation du cours
Exposés théoriques (24h) ;
Travaux dirigés (12h).
3/1
Chapter 1
Chapter 1 : Elements d’analyse combinatoire
4/1
Chapter 1 Généralités
Elements discernables et indiscernables

L’analyse combinatoire a pour objectif le denombrement des
dispositions que l’on peut former à partir des élements d’un ensemble
fini ;
Dans ce cours, chaque élement de l’ensemble sera representé par une

lettre de l’alphabet : (a,b,......s)
Soit n le nombre d’élements de l’ensemble ;
5/1
L’ensemble des n élements peuvent être constitués d’élements :
tous discernables deux à deux : (a,b,......s)
tous indiscernables deux à deux : (a,a,......a)
certains sont discernables deux à deux et d’autres sont indiscernables

deux à deux : [(a,....a,) (b,....b),....,(s,....,s)] ;
6/1
Le nombre d’élements de type a égal à α, de type b égal à β,....,de

type s égal à σ
On a α + β + ..... + σ = n
α est le nombre de répitions des élements de type a ;
Exemple : L’ensemble des étudiants de L1 en analyse statistique

(sexe, age, type de BAC....)
Autres exemples ?
7/1
Chapter 1 Dispositions
Une disposition est formée d’élements choisis parmi les n éléments de

l’ensemble étudié. Chaque élement dans la disposition est caractérisé par :
le nombre de fois où il figure ;
la place dans la disposition ;
8/1
Différentes types de dispositions :
Dispositions sans répétition : Un élement donné peut figurer 0 ou 1 fois ;
Dispositions avec répétition : Un élement donné peut figurer plus d’une fois ;
Dispositions non ordonnées : Les élements qui figurent dans une disposition
jouent le même rôle ;
Dispositions ordonnées : Les rôles joués par les élements sont différents deux
à deux ;
Dispositions partiellement ordonnées : Les rôles de certains élements sont

équivalents tandis que les rôles d’autres ne le sont pas ;
9/1
Répresentations des dispositions :
Dispositions ordonnées :On placera des points entre les élements ; Exemple :
(a.b) différent de (b.a) ;
Dispositions non ordonnées : On placera des points entre les élements ;

Exemple : (a,b) équivaut à (b,a) ;
Dispositions partiellement ordonnées : On placera des virgules et des points

entre les élements ; Exemple : [a.(b,c)] ;
10 / 1
Exemple : Soit deux urnes que l’on souhaite remplir de quatre boules,
deux sont blanches (B,B) indiscernables et deux sont noires (N,N)
indiscernables.Combien y’a t-il de situations possibles ?
a) On distingue la première urne de la seconde et dans chaque urne, on

distingue la première boule de la seconde ;
b) On distingue la première urne de la seconde et c’est seulement dans la

première urne on distingue la première boule de la seconde ;
c) On distingue la première urne de la seconde et c’est seulement dans la

deuxième urne on distingue la première boule de la seconde ;
11 / 1
Exemple : Soit deux urnes que l’on souhaite remplir de quatre boules,
deux sont blanches (B,B) indiscernables et deux sont noires (N,N)
indiscernables.Combien y’a t-il de situations possibles ?
d) On ne distingue pas la première urne de la seconde mais, dans chaque

urne, on distingue la première boule de la seconde ;
e) On distingue la première urne de la seconde mais dans aucunedes deux

urnes on distingue la première boule de la seconde ;
f) On ne distingue pas la première urne de la seconde ; dans chaque urne on

ne distingue pas la première boule de la seconde.
12 / 1
Chapter 1 Principes géneraux de dénombrement
Pour dénombrer l’ensemble des dispositions possibles, il est important de

préciser :
La structure de l’ensemble des élements (discernables ou non)
La structure des dispositions (ordonnées ou non, avec répitition ou non)
13 / 1
Chapter 1 Principes géneraux de dénombrement
Pour résoudre un problème d’analyse combinatoire, on peut avoir recours à

trois types de raisonnements :
Se ramener à une formule déjà établie ;
Faire la génèse de l’ensemble des dispositions possibles ;
Former une relation de récurrence.
14 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Paires :
Soit deux ensembles distincts d’élements complètement discernables :

(a1 , a2 , ..ai , ..aα ) (b1 , b2 , ..bi , ..bβ ) ;
Le premier ensemble comporte α élements et le second β élements ;
On appelle paire une disposition de deux élements dont le premier appartient

au premier ensemble et le second appartient au second ensemble.
Il y’a au total αβ paires.
15 / 1
Exemple :
Combien y a-t-il de mots de deux lettres ? Parmi eux, combien y en a-t-il

qui sont formés d’une consonne et d’une voyelle, de deux consonnes, de
deux voyelles ?
16 / 1
Multiplets :
Soit λ ensembles distincts d’élements complètement discernables :

(a1 , a2 , ..ai , ..aα ) (b1 , b2 , ..bi , ..bβ ) (s1 , s2 , ..si , ..sσ ) ;
Le premier ensemble comporte α élements et le second β élements ;
On appelle multiplet une disposition ordonnée de λ élements dont le premier

est un a, le second un b, et le λ-ième est un s ;
Un multiplet de λ élements peut être vu comme une paire dont le premier

élement est un multiplet de λ-1 élements et le second élement est un s ;
Démontrez par récurrence que Mλ = αβ.....σ ; Mλ étant le nombre de

multiplets de λ élements.
17 / 1
Exemple :
Quelle est la capacité d’un code dont les deux premiers symboles sont des
lettres, et les deux derniers symboles sont des chiffres ?
18 / 1
Arrangements avec répétitions :
Soit un ensemble de n élements discernables : (a,b,......s) ;
On appelle arrangement avec répétition éventuellement, de p élements

choisis parmi n une disposition ordonnée , avec répetition éventuellement de
p d’entre les n élements ;
Le nombre d’arrangement avec répétition vaut np .
Un arrangement avec répétition peut être considéré comme un multiplet de

p élements, les ensembles auxquels appartiennent ses élements successifs
étant identiques : α = β = . . . = σ
19 / 1
Exemples :
Dénombrez toutes les dispositions possibles pour n=3 et p=2 ;
Quelle est la capacité du réseau télephonique Burkinabè ?
Avec un alphabet de deux lettres combien de mots différents peut on

constituer avec 4 lettres au plus ?
Avec un alphabet de n lettres combien de mots différents peut on

constituer avec k lettres au plus ?
20 / 1
Arrangements sans répétitions :
On appelle arrangement sans répétition éventuellement, de p élements

choisis parmi n une disposition ordonnée ,sans répetition de p élements
choisis parmi les n élements de l’ensemble ;
1 ≤ p ≤ n.
Apn < np sauf pour p=1.
Démontrez que Apn = n(n − 1).....(n − p + 1)
21 / 1
Arrangements sans répétitions :
n!
En utilisant la notation n! = 1.2.3.......n, On a Apn = (n−p)! ;
Apn = Apn−1 + pAp−1

n−1
22 / 1
Exemples :
Une assemblée élit son bureau : un président, un vice-président et un

trésorier.Combien y’a t-il de bureaux possibles s’il y a cinq candidats ?
n candidats se présentent à un concours comportant r places. La liste des

candidats admis est publiée dans l’ordre du classement. Combien y a t-il
de listes possibles ?Combien y-a-t il de listes où figure un candidat donné,
quelque soit son rang d’admission ?
23 / 1
Permutations sans répétitions :
On appelle permutation sans répétition de ces n élements une disposition

ordonnée de l’ensemble des n élements ;
Dans chaque permutation avec répétition, chacun des élements figure dans
un ordre déterminé, une fois et une seule ;
pn = Ann = n(n − 1).....(n − n + 1) = n!
24 / 1
Exemple :
Dix convives doivent participer à un repas.Combien de façons y a-t-il de

les placer autour de la table :
Si celle-ci a la forme d’un U ?
Si celle-ci est ronde ?
25 / 1
Permutations avec répétitions :
Soit un ensemble de n élements formé de γ groupes discernables d’élements

indiscernables : (a,a,.....,a) (b,b,.....,b) ...........(s,s,.....,s) ;
On a α lettres de type a ; β lettres de type b.....,σ lettres de type s ;

α + β + .... + σ = n
On appelle permutation avec répetition de ces n élements une disposition

ordonnée de l’ensemble des n élements :dans chaque permutation avec
répétition la lettre a figure α fois, la lettre b β fois,....la lettre s σ fois et ceci
dans un ordre déterminé.
Essayez d’engendrer les permutations sans répétition à partir de

permutations avec répetition pour le cas γ = 2; β = α = 2; n = 4 ;
n!
Démontrez que Pγ = α!β!.......σ! .
26 / 1
Exemple :
Combien de mots différents peux t on former avec les lettres des mots
Chat ; Statisticien ?
Parmi les participants d’un tournant d’échec, on compte 4 burkinabè, 3

ivoiriens, 2 togolais et un béninois. Si dans le classement, on ne peut lire
que la liste des nationalités des joueurs mais pas leur identité, à combien
de classements individuels différents une telle liste correspond-elle ?
27 / 1
Combinaisons :
Soit un ensemble de n élements discernables (a,b,.....,s) ;
On appelle combinaison de p élements choisis parmi n une disposition non

ordonnée sans répition de p élemnts choisis parmi les n élements de
l’ensemble ;
Dans une même combinaison sans répétition figurent p éléments distincts les
uns des autres. Par conséquent1 ≤ p ≤ n
Apn n!
Démontrez que Cnp = p! = p!(n−p)!
28 / 1
Exemple :
A partir d’un groupe de 5 hommes et de 7 femmes, combien de comités

différents composés de 2 hommes et de 3 femmes peut-on former ?Qu’en
est-il si 2 des femmes s’entendent mal et refusent de siéger simultanement
au comité ?
29 / 1
Propriétés des combinaisons :
Cnp = Cnn−p ;
p p−1
Cnp = Cn−1 + Cn−1 ;
30 / 1
Triangle de Pascal :
31 / 1
Formules du binôme de Newton
Pn
(a + b)n = p=0 Cnp ap b n−p ;
Cn0 + Cn1 + .......... + Cnn = 2n .
32 / 1
Chapter 2
Chapter 2 : Définition de la probabilité et axiomes du calcul des

probabilités
33 / 1
Chapter 2 Ensemble fondamental et évènements
Définitions :
Considérons une expérience dont l’issue n’est pas prévisible mais admettons
que l’ensembles des issues possibles soit connu. L’ensemble des issues
possibles est appélé Ensemble fondamental et est noté E .
Si le résultat de l’expérience équivaut à la détermination du sexe d’un

nouveau né E = {G , F } ;
Si le résultat de l’expérience consisté à jeter successivement deux pièces alors

E = {(P.P), (P.F ), (F .P), (F .F )}.
Si le résultat consiste à mesurer la durée de vie d’un smartphone en

secondes alors E ? ? ? ?.
34 / 1
Chapter 2 Ensemble fondamental et évènements
Définitions :
Tout sous ensemble S de l’ensemble fondamental est appéle évènement. Un

évènement est donc un ensmeble correspondant à divers résultats possibles
de l’expérience.
Dans le deuxième exemple S = {(P.P), (P.F )} correspond à l’évènement

”la première pièce montre pile” ;
35 / 1
Chapter 2 Rappels sur les ensembles
1. Inclusion :
Un ensemble B est inclus dans un ensemble A si chacun des éléments de B

appartient également à A : (e ∈ B) ⇒ (e ∈ A) ; On écrit B ⊂ A
L’inclusion est transitive : si C est inclus dans B et si B est inclus dans A

alors C est inclus dans A : (C ⊂ B et B ⊂ A) ⇒ (C ⊂ A) ;
L’inclusion est reflexive A ⊂ A.
L’inclusion est antisymétrique (A ⊂ B) et B ⊂ A) ⇒ (A ≡ B).
36 / 1
2. Complémentaire :
Soit A un sous-ensemble de E. On appelle complémentaire de A par rapport

à E le sous ensemble de E constitué des élements e qui n’appartiennent pas
à A : (e ∈ A) ⇔ (e 6∈ A)
Le complémentaire de l’ensemble fondamental est l’ensemble vide E ≡ ∅.
Le complémentaire du complémentaire est l’ensemble lui même :

(B ≡ A) ⇔ (B ≡ A).
Si B est inclus dans A, A est inclus dans B : (B ⊂ A) ⇔ (A ⊂ B).
37 / 1
3. Ensembles disjoints :
Deux ensembles A et B sont disjoints s’ils possèdent aucun élement en

commun.
Ainsi A et A sont deux ensembles nécessairement disjoints.
38 / 1
4. Réunion :
Soit deux ensembles A et B. On appelle reunion de A et de B noté A ∪ B

l’ensemble dont les élements appartiennent soit à A, soit à B, soit encore à
A et à B.
(A ⊂ C et B ⊂ C ) ⇔ [(A ∪ B) ⊂ C ]
(B ⊂ A) ⇔ (A ∪ B) ≡ A)
La reunion est commutative : (A ∪ B) ≡ (B ∪ A)
La reunion est associative : A ∪ (B ∪ C ) ≡ (A ∪ B) ∪ C
La réunion est distributive : A ∪ (B ∩ C ) = (A ∪ B) ∩ (A ∪ C )
39 / 1
5. Intersection :
Soit deux ensembles A et B. On appelle intersection de A et de B noté

A ∩ B l’ensemble dont les élements appartiennent à la fois à A, et à B. Il
s’agit d’un sous ensemble de A et un sous ensemble de B.
(A et B disjoints) ⇔ (A ∩ B) ≡ ∅
A ∩ B ⊂ A ∪ B; (A ⊂ C et B ⊂ C) ⇔ A ∩ B ⊂ A ∪ B ⊂ C
(B ⊂ A) ≡ (A ∩ B ≡ B)
L’intersection est commutative : A ∩ B ≡ B ∩ A
L’intersection est associative : A ∩ (B ∩ C ) ≡ (A ∩ B) ∩ C
L’intersection est distributive par rapport à la réunion :

A ∩ (B ∪ C ) ≡ (A ∩ B) ∪ (A ∩ C )
40 / 1
6. Opérations combinées sur les ensembles. Démontrez que
(A ∪ B) ⇔ A ∪ (A ∩ B) ≡ B ∪ (A ∩ B)
A∪B ≡A∩B
A∩B ≡A∪B
Les deux derniers résultats sont appélés lois de Morgan et peuvent être
géneralisés à n ensembles.
41 / 1
6. Exemple
36 membres d’un club jouent au tennis, 28 jouent au squash et 18

jouent au badminton.En outre, 22 membres jouent au tennis et au
squash, 12 pratiquent le tennis et le badminton, 9 jouent au squash et
au badminton, et 4 pratiquent les 3 sports.Combien de membres de ce
club pratiquent au moins l’un des trois sports ?
42 / 1
Chapter 2 Notion de probabilité
Notion intuitive de probabilité
Lorsqu’on lance une pièce de monnaie, le jet peut amener soit pile (P), soit
face (F).
L’ensemble des éventualités, c’est à dire des résultats possibles appelé

ensemble fondamental est constitué de deux élements :(P,F)
Si la pièce est symétrique et si elle est lancée au hasard il n’y a pas de

raison que le résultat P ait plus de chance d’apparaitre que le résultat F
Dans ces conditions, on dit que les deux évènements sont équiprobables et
on attribue à chacune de ces éventualités la probabilité 1/2
43 / 1
Notion intuitive de probabilité
D’une façon génerale, si les différents résultats possibles constitutant

l’ensemble fondamental qui peuvent apparaitre à la suite d’une épreuve sont
équiprobables, on attribue à chacune des éventualités correspondantes la
probabilité 1/N ;
Ici l’ensemble fondamental défini par l’épreuve effectuée comporte un

nombre fini d’élements ;
Le cadre d’hypothèses conduit à affecter la même probabilité à chacun des

élements de l’ensemble fondamental.
44 / 1
Extension de la définition
On appelle évènement un sous ensemble quelconque A de E, c’est à dire une

partie de E ;
Chacune des éventualités est un évènement élementaire ;
La probabilité d’un évènement A est le rapport du nombre NA d’évènements

équiprobables définissant A au nombre total N d’évènements élementaires
équiprobables possibles : P(A) = NNA
45 / 1
Quelques remarques
1
P(éventualit é équiprobable) = N ;
∀A ⊂ E On a 0 ≤ P(A) ≤ 1 ;
P(A) = 1 ⇔ [A = E ]
Si A et B sont deux ensembles disjoints P(A ∪ B) = P(A) + P(B)
P(A) + P(A) = 1
P(A) = 0 ⇔ [A = ∅]
46 / 1
Exemples
Un comité de 6 personnes doit être choisi entre les 6 hommes et 9 femmes

d’un groupe.Si le choix est le résultat du hasard, quelle est la probabilité que
le résultat soit composé de trois hommes et de 2 femmes ?
Si deux dés sont jétés, quelle est la probailité pour que la somme des faces
soit 7 ?
Si n personnes sont présentes dans une pièce, quelle est la probabilité que
leurs anniversaires tombent sur des jours tous différents ?Quelle valeur faut-il
donner à n pour que cette probabilité descende en dessous de 12 ?
47 / 1
Chapter 2 Axiomes du calcul des probabilités
Soit F une famille de parties de E
On définit pour toute partie A de E appartenant à F une application P dans

P
R : (A ⊂ E ) −→ P(A) ∈ R
Le résultat est appelé probabilité de A et qui satisfait aux trois conditions

fondamentales :
48 / 1
1 Axiome 1 : L’image de toute partie A appartenant à F est positive ou nulle

et inférieure ou égale à 1 : 0 ≤ P(A) ≤ 1 ;
2 Axiome 2 : L’image de l’ensemble fondamental est l’unité P(E ) = 1 ;
3 Axiome 3 : L’image de la réunion d’un nombre fini ou infini de parties de E

disjointes appartenant à F est égale à la somme
P∞ des
images :P(A1 ∪ A2 ∪ ...... ∪ An ∪ ......) = i=1 P(Ai )
49 / 1
Quelques conséquences de la définition
1 P(A) = 1 − P(A) ;
2 P(∅) = 0 ;
3 Si B est inclus dans A :A = B ∪ (A − B) On a P(A) = P(B) + P(A − B)
4 Si B est inclus dans A : P(B) ≤ P(A)
5 Montrez que P(A ∪ B) = P(A) + P(B − (A ∩ B)) et

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
6 Montrez que P(A ∪ B ∪ C ) =

P(A) + P(B) + P(C ) − P(A ∩ B) − P(A ∩ C ) − P(B ∩ C ) + P(A ∩ B ∩ C )
50 / 1
D’une façon générale
Pn PP
1 P(A1 ∪ A2 ∪ ...... ∪ An ) = i=1 P(Ai ) − P(Ai ∩ Aj ) +
i<j
P(Ai ∩ Aj ∩ Ak ) + ......... + (−1)n−1 P(A1 ∩ A2 ∩ .............An )
PP P
i<j<k
PP P
2 En posant Sk = ..... P(Ai1 ∩ Ai2 ∩ .............Aik )
i1 <i2 <.....<ik
Pn k−1
3 On a P(A1 ∪ A2 ∪ ...... ∪ An ) = k=1 (−1) Sk
4 Ce résultat porte le nom du Théorème de Poincaré.
51 / 1
Exemple : Si 10 couples mariés sont assis au hasard autour d’une table

ronde, calculer la probabilité qu’aucune femme mariée ne soit assise à côté
de son mari.
Indications :
1 On définit l’évènement Ai : ”Le couple i est réuni”
2 La probabilité recherchée est 1 − P(A1 ∪ A2 ∪ ...... ∪ A10 )
52 / 1
Chapter 3
Chapter 3 : Probabilité conditionnelle et indépendance
53 / 1
Chapter 3 Introduction
La notion de probabilité conditionnelle est importante pour deux

principales raisons :
1 On s’intéresse souvent à calculer des probabilités lorsqu’une partie de

l’information concernant l’experience est disponible ;
2 Il est souvent plus aisé d’utiliser un detour par certaines probabilités

conditionnelles pour résussir le calcul des probabilités cherchées.
54 / 1
Chapter 3 Probabilités conditionnelles
Supposons que nous jetions deux dés et chacun des 36 évènements

1
élementaires ait la même probabilité de survenir, soit 36 ;
Supposons encore que nous puissions observer le premier dé, qui donne un 3.
Sur la base de cette information, quelle est dès lors la probabilité que la
somme des dés donne 8 ?
55 / 1
Il ne peut y avoir que 6 évènements dans notre experience : (3,1) (3,2) (3,3)
(3,4) (3,5) (3,6) ;
Puisque chacun de ces évènements ont originellement la même probabilité

d’apparaitre, ils auront encore des probabilité égales ;
Etant donné que le premier évènement est un 3, la probabilité de chacun des

évènements devient 61 ?
1
Ainsi la probabilité cherchée est 6
56 / 1
Si nous désignons par E et F, les évènements ”la somme des dés est 8” et
”le premier dé donne 3” ;
Une probabilité comme celle-ci est appelée probabilité conditionnelle de E

sachant F et est noté P(E |F ) ou PF (E )
57 / 1
De façon plus génerale :

Pour tout évènement E et F : Si F est réalisé, alors E apparaitra à chaque
fois qu’on aura affaire à un évènement de E ∩ F ;
Comme nous savons que F est réalisé, cet ensemble devient notre nouvel
ensemble fondamental ;
Par conséquent, la probabilité conditionnelle de l’évènement E sera donné

par comparaison de la probabilité non conditionnelle de E ∩ F avec la
probabilité non conditionnelle de F ;
P(E ∩F )
Si P(F ) > 0, la probabilité conditionnelle de E sera P(E |F ) = P(F )
58 / 1
Définition :
Soit F une famille de parties de E
Considérons la famille FA des intersections A ∩ B où A est fixé et B est un

élement quelconque de F
Nous définissons une application PA qui associe à chaque élement C de FA

un nombre PA (C ) égal à PA (C ) = P(C
P(A)
)
Montrez que cette application définit bien une probabilité sur FA
59 / 1
Exemples :
1 Une urne contient 10 billes blanches, 5 jaunes et 10 noires. Une bille est
tirée au hasard de l’urne et l’on constate qu’elle n’est pas noire. Quelle est la
probabilité qu’elle soit jaune ?
2 Une urne contient 8 boules rouges et 4 boules blanches. On tire sans remise
deux boules de l’urne et on adment qu’à chaque étape tous les tirages
possibles sont équiprobables. Quelle est la probabilité que les deux boules
tirées soient rouges ?
60 / 1
Chapter 3 Règle de la multiplication
Règle de la multiplication
On a P(E ∩ F ) = P(F ) × P(E |F )
P(E1 ∩ E2 ∩ E3 . . . ∩ En ) =
P(E1 )P(E2 |E1 )P(E3 |E1 ∩ E2 ) . . . P(En |E1 ∩ E2 . . . ∩ En−1 )
61 / 1
Chapter 3 Formules de Bayes
Probabilités totales
Soient E et F deux évènements quelconques ;
Démontrez que P(E ) = P(E |F )P(F ) + P(E |F )(1 − P(F )) ;
Il s’agit de la formule des probabilités totales. Elle est peut être interprétée
de la façon suivante : la probabilité de l’évènement E est une moyenne
pondérée de la probabilité conditionnelle de E lorsque F est apparu et de la
probabilité conditionnelle du même E lorsque F n’est pas apparu.
62 / 1
Probabilités totales-Géneralisation
Soient F1 , F2 . . . , Fn des évènements s’excluant mutuellement ;
Pn
Démontrez que P(E ) = i=1 P(E |Fi )P(Fi ) ;
63 / 1
Exemple
1 Une compagnie d’assurance estime que les gens peuvent être repartis en deux
classes : ceux qui sont enclins aux accidents et ceux qui ne le sont pas. Ses
statistiques montrent qu’un individu enclin aux accidents a une probabilité
de 0,4 d’en avoir un en l’espace d’un an ; cette probabilité tombe à 0,2 pour
les gens à risque modéré. On suppose que 30% de la population appartient à
la classe à haut risque. Quel est la probabilité qu’un nouvel assuré soit
victime d’un accident durant l’année qui suit la signature de son contrat ?
2 Un nouveau signataire a un accident dans l’année qui suit la signature du

contrat. Quelle est la probabilité qu’il fasse partie de la classe à haut risque ?
64 / 1
Introduction à la formule de Bayes
P(F ∩E ) P(E |F )P(F )

Montrez que P(F |E ) = P(E ) = P(E |F )P(F )+P(E |F )P(F )
Exemple 1 : Un laboratoire d’analyses du sang assure avec une probabilité

de 95% la détection d’une certaine maladie lorsqu’elle est effectivement
présente. Cependant, le test indique aussi un résultat faussement ”positif”
pour 1% des personnes réellement saines à qui on l’applique (c’est à dire
qu’une personne saine testée sera déclarée malade une fois sur 100). Si 0,5%
de la population porte effectivement la maladie, quelle est la probabilité
qu’une personne soit vraiment malade lorsqu’on la déclare telle sur la base
du test ?
65 / 1
Exemple 2 : Considérons un médecin placé devant le dilemme suivant : ”Lorsque

je suis certain, à au moins 80%, que mon patient est affecté d’une maladie précise,
je recommande toujours une intervention chirurgicale. Tandis que si j’en suis moin
certain, je prescris des tests complémentaires qui peuvent être chers, et parfois
pénibles. Dans le cas de Salif, j’étais initialement certain à 60% seulement qu’il
souffrait de cette maladie, aussi ai je prescrit un test A qui donne toujours un
résultat positif lorsque le patient est malade, et presque jamais dans le cas
contraire. Le résultat de ce test étant positif, j’étais prêt à recommander une
opération quand Salif m’informa qu’il était diabétique, ce qu’il n’avait pas dit
jusque là. Cette indication complique le diagnostic : bien que cela ne change en
rien mon estimaion orignale de maladie avec 60% de risques, cela affecte par
contre l’interpretation du résultat du test A. Ce test en effet, alors qu’il ne donne
jamais de résultat positif si le patient est saint, conduit malheuresement à un
résultat erroné chez 30% des diabétiques ne souffrant pas de la maladie. A partir
de là, que faire ? encore des tests ou une opération immédiate ?”
66 / 1
Formule de Bayes géneralisée
Soient F1 , F2 . . . , Fn des évènements s’excluant mutuellement.
P(E |Fj )P(Fj )

P(Fj |E ) = Pn
i=1 P(E |Fi )P(Fi )
67 / 1
Chapter 3 Evènements indépendants
Indépendance de deux évènements
E est indépendant de F si le fait savoir que F est survenu ne change pas la

probabilité de E ;
P(E |F ) = P(E ) ⇔ P(E ∩ F ) = P(E )P(F )
Si E est indépendant de F, F l’est aussi de E
Démontrez que l’indépedance entre E et F entraine l’indépendance entre E

et F , E et F, E et F
68 / 1
Exemples
On jette deux pièces et on suppose que les 4 résultats possibles sont

équiprobables. On désigne par A ”la première pièce montre pile” et par B ”la
seconde montre face”. A et B sont-ils indépendants ?
On jette deux dés équilibrés.A est l’évènement ”la somme des dés est 6” et
B désigne ”le premier dé donne 4”. A et B sont-ils indépendants ?
Donnez des exemples d’évènements indépendants.
69 / 1
Indépendance entre plusieurs évènements
Trois évènements E, F et G sont dits totalement indépendants si

P(E ∩ F ∩ G ) = P(E )P(F )P(G ) ; P(E ∩ F ) = P(E )P(F ) ;
P(E ∩ G ) = P(E )P(G ) ; P(F ∩ G ) = P(F )P(G )
Un ensemble d’évènements E1 , E2 , .........En est dit totalement indépendant

si pour tout sous ensemble E1 , E2 , .........Er , r <= n
P(E1 ∩ E2 , ........ ∩ Er ) = P(E1 )P(E2 ).......P(Er )
70 / 1
Chapter 4
Chapter 4 : Les modèles de tirage
71 / 1
Considérons une urne remplie de N boules dont N1 sont de la couleur 1, N2

de la couleur 2, . . ., Nk de la couleur k
Nh
Soit ph la proportion des boules de couleur h : ph = N
On a p1 + p2 + . . . + pk = 1
On prélève au hasard n boules dans une urne. On désigne par nh le nombre

de boules de couleur h figurant dans l’échantillon et par :
(n1 ∗ n2 ∗ . . . . . . ∗ nk ) la compostion de l’échantillon dans son ensemble.
Quelle est la probabilité d’une répartition (n1 ∗ n2 ∗ . . . . . . ∗ nk ) ?
72 / 1
Le tirage des boules dans l’urne peut être effectuée de deux façons :
Tirage bernouillien ou tirage avec remise : les boules sont tirées une à une
et remises dans l’urne avant le tirage de la boule suivante ;
Tirage exhaustif ou tirage sans remise : les boules sont tirées une à une
mais ne sont pas remises avant tirage de la boule suivante ou encore-ce qui
revient au même- sont tirées d’un seul coup.
73 / 1
Chapter 4 Tirage exhaustif
Considérons tout d’abord le tirage exhaustif comme le tirage de n boules

simultanément :
Le nombre d’évènements équiprobables est CNn ;
Les combinaisons qui correspondent à l’évènement : ”l’échantillon est du

type (n1 ∗ n2 ∗ . . . . . . ∗ nk )” est égal à CNn11 CNn22 . . . . . . CNnkk
n n n
CN1 CN2 ......CNk
La probabilité cherchée est P[n1 ∗ n2 ∗ . . . . . . ∗ nk ] = 1 2
CNn
k
74 / 1
Les relations suivantes peuvent être établies :

1 n1 + n2 + . . . . . . + nk = n ;
2 0 <= nh <= Nh
3 0 <= n − nh <= N − Nh
4 Si n est au plus égal à chacun des nombres N1 , . . . , Nk le nombre

d’échantillons distincts est égal au nombre de façons de partager l’entier n
n
en k sommes ordonnées d’entiers non négatifs à savoir Cn+k−1
75 / 1
Exemple :
1 Une urne contient N1 = 3 boules rouges, N2 = 2 boules noires et
N3 = 2 boules blanches. On tire de cette urne n = 2 boules sans
remise. Quelle est le nombre de repartitions possibles ? Quelles sont
les probabilités attachées aux diverses répartitions possibles ?
2 L’urne est modifiée de la façon suivante : N1 = 3, N2 = 2, N3 = 1.

On tire encore deux boules. Quelles sont les probabilités attachées aux
diverses répartitions possibles ?
76 / 1
Montrons que si on convient de tirer les n boules une à une sans remise,
on aboutit au même résultat :
Quelle est la probabilité d’obtenir la répartition (n1 ∗ n2 ∗ . . . . . . ∗ nk )
dans un ordre spécifié ? les n1 boules de couleur 1 apparaissent à des
rangs de tirage spécifiés, de même les n2 boules.... les nk
Par exemple pour n = 5 (1.3.2.1.2) est un résultat qui correspond au

tirage d’une boule de couleur 1 au premier et quatrième tirages, d’une
boule de la couleur 2 aux troisième et cinquième tirages, une boule de
la couleur 3 au second tirage.
77 / 1
En utilisant la formule des probabilités composées, On a

1 −1 2 −1
P = NN1 N−1
N3 N2
∗ N−2 ∗ NN−3 ∗ NN−4
D’une façon générale, la probabilité d’obtenir la répartition

(n1 ∗ n2 ∗ . . . . . . ∗ nk ) dans un ordre spécifié est égal à
P = [N1 (N1 −1)...(N1N(N−1)...(N−n+1)
−n1 +1)]...[Nk (Nk −1)...(Nk −nk +1)]
78 / 1
n n n
n1 !...nk ! CN1 CN2 ......CNk
P= n! ∗ 1
CNn
2 k
Cette probabilité est ainsi la même quel que soit l’ordre spécifié. Le
nombre d’ordres correspondant à la répartion (n1 ∗ n2 ∗ . . . . . . ∗ nk )
n!
est égal au nombre de permutations avec répétition soit n1 !...n k!
n n n
CN1 CN2 ......CNk
1 2
D’où P = CNn
k
79 / 1
Chapter 4 Le tirage bernouillien
Lorsque le tirage est bernouillien, la probabilité de tirer une boule de

couleur h à un rang de tirage spécifié est ph = NNh et les tirages sont
indépendants
Par exemple n = 5, la probabilité d’apparition du résultat (1.3.2.1.2)

est P = p1 p3 p2 p1 p2 = p12 p22 p3
D’une façon génerale, la probabilité d’obtenir la répartition

(n1 ∗ n2 ∗ . . . . . . ∗ nk ) dans un ordre spécifié est P = p1n1 p2n2 . . . pknk .
Cette probabilité est la même quel que soit l’ordre.
La probabilité de la répartition (n1 ∗ n2 ∗ . . . . . . ∗ nk ) est donc

P[n1 ∗ n2 ∗ . . . . . . ∗ nk ] = n1 !n2n!!...nk ! p1n1 p2n2 . . . pknk
80 / 1
n1 + . . . + nk = n
∀h : 0 <= nh <= n
Le nombre de répartitions (n1 ∗ n2 ∗ . . . . . . ∗ nk ) distinctes est égal à

n
Cn+k−1
81 / 1
Les deux tirages exhaustif et bernouillien sont :

identiques si n = 1
équivalents si N1 , N2 , . . . , Nk sont grands par rapport à n. En effet on

aura (NhN−n
h!
h )!
∼ Nhnh
82 / 1
Chapter 5
Chapter 4 : Variables aléatoires
83 / 1
Chapter 5
Après avoir réalisé une expérience, il arrive souvent qu’on s’intéresse plus à
une fonction du résultat qu’au résultat.
Soit E un ensemble fondamental, on appelle variable aléatoire toute

X
application X de E dans R telle que : (e ∈ E ) −
→ X (e) ∈ R
X(E) represente l’ensemble des valeurs prises par la variable aléatoire X.
84 / 1
Chapter 5 Définition et exemples
Après avoir réalisé une expérience, il arrive souvent qu’on s’intéresse plus à
une fonction du résultat qu’au résultat.
Soit E un ensemble fondamental, on appelle variable aléatoire toute

X
application X de E dans R telle que : (e ∈ E ) −
→ X (e) ∈ R
X(E) represente l’ensemble des valeurs prises par la variable aléatoire X.
85 / 1
Chapter 5 Définition et exemples
Exemple 1 : On jette trois pièces équilibrées et on désigne par Y le nombre

de piles. Calculez les probabilités associées à cette variable aléatoire.
Exemple 2 :D’une urne contenant 20 boules numerotées de 1 à 20, On tire

sans remise 3 boules. Quelqu’un parie qu’au moins l’une des boules tirées
portera un numéro supérieur ou égal à 17. Quelle est la probabilité qu’il
gagne ? Définissez la variable aléatoire X comme le plus grand numéro tiré.
86 / 1
Chapter 5 Variables aléatoires discrètes
Définition
Une variable aléatoire réelle est dite discrète si son domaine de variation est
fini ou denombrable ;
Si l’ensemble fondamental est lui même fini, la variable aléatoire sera

automatiquement discrète.
Donnez quelques exemples
87 / 1
Lois de probabilités
Soit X une variable aléatoire discrète : X : E → R pouvant prendre les

valeurs x1 , x2 , ......xn , .... ;
La probabilité que X soit égale à xi est notée P(X = xi )
La loi de probabilité de X estPdéfinie par les probabilités P(X = xi ) qui

doivent vérifier la condition i P(X = xi ) = 1
Il est instructif de présenter la fonction de densité de X sous la forme d’un

diagramme en bâtons avec les valeurs de X en abscisse et les probabilités en
ordonnée.
88 / 1
Exemple
On répète le jet d’une pièce jusqu’à ce que face apparaisse mais au plus n
fois. Les jets sont indépendants et face apparait avec probabilité p.X
désigne le nombre de jets réalisés jusqu’à l’arrêt de l’expérience. C’est donc
une variable aléatoire et elle prendra les valeurs 1, 2, . . . n. Calculez les
différentes probabilités associées.
1
Répresentez la fonction de densité de X pour n = 7 et p = 2
89 / 1
Loi conditionnelle et indépendance
Soient X et Y deux variables aléatoires discrètes, on définit la loi

conditionnelle de la variable alatoire Y |X = k par la probabilité
P((Y = l|X = k) = P(YP(X =l∩X =k)
=k)
X et Y sont indépendantes si P(Y = l ∩ X = k) = P(Y = l)P(X = k)
90 / 1
Fonction de repartition ou cumulative
On appelle fonction de repartition ou fonction ( cumulative d’une variable

R → R+
aléatoire discrète la fonction définie par F :
x → F (x) = P(X ≤ x)
En particulier, si x1 < x2 . . . < xi . . .

F (xi ) = P(X = x1 ∪ X = x2 . . . ∪ X = xi )
91 / 1
F est une fonction non décroissante, autrement dit si a < b alors

F (a) <= F (b)
limx→−∞ F (x) = 0
limx→+∞ F (x) = 1
F est continue à droite.
92 / 1
Répresentez la fonction de répartition de l’exemple précedent.
93 / 1
Les moments d’ordre n
On appelle moment d’ordre nPd’une variable aléatoire discrète X, et on note

E (X n ) la quantité E (X n ) = i xin P(X = xi )
L’espérance
P mathématique est le moment d’ordre 1,
E (X ) = i xi P(X = xi )
Calculez l’espérance mathématique de l’exemple précedent.
94 / 1
Propriétés de l’espérance mathématique
E (a) = a
E (aX ) = aE (X )
E (X + Y ) = E (X ) + E (Y )
E (aX + bY ) = aE (X ) + bE (Y )
Lorsque X et Y sont indépendantes E (XY ) = E (X )E (Y )
95 / 1
Variable centrée
On dit qu’une variable aléatoire est centrée si elle est d’esperance nulle
La variable aléatoire X − E (X ) est centrée
96 / 1
Espérance conditionnelle
Soient X et Y deux variables aléatoires discrètes
On définit l’esperance
P conditionnelle de X |Y = yl
E (X |Y = yl ) = k xk P(X = xk |Y = yl )
P
Démontrez que E (X ) = l E (X |Y = yl )P(Y = yl )
97 / 1
Variance et ecart type
On appelle
P variance d’une variable aléatoire discrète la quantité
V (X ) = i (xi − E (X ))2 P(X = xi )
p
L’écart type est défini par σ(X ) = V (X )
98 / 1
Propriétés de la variance
V (X ) >= 0
V (X ) = E (X − E (X ))2 (par définition)
Montrez que V (X ) = E (X 2 ) − (E (X ))2
Pour toute constante a V (a) = 0
Montrez que V (aX ) = a2 V (X )
Montrez que lorsque X et Y sont indépendantes V (X + Y ) = V (X ) + V (Y )
99 / 1
Variance réduite
On dit qu’une variable aléatoire est réduite si elle est de variance 1
X
Montrez que la variable aléatoire σ(X ) est réduite
100 / 1
Variance conditionnelle
Soient X et Y deux variables aléatoires discrètes, on définit la variance

X |Y = yl
conditionnelle deP
V (X |Y = yl ) = k (xk − E (X |Y = yl )2 P(X = xk |Y = yl )
ou par V (X |Y = yl ) = E ((X 2 |Y = yl ) − [E (X |Y = yl )]2
101 / 1
Covariance
On appelle covariance de deux variables aléatoires discrètes X et Y, et on

note Cov (X , YP
) la quantité :
Cov (X , Y ) = i,j (xi − E (X ))(yj − E (Y ))¨P(X = xi ∩ Y = yj )
Cov (X , Y ) = E (XY ) − E (X )E (Y )
Si X et Y sont indépendantes alors Cov (X , Y ) = 0
V (X + Y ) = V (X ) + V (Y ) + 2Cov (X , Y )
P P P
En géneralisant à n variables V ( i Xi ) = i V (Xi ) + 2 i<j Cov (Xi , Xj )
102 / 1
Coefficient de correlation
On appelle coefficient de correlation et on note r (X , Y ) la quantité :

r (X , Y ) = √Cov (X ,Y )
V (X )V (Y )
−1 ≤ r (X , Y ) ≤ 1
103 / 1
Inégalité de Markov
Soit la variable aléatoire X à valeurs non négatives, d’espérance

mathématique E(X)=m alors
P(X ≥ a) ≤ ma , ∀a > 0
Démontrez cette inégalité.
104 / 1
Inégalité de Biennaymé-Tchebychev
Soit la variable aléatoire X , d’espérance mathématique E(X)=m et de

variance V (X ) = σ 2
P(|X − a| > λσ) ≤ λ12 avec λ > 0
Démontrez cette inégalité.
105 / 1
Chapter 5 Variables aléatoires continues
Définition
Une variable aléatoire réelle est dite continue si son domaine de variation est
R ou un intervalle de R ;
Si l’ensemble fondamental est fini, il est assurement impossible que la

variable aléatoire soit continue sur R
106 / 1
Exemples
Taille des individus d’une population ;
Taux de glucose dans le sang ;
Durée de vie d’un ordinateur.
107 / 1
Lois de probabilités
Soit X une variable aléatoire rélle continue : X : E → R prenant ses valeurs

dans R ;
La loi de probabilité de X est définie par

R ∞la la fonction de densité qui est une
fonction positive et continue telle que −∞ f (x)dx = 1
Rb
P(a < X < b) = a
f (x)dx
On peut remarquer que P(X = x) = 0
108 / 1
Exemples
Exemple 1 : Supposons( que X soit une variable aléatoire continue dont la

C (4x − 2x 2 ) 0 < x < 2
densité est f (x) =
0 sinon
a) Quelle est la valeur de C b) Que vaut P(X > 1) ?
Exemple 2 : La durée de fonctionnement d’un ordinateur avant sa première

panne
( −x est une variable aléatoire continue de densité donnée par : f (x) =
λe 100 x ≥ 0
0 x <0
a) Déterminez λ b) Quelle est la probabilité que cette durée de
fonctionnement soit comprise entre 50 et 150 heures ? c)Quelle est la
probabilité que l’ordinateur fonctionne moins de 100 heures ?
109 / 1
Fonction de repartition
La fonction de repartition d’une variable aléatoire réelle continue est partout

définie
( et vaut la fonction définie par F :
R → R+
Rx
x → F (x) = P(X < x) = −∞ f (t)dt
Rb
P(a < X < b) = F (b) − F (a) = a
f (x)dx
F 0 (x) = f (x)
F est une fonction croissante
limx→−∞ F (x) = 0
limx→+∞ F (x) = 1
110 / 1
Les moments d’ordre n
On appelle moment d’ordre nR d’une variable aléatoire continue X, et on note

∞
E (X n ) la quantité E (X n ) = −∞ t n f (t)dt
R∞
L’espérance mathématique est le moment d’ordre 1, E (X ) = −∞
tf (t)dt
R∞
Pour toute fonction réelle g, E (g (x)) = −∞
g (t)f (t)dt
Les propriétes de l’espérance mathématique sont les mêmes que dans le cas
discret.
111 / 1
Exemples
Exemple
( 1 : Trouvez E(X) lorsque la densité de X est f (x) =
2x 0 ≤ x ≤ 1
0 sinon
(
1 0≤x ≤1
Exemple 2 : La densité de X est donnée par f (x) =
0 sinon
Trouvez E (eX )
112 / 1
Variable centrée et réduite
Les définitions sont exactemet les mêmes que pour les variables aléatoires
réelles discrètes
113 / 1
Variance et ecart type
On appelle
R ∞variance d’une variable aléatoire rélle continue la quantité
V (X ) = −∞ (x − E (X ))2 f (x)dx
Les propriétés de la variance demeurent identiques à celles du cas discret
114 / 1
Exercice d’application :
On suppose que la durée de vie d’un individu est une variable aléatoire
continue
( dont la densité de probabilité f est donnée par
f (t) = kt 2 (100 − t)2 0 ≤ t ≤ 100
0 sinon
1 Déterminez k pour que f soit effectivement une densité de probabilité.
Répresentez f sur un graphique.
2 Calculez l’esperance mathématique de la durée de vie d’un individu, puis

l’écart type ;
3 Calculez la probabilité pour q’un individu meurt entre 30 et 60 ans ;
115 / 1
Inégalités de Markov et de Biennaymé-Tchebychev
Les inégalités restent inchangées dans le cas des variables alaétoires

continues.
Démontrez les.
116 / 1
Chapter 5
Chapter 5 : Quelques lois de probabilité d’usage courant.
117 / 1
Chapter 5 Variable de Bernoulli et variable binomiale
Variable de Bernoulli
On réalise une expérience dont le résultat sera interprété soit comme un

succès soit comme un échec
On définit la variable aléatoire X en lui donnant la valeur 1 lors d’un succès

et 0 lors d’un échec
La loi de probabilité de X est alors P(X = 1) = p et P(X = 0) = 1 − p avec

0≤p≤1
Une telle variable aléatoire est dite de Bernoulli
118 / 1
Variables binomiales
Supposons qu’on exécute maintenant n épreuves indépendantes, chacune

ayant p pour probabilité de succès, et 1 − p pour probabilité d’échec.
La variable aléatoire X qui compte le nombre de succès sur l’ensemble des n

épreuves est dite variable aléatoire binomiale de paramètre (n,p). On note
X ,→ B(n, p)
Démontrez que la loi de probabilité d’une variable aléatoire binomiale de

paramètre (n,p) est donnée par
P(X = k) = Cnk p k (1 − p)n−k avec k = 0, 1, 2, .........n
Une variable de Bernoulli n’est qu’une variable binomiale de paramètre (1,p).
119 / 1
Propriétés des variables aléatoires binomiales
Démontrez que E (X ) = np
Démontrez que V (X ) = np(1 − p)
120 / 1
Exemples
1 On jette cinq pièces équilibrées. Les résultats sont supposés indépendants.

Donner la loi de probabilité de la variable X qui compte le nombre de piles
obtenus.
2 On sait que les vis fabriquées par une certaine société sont affectés d’un
défaut avec une probabilité 0,01 ; l’état d’une vis est indépendant de celui
des précedentes ou suivantes. Or la société accepte de rembourser les
paquets de 10 vis si plus d’une des vis présente un défaut. Quelle proportion
des paquets vendus la société s’expose t-elle à rembourser ?
121 / 1
Chapter 5 Variable aléatoire de Poisson
Définition
Une variable aléatoire X pouvant prendre pour valeurs 0,1,2......est dite de

k
Poisson avec paramètre λ si il existe un réel λ tel que P(X = k) = e −λ λk! .
On note X ,→ P(λ)
Les situations où un évènement particulier se reproduit à intervalles réguliers

ou au cours du temps peuvent fournir des cas d’application de la loi de
Poisson.
122 / 1
Propriétés de la loi de Poisson
Démontrez que E (X ) = λ
Démontrez que V (X ) = λ
On suppose que X ,→ P(λ) et X ,→ P(λ0 ). Lorsque X et Y sont

indépendantes alors X + Y ,→ P(λ + λ0 )
123 / 1
Exemple : Dans un hôtel, il arrive en moyenne 1,25 personnes par 10

minutes entre 15h et 21h. On prend pour variable aléatoire X le nombre de
personnes arrivant dans ce hôtel en 10 minutes, dans cet horaire
particulier. On admet que X suit une loi de poisson.
1 Déterminez la probabilité pour qu’en 10 minutes, il arrive k personnes
2 Déterminez la probabilité pour qu’en 10 minutes, il arrive 2 personnes
3 Déterminez la probabilité pour qu’en 10 minutes, il arrive 4 personnes au

plus
4 Déterminez la probabilité pour qu’en 10 minutes, il arrive 3 personnes au

moins
124 / 1
Autres lois discrètes
Variables aléatoires géométriques
Variables aléatoires binomiales négatives
Variables aléatoires hypergéométriques
125 / 1
Chapter 5 Variables aléatoires uniforme
Définition
Une variable
( aléatoire est uniforme sur l’intervalle (α, β) si sa densité est
1
α<x <β
f (x) : β−α
0 sinon
Calculez E (X ) et V (X )
126 / 1
Chapter 5 Variables aléatoires uniforme
Exemple
A partir de 7h, les bus passent toutes les 15 minutes à un arrêt donné. Un
usager se présente entre 7h00 et 7h30 à cet arrêt, l’heure exacte de son
arrivée étant une variable uniforme sur cette période.1) Trouvez la probabilité
qu’il doive attendre moins de 5 minutes, 2) puis plus de 10 minutes.
127 / 1
Chapter 5 Variables aléatoires normales
Définition
Une variable aléatoire est dite normale avec paramètres µ et σ 2 si la densité

−(x−µ)2
de X est donnée par f (x) = √1 e 2σ 2
σ 2π
E (X ) = µ et V (X ) = σ 2
128 / 1
Propriétés des variables aléatoires normales
E (X ) = µ et V (X ) = σ 2
Si X est normalement distribuée avec paramètres µ et σ 2 , alors Y = αX + β

est normalement distribuée avec paramètres αµ + β et α2 σ 2
129 / 1
Variable normale centrée réduite
X −µ
La variable Z = σ est normalement distribuée de paramètre 0 et 1.
Une variable normale ayant ces deux paramètres est dite standard ou centrée
Rx −x 2
réduite. Sa fonction de repartition est donnée par φ(x) = √12π −∞ e 2 dx
φ(−x) = 1 − φ(x)
P(Z < −x) = P(Z > x)
130 / 1
Exemple
Soit X une variable aléatoire de paramètres µ = 3 et σ 2 = 9. Calculer

P(2 < X < 5) P(X > 0) P(|X − 3| > 6)
131 / 1
Autres lois continues
Loi exponentielle
Loi gamma
Loi de Weibull
Loi bêta
132 / 1

Cours Calcul Proba 02022023

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Calcul Proba 02022023

Transféré par

Droits d'auteur :

Formats disponibles

1AST1101 - Cours de calcul des probabilités

Bruno Yempabou Lankoande

Licence en analyse statistique

 Chapitre 1 : Elements d’analyse combinatoire ;

 Chapitre 2 : Définition de la probabilité et axiomes de calcul des

 Chapitre 3 : Probabilité de Bayes ;

 Chapitre 4 : Variables aléatoires à une dimension ;

 Chapitre 5 : Caractéristiques d’une variable aléatoire à une

 Chapitre 6 : Quelques lois de probabilité d’usage courant.

 Exposés théoriques (24h) ;

 Travaux dirigés (12h).

Chapter 1 : Elements d’analyse combinatoire

Elements discernables et indiscernables

Dans ce cours, chaque élement de l’ensemble sera representé par une

Soit n le nombre d’élements de l’ensemble ;

L’ensemble des n élements peuvent être constitués d’élements :

tous discernables deux à deux : (a,b,......s)

tous indiscernables deux à deux : (a,a,......a)

certains sont discernables deux à deux et d’autres sont indiscernables

Le nombre d’élements de type a égal à α, de type b égal à β,....,de

α est le nombre de répitions des élements de type a ;

Exemple : L’ensemble des étudiants de L1 en analyse statistique

Une disposition est formée d’élements choisis parmi les n éléments de

le nombre de fois où il figure ;

la place dans la disposition ;

Différentes types de dispositions :

Dispositions sans répétition : Un élement donné peut figurer 0 ou 1 fois ;

Dispositions partiellement ordonnées : Les rôles de certains élements sont

Répresentations des dispositions :

Dispositions non ordonnées : On placera des points entre les élements ;

Dispositions partiellement ordonnées : On placera des virgules et des points

a) On distingue la première urne de la seconde et dans chaque urne, on

b) On distingue la première urne de la seconde et c’est seulement dans la

c) On distingue la première urne de la seconde et c’est seulement dans la

d) On ne distingue pas la première urne de la seconde mais, dans chaque

e) On distingue la première urne de la seconde mais dans aucunedes deux

f) On ne distingue pas la première urne de la seconde ; dans chaque urne on

Pour dénombrer l’ensemble des dispositions possibles, il est important de

La structure de l’ensemble des élements (discernables ou non)

La structure des dispositions (ordonnées ou non, avec répitition ou non)

Pour résoudre un problème d’analyse combinatoire, on peut avoir recours à

Se ramener à une formule déjà établie ;

Faire la génèse de l’ensemble des dispositions possibles ;

Former une relation de récurrence.

Soit deux ensembles distincts d’élements complètement discernables :

Le premier ensemble comporte α élements et le second β élements ;

On appelle paire une disposition de deux élements dont le premier appartient

Il y’a au total αβ paires.

Combien y a-t-il de mots de deux lettres ? Parmi eux, combien y en a-t-il

Soit λ ensembles distincts d’élements complètement discernables :

Le premier ensemble comporte α élements et le second β élements ;

On appelle multiplet une disposition ordonnée de λ élements dont le premier

Un multiplet de λ élements peut être vu comme une paire dont le premier

Démontrez par récurrence que Mλ = αβ.....σ ; Mλ étant le nombre de

Arrangements avec répétitions :

Soit un ensemble de n élements discernables : (a,b,......s) ;

On appelle arrangement avec répétition éventuellement, de p élements

Le nombre d’arrangement avec répétition vaut np .

Un arrangement avec répétition peut être considéré comme un multiplet de

Dénombrez toutes les dispositions possibles pour n=3 et p=2 ;

Quelle est la capacité du réseau télephonique Burkinabè ?

Avec un alphabet de deux lettres combien de mots différents peut on

Avec un alphabet de n lettres combien de mots différents peut on

Chapitre 1 : Elements d’analyse combinatoire ;

Chapitre 2 : Définition de la probabilité et axiomes de calcul des

Chapitre 3 : Probabilité de Bayes ;

Chapitre 4 : Variables aléatoires à une dimension ;

Chapitre 5 : Caractéristiques d’une variable aléatoire à une

Chapitre 6 : Quelques lois de probabilité d’usage courant.

Exposés théoriques (24h) ;

Travaux dirigés (12h).