Vous êtes sur la page 1sur 102

Probabilité

Licence des études fondamentales : Filière Sciences


Economiques et gestion
Tronc Commun National, Semestre 2

N°du Module : 12

Professeure : Khadija EL ISSAOUI


1
Objectif du cours

Ce cours présente les notions de base de probabilités,


jusqu’aux règles de calcul de l’espérance et la variance de
variables discrètes et continues classiques.
Objectifs détaillés : 1. Modéliser une expérience aléatoire et
choisir un espace de probabilités adapté à l’expérience 2.
Savoir calculer des probabilités conditionnelles 3. Savoir
déterminer si des événements sont indépendants 4. Connaître
les lois de probabilité classiques 5. Savoir calculer l’espérance
et la variance d’une variable aléatoire continue ou discrète

2
Historique

Le calcul des probabilités a commencé avec Blaise


Pascal, Pierre Fermat, Christian Huygens et
Jacques Bernoulli par l’analyse des jeux dits de
hasard.

Le mot hasard est emprunté à l’arabe az-zahr (jeu


de dés, aléa en latin).

3
Sommaire

Chapitre 1/ Vocabulaire utilisé en probabilité

Chapitre 2/ Variable aléatoire

Chapitre 3/ Lois de probabilité

4
Chapitre 1/ Vocabulaire utilisé en probabilité

I. Epreuve (ou expérience aléatoire)


II. Univers ou ensemble fondamental

III. Tribu d’événements

IV. Evènement (ou situation)

V. Définir une probabilité

5
VI. Probabilité conditionnelle
Chapitre 2/ Variable aléatoire

I. Variable aléatoire discrète

II. Variable aléatoire continue

6
Chapitre 3/ Lois de probabilité

I. Lois usuelles discrètes

II. Lois usuelles continues

7
Chapitre 1

Vocabulaire utilisé en probabilité

8
I- Épreuve aléatoire
C’est une épreuve dont l’issue n’est pas connue par avance.
Toute démarche scientifique nécessite la réalisation de certaines
expériences :
1) Expérience produisant un Résultat prévisible :
si elles sont renouvelées dans des conditions totalement identiques,
elles produiront le même résultat (phénomène déterministe).
2) Expérience produisant un Résultat non prévisible :
effectuer dans des conditions totalement identique elles donneront des
résultats différents (phénomène non déterministe).
Exemple
On lance un dé, bien entendu, avant de lancer le dé on ne sait pas si le
résultat va être le 1, 2,…6
Jeter en l’air une pièce de monnaie, on ne sait pas si on va avoir pile ou
face
9
II- Univers
Lorsqu’il s’agit d’une épreuve aléatoire, on a un ensemble de
résultats possibles.
Cet ensemble de résultats possibles est nommé l’univers (ou
l’ensemble fondamental) et porte, en probabilité, la lettre Ω
On utilise la lettre Ω pour désigner l’univers.
Exemples
On lance une pièce de monnaie donc Ω ={P, F} (Ω contient 2
éléments)
On considère une urne dans laquelle, il y a deux boules blanches
(B1 et B2) et une boule rouge (R).
L’épreuve consiste à tirer simultanément deux boules. Définir
l’univers Ω ?

10
III-Tribu d’événements
Soit Ω l’ensemble des éventualités (résultats possibles) d’une
expérience aléatoire (Ω est appelé univers).
On appelle évènement, toute partie de Ω.
ϕ est une partie de Ω, c’est un événement, appelé évènement
impossible.
Ω est une partie de Ω, c’est un événement, appelé évènement
certain.
Exemple
Une urne contient trois boules : une bleue, une rouge, une verte
On tire une boule de l’urne et on note sa couleur.
L’ensemble des éventualités (univers) est Ω = {B ; R ; V }.
Il y a huit évènements : ϕ ; {B } ; {R} ; {V} } ; {B ; R } ; {B ; V} ; {R ;
V} ;Ω
11
Application

On dispose d’une pièce de monnaie dont les faces sont


dénotées p (pile) et f (face) et d’un dé dont les faces sont
numérotées de 1 à 6.
Déterminer l’ensemble fondamental Ω1 associé à l’expérience
aléatoire consistant à lancer une fois la pièce de monnaie et à
en lire la face amenée. Déterminer l’ensemble fondamental Ω2
associé à l’expérience aléatoire consistant à lancer le dé une
fois et à en lire la face supérieure.
On lance maintenant une fois la pièce de monnaie et le dé
ensembles. Quel est l’ensemble fondamental Ω associé à cette
expérience aléatoire ?

12
IV-Evènement

Un évènement est une partie de Ω.


Exemple
dans le cas de lancer un dé Ω ={1, 2, 3, 4, 5, 6}, on peut
définir l’événement A : « obtenir un résultat pair »
A = { 2, 4, 6}
On dit que A est une partie de Ω car l’ensemble A est bien
inclus dans l’ensemble Ω
AΩ
Soit Ω={ {B1, B2}, {B1, R} ,{B2, R} }
On tire simultanément deux boules. On considère l’évènement
A : «tirer des boules de la même couleur ». Définir A ?  

13
1) Les particularités d’un évènement
 L’événement contraire de A est nommé
Exemple
dans le cas d’un dé Ω ={1, 2, 3, 4, 5, 6}, si l’événement est A :
« obtenir un résultat pair »
A = { 2, 4, 6} Donc :
 Deux événements sont incompatibles lorsque leur
intersection est vide (). La réalisation de l’un et de l’autre
simultanément n’est pas possible.
 Un événement est impossible lorsqu’il est jamais réalisé
 Un événement est certain lorsqu’il est toujours réalisé
 L’événement élémentaire : évènement consistant en la
réalisation de chacun des résultat d’une expérience aléatoire
14
2) Union et intersection
Exemple
A = { 2, 4, 6}
B = {5, 6}
Définir les opérations suivantes :
AB = ?
(A ou B : les éléments qui appartiennent à A ou B)
AB = ?
(A et B : les éléments qui appartiennent à A et B)
Supposons un événement C = { 1, 3}
Définir l’opération AC = ?

15
Exemple
On considère deux évènements A et B associés à deux types
de défauts d’un article.
Dans la production entière on va prélever un article au hasard
(n’importe lequel). Traduire les évènement suivants :

E : « l’article présente les deux défauts »


F: « l’article présente au moins un défaut »
G : «l’article présente seulement le défaut A »
H : «l’article ne présente aucun défaut »
  

16
Application
Une machine fabrique des objets qui sont classés en
défectueux, codés 0, et non défectueux, codés 1. On prélève
toutes les heures les trois derniers objets produits par cette
machine. On demande de préciser l’ensemble fondamental
associé à cette expérience et d’écrire les évènements suivants
:
A=« le premier objet est défectueux » ;
B=«le dernier objet est non défectueux » ;
C=« les premiers et derniers objets sont défectueux » ;
D=« aucun objet n’est défectueux » ;
E=« deux objets sont défectueux »;
F=« au plus un objet est défectueux »
17
V-Définir une probabilité

On appelle probabilité, telle que :

1) P(Ω) =1

2) Si AB = : les deux évènements A et B sont


incompatibles (deux ensembles disjoints), alors :

P(AB) = P(A)+P(B)
On a :
P() = 0

18
1) Calcul de probabilité

Exemple

On lance une pièce de monnaie truquée. On a 4


fois plus de chance d’avoir « pile » que d’avoir
« face ». Calculer la probabilité P(F) ; P(P)

19
2) Situation d’équiprobabilité

Tous les évènements élémentaires ont la même


probabilité :

20
VI-Probabilité conditionnelle

La probabilité de A sachant B que l’événement


B est réalisé :

21
Cas d’un lycée composé de 250 élèves.
On réparti les élèves selon la 2ème langue :
Allemand Italien Espagnol Total
Garçon 50 11 39 100
Fille 30 39 81 150
Total 80 50 120 250

22
Exemple

Dans une urne qui contient trois boules rouges


et sept blanches. On effectue deux tirages
successifs sans remise. Calculons la probabilité
de chaque tirage.

23
Application 1

On lance trois fois une pièce de monnaie et on


considère les évènements A =« obtenir au moins deux
faces » et B =« obtenir face au premier coup ».

1) Préciser l’ensemble fondamental Ω associé à


cette expérience
2) Traduire l’évènement A
3) Traduire l’événement B
4) Calculer la probabilité conditionnelle PB(A)

24
Application 2
Dans une urne qui contient deux boules rouges et
trois noires, quatre personnes tirent successivement
une boule sans la remettre ; la première qui tire une
rouge gagne. Calculons la probabilité de gain de
chaque personne A, B, C et D

25
Correction

26
1) Formule de Bayes

Formule de Bayes aussi appelée parfois probabilité


des causes

27
2) Exemple d’utilisation de la formule de Bayes

Une urne U1 contient 3 boules bleues et 2 boules rouges et une


urne U2 contient 4 boules bleues et 6 boules rouges. On lance
une pièce parfaite. Si le résultat est pile, on tire une boule dans
U1, si le résultat est face, on tire une boule dans U2. Sachant
que la boule tirée est rouge, quelle est la probabilité pour qu’elle
ait été tirée dans U2 ?

28
Correction
Soit l’évènement B « on obtient face » et A l’évènement « la
boule tirée est rouge » ;
Il faut déterminer PA(B). Or et ;
PB(A) = 6/10 (quand B est réalisé on tire une boule dans U2 et
il y a 6 boules parmi 10 dans U2) et

(quand est réalisé on tire une boule dans U1 et il


y a 2 boules parmi les 5 de U1)
En utilisant la formule de Bayes on a donc :

29
VI-Indépendance en probabilité

Deux évènements A et B sont indépendants, relativement à la


probabilité P, si :
P(AB) = P(A)×P(B)
La probabilité de réalisation simultanée de deux évènements
indépendants est égale au produit des probabilités que chacun
de ces évènements se reproduise séparément. En
conséquence :

La réalisation d’un événement ne modifie pas la probabilité de


réalisation de l’autre (exemple de tirage successif avec
remise).
30
Chapitre 2

Variable aléatoire

31
Variable aléatoire
quantitative

Discrète Continue

N’importe quelles
Valeurs distinctes ou
valeurs dans un
séparées
intervalle

32
I-Notion d’association

L’association permet de traduire par une valeur


numérique l’événement réalisé.
La valeur numérique associée à un résultat est arbitraire
et correspond à un codage des évènements qui va se
faire au moyen d’une certaine application, notée X (Ω),
qui va associer un nombre à chaque événement
élémentaire.
On parle de l’univers image Ω’ qui est noté X (Ω)

La loi de probabilité permet de déterminer la probabilité


associée à chacune des valeurs prises par X
33
Exemple
Une tombola est composée de 20 billets : Il y a 4 billets de 100
dirhams ; Il y a 4 billets de 200 dirhams ; Il y a 12 billets
perdants.
Pour participer à cette tombola, il faut miser 50 dirhams

1) Quelles sont les valeurs prises par X


2) Quelle est la loi de probabilité de X
3) Calculer l’espérance mathématique de X, la variance et
l’écart type de X

34
II-Variable aléatoire discrète

Exemple 1: Dans une urne qui contient trois boules rouges


et deux blanches, on effectue des tirages simultanément de
deux boules.
X : est la variable aléatoire qui associe le nombre de boules
rouges tirés.
1) Quelles sont les valeurs prises par X
2) Quelle est la loi de probabilité de X
3) Calculer l’espérance mathématique de X, la variance
et l’écart type de X
Si, on considère que la boule rouge rapporte 20 dh et la
blanche – 30 dh. Quelles sont les valeurs prises par Y
(Y est la variable aléatoire qui associe le gain du
joueur) 35
Exemple 2

Soient 3 pièces de monnaie non truquée. On jette les


3 pièces et on appelle X la variable aléatoire associée
au nombre de côtés « pile » obtenus (on désigne par
P le côté pile et par F le côté « face »). Déterminons la
loi de probabilité de X.

36
1) Caractéristique de position
v.a. discrète
Espérance mathématique :

Dans le cas de la loi uniforme sur X(Ω) ={x1,


…,xk}, c’est-à-dire avec équiprobabilité de
toutes les valeurs pi = 1/k, on obtient :

37
2) Caractéristique de dispersion
v.a. discrète
Variance : est l’espérance mathématique du carré de
la v.a. centrée X-E(X)

Écart type :

38
Exemple

Si X est la v.a. qui code 0 le résultat pile et 1


le résultat face d’un lancer de pièce de
monnaie. Calculer E(X), V(X) et σX

39
Application 1
On étudie les connexions d’internautes à un site web. Celui-ci propose six versions de
son contenu, réparties en trois versions anglaises (notées en) et trois versions
françaises (notées fr). Pour chaque langue, les trois versions sont les suivantes : une
version normale (n), une version pour les petits écrans comme ceux des téléphones
(p) et une version pour les écrans de taille moyenne comme ceux des tablettes (m).
En étudiant l’historique des connexions, on constate que les versions ne sont pas
utilisées de façon uniforme. Plus précisément, si on choisit un internaute connecté au
hasard, la probabilité de tomber sur chacune des versions est donnée par la table
suivante :

Dans la table, chaque version est désignée par sa langue et son type. L’ensemble des
six versions forme l’univers . Les lettres a et b désignent des paramètres à
déterminer.

1) Quelles propriétés doivent vérifier a et b pour que P soit bien une probabilité
sur Ω ?
2) On constate que le site a deux fois plus d’utilisateurs anglophones que
d’utilisateurs francophones. En déduite a et b.
3) Quel pourcentage d’utilisateurs du site consultent la version pour petit écran ?
40
Application 2

Pour le jeu suivant, on utilise un dé à quatre faces numérotées


0, 2, 3 et 5. On dispose aussi d’une urne contenant trois billes
numérotées respectivement 1, 3 et 5. On procède de la façon
suivante : on lance le dé puis on tire une bille. Si le dé donne 0,
on ne gagne rien. Sinon, on gagne 50 dh si le dé et la bille
portent le même numéro. Sinon, on gagne 10 dh.

1) Donner l’univers Ω et la probabilité associés à


l’expérience aléatoire. Soit X la variable aléatoire
correspondant au gain du joueur.

2) Donner la définition de X sous forme d’une fonction (on


pourra utiliser un tableau) et expliciter X(1).

3) Donner la loi de X et son espérance E(X).


41
3) Fonction de répartition :
variable aléatoire discrète
Définition :
X étant une variable aléatoire, on appelle fonction de
répartition associée à X la fonction de R vers [0,1] définie par :

Cette notion est à rapprochée de la notion d’effectifs cumulés


croissants d’une série statistique.

42
F(x)
30

25

20

15

10

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
(xi)

43
F(x)

La fonction de répartition est la somme des poids de


tous les points qui sont strictement à gauche de x

44
Application

On considère le jeu suivant : le joueur lance d’abord un dé non truqué. S’il


obtient 1, 2 ou 3, il gagne l’équivalent en dirham (c’est-à-dire 1 dh s’il obtient 1,
par exemple). Sinon, il perd 2 dh. On note X la variable aléatoire correspondant
au gain du joueur (négatif en cas de perte).
1) Donnez la loi de X et sa fonction de répartition F(X).
2) Calculez l’espérance de X.
3) Calculez la variance de X.

On modifie le jeu de la façon suivante : les gains restent les mêmes pour
les résultats 1, 2 ou 3, mais si le joueur obtient autre chose, il relance le
dé. S’il obtient 3 ou moins, il gagne 3 dh, sinon il perd 5 dh.
4) Décrivez formellement l’univers du nouveau jeu.
5) Donnez la loi de Y (qui désigne de nouveau le gain du joueur) et calculez
son espérance.
6) Quelle variante du jeu est la plus avantageuse pour le joueur ?

45
III- Variables aléatoires continues

- Lorsque X(Ω) est un intervalle [a ; b], on ne peut plus définir


la loi de probabilité de X en donnant la probabilité P(x) de
chaque élément de X(Ω) : en tout point x de [a ; b], la
probabilité P(x) est nulle.
- Par contre, si x1 et x2 sont deux éléments de [a ; b] tels que
x1 < x2, on pourra définir la probabilité pour que x soit
compris entrex1 et x2.
- C’est donc par la fonction de répartition FR de la variable
aléatoire X que l’on pourra définir la probabilité pour que x
de X(Ω) appartienne à un intervalle [x1 ; x2] donné, inclus
dans [a ; b] = X(Ω)
F(x) = P(X<x)/ Exemple F(3) = P(X<3) aussi P(X>x)=1-F(x)
46
1) Densité de probabilité
- Pour définir une loi de probabilité sur [a ; b], il suffit donc de se
donner une fonction f, dite densité de probabilité, intégrable sur
[a ; b] et vérifiant les deux conditions :

- La probabilité pour que X(w) appartienne à [x1 ; x2] ([x1 ; x2]  [a ;


b]), que l’on écrira P(x1 X  x2) sera donc ègale à

- Remarque : comme la probabilité d’avoir X=x1 (ou x2) est nulle on


a:

47
Exemple 1

Déterminer un réel α de façon que la fonction définie


sur [0 ,1] par f(x) = x+ α soit une densité de
probabilité sur [0 ,1]

48
Correction
On cherche α tel que :

On peut donc déterminer la fonction de répartition de la façon


suivante :

49
Exemple 2
Soit une variable aléatoire continue X définie par la fonction de densité de
probabilité :

Pour déterminer la constante k, il faut :

On en déduit par intégration la fonction de répartition F(x) : 

50
Correction

51
2) Propriétés de la fonction de répartition

La fonction de répartition prend ses valeurs entre 0 et 1 :

52
Application 1

Soit X une variable aléatoire de densité f(x) = 2-x


pour x [1,2] et nulle en dehors de cet intervalle.

Déterminer la fonction de répartition de X

53
3) Caractéristiques d’une variable
aléatoire continue

On pourra définir l’espérance mathématique de X par :

La variance de X par :

Exemple : si f est définie sur R par :

54
Application 2
Soit X une variable aléatoire de densité f(x)=x pour
x [0 ,1] , f(x)= 2-x pour x [1 ,2] et nulle en
dehors de ces intervalles.

1) Déterminer la fonction de répartition de X

55
Chapitre 3

Lois de probabilité

56
I-Lois usuelles discrètes

1) Loi de Bernoulli

2) Loi binômiale

3) Loi de Poisson

57
1) Loi de Bernoulli

- La loi de Bernoulli intervient dans le cas d’une seule expérience


aléatoire à laquelle on associe un événement aléatoire
quelconque.

- La réalisation (ou la non réalisation) de l’événement au cours de


cette expérience est appelée succès (ou échec) et la probabilité
de réalisation est dite probabilité de succès (ou d’échec),
désignée par p (ou par q).
q = 1- p
- La variable aléatoire X qui caractérise le nombre de succès au
cours d‘une seule expérience aléatoire est appelée Variable de
Bernoulli, elle prend les valeurs entières 0 et 1 avec les
probabilités respectives q et p.
58
a) Exemple Loi de Bernoulli

59
b) Les caractéristiques d’une
variable Bernoulli

60
61
2) Loi binômiale

- La loi binomiale intervient dans le cas de plusieurs


expériences aléatoires identiques et
indépendantes aux quelles on associe un événement
aléatoire quelconque.

- La réalisation (ou la non réalisation) de l’événement au


cours de chacune des expériences est appelée succès
(ou échec) et la probabilité de réalisation est dite
probabilité de succès (ou échec), désignée par p (ou
par q).
q= 1-p

62
a) Fonction de distribution de la loi binômiale

63
b) Les paramètres de la loi binômiale

64
65
66
67
c) Caractéristiques d’une variable binômiale

68
Exemple

Si X suit une loi binômiale de paramètre n=20 et


p=1/4

1)Déterminer la loi de X

2)Calculer l’espérance, variance et écart type

3)Calculer P(X≤3) ; P(X>1)

69
3) Loi de Poisson

70
71
a) Fonction de distribution de la Loi de Poisson

72
73
b) Caractéristiques d’une variable de Poisson

74
II - Lois usuelles continues

1) Loi normale

2) Lois dérivées de la loi normale

75
1) Loi normale

76
a) La loi normale réduite

77
b) Forme graphique de la fonction de
répartition

78
c) Détermination pratique des probabilités

79
d) Table de la fonction de densité de
probabilité

80
81
e) Table de la fonction de répartition

82
83
84
85
2) Lois dérivées de la loi normale

a) La loi de Khi deux de Pearson

b) La loi t de Student

c) La loi F de Fisher Snédécor

86
a) La loi de Khi deux de Pearson

87
88
b) La loi t de Student

89
Caractéristiques de la loi t de Student

90
c) La loi F de Fisher Snédécor

91
92
93
94
95
96
97
98
99
Application

100
Solution

101
Solution

102

Vous aimerez peut-être aussi