Documente Academic
Documente Profesional
Documente Cultură
Mohamed DIOURI
PROBABILITES
Exercices corrigés avec rappels de cours
COLLECTION SCIENCES TECHNIQUES ET MANAGEMENT
PROBABILITES
Exercices corrigés avec rappels de cours
MD
SOMMAIRE
LIMINAIRE 7
CH. 1. PROBABILITES 9
1.1. Définitions. 9
1.2. Notion d’exclusivité 10
1.3. Notion d’indépendance. 11
1.4. Théorème de Bayse. 12
1.5. Enonces des exercices d’application. 13
1.6. Solutions des exercices. 15
BIBLIOGRAPHIE 163
LIMINAIRE
Le calcul des probabilités n’intervient pas uniquement, comme semble le croire une
tradition tenace, pour le calcul des chances de gagner ou de perdre dans des jeux de
hasard : lancement de dés, jeux de cartes, courses de chevaux, loterie nationale, etc. Il
est vrai qu’à l’origine le développement de la théorie des probabilités est dû, en grande
partie, aux calculs sur les jeux de hasard, mais par la suite, probabilités, lois de
probabilités, lois statistiques ont été développées pour introduire les statistiques
décisionnelles, à savoir : échantillonnages, distributions, estimations, etc.
Ce livre est ainsi une introduction au livre sur les statistiques décisionnelles
puisqu’il renferme tous les chapitres que doit connaître un étudiant avant d’aborder les
statistiques décisionnelles, à savoir : les calculs sur les probabilités, les variables
aléatoires discrètes et continues, les lois de probabilités et les lois statistiques de
variables discrètes et continues.
Nous avons conçu ce livre à l’instar de ce que nous avons fait pour notre livre sur
la statistique descriptive : chaque chapitre commence par de brefs rappels de cours
suivis d’énoncés des exercices d’application et se termine par les solutions proposées.
7
En effet l’étudiant et le professeur savent que la meilleure façon d’apprendre et de
faire apprendre une matière repose essentiellement sur la qualité et la quantité des cas
pratiques étudiés.
8
Probabilités. 10. Probabilités
CHAPITRE 1
PROBABILITES
1.1. DEFINITIONS.
Une expérience est dite aléatoire lorsqu’on ne peut en prévoir exactement le résultat, du fait
que tous les facteurs qui déterminent ce résultat ne sont pas maîtrisés.
Un événement aléatoire est un événement qui peut se réaliser ou ne pas se réaliser au cours
d’une expérience aléatoire.
Exemples :
- Le jet d’un dé numéroté de 1 à 6 est une expérience aléatoire car le résultat du jet est
imprévisible. L’événement avoir une face paire du dé est un événement aléatoire car le résultat
du jet peut être impair comme il peut être pair.
- Le choix d’une personne dans un groupe d’individus contenant des hommes et des
femmes est une expérience aléatoire car le résultat du choix est imprévisible. L’événement
choisir une femme est un événement aléatoire car la personne choisie peut être une femme
comme elle peut être un homme.
Si au cours d’une expérience aléatoire on peut dénombrer tous les événements possibles, et
si pour chaque événement on peut déterminer le nombre de cas favorables à la réalisation d’un
événement aléatoire quelconque A, on définit classiquement la probabilité de l’événement A
comme étant le rapport du nombre de cas favorables au nombre de cas possibles.
Nombre de cas favorables
p( A ) =
Nombre de cas possibles
9
Probabilités. 10. Probabilités
P(événement certain) = 1
La probabilité de tout événement qui ne peut pas se réaliser au cours d’une expérience
aléatoire est nulle, il s’agit d’un événement impossible.
P(événement impossible) = 0
Deux événements aléatoires d’une même expérience aléatoire sont dits exclusifs ou
incompatibles s’ils ne peuvent pas se réaliser simultanément.
Plusieurs événements aléatoires associés à une même expérience aléatoire sont dits
mutuellement exclusifs ou mutuellement incompatibles s’ils sont exclusifs deux à deux.
Plusieurs événements aléatoires associés à une même expérience aléatoire sont dits
totalement exclusifs ou complémentaires s’ils sont exclusifs deux à deux et si l’un d’eux doit
nécessairement se réaliser.
On peut généraliser cette formule à plusieurs événements. Ainsi pour trois événements A,
B, et C :
11
Probabilités. 10. Probabilités
Soient E1, E2, …, Ek, une série de k événements aléatoires totalement exclusifs. À chacun
de ces événements correspond une information initiale qui permet d’évaluer à priori les
probabilités p(E1), p(E2), …, p(Ek).
12
Probabilités. 10. Probabilités
1.5.1. Expliquer pourquoi doit-il y avoir une erreur dans chacune des phrases suivantes :
a) La probabilité qu'il pleuve demain est 0,67 et la probabilité qu'il pleuve ou qu'il neige est
0,55.
b) La probabilité qu'un étudiant réussisse son examen de statistique est 0,82 et la probabilité
qu'il réussisse ses examens de statistique et mathématique est 0,86.
c) Les probabilités qu'une secrétaire fasse 0; 1; 2; 3; 4; plus de 4 erreurs lors d'un travail de
dactylographie sont respectivement 0,12; 0,25; 0,36; 0,14; 0,09; et 0,07.
13
Probabilités. 10. Probabilités
1.5.7. Pour juger de l'efficacité d'une campagne publicitaire ayant porté sur un produit, on a
sondé 1500 personnes, 1000 dans la région du Nord et 500 dans la région du Sud. Les résultats
sont :
Connaissent le Connaissent le
Ne connaissent
Régions produit et le produit et ne le
pas le produit
consomment consomment pas
Nord 80 150 770
Sud 50 130 320
1.5.8. Un avion de guerre passe au-dessus de 3 batteries antiaériennes. Chaque batterie a une
chance sur trois d'abattre l'avion. Quelle est la probabilité que l'avion soit abattu ?
1.5.9. Une usine s'adresse à deux fournisseurs A et B pour l'approvisionnement d'un composant
électronique. Le contrôle de conformité effectué sur un échantillon aléatoire de composants
électroniques a donné la répartition suivante des pourcentages de défauts :
14
Probabilités. 10. Probabilités
a) Quelle est la probabilité à priori acceptable que la personne choisie soit un acheteur du
produit ?
b) Sachant que la personne reconnaît le nom du produit, quelle est la probabilité à posteriori
qu'elle fasse partie des acheteurs du produit ?
c) Sachant que la personne ne reconnaît pas le nom du produit, quelle est la probabilité à
posteriori qu'elle fasse partie des acheteurs du produit ?
1.5.11. On dispose de deux sacs. Un sac en jute qui contient 20 pièces d'or et 30 pièces d'argent
et un sac en cuir qui contient 20 pièces d'or et 20 pièces d'argent. On plonge la main dans l’un
des deux sacs et on en sort une pièce d'or. Quelle est la probabilité pour qu'il s'agisse du sac en
cuir ?
1.5.12. Les étudiants d'une école sont répartis en trois groupes de 30 %; 34 %; et 36 % des
effectifs. Le taux d'absentéisme est respectivement de 4 %; 2 %; et 7 %. Un étudiant choisi au
hasard s'est révélé de bonne assiduité. Calculer la probabilité que cet étudiant appartienne au
groupe 1.
1.5.13. Une classe d’étudiants compte 20% d’étrangers, 55% de filles parmi les étrangers et
52% de filles parmi les nationaux, 5% d’absentéisme chez les filles et 8% d’absentéisme chez
les garçons et enfin 70% de malades parmi les filles absentes et 52% de malades parmi les
garçons absents.
On choisit une personne, au hasard, quelle est la probabilité pour
a) qu’elle soit absente ?
b) quelle soit absente et malade
1.5.14. 65 % des étudiants d’une école de gestion sont des scientifiques, et le reste sont des
littéraires. On sait par ailleurs, que le taux de réussite des étudiants scientifiques est de 75 %,
alors qu’il est de 55 % chez les littéraires.
Si on choisit au hasard un étudiant, déterminer la probabilité :
a) Pour qu’il soit scientifique, sachant qu’il a réussi.
b) Pour qu’il soit littéraire sachant qu’il n’a pas réussi.
1.5.16. Quelle est la probabilité pour que deux personnes au moins, parmi 5 personnes, choisies
au hasard, soient nées le même jour de la semaine ?
Soit p(N ou P) la probabilité pour qu’il pleuve ou qu’il neige : on a p(N ou P) = 0,55.
b) Soit p(S) la probabilité que l’étudiant réussisse son examen de statistique : p(S) = 0,82.
Les événements (1), (2), (3), (4) et (5) sont exclusifs et complémentaires, on doit avoir p(1)
+ P(2) + p(3) + p(4) + p(5) = 1 ce qui n’est pas le cas d’après l’énoncé.
p(A/F) la probabilité d’être analphabète sachant qu’on est une femme : p(A/F) = 0,68
b) p(être une femme non analphabète) = p(F) x (1 – p(A/F)) = 0,51 x 0,32 = 0,16
16
Probabilités. 10. Probabilités
a) Les tirages sont sans remise, les événements A : « tirer une action » et O : « tirer une
obligation » sont donc dépendants. On a donc :
p(d'avoir une action et une obligation) = (3/5) x (2/4) + (2/5) x (3/4) = 3/5 = 0,6
p = p[(tirer A puis O sachant qu’on a tiré A et qu’on l’a remise) ou (tirer O puis A sachant
qu’on a tiré O et qu’on l’a pas remise)
p = p(A)xp(O/A) + p(O)xp(A/O)
On a ainsi listé tous les cas possibles de tirer au moins une fille et un garçon.
17
Probabilités. 10. Probabilités
Avec par exemple : p(G et G et F) : probabilité de choisir 1 G dans la 1ère famille, 1 G dans
la 2ème famille et 1 F dans la 3ème famille.
Or p(G et G et F) = p(1 G dans la 1ère famille) x p(1 G dans la 2ème famille) x p(1 F dans la
ème
3 famille).
donc :
p(G et G et F) = (2/3)x(1/2)x(2/3) = 4/18
p(G et F et F) = (2/3)x(1/2)x(2/3) = 4/18
p(G et F et G) = (2/3)x(1/2)x(1/3) = 2/18
p(F et F et G) = (1/3)x(1/2)x(1/3) = 1/18
p(F et G et F) = (1/3)x(1/2)x(2/3) = 2/18
p((F et G et G) = (1/3)x(1/2)x(1/3) = 1/18
p(choisir au moins 1 G et 1 F) = (4+4+2+1+2+1)/18 = 14/18 = 0,7778
p(A) = probabilité qu'une famille ait des enfants des deux sexes.
Avec par exemple : p(G et G et F) : probabilité d’avoir 1 G pour le 1er enfant, 1 G pour le
2 enfant et 1 F pour le 3ème enfant.
ème
or p(G et G et F) = p(1 G pour le 1er enfant) x p(1 G pour le 2ème enfant) x p(1 F pour le
3ème enfant)
donc :
p(G et G et F) = (1/2)x(1/2)x(1/2) = 1/8
p(G et F et G) = (1/2)x(1/2)x(1/2) = 1/8
p((F et G et G) = (1/2)x(1/2)x(1/2) = 1/8
p(G et F et F) = (1/2)x(1/2)x(1/2) = 1/8
p(F et G et F) = (1/2)x(1/2)x(1/2) = 1/8
p(F et F et G) = (1/2)x(1/2)x(1/2) = 1/8
p(A) = 6 x 1/8 = 6/8
p(B) = probabilité qu'une famille ait au plus 1 garçon.
p(B) = p(F et F et F) + p(G et F et F) + p(F et G et F) + p(F et F et G)
p(B) = 4 x 1/8 = 4/8
p(A et B) = probabilité qu'une famille ait des enfants des deux sexes et ait au plus 1 garçon.
p(A et B) = p(G et F et F) + p(F et G et F) + p(F et F et G)
p(A et B) = 3/8
18
Probabilités. 10. Probabilités
Ce qui fait que p(A et B) = p(A) x p(B), on peut donc conclure que A et B sont
indépendants.
p(A) = probabilité qu'une famille ait des enfants des deux sexes.
p(A) = p(G et F) + p(F et G)
Avec par exemple : p(G et F) : probabilité d’avoir 1 G pour le 1er enfant et 1 F pour le 2ème
enfant.
donc :
p(G et F) = (1/2)x(1/2) = 1/4
p(F et G) = (1/2)x(1/2) = 1/4
p(A) = 2/4 = 1/2
p(B) = probabilité qu'une famille ait au plus 1 garçon.
p(B) = p(F et F) + p(G et F) + p(F et G)
p(B) = 3/4
p(A et B) = probabilité qu'une famille ait des enfants des deux sexes et ait au plus 1 garçon.
p(A et B) = p(G et F) + p(F et G)
p(A et B) = 2/4 = 1/2
p(A et B) ≠ p(A) x p(B), on peut conclure que A et B sont dépendants.
19
Probabilités. 10. Probabilités
Connaissent le Connaissent le
Ne connaissent
Régions produit et le produit et ne le
pas le produit
consomment consomment pas
Nord 80 150 770
Sud 50 130 320
p(BetA) 0,087
p(B/A) = = = 0,319
p( A ) 0,273
g) Une personne est choisie au hasard au sud : quelle est la probabilité qu’elle ne connaisse
pas le produit.
−
−
p(B etS) 320 / 1500 0,213
p( B /S) = = = = 0,641
p(S) 0,333 0,333
20
Probabilités. 10. Probabilités
Soient les événements A1, abattre l’avion avec la 1ère batterie ; A2 abattre l’avion avec la
ème
2 batterie et A3 abattre l’avion avec la troisième batterie.
1
p(A1) = p(A2) = p(A3) = et A = A1 ou A2 ou A3
3
La probabilité pour que l'avion soit abattu est la probabilité pour qu’il soit abattu avec la
1ère batterie ou avec la 2ème batterie et donc raté par la 1ère batterie ou avec la 3ème batterie et
donc raté par la 1ère et la 2ème batterie.
− − −
p(A) = p(A1) + p( A1 et A2) + p( A1 et
A 2 et A3)
1 2 1 2 2 1 19
p(A) = + ( × ) + ( × × ) =
3 3 3 3 3 3 27
1.6.9. Solution de l’exercice 1.5.9.
21
Probabilités. 10. Probabilités
b) Probabilité à posteriori qu'une personne reconnaissant le nom du produit, fasse partie des
acheteurs du produit.
p(AetB) p ( A ) × p( B / A )
p(A/B) = = − −
p(B) p ( A ) × p ( B / A ) + p( A ) × p( B / A )
0,10 × 0,95
p(A/B) = = 0,345
0,10 × 0,95 + 0,90 × 0,20
0,5 × 0,5
p(C/O) = = 0,556
0,5 × 0,5 + 0,5 × 0,4
0,30 × (1 − 0,04)
p=
0,30 × (1 − 0,04) + 0,34 × (1 − 0,02) + 0,36 × (1 − 0,07)
−
donc p(G1/ A ) = 0,301
donc : p(M/A) = [0,526 x 0,035 / 0,0642] + [0,474 x 0,0416 / 0,0642] = 0,5939 = 59,39%
b) Probabilité pour qu’il soit littéraire sachant qu’il n’a pas réussi.
a) Les tirages avec remise sont indépendants, la probabilité de ne pas obtenir la boule 1 est
8/9 pour chaque tirage.
8
La probabilité de ne pas obtenir la boule numéro 1 après les 4 tirages est : p1 = ( )4 =
9
0,6243
p2 = 1 – p1 = 1 – 0,6243 = 0,3757
8
c) La probabilité de ne pas obtenir la boule 1 après n tirages est : p = ( )n
9
8 8
On cherche n tel que : 1 - ( ) n = 0,75 => ( ) n = 0,25
9 9
8 n
=> log (
) = log(0,25) => n log(8/9) = log(0,25)
9
log(0,25)
n= = 11,77
log(8 / 9)
La probabilité pour que deux personnes au moins, parmi 5 personnes choisies au hasard,
soient nées le même jour de la semaine, est égale au complément de la probabilité pour que les
5 personnes soient nées dans des jours différents.
La première personne peut être née n’importe quel jour de la semaine, soit une probabilité
7
de . La deuxième personne peut être née n’importe quel jour des 6 jours restants, soit une
7
6
probabilité de . Même principe pour les autres personnes dont les probabilités respectives
7
5 4 3
sont ; et .
7 7 7
25
Probabilités. 10. Probabilités
7 6 5 4 3
La probabilité recherchée est donc : p =1− x x x x = 85 %
7 7 7 7 7
Il y a donc 85 % de chances pour que deux personnes au moins, parmi 5 personnes choisies
au hasard, soient nées le même jour de la semaine.
26
Probabilités 2. Variable aléatoire
CHAPITRE 2
VARIABLE ALEATOIRE
2.1. DEFINITIONS.
Une variable aléatoire X est une variable associée à une expérience ou à un groupe
d'expériences aléatoires et servant à caractériser le résultat de cette expérience ou de ce groupe
d'expériences.
On distingue les variables aléatoires qualitatives et les variables quantitatives qui peuvent
être soit discontinues ou discrètes soit continues.
Une variable aléatoire est qualitative si elle est exprimée de façon non chiffrée.
Exemple : Soit X la variable aléatoire qui caractérise le résultat de l'expérience aléatoire "jet
d'une pièce de monnaie". X est une variable aléatoire qualitative, elle ne peut prendre que les
valeurs pile ou face.
Pour pouvoir éviter de travailler sur des valeurs 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.
Par conséquent nous pouvons toujours considérer que nous n’avons que des variables
aléatoires quantitatives.
Une variable aléatoire est quantitative (discontinue ou continue) si elle est exprimée de
façon chiffrée. La variable ne peut prendre que des valeurs entières, si elle est discontinue ou
des valeurs réelles, appartenant à un intervalle, si elle est continue..
Exemples :
- Soit X la variable aléatoire qui caractérise le résultat de l'expérience aléatoire "jet d'un dé
homogène". X est une variable aléatoire quantitative discrète, elle peut prendre les valeurs
entières 1, 2, 3, 4, 5, et 6.
27
Probabilités 2. Variable aléatoire
- Soit X la variable aléatoire qui caractérise le nombre de garçons dans une famille de
quatre enfants. X est une variable aléatoire quantitative discrète, elle peut prendre les valeurs
entières : 0, 1, 2, 3, et 4.
- Soit X la variable aléatoire qui caractérise le poids d’une personne choisie dans un groupe.
X est une variable aléatoire continue, elle peut prendre toutes les valeurs possibles pour le
poids d’une personne.
- Soit X la variable aléatoire qui caractérise la taille d’une personne choisie dans un groupe.
X est une variable aléatoire continue, elle peut prendre toutes les valeurs possibles pour le
poids d’une personne.
p(k) = p(X = k)
L'ensemble des valeurs admissibles k et des probabilités correspondantes p(k) constitue une
distribution de probabilité discontinue. La relation entre k et p(k) est appelée loi de probabilité.
Pour toutes les distributions de probabilités dont les valeurs k correspondent à des
événements complémentaires, le total des probabilités est égal à 1.
k =m
∑ p( k ) = 1
k =0
0 ≤ F(x) ≤ 1
La fonction f(x), dérivée de la fonction de répartition F(x), est appelée fonction de densité
de probabilité. Elle doit satisfaire la relation suivante :
28
Probabilités 2. Variable aléatoire
+∞
∫ −∞
f ( x ) dx = 1
x
La fonction de répartition F(x) est définie par : F( x ) = ∫ −∞
f ( t ) dt
La fonction de répartition F(x) permet de déterminer la probabilité pour que X soit compris
dans un intervalle [a , b]
P(a ≤ X ≤ b) = F(b) - F(a)
Dans de nombreux cas, les résultats des expériences aléatoires peuvent être caractérisés
par deux variables aléatoires X et Y. On parle alors de couple de variables aléatoires (X , Y).
Ces deux variables peuvent être toutes les deux discrètes, ou toutes les deux continues ou l'une
discontinue et l'autre continue.
Dans le cas d'un couple de variables aléatoires quantitatives discontinues (X , Y), les
valeurs respectives de x pour X et de y pour Y sont des valeurs entières.
L'ensemble des valeurs admissibles (x,y) et des probabilités correspondantes p(x,y) forme
une distribution de probabilité discontinue à deux variables.
Probabilités conjointes :
La probabilité p(xi , yj) est dite probabilité conjointe, s’il s’agit de la probabilité d'obtenir,
en même temps, la valeur x pour X et la valeur y pour Yj.
Probabilités marginales :
La probabilité p(xi) est dite probabilité marginale de X, s’il s’agit de la probabilité d'obtenir
la valeur xi quelque soit la valeur de Y.
29
Probabilités 2. Variable aléatoire
p
∑ p ( x i , y j ) = p( x i )
j=1
p(yj) est dite probabilité marginale de Y. C'est la probabilité d'obtenir la valeur yj quelque
soit la valeur de X.
k
∑ p( x i , y j ) = p( y j )
i =1
k p k p
∑ ∑ p ( x i , y j ) = ∑ p( x i ) = ∑ p ( y j ) = 1
i =1 j=1 i =1 j=1
Un couple de variables aléatoires est continu si les deux variables X et Y sont continues,
elles peuvent prendre n'importe quelle valeur réelle appartenant à un intervalle donné.
p(X = x et Y = y) = p( x , y) ≈ 0
La notion de distribution de probabilité n'a donc plus de sens dans le cas continu. Par
contre la fonction de répartition conserve toute sa signification.
+∞ +∞
∫ ∫
−∞ −∞
f ( x , y) dx dy = 1
30
Probabilités 2. Variable aléatoire
Cas discret : E ( X ) = ∑ x × p( x )
+∞
Cas continu : E(X) = ∫ −∞
x f ( x ) dx
Propriétés :
31
Probabilités 2. Variable aléatoire
La variance est calculée à partir de la formule développée suivante : V(X) = E(X²) - E(X)²
Propriétés :
Toute variable aléatoire peut être transformée en une variable centrée réduite par le
X − E(X)
changement de variable : X’ =
σ
2.4.3. Covariance d'un couple de variables aléatoires.
Propriétés :
32
Probabilités 2. Variable aléatoire
COV(X , Y) = 0
Quelque soit la variable aléatoire X, la probabilité d'un intervalle [E(X) - kσ , E(X) + kσ] a
1
pour borne inférieure 1−
k²
L'inégalité de Bienaymé Tchebychev s’écrit :
1
p[E (X) − kσ ≤ X ≤ E (X) + kσ] ≥ 1 −
k²
2.6. ENONCES DES EXERCICES D’APPLICATION.
2.6.2. Pour vendre un article, un producteur décide de lancer une campagne publicitaire par
insertion de photos dans des journaux spécialisés. Le nombre d'articles vendus après une
parution est une variable aléatoire dont la loi de probabilité est la suivante :
Le producteur fait 50 parutions indépendamment les unes des autres. Soit X le nombre
d'articles vendus grâce à cette publicité. Calculer l'espérance et la variance de X.
2.6.3. Quatre étudiants dont aucun n'a étudié les sujets du cours passent un examen en deux
questions. La question 1 a 4 réponses indiquées dont une seule est juste. La question 2 en a 5,
dont une seule est juste.
Soit la variable aléatoire X qui désigne le nombre d'étudiants qui ont au moins une réponse
correcte.
33
Probabilités 2. Variable aléatoire
a) Quelle est l'espérance et la variance du nombre d'étudiant qui ont au moins une réponse
correcte ?
b) Calculer la probabilité que 2 étudiants au moins aient au moins une réponse correcte.
2.6.4. Dans un groupe de 10 ménages, le revenu annuel est distribué comme indiqué dans le
tableau ci-dessous : (les unités sont les mêmes pour mari et femme)
Ménage 1 2 3 4 5 6 7 8 9 10
Revenu du mari 10 15 15 10 10 15 20 15 20 20
Revenu de la femme 5 15 10 10 10 5 10 10 15 10
2.6.6. Pour une demande aléatoire X de denrées périssables, un grossiste commande y tonnes
de denrées chaque jour. La loi de probabilité de X est la suivante :
Demande en
0 1 2 3 4 5 6
tonnes : x
probabilités 0,02 0,15 0,25 0,30 0,15 0,10 0,03
1) On demande de
a) Calculer la probabilité que le grossiste vende moins de 3 tonnes de denrées dans la
journée.
b) Calculer le nombre moyen de tonnes vendues chaque jour.
c) Calculer l'écart type.
2) Le grossiste gagne 5000 dh par tonne vendue et perd 2000 dh par tonne non vendue. Soit
la variable aléatoire G dont les valeurs sont égales au gain pour une commande y.
34
Probabilités 2. Variable aléatoire
2.6.7. Deux comprimés sont choisis au hasard dans un flacon contenant 3 aspirines, 2
somnifères et 4 vitamines. Si X et Y représentent respectivement le nombre d'aspirines et le
nombre de somnifères obtenus, déterminer la loi de probabilité du couple (X, Y).
2.6.8. Déterminer la loi de probabilité de la variable aléatoire, nombre de garçons d'une famille
de 4 enfants.
2.6.9. Le nombre de gâteaux qu'un pâtissier peut vendre en un jour quelconque est une variable
aléatoire ayant la distribution de probabilité suivante :
x 0 1 2 3 4 5
P(x) 1/6 1/6 1/6 1/6 1/6 1/6
Ce pâtissier sait qu'il y a un profit de 10 dh pour chaque gâteau vendu et une perte de 4 dh
pour chaque gâteau non vendu.
En supposant que chaque gâteau ne peut être vendu que le jour où il a été préparé :
a) Quel est le profit auquel doit s'attendre le pâtissier, le jour où il a préparé 5 gâteaux ?
b) Que serait ce profit attendu si le pâtissier avait préparé 3 gâteaux uniquement ?
2.6.11. Soit la variable aléatoire continue définie par la fonction de répartition suivante :
F(x) = k x² si 0 ≤ x ≤ 4
a) Déterminer la valeur de k .
b) Déterminer l'espérance mathématique et l'écart type de X.
c) Calculer la probabilité : p(1 ≤ x ≤ 3).
35
Probabilités 2. Variable aléatoire
2.6.12. Soit X une variable aléatoire représentant le nombre d'heures de vie d'une ampoule
électrique. Supposons que X soit distribué avec la fonction de densité de probabilité suivante :
x
1 − 1000
f(x) = e pour x > 0
1000
Trouver la durée de vie attendue d'une telle ampoule.
f ( x) = ax + bx ² si 0 ≤ x ≤ 1
a) Déterminer a et b pour que X soit une variable aléatoire dont l'espérance mathématique
2
est égale à .
3
b) Calculer l'écart type de X.
0 si x≤0
F( x ) = x si 0 < x ≤ 1
1 si x >1
a) Donner la probabilité pour que X soit dans l’intervalle [0-0,5].
b) Donner la fonction de densité de probabilité de X.
c) Donner la moyenne et l’écart type de X.
2.6.15. Deux urnes contiennent chacune 3 boules numérotées 1, 2, 3. on tire une boule de
chacune des deux urnes. Soit P la variable aléatoire égale au produit des deux numéros portés
sur les deux boules tirées.
a) Déterminer la distribution de probabilité de P.
b) Calculer l’espérance mathématique de P.
c) Calculer la probabilité pour que le produit P soit supérieur ou égal à 2.
36
Probabilités 2. Variable aléatoire
a) Le choix de 3 personnes peut être fait, pour avoir un employé de chaque catégorie, de
plusieurs façons :
Les dénominateurs sont, successivement, 30, 29 et 28 car nous faisons des tirages sans
remise.
b) X est une variable aléatoire discrète, pour en déterminer la loi de probabilité, il faut
calculer p(X=0), p(X=1), p(X=2) et p(X=3)
37
Probabilités 2. Variable aléatoire
b4) Calcul de p(X=3) : On n’a 3 fois I que d’une seule façon (I, I et I)
X P(x)
0 0,6404
1 0,3202
2 0,0384
3 0,0010
Total 1
Soit Xi la variable aléatoire qui désigne le nombre d’articles vendus après une parution i. Sa
distribution de probabilité est :
38
Probabilités 2. Variable aléatoire
Xi P(xi)
0 0,525
100 0,350
200 0,125
Total 1
X, le nombre d'articles vendus après 50 parutions est égal à la somme des articles vendus
après chaque parution.
50
X= ∑ Xi
i =1
50
E(X) = ∑ E(X i ) = 50 x 60 = 3000 articles
i =1
50
V(X) = ∑ V(X i ) = 50 x 4900 = 245000
i =1
La variable aléatoire X qui désigne le nombre d'étudiants qui ont au moins une réponse
correcte peut prendre les valeurs 0 ; 1 ; 2 ; 3 ; et 4.
La probabilité, p, qu’un étudiant ait au moins une réponse correcte est égale au
complément de la probabilité, q, que les deux réponses soient fausses.
p = 1 – 3/5 = 2/5
−
Désignons par A, étudiant ayant au moins une réponse correcte et par A , étudiant ayant les
deux réponses fausses.
−
p(A) = p = 2/5 et p( A ) = q 3/5
− − − − 3 3 3 3
p(X = 0) = p( A et A et A et A ) = x x x = 0,1296
5 5 5 5
− − − − − − − − − −
p(X = 1) = p(A et A et A et A ) + p( A et A et A et A )+ p( A et A et A et A )+ p( A et
− −
A et A et A)
2 3 3 3
p(X = 1) = ( x x x ) x 4 = 0,3456
5 5 5 5
− − − − − − −
p(X = 2) = p(A et A et A et A ) + p(A et A et A et A ) + p(A et A et A et A)+ p( A et A
− − − − −
et A et A )+ p( A et A et A et A) + p( A et A et A et A)
2 2 3 3
p(X = 2) = ( x x x ) x 6 = 0,3456
5 5 5 5
− − − −
p(X = 3) = p(A et A et A et A ) + p(A et A et A et A)+ p(A et A et A etA)+ p( A et Aet
Aet A)
2 2 2 3
p(X = 3) = ( x x x ) x 4 = 0,1536
5 5 5 5
2 2 2 2
p(X = 4) = p(A et A et A et A) = ( x x x ) = 0,0256
5 5 5 5
La distribution de probabilités de X est donc :
X P(x)
0 0,1296
1 0,3456
2 0,3456
3 0,1536
4 0,0256
Total 1
b) Calcul de la probabilité que 2 étudiants au moins aient au moins une réponse correcte.
Ménage 1 2 3 4 5 6 7 8 9 10
Revenu du mari 10 15 15 10 10 15 20 15 20 20
Revenu de la femme 5 15 10 10 10 5 10 10 15 10
p(x ; y) est le rapport du nombre de couples dont le revenu du mari est égal à x et celui de la
femme est égal à y au nombre total de couples.
Y 5 10 15 P(x)
X
10 1/10 2/10 0 3/10
15 1/10 2/10 1/10 4/10
20 0 2/10 1/10 3/10
P(y) 2/10 6/10 2/10 1
Y 5 10 15
X
10 15 ;10 20 ; 14 25 ; 18
15 20 ; 13 25 ; 17 30 : 21
20 25 ; 16 30 ; 20 35 ; 24
S 15 20 25 30 35 P(w)
W
10 1/9 0 0 0 0 1/9
13 0 1/9 0 0 0 1/9
14 0 1/9 0 0 0 1/9
16 0 0 1/9 0 0 1/9
17 0 0 1/9 0 0 1/9
18 0 0 1/9 0 0 1/9
20 0 0 0 1/9 0 1/9
21 0 0 0 1/9 0 1/9
24 0 0 0 0 1/9 1/9
P(s) 1/9 2/9 3/9 2/9 1/9 1
Si l’ascenseur se trouve au 1er étage, on doit attendre 5 secondes, s’il est au 2ème étage, on
doit attendre 10 secondes, et ainsi de suite, s’il se trouve au 8ème étage, on doit attendre 40
secondes.
42
Probabilités 2. Variable aléatoire
La probabilité de se trouver à n’importe quel étage est 1/8. Le temps d’attente X est donc
une variable aléatoire dont la loi de probabilité est :
X P(x)
5 1/8
10 1/8
15 1/8
20 1/8
25 1/8
30 1/8
35 1/8
40 1/8
Total 1
Demande en
0 1 2 3 4 5 6
tonnes : x
probabilités 0,02 0,15 0,25 0,30 0,15 0,10 0,03
43
Probabilités 2. Variable aléatoire
E(X²) = ∑ x ² p( x ) = 0²x 0,02 + 1²x 0,15 + 2²x 0,25 + 3²x 0,30 + 4²x 0,15 + 5²x 0,10 + 6²x
0,03
E(X²) = 9,83
V(X) = 9,83 – 2,83² = 1,8211
L’écart type σ = 1,8211 = 1,35 tonnes
2) Le grossiste gagne 5000 dh par tonne vendue et perd 2000 dh par tonne non vendue. Soit
la variable aléatoire G dont les valeurs sont égales au gain pour une commande y.
Pour y = 1
X 0 1
G -2000 5000
probabilités 0,02 0,98
X 0 1 2
G -4000 3000 10000
probabilités 0,02 0,15 0,83
X 0 1 2 3
G -6000 1000 8000 15000
probabilités 0,02 0,15 0,25 0,58
44
Probabilités 2. Variable aléatoire
E(G) = ∑ gp(g) = -6000 x 0,02 + 1000 x 0,15 + 8000 x 0,25 + 15000 x 0,58 = 10730 dh
Pour y = 4
X 0 1 2 3 4
G -8000 -1000 6000 13000 20000
probabilités 0,02 0,15 0,25 0,30 0,28
Pour y = 5
X 0 1 2 3 4 5
G -10000 -3000 4000 11000 18000 25000
probabilités 0,02 0,15 0,25 0,30 0,15 0,13
E(G) = ∑ gp(g)
E(G) = -10000x0,02 + -3000x0,15 + 4000x0,25 + 11000x0,30 + 18000x0,15 + 25000x0,13
E(G) = 9600 dh
Pour y = 6
X 0 1 2 3 4 5 6
G -12000 -5000 2000 9000 16000 23000 30000
P(g) 0,02 0,15 0,25 0,30 0,15 0,10 0,03
E(G) = ∑ gp(g)
= -12000 x 0,02 + -5000 x 0,15 + 2000 x 0,25 + 9000 x 0,30 + 16000 x 0,15 + 23000 x 0,13
+ 30000 x 0,03
E(G) = 7810 dh
Y 0 1 2 p(x)
X
0 0,1667 0,2222 0,0278 0,4167
1 0,3333 0,1667 0 0,5
2 0,0833 0 0 0,0833
p(y) 0,5833 0,3889 0,0278 1
Soit X la variable aléatoire qui désigne le nombre de garçons d'une famille de 4 enfants.
Une famille de 4 enfants peut avoir 0 garçon (X=0), 1 garçon (X=1), 2 garçons (X=2), 3
garçons (X=3) ou 4 garçons (X=4)
46
Probabilités 2. Variable aléatoire
X P(x)
0 1/16
1 4/16
2 6/16
3 4/16
4 1/16
Total 1
X 0 1 2 3 4 5
P(x) 1/6 1/6 1/6 1/6 1/6 1/6
Ce pâtissier sait qu'il y a un profit de 10 dh pour chaque gâteau vendu et une perte de 4 dh
pour chaque gâteau non vendu.
Soit la variable aléatoire Y qui désigne le profit. Si le pâtissier a préparé 5 gâteaux, le profit
est donné par :
Y = 10 x X – 4 x (5 – X)
47
Probabilités 2. Variable aléatoire
X 0 1 2 3 4 5
Y -20 -6 8 22 36 50
P(y) 1/6 1/6 1/6 1/6 1/6 1/6
Soit la variable aléatoire Y qui désigne le profit. Si le pâtissier a préparé 3 gâteaux, le profit
est donné par :
Y = 10 x X – 4 x (3 – X)
X 0 1 2 3
Y -12 2 16 30
P(y) 1/6 1/6 1/6 3/6
0 si x < 0
F( x ) = - k x
1 - e si x ≥ 0
5
k=
6
a) Probabilité pour qu'une communication dure plus de 3 minutes.
5
− ×3
6
p(X > 3) = 1 – p(X ≤ 3) = 1 – F(3) = 1 – (1 - e ) = 0,0821
c) Calcul de k.
−3 k
Ce qui donne e = 0,1
Soit -3k = Log(0,1) = -2,3
Soit k = 0,77
F( x ) = kx 2 si 0 ≤ x ≤ 4
a) Calcul de la valeur de k.
1 2 1 x
f(x) = F'(x) = ( x )' = 2 x x.=
16 16 8
x
si 0 ≤ x ≤ 4
f(x) = 8
0 sinon
- Calcul de E(X) :
+∞
E(X) = ∫ −∞
x f ( x ) dx
0 4 x +∞
E(X) = ∫ −∞
x . 0 dx + ∫ x .
0 8
dx + ∫ 4
x . 0 dx
4 x2
E(X) = 0 + ∫ 0 8 dx + 0
4
x3 43 8
E(X) = = −0=
24 0 24 3
49
Probabilités 2. Variable aléatoire
x3
4
E(X 2 ) = ∫ 0 8 dx
4
x4
E(X ) = − 0 = 8
2
32 0
8 8
V(X) = E(X 2 ) − E(X) 2 = 8 − ( ) 2 =
3 9
L’écart type de x est :
8
σ = V(X) = = 0,94
9
c) Calcul de P (1 ≤ x ≤ 3)
1 1 1
P (1 ≤ x ≤ 3) = F(3) − F(1) = x 32 − x 12 =
16 16 2
2.7.12. Solution de l’exercice 2.6.12.
x
1 −
f (x) = e 1000 pour x > 0
1000
x x
+∞ +∞ 1 − 1 +∞ −
E(X) = ∫ x . f ( x ) dx = ∫ x. e 1000 dx = ∫ x .e 1000
dx Calculon
−∞ 0 1000 1000 0
On pose : f (x ) = x ⇒ f ' (x ) = 1
x x
− −
g' ( x ) = e 1000
⇒ g ( x ) = − 1000 e 1000
50
Probabilités 2. Variable aléatoire
x
+∞ − +∞
∫ 0
xe 1000
dx = ∫ 0
f ( x ) g ' ( x ) dx
+∞
−
x
+∞ −
x
= − 1000 x e − ∫ 0 1 x (−1000) x e
1000 1000
dx
0
+∞
+∞ −
x
−
x
= 0 + 1000 ∫ e 1000
dx = 1000 x (−1000) e 1000
0
0
= − 1000 2 (0 − 1) = 1000 2
1
E(X) = x 1000 2 = 1000 heures
1000
La durée de vie attendue d’une ampoule est 1000 heures.
f ( x ) = ax + bx 2 si 0 ≤ x ≤ 1
f(x) est une fonction de densité de probabilité, elle remplit donc la condition :
1
+∞ 1 x2 x3
∫ −∞ f (x ) dx = 1 ⇔ ∫ 0 (ax + bx ) dx = 1 ⇔ a 2 + b 3 = 1
2
a b 6 − 3a 3
⇔ + = 1 ⇔ 3a + 2b = 6 ⇔ b = =3− a
2 3 2 2
2
On a d’après les données : E ( x ) =
3
+∞ 2 1 2
∫ −∞ x (fx) dx = 3 ⇔ ∫ 0 x (ax + bx ) dx = 3
2
1
1 2 ax 3 x 2
∫0 + = ⇔ + b 4 =
2 3
( ax bx ) dx
3 3 4 0 3
51
Probabilités 2. Variable aléatoire
a b 2
+ = ⇔ 4a + 3b = 8
3 4 3
3 9 a
4a + 3(3 − a ) = 8 ⇔ 4a + 9 − a = 8 ⇔ − = − 1
2 2 2
3
a = 2 et b = 3 − x 2 = 0
2
f ( x ) = 2 x si 0 ≤ x ≤ 1
0 si x≤0
F( x ) = x si 0 < x ≤ 1
1 si x >1
a) Calcul de P (0 ≤ x ≤ 0,5)
f ( x ) = F' ( x )
1 si 0 < x ≤ 1
f (x ) =
0 sin on
52
Probabilités 2. Variable aléatoire
a) Loi de probabilité de P.
Désignons par X et Y les numéros portés sur les boules tirés. Le tableau croisé suivant
présente tous les cas possibles.
X 1 2 3
Y
1 1 2 3
2 2 4 6
3 3 6 9
Loi de probabilité de P
P 1 2 3 4 6 9 Total
Proba 1/9 2/9 2/9 1/9 2/9 1/9 1
53
Probabilités 3. Analyse combinatoire et calcul de probabilités
CHAPITRE 3
ANALYSE COMBINATOIRE
ET CALCUL DES PROBABILITES
3.1. PERMUTATIONS.
Une permutation est une disposition ordonnée. Le nombre de permutations que l’on peut
faire avec n éléments est :
Pn = n ! = n × (n-1) × (n-2) × … × 2 × 1
Exemple : Le nombre de permutations que l’on peut faire avec trois éléments a, b, c est :
P3 = 3 ! = 3 × 2 × 1 = 6
3.2. ARRANGEMENTS.
C’est le nombre d’arrangements que l’on peut faire avec p éléments choisis parmi n
éléments, chacun d’eux ne peut figurer qu’une seule fois dans le même arrangement.
Le nombre d’arrangements sans répétitions est :
54
Probabilités 3. Analyse combinatoire et calcul de probabilités
n!
An = (n − p)!
p
Exemple : Le nombre d’arrangements sans répétitions que l’on peut faire avec deux éléments
choisis parmi trois éléments a, b, c est :
3! 3 × 2 ×1
A3 = (3 − 2)! = =6
2
C’est le nombre d’arrangements que l’on peut faire avec p éléments choisis parmi n
éléments, chacun d’eux peut figurer plusieurs fois dans le même arrangement.
Exemple : Le nombre d’arrangements avec répétitions que l’on peut faire avec deux éléments
choisis parmi trois éléments a, b, c est : 32 = 9
Ces 9 arrangements sont : (a,a), (a,b), (b,a), (a,c), (c,a), (b,b), (b,c), (c,b) et (c,c).
3.3. COMBINAISONS.
Une combinaison de p éléments choisis parmi n éléments est une disposition non ordonnée
de p de ces n éléments. On distingue les combinaisons avec répétitions et les combinaisons
sans répétitions.
C’est le nombre de combinaisons que l’on peut faire avec p éléments choisis parmi n
éléments, chacun d’eux ne peut figurer qu’une seule fois dans la même combinaison.
n!
Cn =
p
Le nombre de combinaisons sans répétitions est :
p! × (n − p)!
Exemple : Le nombre de combinaisons sans répétitions que l’on peut faire avec deux éléments
3!
C3 = =3
2
choisis parmi trois éléments a, b, c est :
2! × 1!
Ces 3 combinaisons sont : (a,b), (a,c), et (b,c).
55
Probabilités 3. Analyse combinatoire et calcul de probabilités
C’est le nombre de combinaisons que l’on peut faire avec p éléments choisis parmi n
éléments, chacun d’eux peut figurer plusieurs fois dans la même combinaison.
p! × (n − 1)!
Exemple : Le nombre de combinaisons avec répétitions que l’on peut faire avec deux éléments
4!
K3 = C3+ 2−1 = C4 = 2! × 2! = 6
2 2 2
choisis parmi trois éléments a, b, c est :
Ces 6 combinaisons sont : (a,a), (a, b), (a,c), (b,b), (b,c), et (c,c).
3.4.1. Six verres de couleurs différentes : vert, bleu, rouge, jaune, orange et gris, sont placés sur
une étagère. Quelle est la probabilité pour que ces verres soient dans l’ordre suivant : bleu,
rouge, vert, gris, orange et jaune ?
3.4.2. On considère un jeu de loto dans lequel on doit choisir une combinaison de 6 nombres
différents parmi 24 nombres différents. Quelles sont les probabilités de choisir :
a) la combinaison : 2 ; 7 ; 12 ; 9 ; 21 et 24 ?
b) l’arrangement : 2 ; 23 ; 17 ; 9 ; 4 et 15 ?
3.4.3. On forme un nombre de 4 chiffres choisis de façon aléatoire parmi les 10 chiffres 0, 1, 2,
…, 9. Quelle est la probabilité d’avoir un nombre tel que :
a) les chiffres peuvent se répéter autant de fois que possible et le nombre est divisible par 5.
b) les chiffres ne peuvent se répéter et le nombre est pair.
c) les chiffres ne peuvent pas se répéter et le nombre ne contient que des chiffres impairs.
3.4.4. Quatre hommes et trois femmes se présentent à un guichet bancaire. Si l’ordre de servir
ces personnes est aléatoire, quelle est la probabilité pour que :
a) les femmes soient servies en premier ?
b) les hommes et les femmes soient servis alternativement ?
3.4.5. On écrit un mot de 7 lettres sans répétition à l’aide d’un alphabet de 26 lettres ; quelle est
la probabilité pour que ce mot soit « probant » ? Les mots n'ont pas nécessairement un sens.
3.4.6. Un championnat sportif groupe 20 équipes. Chaque match oppose deux équipes. Chaque
équipe doit, pendant la saison, rencontrer chacune des 19 autres équipes, une fois sur son
propre terrain et une autre fois sur le terrain de l'adversaire.
Combien de rencontres faut-il organiser au total ?
56
Probabilités 3. Analyse combinatoire et calcul de probabilités
3.4.7. Quatre hommes (A, B, C et D) et trois femmes (E, F et G) vont s'asseoir sur un banc de 7
places.
a) Quelle est la probabilité pour que ces personnes s’assoient selon l’ordre « A, F, G, C, B,
D, E)?
b) Quelle est la probabilité pour que ces personnes s’assoient selon l’ordre « 2 femmes, 2
hommes, 1 femme et 2 hommes) ?
3.4.8. On désire ranger, sur une étagère, quatre livres de mathématiques, six livres de
statistiques et trois livres de gestion.
a) Quelle est la probabilité pour que les livres soient groupés par spécialité ?
b) Quelle est la probabilité pour que les livres de gestion seulement soient groupés
ensemble ?
3.4.11. On forme un comité de 5 membres choisis au hasard parmi 8 personnes dont 3 femmes
et 5 hommes.
Calculer la probabilité pour que
a) les trois femmes soient choisies ?
b) l'une des femmes, au moins, soit choisie ?
c) aucune femme ne soit choisie ?
3.4.12. Une course réunissant 15 chevaux est organisée au cours d'une fête. Le public est invité
à donner le tiercé gagnant (numéros des trois premiers chevaux).
Pour une personne qui parierait tout à fait au hasard, quelle est la probabilité qu’elle donne
le résultat exact :
a) dans l'ordre (numéros des trois premiers chevaux classés dans l'ordre exact de leurs
arrivées) ?
b) dans le désordre (numéros des trois premiers chevaux classés dans un ordre différent) ?
57
Probabilités 3. Analyse combinatoire et calcul de probabilités
3.4.13. On considère deux dés dont les faces sont numérotées de 1 à 6, on jette ces deux dés et
on désigne par x et y les numéros des faces des deux dés.
On pose z = x + y
a) Quelles sont les probabilités pour que z = 5 ?
b) Quelles sont les probabilités pour que z = 3 ?
c) Déterminer la loi de probabilité de z
d) Calculer alors p(4 < z < 8)
3.4.14. On considère trois dés dont les faces sont numérotées de 1 à 6, on jette ces 3 dés et on
désigne par x, y et z les numéros des faces des trois dés.
On pose t = x + y + z
Quelles sont les probabilités pour que :
a) t = 6 ?
b) t = 3 ?
c) t = 18 ?
3.4.15. On jette deux fois une pièce de monnaie, on affecte la valeur 1 à face et la valeur 0 à
pile, on désigne par x et y les valeurs du résultat du 1er et 2ème jet.
On pose z = x + y
a) Quelles sont les probabilités pour que z = 2 ?
b) Quelles sont les probabilités pour que z = 1 ?
c) Déterminer la loi de probabilité de z
d) Calculer alors p(0 < z ≤ 2)
3.4.17. On considère un jeu de 32 cartes pour jouer au Poker. Les 32 cartes sont réparties en 4
couleurs : trèfle, carreau, cœur et pique ; chaque couleur comporte 8 cartes de différentes
hauteurs : 7-8-9-10-Valet (V)-Dames (D)-Roi (R) et As (A).
Au Poker, une main se compose de 5 cartes et peut avoir les configurations (ou figures)
suivantes :
1 - 1P Une paire, soit 2 cartes de même hauteur, deux valets, deux 7, deux rois par
exemple ;
2 - 2P Deux paires, soit 2 fois 2 cartes de même hauteur ;
3 - Br Un Brelan, soit 3 cartes de même hauteur, trois dames, trois 8, trois valets par
exemple ;
4 - Cr Un carré, soit 4 cartes de même hauteur, 4 rois, quatre 9 par exemple ;
5 - Qt Une suite, soit 5 cartes qui se suivent sans avoir la même couleur ;
6 - Cl Une couleur, soit 5 cartes de même couleur ;
7 - Qf Une quinte floch, soit 5 cartes de même couleur qui se suivent ;
8 - Fl Un full, soit un brelan et une paire.
58
Probabilités 3. Analyse combinatoire et calcul de probabilités
Le classement de ces figures se fait par ordre inverse de la probabilité de les avoir, c’est-à-
dire que la force d’une figure F1 est inférieure à la force d’une figure F2 si la probabilité
d’avoir F1 est supérieure à la probabilité d’avoir F2.
a) Calculer les probabilités de chaque figure.
Il s’agit, par exemple, de calculer la probabilité d’avoir une main (5 cartes) avec une
paire et rien qu’une paire, une main avec un brelan et rien qu’un brelan, etc.
Calculer ces probabilités, chaque fois que possible, de deux façons différentes.
b) Classer les 8 figures par ordre croissant de force.
c) Calculer, de deux façons différentes, la probabilité d’une main qui ne comporte aucune
figure listée ci-dessus, c’est une main ou figure quelconque, Qc.
d) Classer une main quelconque parmi les 8 mains déjà classées à la question b.
3.4.18. Un jeu de toto foot consiste à prévoir les résultats de dix matchs de football en
inscrivant les prévisions sur une feuille réponse. Pour chaque match trois résultats sont
possibles : victoire d’une équipe, victoire de l’autre équipe, match nul. Combien de chances a-
t-on de gagner si on a joué, d’abord une feuille et puis 2 feuilles ?
Il y a une chance sur 5040 pour trouver les verres dans l’ordre indiqué.
6
Nombre de cas possibles = Nombre de combinaisons de 6 éléments parmi 24 = C24
59
Probabilités 3. Analyse combinatoire et calcul de probabilités
6! 6 ! x 6 !x 18 ! 6.5.4.3.2.1x 6.5.4.3.2.1
p= 6
= =
C24 24 ! 24.25.24.23.22.21.20.19
6.5.3.2.1 180
= = 0,535%
23.19.11.7 33649
b) Nombre de cas favorables = 1 seul arrangement puisque l’ordre des nombres est
important.
6
Nombre de cas possibles = Nombre de combinaisons de 6 éléments parmi 24 = C24
1 1! x 6 !x 18 ! 1x 6.5.4.3.2.1
p= 6
= =
C24 24 ! 24.25.24.23.22.21.20.19
1 1
= = 7,4 pour 1 million
23.19.11.7.4 134596
3.5.3. Solution de l’exercice 3.4.3.
Un nombre de 4 chiffres ne commence pas à gauche par un zéro. Ainsi pour calculer le
nombre de nombres possibles de 4 chiffres on calcule d’abord le nombre de nombres de 3
chiffres (à droite) qu’on multiplie par le nombre possible de chiffres à mettre à gauche (9
possibilités).
3! ×9! 3 .2 .1
Nombre de nombres possibles de 4 chiffres avec répétition
a) Pour que les nombres soient divisibles par 5 il faut et il suffit qu’ils soient terminés par 5
ou 0 ; le nombre de 4 chiffres ne commence pas à gauche par un zéro. Ainsi on calcule d’abord
le nombre de nombres de 2 chiffres (au milieu) qu’on multiplie par le nombre possible de
chiffres à mettre à gauche (9 possibilités) et par le nombre possible de chiffres à mettre à droite
(2 possibilités).
60
Probabilités 3. Analyse combinatoire et calcul de probabilités
11 ! 11.10
K10 = C11 = = = 55
2 2
2 ! × 9! 2 .1
b) Pour que le nombre soit pair il faut et il suffit qu’il se termine par 0, 2, 4, 6 ou 8.
Il faut donc calculer le nombre de nombres de 3 chiffres (à gauche) et compléter par les 5
possibilités de terminer ces nombres à droite par 0, 2, 4, 6 ou 8, il faut ensuite soustraire les cas
des nombres pairs avec le zéro à gauche.
9 !.5 8 !.4 9 .8 .7 .5 8 .7 .4
N(b) = C9
3
x 5 − C82 x 4 = − = − = 420 − 112 = 308
3! ×6! 2! ×6! 3 .2 .1 2 .1
p(b) = (308 / 1980) = 0,156
c) Les chiffres ne peuvent se répéter et le nombre ne contient que des chiffres impairs. Il
suffit de choisir 4 chiffres parmi les 5 chiffres impairs (1 ; 3 ; 5 ; 7 et 9).
5!
C5 = =5
4
N(c) = & p(c) = (5 / 1980) = 0,0025
4 ! × 1!
Le nombre de façons possibles de servir les 7 personnes, abstraction faite de leur sexe est :
b) Probabilité pour que les hommes et les femmes soient servis alternativement.
Si les personnes sont servies alternativement, le 1er à être servi doit être un homme ainsi
que le dernier puisqu’il y a 4 hommes et 3 femmes.
On choisit alors le 1er homme parmi 4, puis la 1ère femme parmi 3, puis le 2ème homme
parmi les 3 qui restent, ensuite la 2ème femme parmi les 2 qui restent, etc.
61
Probabilités 3. Analyse combinatoire et calcul de probabilités
1 1 1 1 1 1 1
N(b) = C4 x C3 x C3 x C2 x C2 x C1 x C1 = 4.3.3.2.2.1.1.= 144
Si l’on suppose que la 1ère équipe joue chez elle, le nombre cherché est le nombre
d’arrangement de 20 équipes 2 à 2.
20 !
A 20 = = 20.19 = 380 rencontres possibles
2
18 !
Il s’agit bien d’arrangements et non de combinaisons parce que l’ordre intervient dans la
mesure où l’équipe tirée la 1ère joue chez elle le 1er match.
Donc p = 1 / 7 ! = 1 / 5040
Il y a une chance sur 5040 pour trouver les personnes dans l’ordre indiqué.
62
Probabilités 3. Analyse combinatoire et calcul de probabilités
2 2 1 2
b) Nombre de cas favorables = C3 x C4 x C1 x C2 = 18
Les combinaisons C32 x C24 x C11 x C22 donnent les nombres de possibilités de choisir 2
femmes parmi 3, puis 2 hommes parmi 4, ensuite 1 femme parmi la femme qui reste et enfin 2
2 2 1 2
hommes parmi les 2 hommes qui restent. C3 x C4 x C1 x C2 = 18
Il y a une chance sur 280 pour trouver les personnes dans l’ordre indiqué.
Les permutations 4 !. 6 !. 3 ! donnent les nombres de possibilités de ranger les quatre livres
de mathématiques, six livres de statistiques et trois livres de gestion, ensuite la permutation 3 !
donne le nombre de possibilités de ranger les trois groupes de spécialités.
3 4
a) Nombre de cas favorables = C 5 x C8
Les combinaisons C35 x C84 donnent les nombres de possibilités de choisir 3 filles et 4
garçons de façon quelconque parmi 8.
7
Nombre de cas possibles = C13
7
La combinaison C13 donne le nombre de possibilités de choisir 7 personnes parmi 13.
5 !8 !.7 !.6 !
Donc p= = 175 / 429
3 !.4 !.2 !.4 !13 !
Il y a 175 chances sur 429 pour trouver les personnes dans un ordre quelconque, soit un peu
moins que 40,80%.
2 4
b) Nombre de cas favorables = C4 x C8 x1
Les combinaisons C24 x . C84 donnent les nombres de possibilités de choisir 2 filles et 4
garçons de façon quelconque parmi 8 et 1 représente le choix de la fille particulière.
7
Nombre de cas possibles = C13
7
La combinaison C13 donne le nombre de possibilités de choisir 7 personnes parmi 13.
Il y a 35 chances sur 141 pour trouver les personnes dans un ordre quelconque, soit un peu
plus que 24,47%
3 4
c) Nombre de cas favorables = C5 x C6
Les combinaisons C35 . C64 donnent les nombres de possibilités de choisir 3 filles parmi 5
et 4 garçons parmi 6 seulement puisqu’on décide d’écarter 2 garçons..
7
Nombre de cas possibles = C13
64
Probabilités 3. Analyse combinatoire et calcul de probabilités
7
La combinaison C13 donne le nombre de possibilités de choisir 7 personnes parmi 13.
Il y a 25 chances sur 282 pour trouver les personnes dans un ordre quelconque, soit un peu
plus que 8,74%
3 3
a) Nombre de cas favorables = C7 x C5
Les combinaisons C37 x C35 donnent les nombres de possibilités de choisir 3 consonnes
parmi 7 et 3 voyelles parmi 5 de façon quelconque.
6
Nombre de cas possibles = C12
6
La combinaison C12 donne le nombre de possibilités de choisir 6 lettres parmi 12.
7 !5 !.6 !.6 !
Donc p = = 50 / 132
3 !.4 !.3 !.2 !.12 !
Il y a 50 chances sur 132 pour constituer des mots de 3 consonnes différentes et 3 voyelles
différentes, soit un peu moins que 37,88 %.
4 2
b) Nombre de cas favorables = C7 x C5
Les combinaisons C74 x C52 donnent les nombres de possibilités de choisir 4 consonnes
parmi 7 et 2 voyelles parmi 5 de façon quelconque.
6
Nombre de cas possibles = C12
6
La combinaison C12 donne le nombre de possibilités de choisir 6 lettres parmi 12.
65
Probabilités 3. Analyse combinatoire et calcul de probabilités
7 !5 !.6 !.6 !
Donc p= = 50 / 132
3 !.4 !.3 !.2 !.12 !
Il y a 50 chances sur 132 pour constituer des mots de 4 consonnes différentes et 2 voyelles
différentes, soit un peu moins que 37,88 %
c) Pour ce faire on doit commencer les mots par une consonne et terminer par une
consonne.
5 2
Nombre de cas favorables = A7 x A5
7
Nombre de cas possibles = A12
7
A12 donne le nombre de possibilités d’arrangements de 7 lettres parmi 12.
7 !.5 !.7 !
Donc p = = 70 / 132
2 !.3 !.12 !
Il y a 70 chances sur 132 pour choisir des mots de 7 lettres avec consonnes et voyelles ordre
alternées, soit un peu plus que 53 %
3 2
a) Nombre de cas favorables = C3 x C5
Les combinaisons C33 x C52 donnent les nombres de possibilités de choisir 3 femmes parmi
3 et 2 hommes parmi 5 de façon quelconque.
5
Nombre de cas possibles = C8
5
La combinaison C8 donne le nombre de possibilités de choisir 5 personnes parmi 8.
66
Probabilités 3. Analyse combinatoire et calcul de probabilités
3 !5 !.5 !.3 !
Donc p= = 5 / 28
3 !.0 !.3 !.2 !.8 !
Il y a 5 chances sur 28 pour choisir 5 personnes pour que les 3 femmes soient choisies, soit
un peu moins que 17,86%
1 4 2 3 3 2
b) Nombre de cas favorables = C3 x C5 + C3 x C5 + C3 x C5
Les combinaisons C13 x C54 , C32 x C35 et C33 x C52 donnent les nombres de possibilités de
choisir au moins une femme parmi 3 (c'est-à-dire une, deux ou les trois) et le reste en hommes
parmi 5 de façon quelconque.
5
Nombre de cas possibles = C8
5
La combinaison C8 donne le nombre de possibilités de choisir 5 personnes parmi 8.
Donc
Il y a 98,21 % de chances de choisir 5 membres de façon qu’il y ait au moins une femme.
5
c) Nombre de cas favorables = C5 = 1
5
Les combinaisons C5 donnent les nombres de possibilités de choisir 5 hommes parmi 5 de
façons quelconques.
5
Nombre de cas possibles = C8
5
La combinaison C8 donne le nombre de possibilités de choisir 5 personnes parmi 8.
1.5 !.3 !
Donc p= = 1 / 56
8!
Il y a 1 chance sur 56 pour choisir 5 personnes de façon qu’il n’y ait aucune femme, soit un
peu moins que 1,79%
67
Probabilités 3. Analyse combinatoire et calcul de probabilités
Il n’y a qu’une seule possibilité de choix, c’est l’ordre dans lequel sont entrés les chevaux.
3
Nombre de cas possibles = A15
3
L’arrangement A15 donne le nombre de possibilités de choisir 3 chevaux parmi 15 en
tenant compte de l’ordre.
1 12 ! 1
Donc p = 3
= = = 1 / 2730
A15 15 ! 15.14.13
Il y a 1 chance sur 2730 pour choisir 3 chevaux dans l’ordre de leur entrée.
3
Nombre de cas possibles = A15
3
L’arrangement A15 donne le nombre de possibilités de choisir 3 chevaux parmi 15 en
tenant compte de l’ordre.
3! 3!.12 ! 3 .2 .1
Donc p = 3
= = = 1 / 455
A15 15 ! 15.14.13
Il y a 1 chance sur 455 pour choisir 3 chevaux parmi 15 dans un ordre quelconque par
rapport à l’ordre de leur arrivée.
68
Probabilités 3. Analyse combinatoire et calcul de probabilités
Les variables x et y sont des variables aléatoires discrètes équiprobables ; elles peuvent
prendre les valeurs de 1 à 6 avec 1 / 6 de chance pour chaque chiffre.
Pour avoir 5 comme résultat, les deux dés doivent marquer les combinaisons suivantes : (1 ;
4) ou (2 ; 3), or chacun des deux cas peut être sorti de 2 façons : (1 ; 4) ou (4 ; 1) et (2 ; 3) ou
(3 ; 2).
4
Donc p (z = 5) = =1/9
36
Il y a 1 chance sur 9 pour que le résultat d’un jet de 2 dés soit 5, soit un peu plus que
11,11%.
Pour avoir 3 comme résultat, les deux dés doivent marquer la combinaison suivante : (1 ;
2), qui peut être sorti de 2 façons : (1 ; 2) ou (2 ; 1).
2
Donc p(z = 3) = = 1 / 18
36
Il y a 1 chance sur 18 pour que le résultat d’un jet de 2 dés soit 3, soit un peu moins que
5,56%.
69
Probabilités 3. Analyse combinatoire et calcul de probabilités
Loi de probabilité de Z
Z p(z)
2 1 / 36
3 2 / 36
4 3 / 36
5 4 / 36
6 5 / 36
7 6 / 36
8 5 / 36
9 4 / 36
10 3 / 36
11 2 / 36
12 1 / 36
Total 1
Les variables x, y et z sont des variables aléatoires équiprobables ; elles peuvent prendre les
valeurs de 1 à 6 avec 1 / 6 de chance pour chaque chiffre.
Pour avoir 6 comme résultat, les trois dés doivent marquer les configurations suivantes :
(1 ;1 ;4), (2 ;2 ;2) ou (1 ;2 ;3) ; or chacun des trois cas peut être sorti de plusieurs façons :
70
Probabilités 3. Analyse combinatoire et calcul de probabilités
La configuration (1 ;1 ;4) peut être sortie de 3 façons qui sont : (1 ;1 ;4), (1 ;4 ;1) et
(4 ;1 ;1).
La configuration (2 ;2 ;2) ne peut être évidemment sortie que d’une seule façon.
La configuration (1 ;2 ;3) peut être sortie de 3 ! = 6 façons qui sont : (1 ;2 ;3), (1 ;3 ;2),
(2 ;3 ;1), (2 ;1 ;3), (3 ;1 ;2) et (3 ;2 ;1).
Il n’y a qu’une façon d’avoir 3 comme résultat c’est que les trois dés marquent (1 ;1 ;1).
Donc p = 1 / 216
Il y a 1 chance sur 216 pour que le résultat d’un jet de 3 dés soit 3, soit un peu plus que
0,46%.
Il n’y a qu’une façon d’avoir 18 comme résultat c’est que les trois dés marquent (6 ; 6 ; 6).
Il y a 1 chance sur 216 pour que le résultat d’un jet de 3 dés soit 18, soit un peu plus que
0,46%.
Les variables x et y sont des variables aléatoires discrètes, équiprobables ; elles peuvent
prendre les valeurs 1 ou 0 avec 1/2 de chance pour chaque chiffre.
Il n’y a qu’une seule façon d’avoir 2 comme résultat, c’est que les résultats des deux jets
soient faces.
Donc p = 1 / 4 = 25%
Il y a 25% de chance pour que le résultat des 2 jets soit face chaque fois.
Il y a 2 façons d’avoir 1 comme résultat, c’est que les résultats des deux jets soient : (1 ;0)
ou (0 ;1).
Donc p = 2 / 4 = 50%
Il y a 50% de chance pour que le résultat des 2 jets soit face, une seule fois.
Il y a 75% de chance pour que le résultat des 2 jets d’une pièce de monnaie soit strictement
supérieur à 0 et inférieur ou égal à 2.
10 10
a) Nombre de cas favorables = C40 x C20
72
Probabilités 3. Analyse combinatoire et calcul de probabilités
10 10
Les combinaisons C40 x C20 donnent les nombres de possibilités de sélectionner 10
postulants parmi les 40 du sud et les 10 autres parmi les 20 restants.
20
Nombre de cas possibles = C60
20
La combinaison C60 donne le nombre de possibilités de sélectionner 20 postulants parmi
60.
C10 10
40 C 20
Donc p= 20
= 0,0374
C60
Il y a 3,74 % de chances pour que 10 sélectionnés parmi les 20 soient du Sud.
Pour calculer les probabilités des différentes figures nous utiliserons la formule générale.
Le nombre de cas possibles est le nombre de façons de choisir 5 cartes parmi 32 soit :
32.31.30.29.28
C532 = = 32.31.29.7
5 .4 .3 .2 .
a) Calcul des probabilités de différentes figures
Pour ce calcul, il est préférable de commencer par les figures les plus remarquables.
a1) Probabilité de 2P
C82 C 24 C 24 C124 3.3.3.4 108
p ( 2P) = 5
= = = 0,120133
C32 31.29 31.29
73
Probabilités 3. Analyse combinatoire et calcul de probabilités
- D’abord choisir 2 hauteurs parmi 8 et après 2 fois 2 cartes parmi les 4 cartes de la même
hauteur (ce sont les 2 paires) ;
- Enfin choisir une 5ème carte parmi les 24 cartes restantes lorsqu’on aura écarté les 2 fois
4 cartes parmi lesquelles nous avons déjà choisi les 2 paires.
a2) Probabilité de Qf
C14 .4 1
p (Qf ) = 5 = = 0,000079
C 32 2.31.29.7
Pour avoir une Quinte floch, il faut :
C18 .C 44 .C128 1
a3) Probabilité de Cr : p (Cr ) = 5
= = 0,001112
C32 31.29
- D’abord choisir une hauteur parmi les 8 et après choisir 4 cartes parmi les 4 de même
hauteur (c’est le carré) ;
- Enfin choisir la 5ème carte parmi les 28 cartes restantes lorsqu’on aura écarté les 4 cartes
formant le carré.
- D’abord choisir une hauteur parmi 8 et après choisir 2 cartes parmi les 4 cartes de la
même hauteur (c’est la paire) ;
- Enfin choisir une autre hauteur par les 7 restantes et après choisir 3 cartes parmi les 4
cartes de la même hauteur (c’est le Brelan).
- D’abord choisir une hauteur parmi les 8 hauteurs existantes et après choisir 3 cartes
parmi les 4 cartes de la même hauteur (c’est le Brelan) ;
74
Probabilités 3. Analyse combinatoire et calcul de probabilités
Enfin choisir 2 hauteurs parmi les 7 hauteurs qui restent et après choisir de chacune des
2 hauteurs 1 carte parmi 4 (c’est les 2 singletons).
- D’abord choisir une hauteur parmi les 8 hauteurs existantes et après choisir 3 cartes
parmi les 4 cartes de la même hauteur (c’est le brelan) ;
- Ensuite choisir 2 cartes parmi les 28 autres cartes restantes une fois qu’on a retiré les 4
cartes parmi lesquelles on a choisi le brelan ;
- Enfin soustraire la probabilité d’un full car lors de la deuxième étape on n’a pas écarté
la possibilité d’avoir une paire dans le choix de 2 cartes parmi les 28.
75
Probabilités 3. Analyse combinatoire et calcul de probabilités
- D’abord choisir une hauteur parmi les 8 hauteurs existantes et après choisir 2 cartes
parmi les 4 cartes de la même hauteur (c’est la paire) ;
- Ensuite choisir 3 hauteurs différentes parmi les 7 autres hauteurs restantes et après
choisir 3 fois 1 carte parmi les 4 cartes des hauteurs choisies (c’est les 3 singletons).
- Enfin soustraire la probabilité d’une couleur car le mode opératoire choisi n’écarte pas
cette possibilité
- D’abord choisir une suite parmi les 8 hauteurs existantes et là il n’y a que 4 possibilités
qui sont ; 7-8-9-10-V, 8-9-10-V-D, 9-10-V-D-R-A ;
- Ensuite il faut choisir 5 couleurs parmi les 4 couleurs existantes avec possibilité de
répétition ;
- Enfin il faut retirer les 4 cas possibles pour que les 5 cartes ne soient pas toutes de la
même couleur.
p (1P) > p (2P) > p (Br) > p (Fl) > P (Cr) > p (Cl) = p (Qt) > p (Qf)
Une autre façon de calculer la probabilité d’avoir une main quelconque consiste à
P(Qc) = 1 – [p(1P) + p(2P) + p(Br) + p(Fl) + P(Cr) + p(Q) + p(Qt) + p(Qf)] = 0,283648
76
Probabilités 3. Analyse combinatoire et calcul de probabilités
(N.B. : Ce résultat est obtenu grâce à des calculs exacts des toutes les autres probabilités
déjà trouvées ).
En effet une main quelconque est la figure complémentaire de toutes les autres figures
réunies, lesquelles sont exclusives.
Remarquons que le fait de trouver chaque fois les mêmes résultats confirme la validité de
tous les calculs de cet exercice.
Il y a une chance sur 59049 pour gagner à ce jeu de toto foot si on joue une feuille.
Si l’on joue 2 feuilles, les 2 événements étant indépendants, on gagne si une des deux
feuilles, au moins, est gagnante :
Il y a évidemment 2 chances sur 59049 pour gagner à ce jeu de toto foot si on joue 2
feuilles.
77
Probabilités.
L
4. Lois de probabilité discrètes
CHAPITRE 4
LOIS DE PROBABILITE DISCRETES
Les lois théoriques essaient de décrire des phénomènes statistiques dans le but de calculer
la probabilité de certains événements et donc d'avoir une certaine représentation de l'avenir.
La loi de Bernoulli intervient dans le cas d'une seule expérience aléatoire à laquelle on
associe un événement aléatoire quelconque.
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.
x p(x)
0 q
1 P
Total 1
E(X) = ∑ xp( x ) = 0 × q + 1 × p = p
E(X²) = ∑ x ² p( x ) = 0² × q + 1² × p = p
78
Probabilités.
L
4. Lois de probabilité discrètes
Les probabilités p et q restent constantes au cours d'une suite d'expériences aléatoires. C'est
le cas des prélèvements d'individus au hasard dans une population infinie ou le prélèvement
d'individus dans une population finie, lorsque les individus sont remis en place au fur et à
mesure des prélèvements.
Une variable aléatoire X qui suit une loi binomiale de paramètres n et p, est notée par :
L(X) = B(n , p)
La loi polynomiale est une généralisation de la loi binomiale. Elle intervient dans le cas de
plusieurs expériences aléatoires identiques et indépendantes auxquelles on associe k
événements aléatoires complémentaires quelconques. Les probabilités de succès respectives
des k événements sont désignées par p1, p2, …, et pk.
k
Avec ∑ pi = 1
i =1
Les variables aléatoires X1, X2, …, Xk désignent respectivement les nombres de succès au
cours de n expériences aléatoires indépendantes pour chacun des k événements. Chaque
variable aléatoire Xi peut prendre les valeurs entières de 0 à n. Ces variables sont telles que :
79
Probabilités.
L
4. Lois de probabilité discrètes
k
∑ xi = n
i =1
La probabilité d'obtenir m1 succès pour l'événement 1, et m2 succès pour l'événement 2, …,
et mk succès pour l'événement k au cours de n expériences aléatoires indépendantes est :
n!
p( m1 , m 2 , K , m k ) =
m m m
p1 1 p 2 2 K p k k
m1!× m 2 !× K × m k !
La probabilité de succès varie d'une expérience aléatoire à l'autre. C'est le cas des
prélèvements d'individus au hasard dans une population finie, lorsque les individus ne sont pas
remis en place au fur et à mesure des prélèvements.
Désignons par N l'effectif total de la population dans laquelle on prélève au hasard et sans
remise n individus. La population est composée d'individus qui possèdent le caractère étudié, le
nombre de ces individus sera désigné par n1. n2 désigne le nombre d'individus de la population
qui ne possèdent pas le caractère étudié.
N = n1 + n2
p(k ) =
C C n1 n2
n
C N
Une variable aléatoire X qui suit une loi hypergéométrique de paramètres N, n1, et n est
notée par :
80
Probabilités.
L
4. Lois de probabilité discrètes
L(X) = H(N, n1 , n)
Désignons par N l'effectif total de la population dans laquelle on prélève au hasard et sans
remise n individus. La population est composée d'individus qui possèdent le 1er caractère
étudié, le nombre de ces individus sera désigné par n1. n2 désigne le nombre d'individus de la
population qui possèdent le 2ème caractère étudié, …, nk désigne le nombre d'individus de la
population qui possèdent le kème caractère étudié.
N = n1 + n2 + … + nk
Les variables aléatoires X1, X2, …, Xk désignent respectivement les nombres d'individus
prélevés qui possèdent le 1er caractère, le 2ème caractère, …, et le kème caractère. Chaque
variable aléatoire Xi peut prendre les valeurs entières de 0 à n. Ces variables sont telles que :
k
∑ xi = n
i =1
× Cn 2 × K × Cn k
m1 m m
p( m1 , m 2 , K , m k )=
C n1 2 k
n
C N
La loi de Poisson intervient pour des phénomènes statistiques dont le nombre de réalisation
varie de 0 à l'infini et dont la fréquence moyenne de réalisation est connue.
Exemple :
Une variable aléatoire X qui suit une loi de Poisson de paramètre m est notée par :
L(X) = P(m)
E(X) = V(X) = m
X1 + X2 + … + Xk = P(m1 + m2 + … + mk)
4.7.2. Des chambres à air sont produites en série et 5 % ont des défauts. Un garagiste en achète
10.
a) Quelle est la probabilité que les 10 soient en bon état ?
b) On suppose qu'il annule sa commande si plus de 2 articles ont des défauts. Quelle est la
probabilité qu'il annule sa commande ?
4.7.3. Un lot important de pièces fabriquées contient 1 % de pièces défectueuses. Quelle est la
probabilité d'avoir dans un échantillon de 10 pièces exactement 2 pièces défectueuses.
82
Probabilités.
L
4. Lois de probabilité discrètes
4.7.4. Un contrôle rigoureux des ampoules électriques fournies par un atelier a permis de
constater que sur 14760 ampoules, il y avait 738 ampoules défectueuses.
Soit X le nombre des ampoules défectueuses figurant dans un lot de 60 ampoules.
a) Indiquer la loi de probabilité de X.
b) Quelle est la probabilité d'avoir plus de 3 ampoules défectueuses dans un lot de 60
ampoules ?
c) Quelle est la probabilité d'avoir 78 ampoules bonnes dans un lot de 80 ampoules ?
4.7.5. 30 étudiants dont aucun n'a étudié les sujets du cours passent un examen en deux
questions. La question 1 a 4 réponses indiquées dont une seule est juste. La question 2 en a 5,
dont une seule est juste.
Soit la variable aléatoire X qui désigne le nombre d'étudiants qui ont au moins une réponse
correcte.
a) Quelle est l'espérance du nombre d'étudiant qui ont au moins une réponse correcte ?
b) Calculer la probabilité pour que 15 étudiants de la classe aient au moins une réponse
correcte.
4.7.6. Un satellite de télédétection effectue 6 passages par mois au-dessus d'une région donnée.
Les photos réalisées lors des différents passages peuvent être inutilisables, du fait notamment
de la présence d'une couverture nuageuse.
Quelle doit être la probabilité d'obtenir une photo valable lors d'un passage donné pour que
la probabilité d'avoir au moins une photo valable par mois soit de 0,9 ?
4.7.7. Un étudiant doit passer un examen, il a dix sujets à apprendre, il n'en apprend que trois.
Sachant qu'on lui posera deux questions :
a) Calculer la probabilité pour que les questions posées soient parmi les trois sujets appris.
b) Combien aurait-il dû au minimum apprendre de sujets pour que cette probabilité soit
supérieure ou égale à 0,5 ?
4.7.8. Une société achète des lots importants d'un composant électronique. La décision
d'accepter ou de refuser ces lots est basée sur un échantillon de 20 pièces choisies au hasard.
S’il y a une ou plusieurs pièces défectueuses parmi les 20 pièces examinées le lot est refusé,
autrement il est accepté.
On considère un lot important ayant 1 % de pièces défectueuses : calculer la probabilité de
refuser ce lot.
4.7.9. Une compagnie d'assurance automobile gère 1000 polices. On admet que chaque
automobiliste a une probabilité de 0,004 d'avoir un accident durant l'année. Soit X la variable
aléatoire qui désigne le nombre d'accidents enregistrés.
a) Déterminer la loi de X et donner ses paramètres.
b) Calculer l'espérance mathématique et l'écart type de X.
c) Chaque accident coûte à la compagnie 4000 dirhams ; soit la variable aléatoire Y qui
désigne le coût annuel total. Déterminer la loi de Y et calculer son espérance mathématique et
son écart type.
83
Probabilités.
L
4. Lois de probabilité discrètes
4.7.11. Il a été constaté que le nombre de bateaux qui mouillent dans un port est de 90 bateaux
par mois. Calculer la probabilité que :
a) Aucun bateau ne mouille pendant 1 jour.
b) Le nombre de bateaux qui mouillent est au moins égal à 3 pendant un jour.
4.7.12. Une compagnie d'assurance a organisé la gestion d'un certain type de risque sur la base
d'une distinction géographique qui reflète une différence dans l'intensité de ce risque.
Pour la région du Nord, on peut considérer que le nombre de sinistres enregistrés au cours
d'une semaine suit une loi de Poisson de paramètre égal à 3. Pour la région du sud totalement
indépendante de la région du Nord, le nombre hebdomadaire de sinistres suit une loi de Poisson
de paramètre égal à 2.
a) Quelle est la probabilité pour que dans une semaine donnée, la compagnie ait à
indemniser 4 sinistres ?
b) Le coût moyen de l'indemnisation d'un sinistre est de l'ordre de 25000 dirhams. Calculer
la probabilité pour que dans une semaine donnée, la compagnie doive débourser plus de
150000 dirhams.
c) Pour une semaine donnée, calculer la probabilité d'avoir à indemniser le même nombre
de sinistres dans chaque région, ce nombre commun étant strictement supérieur à zéro et
inférieur à 3.
4.7.13. Un mensuel lance une campagne publicitaire, pour susciter de nouveaux abonnements,
en envoyant un spécimen gratuit à des personnes susceptibles de s'abonner.
La probabilité pour que l'envoi d'un spécimen entraîne un abonnement est égale à 0,03.
a) Sachant que le coût publicitaire par personne est de 2 dirhams et que le gain brut
escompté pour un abonnement est de 120 dirhams, calculer l'espérance mathématique du gain
pour un envoi de 10000 spécimens.
b) Calculer la probabilité que l'envoi de 10 spécimens donne plus de 1 abonnement.
4.7.14. Les chances d'effectuer la vente d'un certain produit lors d'une sollicitation
téléphonique sont évaluées à 5 %. Au cours de 2 heures, une agence spécialisée dans la vente
de ce produit place 180 appels.
a) Combien de ventes peut-elle espérer obtenir au cours de 2 heures ?
b) Quelle est la probabilité qu'elle réussisse plus de 10 ventes ?
84
Probabilités.
L
4. Lois de probabilité discrètes
4.7.16. 2 comprimés sont choisis au hasard dans un flacon contenant 3 aspirines, 2 somnifères
et 4 vitamines. Si X, Y et Z représentent respectivement le nombre d'aspirines, le nombre de
somnifères et le nombre de vitamines obtenus, déterminer la loi de probabilité du couple (X,
Y).
On effectue quatre tirages sans remise dans une population finie. L’événement tirer une
action correspond à un succès dont la probabilité varie d’un tirage à un autre (tirage sans
remise). Il s’agit donc d’une loi hypergéométrique de paramètres :
p(k ) =
C C n1 n2
n
C N
4845 × 4060
4 3
p(X = 4) = p(4) = C20 C
7
30
= = 0,1969
C50 99884400
b) Cas d'un tirage avec remise.
85
Probabilités.
L
4. Lois de probabilité discrètes
On effectue quatre tirages avec remise dans une population finie. L’événement tirer une
action correspond à un succès dont la probabilité ne varie pas d’un tirage à un autre (tirage
avec remise). Il s’agit donc d’une loi binomiale de paramètres :
Nombre de tirages : n = 7
Probabilité de succès : p = (20 / 50) = 0,4
L(X) = B(7 , 0,4)
p(k ) = Cn p k q n − k
k
On remarque que la probabilité de succès dans un tirage sans remise est supérieure à celle
dans un tirage avec remise, ce qui est normal.
Il y a environ 60 % de chances que les 10 chambres à air achetées soient toutes en bon état.
86
Probabilités.
L
4. Lois de probabilité discrètes
Nombre de tirages : n = 10
Probabilité de succès : p = 0,01
L(X) = B(10 , 0,01)
p(k ) = Cn p k q n − k
k
Nombre de tirages : n = 30
p(15) = C15
30 0,4 × 0,6
15 15
= 0,0783
L’événement avoir une photo valable correspond à un succès dont la probabilité ne varie
pas (les passages sont indépendants). Il s’agit donc d’une loi binomiale de paramètres :
Nombre de passages : n = 6
Probabilité de succès : p
L(X) = B(n, p)
88
Probabilités.
L
4. Lois de probabilité discrètes
Probabilité d'avoir au moins une photo valable par mois est de 0,9
(1 – p)6 = 0,1
p = 1− 6 0,1 = 0,32
Il faut avoir 32 % de chance d’obtenir une photo valable lors d'un passage donné pour que
la probabilité d'avoir au moins une photo valable par mois soit de 0,9.
a) Probabilité pour que les questions posées soient parmi les trois sujets appris.
Nombre de questions : n = 2
Probabilité de succès : p = (3 / 10) = 0,3
L(X) = B(2 ; 0,3)
p(X = 2) = p(2) = C22 0,3 2 × 0,7 0 = 0,09
L’étudiant n’a que 9 % de chance pour que les questions posées soient parmi les trois sujets
appris.
b) Nombre minimum de sujets à apprendre pour que la probabilité que les sujets posés
soient parmi les sujets appris soit supérieure ou égale à 0,5.
n 2 n
p(X = 2) = p(2) = C22 ( ) × (1 − ( ) 0 ≥ 0,5
10 10
n²
≥ 0,5 => n² ≥ 50 => n≥7
100
L’étudiant doit apprendre au minimum 8 sujets pour avoir plus de 50 % de chances pour
que les questions posées soient parmi les sujets appris.
L’événement pièce défectueuse correspond à un succès dont la probabilité ne varie pas (lot
important). Il s’agit donc d’une loi binomiale de paramètres :
Nombre de tirages : n = 20
Probabilité de succès : p = 0,01
L(X) = B(20 ; 0,01)
Le lot est refusé s’il y a une ou plusieurs pièces défectueuses.
C20 0,01 × 0,99
0 0 20
p(X ≥ 1) = 1 – p(0) = 1 - = 0,1821
a) La loi de probabilité de X.
X désigne le nombre d'accidents enregistrés.
L’événement avoir un accident correspond à un succès dont la probabilité ne varie pas
(population infinie). Il s’agit donc d’une loi binomiale de paramètres :
Nombre d’automobilistes : n = 1000
Probabilité de succès : p = 0,004
L(X) = B(1000 ; 0,004)
c) Chaque accident coûte à la compagnie 4000 dirhams ; soit la variable aléatoire Y qui
désigne le coût annuel total. Déterminer la loi de Y et calculer son espérance mathématique et
son écart type.
Le coût annuel total est égal au coût d’un accident multiplié par le nombre d’accidents.
Y = 4000 X
E(Y) = 4000 x E(X) = 4000 x 4 = 16000 dh
V(Y) = 40002 x V(X) = 40002 x 3,984 = 63744000
σ = 63744000 = 7983,98 dh
Nombre de transistors : n = 20
Probabilité de succès : p = 0,1
L(X) = B(20 ; 0,1)
Dès qu'un appareil contient au moins deux transistors défectueux, il tombe en panne.
p(X ≥ 2) = 1 – p(X < 2) = 1 – [p(0) + p(1)]
0
p(X ≥ 2) = 1 – [ C20 0,1
0
× 0,9 20 + C120 0,11 × 0,919 ] = 1 – (0,1216 + 0,2702) = 0,6082
Sur un lot de 2000 appareils, on peut s’attendre à avoir 400 appareils en panne avec un
écart type de 18 appareils.
Soit X la variable aléatoire qui désigne le nombre de bateaux qui mouillent par jour.
Le nombre de bateaux qui mouillent par jour est, en moyenne 3 (90/30)
X suit une loi de Poisson de paramètre 3 : L(X) = P(3)
e −3 × 3 0
p(0) = = 0,0498
0!
Il y a une probabilité d’environ 5 % pour qu’aucun bateau ne mouille pendant 1 jour.
91
Probabilités.
L
4. Lois de probabilité discrètes
Il y a une probabilité d’environ 58 % pour qu’au moins 3 bateaux mouillent pendant 1 jour.
a) Probabilité pour que dans une semaine donnée, la compagnie ait à indemniser 4 sinistres.
Soit les variables aléatoires X1 et X2 qui désignent les nombres de sinistres respectivement
dans la région du Nord et la région du Sud.
b) Probabilité pour que dans une semaine donnée, la compagnie doive débourser plus de
150000 dirhams.
P(X > 6) = 1 – p(X ≤ 6) = 1 – [p(0) + p(1) + p(2) + p(3) + p(4) + p(5) + p(6)]
e −5 × 5 0 e −5 × 51
p(X = 0) = = 0,0067 ; p(X = 1) = = 0,0337
0! 1!
−5
e × 52 e −5 × 5 3
p(X = 2) = = 0,0842 ; p(X = 3) = = 0,1404
2! 3!
−5
e × 54 e −5 × 5 5
p(X = 4) = = 0,1755 ; p(X = 5) = = 0,1755
4! 5!
−5
e × 56
p(X = 6) = = 0,1462
6!
P(X > 6) = 1 – (0,0067 + 0,0337 + 0,0842 + 0,1404 + 0,1755 + 0,1755 + 0,1462) = 0,2378
La compagnie a 23,78 % de probabilité pour que dans une semaine donnée, elle débourse
plus de 150000 dirhams.
c) Probabilité d'avoir à indemniser, pour une semaine donnée, le même nombre de sinistres
dans chaque région, ce nombre commun étant strictement supérieur à zéro et inférieur à 3.
92
Probabilités.
L
4. Lois de probabilité discrètes
e −3 × 31 e −2 × 21 e −3 × 3 2 e −2 × 2 2
= x + x = 0,1494x0,2707 + 0,2240x0,2707 =
1! 1! 2! 2!
0,1011
Le coût publicitaire pour l’envoi des 10000 spécimens est de 20000 dh.
Soit X la variable aléatoire qui désigne le nombre d’abonnements. X suit une loi binomiale
de paramètres :
Le gain espéré est le gain escompté pour les 300 abonnements auquel il faut déduire le coût
publicitaire, soit :
Pour un envoi de 10000 spécimens, le mensuel peut espérer un gain net de 16000 dh.
Soit X la variable aléatoire qui désigne le nombre d’abonnements. X suit une loi binomiale
de paramètres :
Nombre de spécimens : n = 10
Probabilité de succès : p = 0,03
p(X > 1) = 1 – p(X ≤ 1) = 1 – [p(0) + p(1)]
93
Probabilités.
L
4. Lois de probabilité discrètes
P(0) = C10
0
.0,03 0.0,9710 = 0,7374
P(1) = C10
1
.0,031.0,97 9 = 0,2281
P(X > 1) = 1 − (0,7374 + 0,2281) = 0,0345
Il y a environ 3,45 % de chance pour que l’envoi de 10 spécimens donne plus d’un
abonnement. (Ceci est normal puisque d’après l’énoncé, le taux de succès est de 3 %).
Soit X la variable aléatoire qui désigne les ventes au cours de 2 heures. X suit une loi
binomiale de paramètres :
p(X > 10) = 1 – p(X ≤ 10) = 1 – [p(0) + p(1) + p(2) + p(3) + p(4) + p(5) + p(6) + p(7) +
p(8) + p(9) + p(10)]
p(0) =
0
C180 0,05 0 × 0,95180 = 0,0001
p(1) =
1
C180 0,051 × 0,95179 = 0,0009
p(2) =
2
C180 0,05 2 × 0,95178 = 0,0044
p(3) =
3
C180 0,05 3 × 0,95177 = 0,0136
p(4) =
4
C180 0,05 4 × 0,95176 = 0,0317
p(5) =
5
C180 0,05 5 × 0,95175 = 0,0588
p(6) =
6
C180 0,05 6 × 0,95174 = 0,0903
p(7) =
7
C180 0,05 7 × 0,95173 = 0,1181
p(8) =
8
C180 0,05 8 × 0,95172 = 0,1344
p(9) =
9
C180 0,05 9 × 0,95171 = 0,1352
p(10) =
10
C180 0,0510 × 0,95170 = 0,1217
p(X > 10) = 1 – (0,0001 + 0,0009 + 0,0044 + 0,0136 + 0,0317 + 0,0588 + 0,0903 + 0,1181
+ 0,1344 + 0,1352 + 0,1217)
94
Probabilités.
L
4. Lois de probabilité discrètes
Soit X la variable aléatoire qui représente le nombre d'ingénieurs choisis, soit Y la variable
aléatoire qui représente le nombre de techniciens choisis et soit Z la variable aléatoire qui
représente le nombre d’ouvriers choisis.
X P(x)
0 0,6404
1 0,3202
2 0,0384
3 0,0010
Total 1
N = 9 ; n1 = 3 ; n2 = 2 ; n3 = 4 ; n = 2
96
Probabilités.
L
4. Lois de probabilité discrètes
C3 × C2 × C4
2 0 0
p(X=2 ;Y=0) = p(2 ;0 ;0) = 2
= 0,0833
C9
p(X=2 ;Y=1) = 0
p(X=2 ;Y=2) = 0
Y
0 1 2 p(x)
X
0 0,1667 0,2222 0,0278 0,4167
1 0,3333 0,1667 0 0,5
2 0,0833 0 0 0,0833
p(y) 0,5833 0,3889 0,0278 1
Soit X la variable aléatoire qui désigne le nombre de garçons d'une famille de 4 enfants.
Une famille de 4 enfants peut avoir 0 garçon (X=0), 1 garçon (X=1), 2 garçons (X=2), 3
garçons (X=3) ou 4 garçons (X=4)
Nombre d’enfants : n = 4
Probabilité de succès : p = 0,5
97
Probabilités.
L
4. Lois de probabilité discrètes
X P(x)
0 1/16
1 4/16
2 6/16
3 4/16
4 1/16
Total 1
On effectue 20 tirages sans remise dans une population finie. L’événement sélectionner un
candidat du sud correspond à un succès dont la probabilité varie d’un tirage à un autre (tirage
sans remise). Il s’agit donc d’une loi hypergéométrique de paramètres :
p( k ) =
C Cn1 n2
n
C N
10 10
p(X = 10) = p(10) = C40 C
20
20
= 0,0374
C60
b) Entre 16 et 18 sélectionnés soient du Sud.
16 4 17 3 18 2
p(X=16 ou X=17 ou X=18) = p(16) + p(17) + p(18) =
C40 C20 + C40 C20 + C40 C20
20 20 20
C60 C60 C60
p(X=16 ou X=17 ou X=18) = 0,0726 + 0,0241 + 0,0051 = 0,1018
98
Probabilités 5. Lois de probabilité continues
CHAPITRE 5
LOIS DE PROBABILITE CONTINUES
5.1.1. Définition.
La loi normale est la loi continue la plus importante et la plus utilisée dans le calcul de
probabilité. Elle est aussi appelée loi de LAPLACE GAUSS.
On appelle variable normale toute variable aléatoire continue X définie dans l'intervalle
]− ∞,+∞[ par la fonction de densité de probabilité suivante :
1 x −m
1 − ( )²
f (x) = e 2 σ
σ 2Π
m et σ sont des paramètres quelconques qui représentent respectivement la moyenne et
l'écart type de la variable.
La loi normale dépend de deux paramètres m et σ. Une variable aléatoire X qui suit une loi
normale de paramètres m et σ est désignée par
L(X) = N(m , σ)
Une variable normale réduite est définie par la fonction de densité de probabilité suivante :
z²
1 −2
f (z) = e
2π
Toute variable normale X de paramètres m et σ peut être transformée en une variable
normale réduite par le changement de variable suivant :
X−m
Z=
σ
5.1.3. Forme de la loi normale.
99
Probabilités 5. Lois de probabilité continues
La fonction de répartition correspond à l'aire comprise entre cette courbe et l'axe des
abscisses.
Pour calculer des probabilités sans utiliser la fonction de densité, des tables de la loi
normale réduite ont été élaborées. On distingue deux tables de la loi normale réduite, relatives
l'une à la fonction de densité de probabilité et l'autre à la fonction de répartition. En raison de la
symétrie de la distribution, ces tables sont limitées aux valeurs positives de z.
X−m
Par le changement de variable Z= toutes les variables normales se ramènent à la
σ
loi normale réduite.
Cette table donne les valeurs de la fonction de répartition Π(z) pour des valeurs positives z
d'une variable normale réduite. En raison de la symétrie de f(z), on peut déduire les valeurs
Π(z) pour les valeurs négatives de z :
100
Probabilités 5. Lois de probabilité continues
Pour lire une valeur Π(z) dans la table, il suffit de lire l'intersection entre la ligne
correspondante à la valeur de z et la colonne correspondante au deuxième chiffre après la
virgule de z.
La somme de deux ou plusieurs variables normales indépendantes est une variable normale
de moyenne la somme des moyennes et d'écart type la racine carrée de la somme des variances
des variables initiales.
Soient X1, X2, …,Xn n variables normales de paramètres respectivement m1, m2, …, mn et
σ1, σ2, …,σn.
L(X1 + X 2 + K + X n ) = N(m1 + m 2 + K + m n ; σ1 ² + σ 2 ² + K + σ n ² )
5.2.1. Définition.
On appelle variable Khi deux de Pearson, la variable χ² qui varie entre 0 et +∞ est définie
par la fonction de densité de probabilité :
k x
−1 −
f ( x) = c × x 2 e 2
Le paramètre k est une constante entière positive appelée nombre de degrés de liberté : on
dit variable Khi deux à k degrés de liberté, désignée par χ²à k dl.
+∞
k est une constante telle que : ∫ f ( x )dx = 1
0
La variable Khi deux de Pearson correspond aussi à la somme des carrés de k variables
normales réduites indépendantes.
La somme de deux ou plusieurs variables Khi deux indépendantes est une variable Khi
deux.
Une variable Khi deux à k degrés de liberté peut donc être considérée comme étant la
somme de k variables Khi deux à 1 degré de liberté indépendantes.
La table de la loi Khi deux dépend du paramètre k, elle donne les valeurs de χ²à k dl pour des
valeurs de la fonction de répartition (probabilités). Pour lire une valeur χ²à k1 dl dans la table, il
suffit de lire l’intersection entre la colonne correspondante à la valeur de la probabilité et la
ligne correspondante au degré de liberté k.
Exemple : La valeur χ² à 10 degrés de liberté et pour une probabilité 0,95 est : χ²0,95 à 10 dl =
18,3
5.3.1. Définition.
On appelle variable t de Student, la variable t qui varie entre -∞ et +∞ est définie par la
fonction de densité de probabilité :
k +1
t² −
f ( t ) = c × (1 + ) 2
k
Le paramètre k est une constante entière positive appelée nombre de degrés de liberté : on
dit variable Student t à k degrés de liberté, désignée par t à k dl.
+∞
k est une constante telle que : ∫ f ( t )dt = 1
−∞
La variable t de Student correspond aussi au quotient d’une variable normale réduite par la
102
Probabilités 5. Lois de probabilité continues
racine carrée d'une variable Khi deux χ²à k dl indépendante de la première variable.
Soient Z une variable normale réduite et χ²à k dl une variable Khi deux à k degrés de liberté,
indépendantes. On peut démontrer :
Z
t àkdl =
χ² àkdl
k
5.3.2. Caractéristiques de la loi tà k dl .
La table de la loi T de Student dépend du paramètre k, elle donne les valeurs de t à k dl pour
les valeurs de la fonction de répartition (probabilités). Pour lire une valeur t à k dl dans la table, il
suffit de lire l’intersection entre la colonne correspondante à la probabilité et la ligne
correspondante au degré de liberté.
Exemple : La valeur de T à 10 degré de liberté et pour une probabilité 0,95 est : t 0,95 à 10 dl =
1,812
5.4.1. Définition :
On appelle variable F de Fisher, la variable F qui varie entre 0 et + ∞ est définie par la
fonction de densité de probabilité :
k1 k1+ k 2
−1 −
f (x ) = c × x 2
× (k 1 x + k 2 ) 2
Les paramètres k1 et k2 sont deux constantes entières positives appelées nombre de degrés
de liberté : on dit variable F à k1 et k2 degrés de liberté, désignée par F à k1 et k2 dl.
+∞
k1 et k2 sont des constantes telle que : ∫ f ( x )dx = 1
0
La variable F de Fisher correspond aussi au quotient de variables Khi deux respectivement
à k1 et k2 degrés de liberté χ²à k1 dl et χ²à k2 dl indépendantes.
Soient deux variables Khi deux χ²à k1 dl et χ²à k2 dl indépendantes. On peut démontrer :
103
Probabilités 5. Lois de probabilité continues
χ² àk1dl
Fàk1etk 2dl = k1
χ ² àk 2dl
k2
1
Il en résulte que si F est une variable F à k1 et k2 dl, son inverse est une variable F à k2 et k1 dl.
F
5.4.2. Caractéristiques de la loi F à k1 et k2 dl.
Chaque table de la loi F dépend des degrés de liberté k1 et k2. Pour lire une valeur F à k1 et k2 dl
dans la table, il suffit de lire l’intersection entre la colonne correspondante à la valeur k1 et la
ligne correspondante à la valeur k2.
5.5.1. Le stock journalier d'un produit destiné à un atelier suit une loi normale de moyenne, 120
pièces et d'écart type 50 pièces.
a) Calculer la probabilité pour que le nombre de pièces en stock soit compris entre 80 et
160.
b) Calculer la probabilité pour que le nombre de pièces en stock soit supérieur à 200.
c) Calculer la probabilité pour qu'il y ait rupture de stock.
5.5.2. La longueur d’une pièce fabriquée par une machine est une variable normale de
moyenne 15 cm et d’écart type 0,2 cm.
a) Trouver la probabilité de rejet si les dimensions admissibles de la pièce doivent être
comprises entre 14,7 et 15,3 cm.
b) Quelle précision de longueur de la pièce fabriquée peut-on garantir avec une probabilité
de 0,95 ?
104
Probabilités 5. Lois de probabilité continues
5.5.3. Le poids réel des boîtes de dattes, dans une petite unité de conditionnement à Zagora,
suit une distribution normale de moyenne 10 Kg et de variance 0,01. Quelle est la probabilité
pour qu'une boite achetée au marché pèse au moins 9,875 Kg ?
5.5.4. Dans une branche industrielle composée de 1600 établissements, on a constaté que la
rentabilité (bénéfice ou perte) suit une loi normale. Par ailleurs on a observé que les 400
entreprises les plus rentables réalisent un bénéfice supérieur à 2 millions de dirhams et que 800
entreprises réalisent uniquement des pertes.
Calculer la rentabilité moyenne et l'écart type de la branche industrielle.
5.5.5. Le lait produit par une usine a une teneur en matières grasses qui suit une loi normale de
moyenne 160 grammes par litre et d'écart type 10 grammes par litre. Les consommateurs
n'acceptent que le lait dont la teneur en matières grasses est comprise entre 135 grammes par
litre et 185 grammes par litre.
Calculer la proportion de la production du lait inacceptable par les consommateurs.
5.5.6. Le diamètre intérieur moyen d'un échantillon de 200 rondelles produites par une machine
est égal à 1,275 cm et l'écart type à 0,013 cm. L'usage que l'on fait de ces rondelles nécessite
que le diamètre varie entre 1,260 et 1,290 cm, autrement les rondelles sont considérées comme
défectueuses.
Déterminer la proportion des rondelles défectueuses produites par cette machine en
supposant que le diamètre suit une loi normale.
5.5.7. Une confiture peut être qualifiée de "pur sucre" si elle contient entre 440 et 520 grammes
de sucre par kilogramme de confiture. Un fabricant vérifie 200 pots de confiture de 1
kilogramme chacun. Il trouve que le poids moyen de sucre est de 480 grammes avec un écart
type de 20 grammes. Sachant que le poids en sucre est distribué normalement, calculer le
pourcentage de la production du fabricant qui ne doit pas porter la mention "pur sucre" en
considérant que l'échantillon des 200 pots est représentatif de la production globale.
5.5.8. Deux entreprises A et B produisent des ampoules électriques dont la durée de vie suit
une loi normale. Les espérances mathématiques et les écarts types sont respectivement de 1150
heures et 50 heures pour A et de 1200 heures et 80 heures pour B.
En exigeant que la durée de vie des ampoules ne soit pas inférieure à 1050 heures, de quelle
entreprise devrait-on s'approvisionner ?
5.5.9. Pour se rendre à son travail un ouvrier a le choix entre deux chemins A et B. La durée du
parcours exprimée en minutes est une variable aléatoire normale de moyenne et d'écart type
respectivement 27 mn et 5 mn pour le chemin A, et 30 mn et 2 mn pour le chemin B.
A votre avis quel chemin cet ouvrier doit-il choisir pour ne pas arriver en retard s'il dispose
de 30 mn ?
5.5.10. Une machine met du sucre en poudre en sachet. Elle peut être réglée au moyen d’un
dispositif gradué en gramme, tel que lorsque la machine est réglée sur le poids moyen par
sachet m, la probabilité pour que les sachets pèsent au moins 1 Kg est égale à 98,5 %.
105
Probabilités 5. Lois de probabilité continues
Sachant que le poids par sachet suit une loi normale d’écart type 10 grammes, sur quelle
valeur m faut-il régler le dispositif ?
5.5.11. Une machine est réglée pour faire remplir des bouteilles d'un volume moyen de 255
cm3. Si la distribution des volumes est normale et que l'écart type soit égal à 4 cm3 :
a) Dans quelle proportion des cas, le volume sera-t-il inférieur à 250 cm3 ?
b) Quelle valeur faut-il donner au volume moyen pour que cette proportion soit de 5 % ?
5.5.13. Dans le cadre de la gestion d’un stock de marchandises, on doit lancer une commande
destinée à couvrir quatre semaines de fourniture d’un produit donné. On admet que la demande
hebdomadaire de ce produit suit une loi normale de moyenne 50 et d’écart type 10.
Combien d’unités doit-on commander pour que la probabilité d’être en rupture de stock soit
inférieure à 1 % si on considère que les demandes des semaines successives sont
indépendantes ?
5.5.16. Si Z1, Z2, …, Zk sont k variables aléatoires normales réduites indépendantes, que
valent la moyenne et la variance de la variable :
Z1
X=
k
∑ Zi ²
i=2
et quelle est, pour k = 10, la valeur de x telle que : P(X > x) = 0,1 ?
5.5.17. Si Z1, Z2, Z3, Z4, Z5, et Z6 sont six variables aléatoires normales réduites
indépendantes, que vaut la probabilité :
106
Probabilités 5. Lois de probabilité continues
Z1 ² + Z 2 ²
p( > 5,3)
Z3 ² + Z4 ² + Z5 ² + Z6 ²
a) Probabilité pour que le nombre de pièces en stock soit compris entre 80 et 160.
80 − 120 X − 120 160 − 120
p(80 ≤ X ≤ 160) = p( ≤ ≤ ) = p(−0,8 ≤ Z ≤ 0,8)
50 50 50
p(80 ≤ X ≤ 160) = Π (0,8) - Π (-0,8) = Π (0,8) – (1 - Π (0,8))
p(80 ≤ X ≤ 160) = 2 Π (0,8) – 1
Π (0,8) = 0,7881
p(80 ≤ X ≤ 160) = 2 x 0,7881 – 1 = 0,5762
Il y a 57,62 % de chances pour que le nombre de pièces en stock soit compris entre 80 et
160.
Π (1,6) = 0,9452
p(X > 200) = 1 - 0,9452 = 0,0548
Il y a 5,48 % de chances pour que le nombre de pièces en stock soit supérieur à 200.
107
Probabilités 5. Lois de probabilité continues
Il y a rupture de stock si X ≤ 0.
X − 120 0 − 120
p(X ≤ 0) = p( ≤ ) = p( Z ≤ −2,4) = Π (-2,4)
50 50
p(X ≤ 0) = 1 - Π (2,4)
Soit X la variable aléatoire qui désigne la longueur d’une pièce fabriquée par une machine.
a) Probabilité de rejet.
Les dimensions admissibles de la pièce doivent être comprises entre 14,7 et 15,3 cm.
14,7 − 15 X − 15 15,3 − 15
p(14,7 ≤ X ≤ 15,3) = p ( ≤ ≤ )
0,2 0,2 0,2
p(14,7 ≤ X ≤ 15,3) = p (−1,5 ≤ Z ≤ 1,5)
p(14,7 ≤ X ≤ 15,3) = Π (1,5) - Π (-1,5)
p(14,7 ≤ X ≤ 15,3) = Π (1,5) – (1 - Π (1,5))
p(14,7 ≤ X ≤ 15,3) = 2 Π (1,5) – 1
Il y a un risque de 13,36 % pour qu’une pièce fabriquée par la machine soit rejetée.
La précision garantie est donnée par un intervalle centré autour de la moyenne dans lequel
on garantit 95 % de confiance que la longueur de la pièce soit à l’intérieur de cet intervalle.
108
Probabilités 5. Lois de probabilité continues
p(15 − a ≤ X ≤ 15 + a ) = 0,95
− a X − 15 a a a
p( ≤ ≤ ) = p( − ≤Z≤ ) = 0,95
0,2 0,2 0,2 0,2 0,2
a a a a
Π( ) - Π (- )=Π( ) – (1 - Π ( )) = 0,95
0,2 0,2 0,2 0,2
a
2Π( ) – 1 = 0,95
0,2
a
Π( ) = 0,975
0,2
En consultant la table de la loi normale réduite on trouve :
Π (1,96) = 0,975
a
= 1,96 => a = 1,96 x 0,2 = 0,39
0,2
On peut donc garantir à 95 % pour que la longueur des pièces soit comprise entre 14,61 et
15,39 cm.
5.6.3. Solution de l’exercice 5.5.3.
Π (1,25) = 0,8944
p(X ≥ 9,875) = 0,8944
Il y a 89,44 % de chances pour qu'une boite achetée au marché pèse au moins 9,875 Kg.
109
Probabilités 5. Lois de probabilité continues
L(X) = N(m ; σ)
400 entreprises les plus rentables réalisent un bénéfice supérieur à 2 millions de dirhams.
Π (0,67) = 0,75
2−m
= 0,67 => 2 – m = 0,67 σ
σ
800 entreprises réalisent uniquement des pertes.
p(X < 0) = (800/1600) = 0,50
X−m 0−m −m
p(X < 0) = p( ≤ ) = p( Z ≤ ) = 0,50
σ σ σ
−m
p(X < 0) = Π ( ) = 0,50
σ
En consultant la table de la loi normale réduite on trouve :
Π (0,00) = 0,50
−m
=0 => m=0
σ
2 – m = 0,67 σ => σ = 2,98
La rentabilité des entreprises suit donc une loi normale de moyenne nulle et d’écart type
2,98 millions de dirhams.
110
Probabilités 5. Lois de probabilité continues
Les teneurs acceptables doivent être comprises entre 135 et 185 grammes par litre de lait.
Π (2,5) = 0,9938
p(135 ≤ X ≤ 185) = 2 x 0,9938 – 1 = 0,9876
La proportion de la production du lait inacceptable par les consommateurs est :
p = 1 – 0,9876 = 0,0124
1,24 % de la production du lait sera inacceptable par les consommateurs.
Les diamètres acceptables doivent être compris entre 1,260 et 1,290 cm.
1,26 − 1,275 X − 1,275 1,29 − 1,275
p(1,26 ≤ X ≤ 1,29) = p( ≤ ≤ )
0,013 0,013 0,013
p(1,26 ≤ X ≤ 1,29) = p(−1,15 ≤ Z ≤ 1,15)
p(1,26 ≤ X ≤ 1,29) = Π (1,15) - Π (-1,15)
p(1,26 ≤ X ≤ 1,29) = Π (1,15) – (1 - Π (1,15))
p(1,26 ≤ X ≤ 1,29 )= 2 Π (1,15) – 1
Soit X la variable aléatoire qui désigne la quantité de sucre par kilogramme de confiture.
Le pourcentage de la production du fabricant qui ne doit pas porter la mention "pur sucre"
est :
p = 1 – 0,9545 = 0,0455
On doit s’approvisionner de l’entreprise dont les ampoules ont plus de chance de durer plus
de 1050 heures.
Entreprise A :
Entreprise B :
Π (1,88) = 0,96995
p(X ≥ 1050) = 0,96995
L’ouvrier doit choisir le chemin pour lequel il a moins de risque d’arriver en retard.
Chemin A :
L(X) = N(27 ; 5)
X − 27 30 − 27
p(X ≤ 30) = p( ≤ ) = p( Z ≤ 0,6)
5 5
p(X ≤ 30) = Π (0,6)
113
Probabilités 5. Lois de probabilité continues
Π (0,6) = 0,7257
p(X ≤ 30) = 0,7257
Chemin B :
L(X) = N(30 ; 2)
X − 30 30 − 30
p(X ≤ 30) = p( ≤ ) = ( Z ≤ 0)
2 2
p(X ≤ 30) = Π (0)
Π (0) = 0,50
p(X ≤ 30) = 0,50
Π (2,17) = 0,985
m − 1000
= 2,17 => m = 1021,7 g
10
114
Probabilités 5. Lois de probabilité continues
Il faut régler la machine sur un poids moyen de 1021,7 grammes pour garantir à 98,5 % que
les sachets pèsent au moins 1 Kg.
b) Volume moyen
L(X) = N(m ; 4)
X − m 250 − m 250 − m
p(X < 250) = p( < ) = (Z < ) = 0,05
4 4 4
250 − m
p(X < 250) = Π ( ) = 0,05
4
250 − m
Π (- ) = 1 – 0,05 = 0,95
4
En consultant la table de la loi normale réduite on trouve :
Π (1,64) = 0,95
250 − m
- = 1,64 => m = 250 + 1,64 x 4 = 256,56
4
Il faut régler la machine sur un volume moyen de 256,56 cm3 pour que 5 % des bouteilles
aient un volume de moins de 250 cm3.
115
Probabilités 5. Lois de probabilité continues
L(X) = N(m ; σ)
Π (1,75) = 0,96
1,60 − m
- = 1,75 => m – 1,60 = 1,75 σ
σ
12 % mesurent plus de 1,80 m.
Π (1,17) = 0,88
1,80 − m
= 1,17 => 1,80 - m = 1,17 σ
σ
m – 1,60 = 1,75 σ et 1,80 - m = 1,17 σ
0,2 = 2,92 σ => σ = 0,07 m = 7 cm
La taille des personnes suit donc une loi normale de moyenne 1,72 m et d’écart type 7 cm.
116
Probabilités 5. Lois de probabilité continues
Y=X+X+X+X
E(Y) = E(X) + E(X) + E(X) + E(X) = 50 + 50 + 50 + 50 = 200
V(Y) = V(X) + V(X) + V(X) + V(X) = 100 + 100 + 100 + 100 = 400
L(Y) = N(200 ; 20)
Π (2,33) = 0,99
C − 200
≥ 2,33 => C ≥ 2,33 x 20 + 200 => C ≥ 247 unités
20
Il faut lancer une commande d’au moins 247 unités pour que le risque de rupture de stock
au cours de 4 semaines ne dépasse pas 1 %
117
Probabilités 5. Lois de probabilité continues
b) p(U1+2U2 > 5)
p(U1+2U2 > 5) = 1 - p(U1+2U2 ≤ 5)
L(U1+2U2) = N(0 : 5)
5−0
p(U1+2U2 > 5) = 1 - p(Z ≤ ) = 1 - Π(2,24) = 1 – 0,98745 = 0,01255
5
c) Calcul de k tel que p(U1+kU2 > 2) = 0,05
p(U1+kU2 > 2) = 0,05
p(U1+kU2 ≤ 2) = 0,95
L(U1+kU2) = N(0 ; 1 + k² )
2−0 2
p(U1+kU2 ≤ 2) = p(Z ≤ ) = Π( ) = 0,95
1 + k² 1 + k²
En consultant la table de la loi normale réduite on trouve :
Π (1,64) = 0,95
2
= 1,64 => k² = 0,4872 => k = 0,698
1 + k²
L(X) = N(0 ; 1)
p(X<x) = 0,975
p(Z<z) = 0,975
Π (z) = 0,975
Π (1,96) = 0,975
x = 1,96
L(X) = N(10 ; 2)
p(X<x) = 0,975
118
Probabilités 5. Lois de probabilité continues
x − 10 x − 10
p(Z< ) = Π( ) = 0,975
2 2
En consultant la table de la loi normale réduite on trouve :
Π (1,96) = 0,975
x − 10
= 1,96 => x = 1,96 x 2 + 10 = 13,92
2
c) une variable de Student à 15 degrés de liberté.
L(X) = S(15)
p(X<x) = 0,975 => x = t 0,975 à 15 dl
x = t 0,975 à 15 dl = 2,131
x = F0,975 à 15 et 1 dl = 985
119
Probabilités 5. Lois de probabilité continues
X k − 1 = T à (k-1) dl
3X = T à 9 dl
p(X > x) = 0,1 => p(X ≤ x) = 0,9 => p(3X ≤ 3x) = 0,9
3x = t 0,9 à 9 dl
Z1, Z2, Z3, Z4, Z5, et Z6 sont six variables aléatoires normales réduites indépendantes.
Z1 ² + Z 2 ²
p( > 5,3)
Z3 ² + Z4 ² + Z5 ² + Z6 ²
120
Probabilités 5. Lois de probabilité continues
χ ² à 2dl
( Z1 ² + Z 2 ²) / 2 2 > 10,6)
p( >10,6) = p(
( Z 3 ² + Z 4 ² + Z 5 ² + Z 6 ²) / 4 χ ² à 4 dl
4
= 1 – p(Fà 2 et 4 dl ≤ 10,6)
Z1 ² + Z 2 ²
p( > 5,3) = 1 – 0,975 = 0,025
Z3 ² + Z4 ² + Z5 ² + Z6 ²
121
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
CHAPITRE 6
CONVERGENCE DES LOIS DE PROBABILITE
LOIS DES GRANDS NOMBRES
Ceci signifie que l’écart entre la valeur de X et la constante a est très faible quand la taille de
l’échantillon est grande. Cet écart peut être mesuré par la variance. Ainsi on parle de convergence
en probabilité si :
lim V(X n ) = 0
n →∞
Le théorème central limite est une généralisation de la propriété d'additivité. Toute somme de
variables aléatoires indépendantes tend à suivre une loi normale quelles que soient les lois de
probabilités suivies par ces variables.
Quelles que soient les variables aléatoires indépendantes X1, X2, …, Xn de moyennes
respectivement m1, m2, …, mn et d'écarts type respectivement σ1, σ2, …, σn. La somme de ces
variables tend à suivre une loi normale de moyenne la somme des moyennes et d'écart type la
racine carrée de la somme des variances des variables initiales.
L(X1 + X 2 + K + X n ) ≈ N(m1 + m 2 + K + m n , σ1 ² + σ 2 ² + K + σ n ² )
k n −k
vers une constante, la loi hypergéométrique tend vers une loi binomiale de paramètre n et p. On
peut dans ce cas effectuer les calculs de probabilités de façon approximative à l'aide de la formule
de la loi binomiale.
En pratique, l'approximation est satisfaisante dès que la proportion des individus prélevés est
inférieure à 5 %.
n
< 0,05 ou N > 20 n
N
6.2.3. Approximation de la loi binomiale par la loi de Poisson.
p(k ) = Cn p k q n − k
k
Dès que le paramètre n de la loi binomiale devient grand, le calcul de
devient fastidieux. On peut démontrer dans ce cas que lorsque le nombre d'expériences
indépendantes (n) tend vers l'infini et la probabilité de succès tend vers zéro de telle sorte que le
produit np tend vers une constante, la loi binomiale de paramètre n et p tend vers une loi de
Poisson de paramètre np. On peut dans ce cas effectuer les calculs de probabilités de façon
approximatives à l'aide de la formule de la loi de Poisson.
Parfois les problèmes relatifs à la loi binomiale se rapportent aux calculs de probabilités dans
un ou plusieurs intervalles donnés :
La recherche de ces probabilités est souvent longue, car il faut déterminer individuellement et
additionner les différentes probabilités p(X = x).
p(X<10)=p(0)+p(1)+p(2)+p(3)+p(4)+p(5)+p(6)+p(7)+p(8)+p(9)
Lorsque le paramètre n de la loi binomiale est grand et les probabilités de succès p et d'échec q
ne sont pas trop petites, on peut effectuer ce calcul d'une manière approchée à l'aide de la loi
normale de paramètres np et npq .
123
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
Une variable Khi deux à k degrés de liberté peut être considérée comme étant la somme de k
variables Khi deux à 1 degré de liberté indépendantes.
De ce fait, et par application du théorème central limite, on peut affirmer que la loi Khi deux
tend vers une loi normale de paramètres k et 2k . Ce qui permet de résoudre les problèmes
relatifs aux distributions χ² de nombre de degrés de liberté k élevé. Toutefois, la convergence vers
la loi normale est relativement lente, l'approximation est généralement satisfaisante lorsque k est
supérieur à 100. Pour un nombre de degré de liberté compris entre 30 et 100, on préfère faire usage
de la racine carrée. On peut en effet démontrer que la transformation :
Z= 2χ² − 2k − 1
est très proche de la loi normale centrée réduite. On peut aussi utiliser la transformation
inverse :
( Z + 2k − 1)²
χ² =
2
6.2.6. Approximation de la loi t de Student par la loi normale.
Lorsque le nombre de degrés de liberté k est très élevé, la loi t de Student peut être directement
assimilée à la loi normale réduite sans effectuer aucun changement de variable. Ce qui permet de
résoudre les problèmes relatifs aux distributions t de nombre de degrés de liberté élevé.
6.3.1. Soit Xn une variable aléatoire qui désigne le nombre de succès obtenus lors de n
prélèvements dans une population finie de taille N et dont la proportion de succès est p.
Xn
Désignons par fn = la fréquence relative (pourcentage) des succès.
n
Montrer que la fréquence relative f n converge en probabilité vers p.
a) Cas des prélèvements sans remise :
b) Cas des prélèvements avec remise :
6.3.2. Soit Xi (i=1 à n) n variables aléatoires indépendantes et ayant la même loi de probabilité.
E(Xi) = m et V(Xi) = σ²
124
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
− ∑ Xi
Montrer que la moyenne Xn = i =1
calculée à partir d’un échantillon de taille n converge
n
en probabilité vers m.
a) Cas des prélèvements sans remise
b) Cas des prélèvements avec remise
6.3.3. Dans une urne contenant 20 boules blanches et 30 boules noires, on prélève 7 boules au
hasard et sans remise. Dans une seconde urne contenant 100 boules blanches et 150 boules noires,
on prélève également 7 boules au hasard et sans remise. Quelle est la probabilité qu'il y ait plus de
boules blanches que de boules noires pour l'ensemble des 14 boules prélevées ?
6.3.4. Un lot important de pièces fabriquées contient 1 % de pièces défectueuses. Quelle est la
probabilité d'avoir dans un échantillon de 10 pièces exactement 2 pièces défectueuses en utilisant :
a) la loi binomiale ;
b) l'approximation par la loi de Poisson.
6.3.5. On suppose que la probabilité qu'un étudiant réussisse un examen est de 0,8.
a) Quelle est la probabilité qu'au moins 75 étudiants parmi 100 étudiants réussissent l'examen ?
b) Déterminer le nombre d’étudiants pour lesquels la probabilité pour qu’au moins 100
réussissent est égale à 0,99.
6.3.6. Trouver la probabilité pour qu'au moins 70 de 100 moustiques soient tués par un nouvel
insecticide si l'on sait que la probabilité que n'importe quel moustique soit tué est voisine de 0,75.
6.3.7. Un contrôle rigoureux des ampoules électriques fournies par un atelier a permis de constater
que sur 14760 ampoules, il y avait 738 ampoules défectueuses.
Soit X le nombre des ampoules défectueuses figurant dans un lot de 60 ampoules.
a) Indiquer la loi de probabilité de X.
b) Quelle est la probabilité d'avoir plus de 3 ampoules défectueuses dans un lot de 60 ampoules
?
c) Quelle est la probabilité d'avoir 78 ampoules bonnes dans un lot de 80 ampoules ?
6.3.8. Une caisse d’assurance maladie reçoit 120 personnes pour l’obtention de remboursements.
On admet que la caisse doit payer, en moyenne, à chaque personne 1 000 dh avec un écart type de
600 dh.
La caisse dispose de 130 000 dh : calculer la probabilité que cette somme soit suffisante.
6.3.9. Une compagnie d'assurance assure une flotte de 1000 navires de valeur unitaire 1000000 de
dirhams. Seul le risque de perte totale du navire est pris en compte, la probabilité d'un tel
événement est évaluée à 0,01 pour un navire et pour une année. Les frais de gestion représentent
20 % du montant des primes payées.
a) Quelle doit être la valeur de la prime annuelle pour un navire si la compagnie désire avoir
une probabilité égale à 0,7 de réaliser des bénéfices ?
125
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
6.3.10. Une usine possède un restaurant d'entreprise qui assure chaque jour 2 services. Chacun des
900 employés de l'usine se présente indifféremment à l'un ou à l'autre des services avec une
probabilité de 0,5. Par ailleurs les choix des employés sont indépendants.
a) Quelle est la probabilité pour que le nombre de personnes se présentant au premier service
soit supérieur à 500 ?
b) De quel nombre de places faut-il disposer dans le restaurant pour que la probabilité de
pouvoir répondre à la demande aux deux services soit supérieure à 95 %.
c) Le nombre total des repas à servir chaque jour est une variable aléatoire ; chaque employé a
chaque jour une probabilité de 0,75 de prendre son repas à l'usine.
- Quelle est l'espérance mathématique de cette variable ?
- Combien de repas convient-il de préparer pour que la probabilité de satisfaire la demande soit
supérieure à 99 % ?
6.3.11. En utilisant l'approximation de la loi Khi deux par la loi normale, déterminer la valeur de
χ² correspondante à une probabilité de 0,95 et 30 degrés de liberté.
6.3.12. En utilisant l'approximation de la loi Khi deux par la loi normale, déterminer la valeur de
χ² correspondante à une probabilité de 0,95 et 150 degrés de liberté.
6.3.13. En utilisant l'approximation de la loi t de Student par la loi normale, déterminer la valeur
de t correspondante à une probabilité de 0,95 et 80 degrés de liberté.
N−n
On sait que : E(Xn) = n p et V(Xn) = npq
N −1
Xn 1 1
On démontre : E( f n ) = E( ) = E( X n ) = n p = p
n n n
X 1 1 N−n N − n pq
V( f n ) = V( n ) = V( X n ) = npq=
n n² n² N − 1 N −1 n
lim V(f n ) = 0
n →∞
126
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
Xn 1 1
On démontre : E( f n ) = E( ) = E( X n ) = n p = p
n n n
X 1 1 pq
V( f n ) = V( n ) = V( X n ) = npq=
n n² n² n
lim V(f n ) = 0
n →∞
− ∑ Xi 1 n 1
On démontre : E( X n ) = E( i =1
)= × ∑ E(Xi) = × n × m = m
n n i =1 n
n
− ∑ Xi 1 n 1 N−n
V( X n ) = V( i =1
)= × ∑ V(Xi) = ×n× × σ²
n n ² i =1 n² N −1
− N − n σ²
V( X n ) =
N −1 n
−
lim V(X n ) = 0
n →∞
n
− ∑ Xi
La moyenne Xn = i =1
calculée à partir d’un échantillon de taille n converge en probabilité
n
vers m.
127
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
− ∑ Xi 1 n 1
On démontre : E( X n ) = E( i =1
)= × ∑ E (Xi) = × n × m = m
n n i =1 n
n
− ∑ Xi 1 n 1 σ²
V( X n ) = V( i =1
)= × ∑ V(Xi) = × n × σ² =
n n ² i =1 n² n
−
lim V(X n ) = 0
n →∞
n
− ∑ Xi
La moyenne Xn = i =1
calculée à partir d’un échantillon de taille n converge en probabilité
n
vers m.
Désignons par X1 le nombre de boules blanches prélevées dans l’urne 1 et par X2, le nombre
de boules blanches prélevées dans l’urne 2.
Dans l’urne 1 on effectue 7 tirages sans remise dans une population finie. L’événement « tirer
une boule blanche » correspond à un succès dont la probabilité varie d’un tirage à un autre. Il
s’agit donc d’une loi hypergéométrique de paramètres :
S’agissant d’une population finie de taille élevée, la loi hypergéométrique peut être approchée
par la loi binomiale de paramètres :
Nombre de tirages : n = 7
Probabilité de succès : p = (20 / 50) = 0,4
L(X1) ≈ B (7 ; 0,4)
Dans l’urne 2 on effectue 7 tirages sans remise dans une population finie. L’événement tirer
une boule blanche correspond à un succès dont la probabilité varie d’un tirage à un autre. Il s’agit
donc d’une loi hypergéométrique de paramètres :
128
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
S’agissant d’une population finie de taille élevée, la loi hypergéométrique peut être approchée
par la loi binomiale de paramètres :
Nombre de tirages : n = 7
On obtient plus de boules blanches que de boules noires pour l'ensemble des 14 boules
prélevées lorsque le nombre total de boules blanches prélevées dans les deux urnes est supérieur à
7.
p(X1+X2 > 7)
X1 et X2 étant deux variables binomiales de même probabilité de succès, leur somme est aussi
une variable binomiale de paramètres :
Nombre de tirages : n = 7 + 7 = 14
Probabilité de succès : p = 0,4
L(X1 + X2) = B(14 ; 0,4)
p(X1+X2 > 7) = 1 - p(X1+X2 ≤ 7)
p(X1+X2 > 7) = 1 – [p(0) + p(1) + p(2) + p(3) + p(4) + p(5) + p(6) + p(7)]
p(0) = C14
0
0,4 0 × (1 − 0,4)14 = 0,0008
p(1) = C114 0,41 × (1 − 0,4)13 = 0,0073
p(2) = C14
2
0,4 2 × (1 − 0,4)12 = 0,0317
p(3) = C14
3
0,4 3 × (1 − 0,4)11 = 0,0845
p(4) = C14
4
0,4 4 × (1 − 0,4)10 = 0,1549
p(5) = C14
5
0,4 5 × (1 − 0,4) 9 = 0,2066
p(6) = C14
6
0,4 6 × (1 − 0,4) 8 = 0,2066
p(7) = C14
7
0,4 7 × (1 − 0,4) 7 = 0,1574
129
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
Il y a 15 % de chances d’obtenir plus de boules blanches que de boules noires pour l'ensemble
des 14 boules prélevées.
a) La loi binomiale.
Nombre de tirages : n = 10
Probabilité de succès : p = 0,01
L(X) = B(10 , 0,01)
p(k ) = Cn p k q n − k
k
La probabilité de succès tend vers zéro (0,01), la loi binomiale de paramètre n et p tend vers
une loi de Poisson de paramètre np. On peut dans ce cas effectuer les calculs de probabilités de
façon approximatives à l'aide de la formule de la loi de Poisson.
X est une variable discrète qui prend les valeurs entières de 0 à 100. Elle suit une loi binomiale
de paramètres 100 et 0,8.
130
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
La probabilité qu'au moins 75 étudiants parmi 100 étudiants réussissent l'examen est :
p(X ≥ 75)
Les produits np et nq sont respectivement 100×0,8 = 80 et 100×0,2 = 20, ils sont supérieurs à
5. On peut donc effectuer le calcul de cette probabilité d'une manière approchée à l'aide de la loi
normale de paramètres np = 80 et npq = 4.
La probabilité pour qu'au moins 75 étudiants parmi 100 étudiants réussissent l'examen est à peu
près 0,8708.
Le calcul exact à partir de la loi binomiale donne un résultat de 0,8686. On constate que
l'approximation est très satisfaisante.
b) Nombre d’étudiant pour lesquels la probabilité qu’au moins 100 réussissent est égale à 0,99.
131
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
π(2,33) = 0,99
0,8n − 100,5
= 2,33 ⇒ 0,8n − 100,5 = 2,33 x 0,4 n = 0,932 n
0,4 n
0,8n − 0,932 n − 100,5 = 0
On pose : x= n
0,932 + 322,47
x= = 11,8 (On choisit la solution positive).
2 x 0,8
n = 11,8 ⇒ n = 140 étudiants.
X est une variable discrète qui prend les valeurs entières de 0 à 100. Elle suit une loi binomiale
de paramètres 100 et 0,75.
L(X) = B(100 ; 0,75)
La probabilité pour qu'au moins 70 moustiques parmi 100 soient tués par le nouvel insecticide
est :
p(X ≥ 70)
Les produits np et nq sont respectivement 100×0,75 = 75 et 100×0,25 = 25, ils sont supérieurs
à 5. On peut donc effectuer le calcul de cette probabilité d'une manière approchée à l'aide de la loi
normale de paramètres :
np = 75 et npq = 4,33.
132
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
X − 75 70 − 75
p(X ≥ 70) = 1 − p( < ) = 1 − p( Z < −1,15)
4,33 4,33
p(X ≥ 70) = 1 − ∏(−1,15) = ∏(1,15) = 0,8749
p(X ≥ 70) ≈ 0,8749
La probabilité pour qu'au moins 70 moustiques parmi 100 soient tués par le nouvel insecticide
est à peu près 87 %.
a) Loi de probabilité de X.
La probabilité de succès tend vers zéro (0,05), la loi binomiale, de paramètre n et p, peut être
approchée par une loi de Poisson de paramètre np. On peut dans ce cas effectuer les calculs de
probabilités de façon approximatives à l'aide de la formule de la loi de Poisson.
133
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
Avoir 78 ampoules bonnes dans un lot de 80 ampoules est équivalent à avoir 2 ampoules
défectueuses.
e −4 × 4 2
p ( 2) = = 0,1465
2!
Il y a 14,65 % de chance d’avoir 78 ampoules bonnes dans un lot de 80 ampoules.
Il y a lieu de comparer les résultats trouvés dans cet exercice, par la méthode d’approximation,
avec ceux trouvés dans le même exercice au paragraphe 4.8.4.
Désignons par X la somme totale que la caisse doit payer aux 120 personnes.
X = X1 + X2 + … + X120
D'après le théorème central limite, on peut affirmer que X suit une loi normale de moyenne la
somme des moyennes et d'écart type la racine carrée de la somme des variances.
La somme de 130000 dh ne sera pas suffisante si la somme totale à rembourser aux 120
personnes dépasse 130000 dh :
Il y a donc un risque de 6,5 % pour que la somme de 130000 dirhams ne soit pas suffisante
pour rembourser toutes les personnes.
134
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
a) Valeur de la prime annuelle pour un navire si la compagnie désire avoir une probabilité
égale à 0,7 de réaliser des bénéfices.
La compagnie réalisera un bénéfice si le montant total des remboursements plus les frais de
gestion est inférieur au total des primes payées.
Le montant total des remboursements (X) dépend du nombre de navire totalement perdus (Y).
X = 1000000 Y
L’événement "perte totale du navire" correspond à un succès dont la probabilité ne varie pas
(les navires sont indépendants). Il s’agit donc d’une loi binomiale de paramètres :
π(0,52) = 0,7
0,0008P − 10
= 0,52 ⇒ p = 14547,50 dh
3,15
135
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
b) Le bénéfice B est :
X est une variable discrète qui prend les valeurs entières de 0 à 900. Elle suit une loi binomiale
de paramètres 900 et 0,5.
La probabilité pour que le nombre de personnes se présentant au premier service soit supérieur
à 500 est :
Les produits np et nq sont respectivement 900×0,5 = 450 et 900×0,5 = 450, ils sont supérieurs
à 5. On peut donc effectuer le calcul de cette probabilité d'une manière approchée à l'aide de la loi
normale de paramètres :
np = 450 et npq = 15.
Il y a très peu de chance (0,04%) pour que le nombre de personnes se présentant au premier
service soit supérieur à 500.
136
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
X et Y sont deux variables aléatoires qui suivent des lois binomiales qu’on peut approximer par
une loi normale.
Soit N le nombre de places dans le restaurant pour que la probabilité de pouvoir répondre à la
demande aux deux services soit supérieure à 95 %.
p(W ≤ N) = 0,95
N − 900
∏( 21,21
) = 0,95
∏ (1,65) = 0,95
N − 900
= 1,65 => N = 935 places
21,21
Le restaurant doit disposer d’au moins 935 places pour que la probabilité de pouvoir répondre à
la demande de deux services soit supérieure à 95 %.
c) Le nombre des repas correspond au nombre d’employés qui mangent à l’usine, désignons
cette variable par X.
137
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
La demande sera satisfaite si R est supérieure ou égale au nombre d’employés qui ont décidé
de prendre leur repas à l’usine.
R − 675
> 2,33 ⇒ R > 2,33 x 13 + 675 ⇒ R > 705 repas.
13
Il convient de préparer plus de 705 repas pour que la probabilité de satisfaire la demande soit
supérieure à 99 %.
χ²0,95 à 30 dl = 43,8
(Z 0.95 + 2 × 30 − 1)²
χ² =
2
La lecture de la table de la fonction de répartition de la loi normale réduite montre que la valeur
de z pour ∏(z) = 0,95 est égale à 1,65.
(1.65 + 59 )²
χ² = = 43.5
2
138
Probabilités 6. Convergence des lois de probabilité, loi des grands nombres
La valeur de χ²0,95 à 150 dl ne se trouve pas dans la table statistique. Le nombre de degrés de
liberté étant très grand, on peut utiliser l’approximation par la loi normale de moyenne 150 et
d’écart type 2×150 =17,32 .
χ² 0,95à150dl − 150
= Z0,95
17,32
d’où :
t 0,95 à 80 dl = 1,664
En utilisant l'approximation de la loi t par la loi normale réduite, on peut lire dans la table de la
fonction de répartition de la loi normale réduite la valeur de z pour ∏(z) = 0,95 qui est égale à
1,65.
139
TABLES STATISTIQUES
Loi Binomiale
Loi de Poisson
Loi Normale
Loi de Khi deux
Loi de Student
Loi de Fischer
140
LOI BINOMIALE L(X) = B(n ; p)
Probabilité p(X = k)
n k
0,05 0,10 0,20 0,30 0,40 0,50
0 0,9025 0,8100 0,6400 0,4900 0,3600 0,2500
2 1 0,0950 0,1800 0,3200 0,4200 0,4800 0,5000
2 0,0025 0,0100 0,0400 0,0900 0,1600 0,2500
0 0,8574 0,7290 0,5120 0,3430 0,2160 0,1250
1 0,1354 0,2430 0,3840 0,4410 0,4320 0,3750
3
2 0,0071 0,0270 0,0960 0,1890 0,2880 0,3750
3 0,0001 0,0010 0,0080 0,0270 0,0640 0,1250
0 0,8145 0,6561 0,4096 0,2401 0,1296 0,0625
1 0,1715 0,2916 0,4096 0,4116 0,3456 0,2500
4 2 0,0135 0,0486 0,1536 0,2646 0,3456 0,3750
3 0,0005 0,0036 0,0256 0,0756 0,1536 0,2500
4 0,0000 0,0001 0,0016 0,0081 0,0256 0,0625
0 0,7738 0,5905 0,3277 0,1681 0,0778 0,0312
1 0,2036 0,3280 0,4096 0,3602 0,2592 0,1562
2 0,0214 0,0729 0,2048 0,3087 0,3456 0,3125
5
3 0,0011 0,0081 0,0512 0,1323 0,2304 0,3125
4 0,0000 0,0005 0,0064 0,0284 0,0768 0,1562
5 0,0000 0,0000 0,0003 0,0024 0,0102 0,0312
LOI BINOMIALE L(X) = B(n ; p)
Probabilité p p(X = k)
n k
0,05 0,10 0,20 0,30 0,40 0,50
0 0,7351 0,5314 0,2621 0,1176 0,0467 0,0156
1 0,2321 0,3543 0,3932 0,3025 0,1866 0,0938
2 0,0305 0,0984 0,2458 0,3241 0,3110 0,2344
6 3 0,0021 0,0146 0,0819 0,1852 0,2765 0,3125
4 0,0001 0,0012 0,0154 0,0595 0,1382 0,2344
5 0,000 0,0001 0,0015 0,0102 0,0369 0,0938
6 0,000 0,0000 0,0001 0,0007 0,0041 0,0156
0 0,6983 0,4783 0,2097 0,0824 0,0280 0,0078
1 0,2573 0,3720 0,3670 0,2471 0,1306 0,0547
2 0,0406 0,1240 0,2753 0,3176 0,2613 0,1641
3 0,0036 0,0230 0,1147 0,2269 0,2903 0,2734
7
4 0,0002 0,0026 0,0287 0,0972 0,1935 0,2734
5 0,0000 0,0002 0,0043 0,0250 0,0774 0,1641
6 0,0000 0,0000 0,0004 0,0036 0,0172 0,0547
7 0,0000 0,0000 0,0000 0,0002 0,0016 0,0078
0 0,6634 0,4305 0,1678 0,0576 0,0168 0,0039
1 0,2793 0,3826 0,3355 0,1977 0,0896 0,0312
2 0,0515 0,1488 0,2936 0,2965 0,2090 0,1094
3 0,0054 0,0331 0,1468 0,2541 0,2787 0,2188
8 4 0,0004 0,0046 0,0459 0,1361 0,2322 0,2734
5 0,0000 0,0004 0,0092 0,0467 0,1239 0,2188
6 0,0000 0,0000 0,0011 0,0100 0,0413 0,1094
7 0,0000 0,0000 0,0001 0,0012 0,0079 0,0312
8 0,0000 0,0000 0,0000 0,0001 0,0007 0,0039
LOI BINOMIALE L(X) = B(n ; p)
Probabilité p(X = k)
n k
0,05 0,10 0,20 0,30 0,40 0,50
0 0,6302 0,3874 0,1342 0,0404 0,0101 0,0020
1 0,2985 0,3874 0,3020 0,1556 0,0605 0,0176
2 0,0629 0,1722 0,3020 0,2668 0,1612 0,0703
3 0,0077 0,0446 0,1762 0,2668 0,2508 0,1641
4 0,0006 0,0074 0,0661 0,1715 0,2508 0,2461
9
5 0,0000 0,0008 0,0165 0,0735 0,1672 0,2461
6 0,0000 0,0001 0,0028 0,0210 0,0743 0,1641
7 0,0000 0,0000 0,0003 0,0039 0,0212 0,0703
8 0,0000 0,0000 0,0000 0,0004 0,0035 0,0176
9 0,0000 0,0000 0,0000 0,0000 0,0003 0,0020
0 0,5987 0,3487 0,1074 0,0282 0,0060 0,0010
1 0,3151 0,3874 0,2684 0,1211 0,0403 0,0098
2 0,0746 0,1937 0,3020 0,2335 0,1209 0,0439
3 0,0105 0,0574 0,2013 0,2668 0,2150 0,1172
4 0,0010 0,0112 0,0881 0,2001 0,2508 0,2051
10 5 0,0001 0,0015 0,0264 0,1029 0,2007 0,2461
6 0,0000 0,0001 0,0055 0,0368 0,1115 0,2051
7 0,0000 0,0000 0,0008 0,0090 0,0425 0,1172
8 0,0000 0,0000 0,0001 0,0014 0,0106 0,0439
9 0,0000 0,0000 0,0000 0,0001 0,0016 0,0098
10 0,0000 0,0000 0,0000 0,0000 0,0001 0,0010
LOI DE POISSON L(X) = P(m)
Probabilité p(X=k)
k
0,2 0,4 0,6 0,8 1 1,5 2 2,5 3,00 4,00 5,00 6,00 7,00 8,00 8,50 9,00 10,00 11,00 12,00 13,00 14,00
0 0,819 0,670 0,549 0,449 0,368 0,223 0,135 0,082 0,050 0,018 0,007 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,164 0,268 0,329 0,359 0,368 0,335 0,271 0,205 0,149 0,073 0,034 0,015 0,006 0,003 0,002 0,001 0,000 0,000 0,000 0,000 0,000
2 0,016 0,054 0,099 0,144 0,184 0,251 0,271 0,257 0,224 0,147 0,084 0,045 0,022 0,011 0,007 0,005 0,002 0,001 0,000 0,000 0,000
3 0,001 0,007 0,020 0,038 0,061 0,126 0,180 0,214 0,224 0,195 0,140 0,089 0,052 0,029 0,021 0,015 0,008 0,004 0,002 0,001 0,000
4 0,000 0,001 0,003 0,008 0,015 0,047 0,090 0,134 0,168 0,195 0,175 0,134 0,091 0,057 0,044 0,034 0,019 0,010 0,005 0,003 0,001
5 0,000 0,000 0,001 0,003 0,014 0,036 0,067 0,101 0,156 0,175 0,161 0,128 0,092 0,075 0,061 0,038 0,022 0,013 0,007 0,004
6 0,000 0,001 0,004 0,012 0,028 0,050 0,104 0,146 0,161 0,149 0,122 0,107 0,091 0,063 0,041 0,025 0,015 0,009
7 0,000 0,001 0,003 0,010 0,022 0,060 0,104 0,138 0,149 0,140 0,129 0,117 0,090 0,065 0,044 0,028 0,017
8 0,000 0,001 0,003 0,008 0,030 0,065 0,103 0,130 0,140 0,138 0,132 0,113 0,089 0,066 0,046 0,030
9 0,000 0,001 0,003 0,013 0,036 0,069 0,101 0,124 0,130 0,132 0,125 0,109 0,087 0,066 0,047
10 0,000 0,001 0,005 0,018 0,041 0,071 0,099 0,110 0,119 0,125 0,119 0,105 0,086 0,066
11 0,000 0,002 0,008 0,023 0,045 0,072 0,085 0,097 0,114 0,119 0,114 0,101 0,084
12 0,001 0,003 0,011 0,026 0,048 0,060 0,073 0,095 0,109 0,114 0,110 0,098
13 0,000 0,001 0,005 0,014 0,030 0,040 0,050 0,073 0,093 0,106 0,110 0,106
14 0,000 0,002 0,007 0,017 0,024 0,032 0,052 0,073 0,090 0,102 0,106
15 0,001 0,003 0,009 0,014 0,019 0,035 0,053 0,072 0,088 0,099
16 0,000 0,001 0,005 0,007 0,011 0,022 0,037 0,054 0,072 0,087
17 0,001 0,002 0,004 0,006 0,013 0,024 0,038 0,055 0,071
18 0,000 0,001 0,002 0,003 0,007 0,015 0,026 0,040 0,055
19 0,000 0,001 0,001 0,004 0,008 0,016 0,027 0,041
20 0,000 0,001 0,002 0,005 0,010 0,018 0,029
21 0,000 0,001 0,002 0,006 0,011 0,019
22 0,000 0,001 0,003 0,006 0,012
23 0,001 0,002 0,004 0,007
24 0,000 0,001 0,002 0,004
LOI NORMALE CENTREE REDUITE L(X) = N(0 ; 1)
Probabilité P(Z<=z)
z
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
LOI NORMALE CENTREE REDUITE L(X) = N(0 ; 1)
Probabilité P(Z<=z)
z
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
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
LOI DU KHI 2
A l'intersection de la ligne k=1 et de la colonne 0,025 on lit 0,025=P(Khi deux(1)<=0,001)
k
0,001 0,005 0,01 0,025 0,05 0,1 0,5 0,9 0,95 0,975 0,99 0,995 0,999
1 0,000 0,000 0,000 0,001 0,004 0,016 0,455 2,706 3,841 5,024 6,635 7,879 10,827
2 0,002 0,010 0,020 0,051 0,103 0,211 1,386 4,605 5,991 7,378 9,210 10,597 13,815
3 0,024 0,072 0,115 0,216 0,352 0,584 2,366 6,251 7,815 9,348 11,345 12,838 16,266
4 0,091 0,207 0,297 0,484 0,711 1,064 3,357 7,779 9,488 11,143 13,277 14,860 18,466
5 0,210 0,412 0,554 0,831 1,145 1,610 4,351 9,236 11,070 12,832 15,086 16,750 20,515
6 0,381 0,676 0,872 1,237 1,635 2,204 5,348 10,645 12,592 14,449 16,812 18,548 22,457
7 0,599 0,989 1,239 1,690 2,167 2,833 6,346 12,017 14,067 16,013 18,475 20,278 24,321
8 0,857 1,344 1,647 2,180 2,733 3,490 7,344 13,362 15,507 17,535 20,090 21,955 26,124
9 1,152 1,735 2,088 2,700 3,325 4,168 8,343 14,684 16,919 19,023 21,666 23,589 27,877
10 1,479 2,156 2,558 3,247 3,940 4,865 9,342 15,987 18,307 20,483 23,209 25,188 29,588
11 1,834 2,603 3,053 3,816 4,575 5,578 10,341 17,275 19,675 21,920 24,725 26,757 31,264
12 2,214 3,074 3,571 4,404 5,226 6,304 11,340 18,549 21,026 23,337 26,217 28,300 32,909
13 2,617 3,565 4,107 5,009 5,892 7,041 12,340 19,812 22,362 24,736 27,688 29,819 34,527
14 3,041 4,075 4,660 5,629 6,571 7,790 13,339 21,064 23,685 26,119 29,141 31,319 36,124
15 3,483 4,601 5,229 6,262 7,261 8,547 14,339 22,307 24,996 27,488 30,578 32,801 37,698
16 3,942 5,142 5,812 6,908 7,962 9,312 15,338 23,542 26,296 28,845 32,000 34,267 39,252
17 4,416 5,697 6,408 7,564 8,672 10,085 16,338 24,769 27,587 30,191 33,409 35,718 40,791
18 4,905 6,265 7,015 8,231 9,390 10,865 17,338 25,989 28,869 31,526 34,805 37,156 42,312
19 5,407 6,844 7,633 8,907 10,117 11,651 18,338 27,204 30,144 32,852 36,191 38,582 43,819
20 5,921 7,434 8,260 9,591 10,851 12,443 19,337 28,412 31,410 34,170 37,566 39,997 45,314
21 6,447 8,034 8,897 10,283 11,591 13,240 20,337 29,615 32,671 35,479 38,932 41,401 46,796
22 6,983 8,643 9,542 10,982 12,338 14,041 21,337 30,813 33,924 36,781 40,289 42,796 48,268
23 7,529 9,260 10,196 11,689 13,091 14,848 22,337 32,007 35,172 38,076 41,638 44,181 49,728
24 8,085 9,886 10,856 12,401 13,848 15,659 23,337 33,196 36,415 39,364 42,980 45,558 51,179
25 8,649 10,520 11,524 13,120 14,611 16,473 24,337 34,382 37,652 40,646 44,314 46,928 52,619
26 9,222 11,160 12,198 13,844 15,379 17,292 25,336 35,563 38,885 41,923 45,642 48,290 54,051
27 9,803 11,808 12,878 14,573 16,151 18,114 26,336 36,741 40,113 43,195 46,963 49,645 55,475
28 10,391 12,461 13,565 15,308 16,928 18,939 27,336 37,916 41,337 44,461 48,278 50,994 56,892
29 10,986 13,121 14,256 16,047 17,708 19,768 28,336 39,087 42,557 45,722 49,588 52,335 58,301
30 11,588 13,787 14,953 16,791 18,493 20,599 29,336 40,256 43,773 46,979 50,892 53,672 59,702
LOI DE STUDENT
Probabilité P(T<=z)=p
k
0,6 0,7 0,8 0,9 0,95 0,975 0,99 0,995
1 0,325 0,727 1,376 3,078 6,314 12,71 31,82 63,66
2 0,289 0,617 1,061 1,886 2,920 4,303 6,965 9,925
3 0,277 0,584 0,978 1,638 2,353 3,182 4,541 5,841
4 0,271 0,569 0,941 1,533 2,132 2,776 3,747 4,604
5 0,267 0,559 0,920 1,476 2,015 2,571 3,365 4,032
6 0,265 0,553 0,906 1,440 1,943 2,447 3,143 3,707
7 0,263 0,549 0,896 1,415 1,895 2,365 2,998 3,499
8 0,262 0,546 0,889 1,397 1,860 2,306 2,896 3,355
9 0,261 0,543 0,883 1,383 1,833 2,262 2,821 3,250
10 0,260 0,542 0,879 1,372 1,812 2,228 2,764 3,169
11 0,260 0,540 0,876 1,363 1,796 2,201 2,718 3,106
12 0,259 0,539 0,873 1,356 1,782 2,179 2,681 3,055
13 0,259 0,538 0,870 1,350 1,771 2,160 2,650 3,012
14 0,258 0,537 0,868 1,345 1,761 2,145 2,624 2,977
15 0,258 0,536 0,866 1,341 1,753 2,131 2,602 2,947
16 0,258 0,535 0,865 1,337 1,746 2,120 2,583 2,921
17 0,257 0,534 0,863 1,333 1,740 2,110 2,567 2,898
18 0,257 0,534 0,862 1,330 1,734 2,101 2,552 2,878
19 0,257 0,533 0,861 1,328 1,729 2,093 2,539 2,861
20 0,257 0,533 0,860 1,325 1,725 2,086 2,528 2,845
21 0,257 0,532 0,859 1,323 1,721 2,080 2,518 2,831
22 0,256 0,532 0,858 1,321 1,717 2,074 2,508 2,819
23 0,256 0,532 0,858 1,319 1,714 2,069 2,500 2,807
24 0,256 0,531 0,857 1,318 1,711 2,064 2,492 2,797
25 0,256 0,531 0,856 1,316 1,708 2,060 2,485 2,787
26 0,256 0,531 0,856 1,315 1,706 2,056 2,479 2,779
LOI DE STUDENT
Probabilité P(T<=z)=p
k
0,6 0,7 0,8 0,9 0,95 0,975 0,99 0,995
27 0,256 0,531 0,855 1,314 1,703 2,052 2,473 2,771
28 0,256 0,530 0,855 1,313 1,701 2,048 2,467 2,763
29 0,256 0,530 0,854 1,311 1,699 2,045 2,462 2,756
30 0,256 0,530 0,854 1,310 1,697 2,042 2,457 2,750
40 0,255 0,529 0,851 1,303 1,684 2,021 2,423 2,704
60 0,254 0,527 0,848 1,296 1,671 2,000 2,390 2,660
80 0,254 0,527 0,846 1,292 1,664 1,990 2,374 2,639
100 0,254 0,526 0,845 1,290 1,660 1,984 2,365 2,626
200 0,254 0,525 0,843 1,286 1,653 1,972 2,345 2,601
500 0,253 0,525 0,842 1,283 1,648 1,965 2,334 2,586
∞ 0,253 0,524 0,842 1,282 1,645 1,960 2,326 2,576
LOI DE FISHER
K2
K1
1 2 3 4 5 6 7 8 9 10 15 20 30 50 100 200 500 ∞
1 161 200 216 225 230 234 237 239 241 242 246 248 250 252 253 254 254 254
2 18,5 19,0 19,2 19,2 19,3 19,3 19,4 19,4 19,4 19,4 19,4 19,4 19,5 19,5 19,5 19,5 19,5 19,5
3 10,1 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,70 8,66 8,62 8,58 8,55 8,54 8,53 8,53
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,86 5,80 5,75 5,70 5,66 5,65 5,64 5,63
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,62 4,56 4,50 4,44 4,41 4,39 4,37 4,37
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 3,94 3,87 3,81 3,75 3,71 3,69 3,68 3,67
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,51 3,44 3,38 3,32 3,27 3,25 3,24 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,22 3,15 3,08 3,02 2,97 2,95 2,94 2,93
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,01 2,94 2,86 2,80 2,76 2,73 2,72 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,85 2,77 2,70 2,64 2,59 2,56 2,55 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,72 2,65 2,57 2,51 2,46 2,43 2,42 2,40
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,62 2,54 2,47 2,40 2,35 2,32 2,31 2,30
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,53 2,46 2,38 2,31 2,26 2,23 2,22 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,46 2,39 2,31 2,24 2,19 2,16 2,14 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,40 2,33 2,25 2,18 2,12 2,10 2,08 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,35 2,28 2,19 2,12 2,07 2,04 2,02 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,31 2,23 2,15 2,08 2,02 1,99 1,97 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,27 2,19 2,11 2,04 1,98 1,95 1,93 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,23 2,16 2,07 2,00 1,94 1,91 1,89 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,20 2,12 2,04 1,97 1,91 1,88 1,86 1,84
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,15 2,07 1,98 1,91 1,85 1,82 1,80 1,78
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,11 2,03 1,94 1,86 1,80 1,77 1,75 1,73
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,07 1,99 1,90 1,82 1,76 1,73 1,71 1,69
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,04 1,96 1,87 1,79 1,73 1,69 1,67 1,65
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,01 1,93 1,84 1,76 1,70 1,66 1,64 1,62
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,87 1,78 1,69 1,60 1,52 1,48 1,46 1,44
100 3,94 3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93 1,77 1,68 1,57 1,48 1,39 1,34 1,31 1,28
200 3,89 3,04 2,65 2,42 2,26 2,14 2,06 1,98 1,93 1,88 1,72 1,62 1,52 1,41 1,32 1,26 1,22 1,19
500 3,86 3,01 2,62 2,39 2,23 2,12 2,03 1,96 1,90 1,85 1,69 1,59 1,48 1,38 1,28 1,21 1,16 1,11
∞ 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,67 1,57 1,46 1,35 1,24 1,17 1,11 1,00
LOI DE FISHER
K2
K1
1 2 3 4 5 6 7 8 9 10 15 20 30 50 100 200 500 ∞
1 4050 5000 5400 5630 5760 5860 5930 5980 6020 6060 6160 6210 6260 6300 6330 6350 6360 6370
2 98,5 99,0 99,2 99,2 99,3 99,3 99,4 99,4 99,4 99,4 99,4 99,4 99,5 99,5 99,5 99,5 99,5 99,5
3 34,1 30,8 29,5 28,7 28,2 27,9 27,7 27,5 27,3 27,2 26,9 26,7 26,5 26,4 26,2 26,2 26,1 26,1
4 21,2 18,0 16,7 16,0 15,5 15,2 15,0 14,8 14,7 14,5 14,2 14,0 13,8 13,7 13,6 13,5 13,5 13,5
5 16,3 13,3 12,1 11,4 11,0 10,7 10,5 10,3 10,2 10,1 9,72 9,55 9,38 9,24 9,13 9,08 9,04 9,02
6 13,7 10,9 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,56 7,40 7,23 7,09 6,99 6,93 6,90 6,88
7 12,2 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,31 6,16 5,99 5,86 5,75 5,70 5,67 5,65
8 11,3 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,52 5,36 5,20 5,07 4,96 4,91 4,88 4,86
9 10,6 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 4,96 4,81 4,65 4,52 4,42 4,36 4,33 4,31
10 10,0 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,56 4,41 4,25 4,12 4,01 3,96 3,93 3,91
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,25 4,10 3,94 3,81 3,71 3,66 3,62 3,60
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,01 3,86 3,70 3,57 3,47 3,41 3,38 3,36
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 3,82 3,66 3,51 3,38 3,27 3,22 3,19 3,17
14 8,86 6,51 5,56 5,04 4,70 4,46 4,28 4,14 4,03 3,94 3,66 3,51 3,35 3,22 3,11 3,06 3,03 3,00
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,52 3,37 3,21 3,08 2,98 2,92 2,89 2,87
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,41 3,26 3,10 2,97 2,86 2,81 2,78 2,75
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,31 3,16 3,00 2,87 2,76 2,71 2,68 2,65
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,23 3,08 2,92 2,78 2,68 2,62 2,59 2,57
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,15 3,00 2,84 2,71 2,60 2,55 2,51 2,49
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,09 2,94 2,78 2,64 2,54 2,48 2,44 2,42
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 2,98 2,83 2,67 2,53 2,42 2,36 2,33 2,31
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 2,89 2,74 2,58 2,44 2,33 2,27 2,24 2,21
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 2,82 2,66 2,50 2,36 2,25 2,19 2,16 2,13
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,75 2,60 2,44 2,30 2,19 2,13 2,09 2,06
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,70 2,55 2,39 2,25 2,13 2,07 2,03 2,01
50 7,17 5,06 4,20 3,72 3,41 3,19 3,02 2,89 2,79 2,70 2,42 2,27 2,10 1,95 1,82 1,76 1,71 1,68
100 6,90 4,82 3,98 3,51 3,21 2,99 2,82 2,69 2,59 2,50 2,22 2,07 2,1,89 1,73 1,60 1,52 1,47 1,43
200 6,76 4,71 3,88 3,41 3,11 2,89 2,73 2,60 2,50 2,41 2,13 1,97 1,79 1,63 1,48 1,39 1,33 1,28
500 6,69 4,65 3,82 3,36 3,05 2,84 2,68 2,55 2,44 2,36 2,07 1,92 1,74 1,56 1,41 1,31 1,23 1,16
∞ 6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,04 1,88 1,70 1,52 1,36 1,25 1,15 1,00
LOI DE FISHER
K2 K1
1 2 3 4 5 6 7 8 9 10 15 20 30 50 100 200 500 ∞
2 998 999 999 999 999 999 999 999 999 999 999 999 999 999 999 999 999 999
3 168 148 141 137 135 133 132 131 130 129 127 126 125 125 124 124 124 124
4 74,1 61,2 56,2 53,4 51,7 50,5 49,7 49,0 48,5 48,0 46,8 46,1 45,4 44,9 44,5 44,3 44,1 44,0
5 47,0 36,6 33,2 31,1 29,8 28,8 28,2 27,6 27,2 26,9 25,9 25,4 24,9 24,4 24,1 23,9 23,8 23,8
6 35,5 27,0 23,7 21,9 20,8 20,0 19,5 19,0 18,7 18,4 17,6 17,1 16,7 16,3 16,0 15,9 15,8 15,8
7 29,2 21,7 18,8 17,2 16,2 15,5 15,0 14,6 14,3 14,1 13,3 12,9 12,5 12,2 11,9 11,8 11,7 11,7
8 25,4 18,5 15,8 14,4 13,5 12,9 12,4 12,0 11,8 11,5 10,8 10,5 10,1 9,80 9,57 9,46 9,39 9,34
9 22,9 16,4 13,9 12,6 11,7 11,1 10,7 10,4 10,1 9,89 9,24 8,90 8,55 8,26 8,04 7,93 7,86 7,81
10 21,0 14,9 12,6 11,3 10,5 9,92 9,52 9,20 8,96 8,75 8,13 7,80 7,47 7,19 6,98 6,87 6,81 6,76
11 19,7 13,8 11,6 10,4 9,58 9,05 8,66 8,35 8,12 7,92 7,32 7,01 6,68 6,41 6,21 6,10 6,04 6,00
12 18,6 13,0 10,8 9,63 8,89 8,38 8,00 7,71 7,48 7,29 6,71 6,40 6,09 5,83 5,63 5,52 5,46 5,42
13 17,8 12,3 10,2 9,07 8,35 7,86 7,49 7,21 6,98 6,80 6,23 5,93 5,62 5,37 5,17 5,07 5,01 4,97
14 17,1 11,8 9,73 8,62 7,92 7,43 7,08 6,80 6,58 6,40 5,85 5,56 5,25 5,00 4,80 4,70 4,64 4,60
15 16,6 11,3 9,34 8,25 7,57 7,09 6,74 6,47 6,26 6,08 5,53 5,25 4,95 4,70 4,51 4,41 4,35 4,31
16 16,1 11,0 9,00 7,94 7,27 6,81 6,46 6,19 5,98 5,81 5,27 4,99 4,70 4,45 4,26 4,16 4,10 4,06
17 15,7 10,7 8,73 7,68 7,02 6,56 6,22 5,96 5,75 5,58 5,05 4,78 4,48 4,24 4,05 3,95 3,89 3,85
18 15,4 10,4 8,49 7,46 6,81 6,35 6,02 5,76 5,56 5,39 4,87 4,59 4,30 4,06 3,87 3,77 3,71 3,67
19 15,1 10,2 8,28 7,26 6,61 6,18 5,84 5,59 5,39 5,22 4,70 4,43 4,14 3,90 3,71 3,61 3,55 3,51
20 14,8 9,95 8,10 7,10 6,46 6,02 5,69 5,44 5,24 5,08 4,56 4,29 4,01 3,77 3,58 3,48 3,42 3,38
22 14,4 9,61 7,80 6,81 6,19 5,76 5,44 5,19 4,99 4,83 4,32 4,06 3,77 3,53 3,34 3,25 3,19 3,15
24 14,0 9,34 7,55 6,59 5,98 5,55 5,23 4,99 4,80 4,64 4,14 3,87 3,59 3,35 3,16 3,07 3,01 2,97
26 13,7 9,12 7,36 6,41 5,80 5,38 5,07 4,83 4,64 4,48 3,99 3,72 3,45 3,20 3,01 2,92 2,86 2,82
28 13,5 8,93 7,19 6,25 5,66 5,24 4,93 4,69 4,50 4,35 3,86 3,60 3,32 3,08 2,89 2,79 2,73 2,70
30 13,3 8,77 7,05 6,12 5,53 5,12 4,82 4,58 4,39 4,24 3,75 3,49 3,22 2,98 2,79 2,69 2,63 2,59
50 12,2 7,95 6,34 5,46 4,90 4,51 4,22 4,00 3,82 3,67 3,20 2,95 2,68 2,44 2,24 2,14 2,07 2,03
100 11,5 7,41 5,85 5,01 4,48 4,11 3,83 3,61 3,44 3,30 2,84 2,59 2,32 2,07 1,87 1,75 1,68 1,62
200 11,2 7,15 5,64 4,81 4,29 3,92 3,65 3,43 3,26 3,12 2,67 2,42 2,15 1,90 1,68 1,55 1,46 1,39
500 11,0 7,01 5,51 4,69 4,18 3,82 3,54 3,33 3,16 3,02 2,58 2,33 2,05 1,80 1,57 1,43 1,32 1,23
∞ 10,8 6,91 5,42 4,62 4,10 3,74 3,47 3,27 3,10 2,96 2,51 2,27 1,99 1,73 1,49 1,34 1,21 1,00
LOI DE FISHER
P(F<=z) = 0,9995
K1
K2 50 100 200 500
1 2 3 4 5 6 7 8 9 10 15 20 30 ∞
2 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000
3 266 237 225 218 214 211 209 208 207 206 203 201 199 198 197 197 196 196
4 106 87,4 80,1 76,1 73,6 71,9 70,6 69,7 68,9 68,3 66,5 65,5 64,6 63,8 63,2 62,9 62,7 62,6
5 63,6 49,8 44,4 41,5 39,7 38,5 37,6 36,9 36,4 35,9 34,6 33,9 33,1 32,5 32,1 31,8 31,7 31,6
6 46,1 34,8 30,4 28,1 26,6 25,6 24,9 24,3 23,9 23,5 22,4 21,9 21,4 20,9 20,5 20,3 20,2 20,1
7 37,0 27,2 23,5 21,4 20,2 19,3 18,7 18,2 17,8 17,5 16,5 16,0 15,5 15,1 14,7 14,6 14,5 14,4
8 31,6 22,8 19,4 17,6 16,4 15,7 15,1 14,6 14,3 14,0 13,1 12,7 12,2 11,8 11,6 11,4 11,4 11,3
9 28,0 19,9 16,8 15,1 14,1 13,3 12,8 12,4 12,1 11,8 11,0 10,6 10,2 9,80 9,53 9,40 9,32 9,26
10 25,5 17,9 15,0 13,4 12,4 11,8 11,3 10,9 10,6 10,3 9,56 9,16 8,75 8,42 8,16 8,04 7,96 7,90
11 23,6 16,4 13,6 12,2 11,2 10,6 10,1 9,76 9,48 9,24 8,52 8,14 7,75 7,43 7,18 7,06 6,98 6,93
12 22,2 15,3 12,7 11,2 10,4 9,74 9,28 8,94 8,66 8,43 7,74 7,37 7,00 6,68 6,45 6,33 6,25 6,20
13 21,1 14,4 11,9 10,5 9,66 9,07 8,63 8,29 8,03 7,81 7,13 6,78 6,42 6,11 5,88 5,76 5,69 5,64
14 20,2 13,7 11,3 9,95 9,11 8,53 8,11 7,78 7,52 7,31 6,65 6,31 5,95 5,66 5,43 5,31 5,24 5,19
15 19,5 13,2 10,8 9,48 8,66 8,10 7,68 7,36 7,11 6,91 6,27 5,93 5,58 5,29 5,06 4,94 4,87 4,83
16 18,9 12,7 10,3 9,08 8,29 7,74 7,33 7,02 6,77 6,57 5,94 5,61 5,27 4,98 4,76 4,64 4,57 4,52
17 18,4 12,3 9,99 8,75 7,98 7,44 7,04 6,73 6,49 6,29 5,67 5,34 5,01 4,72 4,50 4,39 4,32 4,27
18 17,9 11,9 9,69 8,47 7,71 7,18 6,78 6,48 6,24 6,05 5,44 5,12 4,78 4,50 4,28 4,17 4,10 4,06
19 17,5 11,6 9,42 8,23 7,48 6,95 6,57 6,27 6,03 5,84 5,25 4,92 4,59 4,31 4,09 3,98 3,91 3,87
20 17,2 11,4 9,20 8,02 7,28 6,76 6,38 6,08 5,85 5,66 5,07 4,75 4,42 4,15 3,93 3,82 3,75 3,70
22 16,6 11,0 8,82 7,67 6,94 6,44 6,07 5,78 5,55 5,36 4,79 4,47 4,15 3,88 3,66 3,55 3,48 3,44
24 16,2 10,6 8,52 7,39 6,68 6,18 5,82 5,54 5,31 5,13 4,55 4,25 3,93 3,66 3,44 3,33 3,27 3,22
26 15,8 10,3 8,27 7,16 6,46 5,98 5,62 5,34 5,12 4,94 4,37 4,07 3,75 3,48 3,27 3,16 3,09 3,04
28 15,5 10,1 8,07 6,98 6,28 5,80 5,45 5,18 4,96 4,78 4,22 3,92 3,61 3,34 3,13 3,01 2,95 2,90
30 15,2 9,90 7,90 6,82 6,14 5,66 5,31 5,04 4,82 4,65 4,10 3,80 3,48 3,22 3,00 2,89 2,82 2,78
50 13,9 8,88 7,01 6,01 5,37 4,93 4,60 4,34 4,14 3,98 3,45 3,16 2,86 2,59 2,37 2,25 2,17 2,13
100 13,0 8,21 6,43 5,47 4,87 4,44 4,13 3,89 3,70 3,54 3,03 2,75 2,44 2,18 1,95 1,82 1,74 1,67
200 12,5 7,90 6,16 5,23 4,64 4,23 3,92 3,68 3,49 3,34 2,83 2,56 2,25 1,98 1,74 1,60 1,50 1,42
500 12,3 7,72 6,01 5,09 4,51 4,10 3,80 3,56 3,36 3,21 2,72 2,45 2,14 1,87 1,61 1,46 1,34 1,24
∞ 12,1 7,60 5,91 5,00 4,42 4,02 3,72 3,48 3,30 3,14 2,65 2,37 2,07 1,79 1,53 1,36 1,22 1,00
Probabilités Bibliographie
BIBLIOGRAPHIE
163