COURS DE PROBABILITE

2i`eme annee deconomie et de gestion

Semestre 1
Laurence GRAMMONT
Laurence.Grammont@univ-st-etienne.fr
Les solutions des exercices poses dans ce polycopie
ne sont pas redigees.
October 3, 2003
2
Contents
1 Prerequis
Denombrements
Theorie des ensembles 5
1.1 Denombrement. Analyse combinatoire . . . . . . . . . . . . . 5
1.1.1 Principe multiplicatif . . . . . . . . . . . . . . . . . . . 5
1.1.2 Permutations sans repetitions . . . . . . . . . . . . . . 6
1.1.3 Les arrangements sans repetition . . . . . . . . . . . . 7
1.1.4 Combinaisons sans repetitions . . . . . . . . . . . . . . 8
1.2 Theorie sommaire des ensembles . . . . . . . . . . . . . . . . . 9
1.2.1 Denitions . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2 Proprietes . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 Notion de cardinal . . . . . . . . . . . . . . . . . . . . 10
2 Introduction au calcul des probabilites 11
2.1 Du langage ensembliste `a celui des ev`enements . . . . . . . . . 11
2.2 Denition des probabilites dans le cas ni . . . . . . . . . . 12
2.3 Probabilites : Denition axiomatique . . . . . . . . . . . . . . 14
2.4 Probabilites conditionnelles.
Notion dindependance . . . . . . . . . . . . . . . . . . . . . . 15
2.5 Exercices dapplication . . . . . . . . . . . . . . . . . . . . . . 22
3 Variables aleatoires et lois de probabilites 25
3.1 Espace probabilise et loi de probabilite . . . . . . . . . . . . . 25
3.1.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.3 Lois discr`etes et lois continues . . . . . . . . . . . . . . 26
3.2 Notion de variable aleatoire et loi de probabilite dune variable
aleatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3
4 CONTENTS
3.2.1 Exemple introductif . . . . . . . . . . . . . . . . . . . . 26
3.2.2 Denitions . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.4 Fonction de repartition dune loi de probabilite dune
v.a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 Variables aleatoires discr`etes . . . . . . . . . . . . . . . . . . . 29
3.3.1 Rappel de statistique descriptive univariee . . . . . . . 29
3.3.2 Denitions dune v.a.d. et de sa loi de probabilite . . . 29
3.3.3 Fonction de repartition . . . . . . . . . . . . . . . . . . 30
3.3.4 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4 Variables aleatoires continues (v.a.c) . . . . . . . . . . . . . . 32
3.4.1 Denition - Fonction de repartition . . . . . . . . . . . 32
3.4.2 Fonction densite . . . . . . . . . . . . . . . . . . . . . . 33
3.4.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5 Caracteristiques dune variable aleatoire . . . . . . . . . . . . 34
3.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5.2 Esperance . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.5.3 Variances . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.5.4 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5.5 Mediane et Mode . . . . . . . . . . . . . . . . . . . . . 40
3.5.6 Fonction dune variable aleatoire . . . . . . . . . . . . 41
4 Lois discr`etes usuelles 45
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Schema de Bernouilli . . . . . . . . . . . . . . . . . . . . . . . 46
4.3 Le shema Binomial . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4 Le schema hypergeometrique . . . . . . . . . . . . . . . . . . . 50
4.5 Loi geometrique et loi de Pascal . . . . . . . . . . . . . . . . . 52
4.6 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Chapter 1
Prerequis
Denombrements
Theorie des ensembles
1.1 Denombrement. Analyse combinatoire
Elle a pour but de denombrer les dierentes dispositions que lon peut former
`a partir dun ensemble delements.
dispositions : sous ensembles ordonnes ou non dun ensemble.
1.1.1 Principe multiplicatif
Principe
Soit une experience qui comporte 2 etapes : la 1`ere qui a p resultats possibles
et chacun de ces resultats donne lieu `a q resultats lors de la 2`eme. Alors
lexperience a p q resultats possibles.
Remarque : Le principe multiplicatif peut senoncer ainsi : si un ev`enement
A peut se produire de p facons et si un ev`enement B peut se produire de q
facons, la realisation de A suivie de B peut se produire de p q facons.
Exemple 1
On jette 3 des identiques. Combien y-a-t-il de resultats possibles ?
6
3
5
6CHAPTER 1. PR

EREQUISD

ENOMBREMENTSTH

EORIE DES ENSEMBLES

Exemple 2
Une urne contient 1R, 1B, 1N, 1V . On eectue 2 tirages successifs avec
remise. Combien y-a-t-il de resultats possibles ?
4 4 = 16
(cela correspond au principe multiplicatif)
Consequence
Si une experience consiste `a repeter n fois de facon independante une meme experience

0
qui a p resultats possibles, alors a p
n
= p p . . . p
. .. .
fois
issues possibles.
1.1.2 Permutations sans repetitions
Exemple :
On a 3 lettres a, b, c
Les permutations sont les sous-ensembles ordonnes de a, b, c
abc acb bac cab cba bca
Denition
Une permutation de n elements est une disposition ordonnee sans repetition de ces
n elements. (une facon de ranger cote `a cote ces n elements)
Resultat
Si {
n
est le nombre de permutations de n elements alors
{
n
= n!
preuve :
Soit n elements a
1
, a
2
, . . . , a
n
.
a
1
: on peut le mettre dans nimporte quelle case
a
2
: dans n 1 cases
a
n
: dans une case.
Exemple 1
De combien de mani`ere peut-on classer 4 individus.
{
4
= 4! = 24
1.1. D

ENOMBREMENT. ANALYSE COMBINATOIRE 7

Exemple 2
Une matresse de maison doit placer 6 personnes autour dune table ronde.
Combien a-t-elle de possibilites.
{
5
= 5!
Exemple 3
Un geophile dispose de 21 paires de bottes de couleurs dierentes pour chausser
ses 42 pattes (21 G et 21 D)
1

) De combien de facon peut-il se chausser

2

) De combien de facon peut-il se chausser avec m couleur pied D et pied G

Solution : 1

) 21 ! 21 ! 2

) 21 !
1.1.3 Les arrangements sans repetition
Exemple :
On a 3 lettres a, b, c. Combien y-a-t-il de mots de 2 lettres dierentes :
ab ba ac ca bc cb : il y a 6 mots de 2 lettres : arrangements de 2 elements
parmi 3
Denition :
Un arrangement de p elements parmi n est une disposition ordonnee sans repetition
de p elements.
(une facon de ranger p elements pris parmi n en tenant compte de lordre)
Resultat
A
p
n
= nb darrangement de p elements parmi n
A
p
n
=
n!
(n p)!
preuve :
1`ere place : n possibilites
2`eme place : n 1 possibilites
p`eme place : n p + 1 possibilites
Exemple 1
Pour acceder `a une banque de donnees, il faut 4 lettres dierentes. Combien
de mots de passe peut-on avoir ?
A
4
26
= 258800
8CHAPTER 1. PR

EREQUISD

ENOMBREMENTSTH

EORIE DES ENSEMBLES

Exemple 2
12 candidats se presentent aux elections dun conseil dadministration com-
portant 8 places =.
Combien de listes possibles y-a-t-il ?
A
8
12
=
12!
4!
Remarque
Quest-ce quun arrangement avec repetition de p elements parmi n ?
Cest une disposition ordonnee de p elements avec autant de repetition que
lon souhaite.
Le nombre darrangements avec repetition est de n
p
1.1.4 Combinaisons sans repetitions
Exemple
On a 4 elements a, b, c, d
Les combinaisons de 2 elements sont a, b a, c a, d b, c b, d c, d.
Il y en a 6.
Denition
Une combinaison de p elements parmi n est une disposition non ordonnee de p elements
parmi n.
(sous ensembles de p elements parmi n)
Remarque
Arrangement : on tient compte de lordre
Combinaison : on ne tient pas compte de lordre.
2 arrangements comportant les memes elements denissent une seule combi-
naison.
Resultat
Le nombre de combinaisons de p elements parmi n est C
p
n
=
n!
(n p)!p!
preuve : A partir dune combinaison de p elements on peut faire p! arrange-
ments
A
p
n
= p!C
p
n
Proprietes
1.2. TH

EORIE SOMMAIRE DES ENSEMBLES 9

C
0
n
= C
n
n
= 1
C
j
n+1
= C
j1
n
+ C
j
n
(a + b)
n
=
n

k=0
C
k
n
a
k
b
nk
(formule du binome)
1.2 Theorie sommaire des ensembles
1.2.1 Denitions
- Un ensemble est une collection dobjets appeles elements.
- ensemble vide : il ne contient aucun element.
- Soit un ensemble
Un ensemble A est un sous ensemble de ou une partie de si tous les
elements de A sont elements de .
on dit aussi que A est une partie de .
Lensemble des parties de est note {().
Ex : donner lensemble des parties de avec = a, b, c.
{() = a, b, c a, b a, c b, c a b c
(8 elements)
Soient , A, B {()
- Appartenance x A signie que lelement x appartient `a lensemble A.
x / A signie que lelement x nappartient pas `a A.
- Inclusion A B signie que tous les elements de A sont dans lensemble B.
A B.
- Complementaire

A (ou A
c
) ensemble des elements de qui nappartiennent pas `a A.
- Union A B : x A B x A ou x B.
- Intersection A B : x A B x A et x B.
Remarque :

A A = A
A = A
si A B alors A B = B

A A = A
A =
si A B alors A B = A
Denition

A et B sont disjoints ssi

A B =
10CHAPTER 1. PR

EREQUISD

ENOMBREMENTSTH

EORIE DES ENSEMBLES

- Dierence A`B = A B
- E, F des ensembles
Une application de E dans F est une correspondance qui aux elements x E
associe des elements y de F.
1.2.2 Proprietes

A B = B A
A B = B A
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
A B = A B
A B = A B
1.2.3 Notion de cardinal
Si a un nombre ni delements, alors pour tout A {(), A a egalement
un nombre ni delements.
cardinal de A, note card(A) est le nombre delements de A.
Proprietes

card A = card card A

card A B = card A + card B card (A B)
card (A/B) = card A card (A B)
card = 0
Chapter 2
Introduction au calcul des
probabilites
Ce sont les jeux de hasard qui sont `a lorigine du calcul des probabilites. Vers
1654, Pascal et Fermat se sont confrontes au probl`eme suivant : pourquoi en
jetant 3 des obtient-on plus souvent la somme 11 que la somme 10 alors que
pour 11 : 146, 236, 155, 335, 443, 245
pour 12 : 156, 246, 255, 345, 336, 444
Cest `a la suite de leur correspondance quest ne le calcul des probabilites.
Les probabilites ont connu un grand essor au XIX
e
. Mais ce nest quen
1933 que grace `a Kolmogorov le calcul des probabilites sinscrit enn dans
un cadre theorique rigoureux.
La decouverte de la physique quantique et des theories modernes de limprevisibilite
redonnent au calcul des probabilites une place centrale dans letude de la na-
ture.
2.1 Du langage ensembliste `a celui des ev`enements
On a une experience aleatoire (tirage dune carte, lancement dun de) qui est
une action qui debouche sur plusieurs resultats possibles. Pour la denir, il
sagit de recenser lensemble de ses resultats possibles appeles eventualites
ou ev`enements elementaires.
On appelle univers lensemble de ses eventualites et il est note .
11
12 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILIT

ES
Un ev`enement est un ensemble deventualites note A, cest donc aussi une
partie de .(A {()).
On represente un ev`enement par un ensemble.
Ex : jet de de = exp aleatoire
univers = 1,2,3,4,5,6
eventualites 1 2 ... 6
ev`enement A : tomber sur un pair A = 2, 4, 6
A est lev`enement realise quand A ne lest pas
A = 1, 3, 5.
A B est lev`enement qui est realise d`es que lun au moins des evenements
A ou B lest.
A B est lev`enement qui est realise d`es que les evenements A et B le sont.
A = 2, 4, 6 B = tomber sur un nombre 3.
A B = 1, 2, 3, 4, 6
A B = 2
est lev`enement certain : realise `a coup s ur.
est lev`enement impossible : obtenir 7 par exemple.
A B signie que chaque fois que A est realise B lest aussi.
A B = : evenements incompatibles.
Soit lensemble des eventualites ou univers.
On arrive au point essentiel de denir la probabilite dun ev`enement A (A
) qui doit mesurer la chance que lev`enement A a de se realiser lorsquon
eectue une epreuve.
La complexite de la denition depend de celle de :
ni, inni denombrable, inni non denombrable.
2.2 Denition des probabilites dans le cas
ni
Probabilite de Laplace (XVIII
e
)
Elle correspond `a la notion intuitive de probabilite.
Denition
2.2. D

EFINITION DES PROBABILIT

ES DANS LE CAS FINI 13

soit ni,dont les evenements elementaires sont equiprobables.

P(A) =
card A
card
=
Nb cas favorables
Nb cas possibles
Attention `a lhypoth`ese dequiprobabilite.
Exemple 1 :
Une urne contient 1B 1N
On fait 2 tirages avec remise
Proba davoir 2 Noires ?
On a = (N, N); (B, B); (B, N); (N, B). card = 4 (ou alors on ap-
plique le principe multiplicatif vu quil y a independance).
A : avoir 2 Noires. A = (N, N).
On a P(A) =
cardA
card
= 1/4
Remarque : si on ne tient pas compte de lordre et que lon ecrit =
N, N B, B B, N, les ev`enements elementaires netant pas equiprobables,
on na pas P(A) =
cardA
card
.
Erreur : on aurait P(A) = 1/3 !!
Exemple 2 :
Soit une urne contenant 1R ;1V ; 1J ;1B
On eectue 3 tirages avec remises.
Quelle est la probabilite dobtenir 2 fois la blanche ?
On a card = 4 4 4 = 64 (principe multiplicatif).
Soit A : 2 fois la blanche exactement.
Ainsi cardA = C
2
3
(place des 2 blanches) 3 (lautre couleur) =
3!
2!
3 = 9.
Donc P(A) =
9
64
Exemple 3
Soit une urne contenant 2V et 3B
1) On eectue 2 tirages sans remise
Proba davoir 2 vertes exactement, 2 blanches exactement, 1V et 1B.
2)meme question avec tirage avec remise.
1) Erreur : = (B, B) (V, V ) (B, V ) (V, B) ev`enements non equiprobables
!
14 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILIT

ES
on ecrit : = (B
1
, B
2
) (B
1
, B
3
) (B
2
, B
3
) (B
3
, B
2
) . . .
On a card = A
2
5
= 20. On a
P(A) =
cardA
card
=
A
2
2
20
=
2
20
=
1
10
,
P(B) =
cardB
card
=
A
2
3
20
=
6
20
=
3
10
,
P(C) =
cardC
card
=
12
20
=
6
10
=
3
5
.
cardC = C
1
2
(choix V) C
1
3
(choix B) 2 (ordre) = 2 3 2 = 12.
2) On a card = 5
2
(principe mult), ainsi
P(A) =
2 2
5
2
=
4
25
; P(B) =
9
25
; P(C) =
2 3 2
25
=
12
25
.
Proprietes

P(A) + P(A) = 1 A {()

P(A B) = P(A) + P(B) P(A B) A, B {()
A B P(A) P(B)
Ex : `a demontrer en utilisant les proprietes du cardinal.
2.3 Probabilites : Denition axiomatique
Si est inni, la denition precedente devient caduque.
Les fondements de la probabilite mathematique sont dus `a Kolmogorov (1933).
Il faut savoir quen 1919, Von Mises armait le calcul des probabilites nest
pas une discipline mathematique.
Denition ni ou inni denombrable
P une application de {() dans [0, 1] est une probalite si et seulement si

(1) P() = 1
(2) (A
i
)
i=1,...,n
tq A
i
A
j
= i = j
P

i=1
A
i

=
i=n

i=1
P(A
i
).
(3) P

i=1
A
i

i=1
P(A
i
).
Dans le cas non denombrable, on ne peut pas forcement denir une proba-
2.4. PROBABILIT

ES CONDITIONNELLES.NOTIONDIND

EPENDANCE15
bilite sur {(), qui satisfasse les axiomes (1) (2) (3) sur {(). On est oblige
de la denir sur une famille T de {(), famille qui verie certaines proprietes:

si A T , A T
si A, B T A B T et A B T
(A
i
)
iN
T

i=1
A
i
T
On dit que T est une -alg`ebre.
ex verier que la probabilite de Laplace satisfait aux axiomes (1) (2) (3.)
Proprietes

P(A) + P((A) = 1 A {()(ou T)

P(A B) = P(A) + P(B) P(A B)
A B P(A) P(B)
Preuve :
A A = P(A A) = P() = 1. A A = P(A A) =
P(A) + P(

A).
A B = A (B`A B) do` u
P(A B) = P(A (B
\AB
)) = P(A) + P(B`A B).
or B = (B`A B) (A B).
do` u P(B) = P(B`A B) + P(A B)
do` u le resultat.
A B B = A (B`A)
do` u P(B) = P(A) + P(B`A)
. .. .
0
.
2.4 Probabilites conditionnelles.
Notion dindependance
Les concepts dindependance et de probabilite conditionnelle sont denis ex-
plicitement par Abraham De Moivre (1667 - 1754). On lui doit egalement
un enonce clair et precis de la formule des probabilites composees.
Soit un univers (lie `a une experience aleatoire ) , P une probabilite sur
16 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILIT

ES
{()(ou T).
Soient A, B deux ev`enements, A , P(A) > 0 et B .
Denition
la probabilite conditionnelle de B sous lhypoth`ese A est denie par
P(B[A) =
P(A B)
P(A)
.
Signication : P(B[A) exprime la probabilite de B quand on sait que A
est dej`a realise.
On dit couramment probabilite de B sachant A.
Exemple : On extrait sans remise 2 cartes dun jeu de 32. La premi`ere
carte tiree est un roi. Quelle est la proba que la 2
e
carte soit aussi un roi ?
P(B[A) =
3
31
directement.
(on raisonne sur ce quil advient une fois la 1
ere
carte tiree.)
Si on veut appliquer la denition, cest plus complique : P(A) =
4
32
P(A B) ? il sagit de denir lunivers sur lequel est deni A B.
Soit lexperience aleatoire : tirer 2 cartes sans remise. On a card = A
2
32
=
32!
30!
= 32 31 et card A B = A
4
2
. Ainsi
P(A B) =
43
3231
donc P(B[A) =
43
3231

32
4
=
3
31
.
Ainsi en general on utilise la relation dans le sens P(AB) = P(B[A)P(A)
Propriete 1 : Formule des probabilites composees
P(A B) = P(B[A) P(A) si P(A) > 0
P(A B) = P(A[B) P(B) si P(B) > 0
Theor`eme
Soit A {() (ou T), tq P(A) > 0, P etant une probabilite sur {()
P
|A
:

{() [0, 1]
B P
A
(B) = P(B[A)
est une probabilite sur {()
preuve :
(1) On a P
A
() = P([A) =
P( A)
P(A)
=
P(A)
P(A)
= 1.
(2) On a P
A
(B
1
B
2
[A) =
P((B
1
B
2
) A)
P(A)
=
P[(B
1
A) (B
2
A)]
P(A)
. Or
B
1
B
2
= donc (B
1
A) (B
2
A) = do` u P[(B
1
A) (B
2
A)] =
P(B
1
A) +P(B
2
A). Ainsi P
A
(B
1
B
2
[A) =
P((B
1
A)
P(A)
+
P(B
2
A)
P(A)
=
2.4. PROBABILIT

ES CONDITIONNELLES.NOTIONDIND

EPENDANCE17
P
A
(B
1
) + P
A
(B
2
).
(3) est montre de la meme mani`ere.
Exemple :
Soit un jeu de 52. On fait 2 tirages avec remise. Probabilite que la premi`ere
carte soit un roi rouge et la 2
e
un roi noir ?
On a = (D, R).... Soient les evenements suivants:
A: la premi`ere carte est un roi rouge et
B: la deuxi`eme carte un roi noir. On a
P(A B) = P(B[A) P(A), Ainsi
P(A) =
2
52
et P(B[A) =
2
52
(= P(B)), donc P(A B) =
2
52

2
52
=
P(A) P(B).
Denition
Soient A, B {() (ouT) , avec
P(A) > 0
P(B) > 0
A et B sont independants si et seulement si
P(B[A) = P(B) ou P(A[B) = P(A)
Ce qui est le cas dans un tirage avec remise. Le tirage de la premi`ere carte
ninue pas sur le tirage de la 2
e
. Ce nest plus le cas pour les tirages sans
remise.
Caracterisation
A et B (P(A) > 0 P(B) > 0) sont independants si et seulement si
P(A B) = P(A) P(B)
Exemple : Soit une urne contenant 10 blanches ,20 rouges et 30 noires. On
tire 2 boules sans remises. Probabilite que la premi`ere soit rouge (ev`enement
A) et la deuxi`eme soit blanche (ev`enement B) ?
On a P(A B) = P(B[A) P(A). (pas dindependance)
On a P(A) =
20
60
=
1
3
et
P(B[A) =
10
59
. Donc
P(A B) =
10
59

1
3
18 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILIT

ES
m question avec des tirages avec remises
P(A B) = P(A) P(B) =
1
3

10
60
=
1
3

1
6
=
1
18
Exemple :
un jeu radiophonique consiste `a poser 10 questions `a un candidat qui doit
choisir parmi 2 reponses dont une seule est juste. Le candidat perd au bout
de 2 reponses fausses.
1) Probabilite quun candidat qui repond au hasard puisse gagner ?
2) Probabilite quil ait perdu au bout de 5 questions sachant quil a perdu ?
1) Soit G ev`enement :le candidat a gagne.
: poser 10 questions pour lesquelles il y a 2 reponses. On a
card = 2
10
.
card G = nombre de reponses toutes justes ou une fausse
= 1 + 10 = 11. Ainsi
P(G) =
11
2
10
2) Soit A = le candidat a perdu au bout de 5 questions.
On a P(A[G) =
P(A G)
P(G)
=
P(A)
P(G)
et
P(G) = 1 P(G) = 1
11
2
10
P(A) =
C
1
4
2
5

attention !
Exemple introductif
Un sac contient 5 boules rouges et 15 boules jaunes. Un deuxi`eme sac con-
tient 9 boules rouges.
: On tire au hasard 1 boule du 1
er
sac et on la remet dans le second sac
sans regarder la couleur. On tire alors une boule du 2
e
sac. Quelle est la
probabilite P que cette boule soit rouge ?
Commentaire :
comporte 2 etapes. La deuxi`eme etape depend de la 1
er
.
Si on tire une rouge alors P =
10
10
= 1.
Si on tire une jaune alors P =
9
10
.
2.4. PROBABILIT

ES CONDITIONNELLES.NOTIONDIND

EPENDANCE19
Soit A = boule R au 2
e
tirage,
B
1
: 1
er
boule est R B
2
: 2
e
boule est J. On a
B
1
B
2
= , B
1
B
2
= . Ainsi
A = (A B
1
) (A B
2
). Do` u
P(A) = P(A B
1
) + P(A B
2
)
= P(A[B
1
) P(B
1
) + P(A B
2
) P(B
2
)
= 1
5
20
+
9
10

15
20
Propriete 2 - Formule des probabilites totales
Soient (B
i
)
i=1,...n
{() (ou T), tq
n

i=1
B
i
= B
i
B
j
= i = j P(B
i
) > 0
Soit A {() (ou T), on a
P(A) =
n

i=1
P(A[B
i
) P(B
i
)
Preuve : A = A
n

i=1
B
i
=
n

i=1
(A B
i
), ainsi
P(A) =

n
i=1
P(A B
i
) =

n
i=1
P(A[B
i
) P(B
i
).
Exemple :
Soit un sac contenant 6 jetons : 5 numerotes 1 et 1 numerote 2.
Soient 2 urnes : U
1
contenant six boules Blanches et quatre Noires et U
2
contenant 8 B et 2 N. Lexperience aleatoire comporte 2 etapes. On pioche
au hasard dans le sac, on regarde le numero et on pioche dans lurne corre-
spondante.
Probabilite que la boule soit blanche ?
On a U
1
U
2
= et U
1
U
2
= , on a donc
P(B) = P(B U
1
) + P(B U
2
)
= P(B[U
1
) P(U
1
) + P(B[U
2
)P(U
2
)
=

6
10

5
6

8
10

1
6

=
1
3
+
2
15
=
7
15
Autre question : sachant que la boule est blanche proba quelle provienne
de U
1
:
On a P(U
1
[B) =
P(B U
1
)
P(B)
=
P(B[U
1
) P(U
1
)
P(B)
=
P(B[U
1
) P(U
1
)
P(B[U
1
) P(U
1
) + P(B[U
2
) P(U
2
)
=
20 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILIT

ES
6
10

5
6
7
15
=
1
3
7
15
=
5
7
.
Theor`eme de Bayes
Soit B
i
, i = 1, . . . , n
n

i=1
B
i
= , B
i
B
j
= i = j,
P(B
i
) > 0
Soit A {()(ou T),
. On a
P(B
k
[A) =
P(A[B
k
) P(B
k
)
n

i=1
P(A[B
i
) P(B
i
)
Preuve : P(B
k
[A) =
P(B
k
A)
P(A)
et on applique la formule des probabilites
totales.
Exemple :
Une population est constituee de 10 Francais, 10 Allemands.
7 Francais sont bruns, 3 blonds,
1 Allemand est brun, 9 blonds.
On rencontre un blond, probabilite quil soit Allemand ?
Soient les evenements A = il est blond, B
1
= Allemand et B
2
=
Francais.
On connait P(B
1
) = 1/2, P(B
2
) = 1/2, P(A[B
1
) =
9
10
et P(A[B
2
) = 3/10.
On demande P(B
1
[A).
On a B
1
B
2
= et B
1
B
2
= , on peut donsc appliquer le theor`eme de
Bayes:
P(B
1
[A) =
P(A[B
1
) P(B
1
)
P(A[B
1
) P(B
1
) + P(A[B
2
) P(B
2
)
=
9
10

1
2
9
10

1
2
+
3
10

1
2
=
3
4
.
Exemple :
2.4. PROBABILIT

ES CONDITIONNELLES.NOTIONDIND

EPENDANCE21
Une entreprise utilise 3 machines dierentes A, B, C pour fabriquer des pi`eces.
40 % sont fabriquees par A, 30 % par B et 30 % par C. La machine A pro-
duit 2 % de pi`eces defectueuses, B 4 % et C 5 %.
1) On prel`eve une pi`ece au hasard. Probabilite quelle soit defectueuse.
2) On prel`eve une pi`ece. Elle est defectueuse. Probabilite quelle vienne de
A.
3) On prel`eve une pi`ece. Elle est saine. Probabilite quelle vienne de C.
Soient A : etre fabrique par A, B : etre fabrique par B,....
D : etre defectueuse et D : saine.
On a P(A) = 0, 4, P(B) = 0, 3, et P(C) = 0, 3.
A, B, C sont tels que A B = , A C = , C B = et A B C = .
1)En appliquant la formule des probabilites totales, on a
P(D) = P(D[A) P(A) +P(D[B) P(B) +P(D[C) P(C) = 0, 020, 4+
0, 04 0, 3 + 0, 05 0, 3.
2)Dapr`es le theor`eme de Bayes, P(A[D) =
P(D[A) P(A)
P(D)
=
0, 02 0, 4
P(D)
3) P(C[D) =
P(D[C) P(C)
P(D)
=
0, 95 0, 3
1 P(D)
Exemple :
Une urne contient 10 B 20 R 30 N.
On tire 3 boules sans remise.
Probabilite que les 2 premi`eres soient rouges et la troisi`eme noire ?
Soient les ev`enements: A: la premi`ere boule tiree est rouge, B:la 2i`eme
est rouge, on a
P(A B) = P(B[A) P(A), or P(A) =
20
60
= 1/3 et P(B[A) =
19
59
. Donc
P(A B) =
19
59

1
3
.
Posons C = A B.
Soit D:la troisi`eme est noire. On a
P(D C) = P(D[C) P(C) =
30
58

19
59 3
.
Exemple :
Soient 2 des ; lun deux est pipe. ils permet dobtenir 6 dans 50 % des cas ;
lautre est equilibre. On lance lun des deux des choisi au hasard. On obtient
6. Quelle est la probabilite quon ait utilise le de equilibre ?
22 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILIT

ES
Soient E : le de est equilibre,
P : le de est pipe,
A : obtenir 6.
Les donnees sont P(E) =
1
2
, P(P) =
1
2
, P(A[E) =
1
6
et P(A[P) =
1
2
.
On a E P = et E P = . On peut donc appliquer le theor`eme de
bayes: P(E[A) =
P(A[E) P(E)
P(A[E) P(E) + P(A[P) P(P)
=
1
6

1
2
1
6

1
2
+
1
4
= 0, 25.
2.5 Exercices dapplication
Exercice 1 :
Dans une entreprise, la probabilite quun ouvrier A quitte lentreprise dans
lannee est 1/5, probabilite quun cadre B quitte lentreprise dans lannee est
1/8 et la probabilite que A et B quittent lentreprise est 1/40.
Calculer la probabilite que lun des deux quitte lentreprise et que ni lun ni
lautre ne quitte lentreprise.
Exercice 2 :
Dans une population, on a observe que pendant 1 mois, 40 % des individus
sont alles au cinema, 25 % au theatre et 12,5 % au cinema et au theatre.
Calculer la probabilite que pendant 1 mois un individu
1) aille au cinema ou au theatre.
2)naille pas au cinema.
3)naille ni au cinema ni au theatre.
4)aille au cinema mais pas au theatre.
5) probabilite quun individu aille au theatre sachant quil est alle au cinema
6) probabilite quun individu naille pas au cinema sachant quil nest pas
alle au theatre.
Exercice 3 :
Une urne contient 5B et 3N
1) 5 tirages sans remises
1-a) Proba davoir 3B puis 2N
1-b) Proba davoir exactement 3B
2.5. EXERCICES DAPPLICATION 23
2) 5 tirages avec remise
1-a) Proba davoir BBBNN
2-b) Proba davoir exactement 3B.
24 CHAPTER 2. INTRODUCTION AU CALCUL DES PROBABILIT

ES
Chapter 3
Variables aleatoires et lois de
probabilites
3.1 Espace probabilise et loi de probabilite
3.1.1 Denition
On a vu quune experience aleatoire denissait un ensemble devenements
possibles appele univers. Sur {() on peut denir une application P telle
que A {() (ou
c
alF) P(A) est la probabilite de lev`enement A de se
realiser.
Denition
Soit un univers.
On appelle espace probabilise le triplet (, {() (ou
c
alF), P) P etant une probabilite sur {() (ou
c
alF).
P est appelee loi de probabilite
On note souvent (, P).
Remarque :
Si est une experience aleatoire et lensemble de ses eventualites, le statis-
ticien cherche `a donner une loi de probabilite P. (, P) decrira le caract`ere
aleatoire de lexperience.
3.1.2 Exemples
Exemple 1 : On lance successivement 2 fois une pi`ece :
= (P, P)(F, F)(P, F)(F, P) avec P = pile et F = face.
25
26CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
On denit la probabilite suivante:
P : [0, 1] P() =
1
4
Exemple 2 : Dans une urne contenant 3 Blanches, 4 Rouges, 6 Noires, on
tire une boule et on observe sa couleur:
= B, R, N, P(B) =
3
13
, P(R) =
4
13
, P(N) =
6
13
.
Exemple 3 : Une pi`ece a 2 faces valant respectivement +1 et 1.
: on fait 3 lancers successifs. On a
=
(+1, +1, 1)(+1, +1, +1)(+1, 1, +1)(+1, 1, 1)
(1, +1, 1)(1, +1, +1)(1, 1, 1)(1, 1, 1)
P() =
1
2
3
. Les evenements sont equiprobables.
3.1.3 Lois discr`etes et lois continues
On rencontrera deux types de lois de probabilite :
- Lois discr`etes : P : [0, 1] o` u est ni ou denombrable i.e.
est une suite (nie ou ) d evenements elementaires que lon peut noter
=
i
i I avec I N. Soient
p
i
= P(
i
) i I.
Soit A un ev`enement qq, si A =

iJ

i
alors P(A) =

iJ
p
i
- Lois continues : P : [0, 1] est continue si tous les evenements elementaires
ont une probabilite nulle.
ex : = [a, b] [c, d] [a, b] P([c, d]) =
d c
b a
(loi uniforme)
3.2 Notion de variable aleatoire et loi de prob-
abilite dune variable aleatoire
3.2.1 Exemple introductif
Soient 2 joueurs Albert et Bernard. Lun des deux lance un de
si 1 ou 6, A
1F
B
si 2,3 ou 5, B
2F
A
si 4, partie nulle.
3.2. NOTIONDE VARIABLE AL

EATOIRE ET LOI DE PROBABILIT

E DUNE VARIABLE AL

EATOIRE27
Appelons X le gain dAlbert.
X depend du hasard, plus particuli`erement du resultat du lancer de de. On
dira que X est une variable aleatoire car elle depend du hasard.
Ici = lancer de de = 1, 2, 3, 4, 5, 6 ainsi X depend des evenements
de et peut prendre les valeurs 1, 0, 2.
X(1) = 1, X(6) = 1, X(2) = X(3) = X(5) = 2, X(4) = 0.
X :
R
X()
X est une application numerique de 1, 2, 3, 5, 6 dans R.
Le de etant non truque, les evenements elementaires de sont equiprobables.
Ainsi (, P) est un espace probabilise P(i) =
1
6
i = 1, 2, 3, 4, 5, 6
On demande la probabilite quAlbert a de gagner 2 F. On a
P(X = 2) = P[ tq X() = 2] = P[X
1
(2)] = P(2, 3, 5) =
1
2
,
P(X = 1) =
1
3
P(X = 0) = 1/6.
Ainsi `a chaque valeur de X, on peut associer une probabilite. Cette corre-
spondance sappelle loi de probabilite de X representee par le tableau suivant:
valeurs de X -1 0 2
probabilite 1/3 1/6 1/2
3.2.2 Denitions
Denition 1 :
Une variable aleatoire est une fonction de dans R (, P) etant un
espace probabilise.
Rmq :
Si ni ou denombrable aucun pb. Si est non denombrable, il faut une
propriete supplementaire : X
1
(] , x]) T.
T etant une alg`ebre (par exemple les intervalles de R).
X est une correspondance entre lensemble des ev`enements elementaires et R.
Denition 2 :
28CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
Soit X une v.a denie sur lespace probabilise (, P). On appelle
loi de probabilite de X, la probabilite P
X
denie sur lensemble des intervalles I
de R tq I R
P
x
(I) = P tq X() I
3.2.3 Exemples
Exemple 1. On lance successivement 2 fois une pi`ece de monnaie. Soit la
variable aleatoire X representant le nombre de faces obtenues apr`es ces 2
lancements.
1) donner les valeurs de X
2) denir la loi de probabilite de X
Solution : = (P, P), (P, F), (F, P), (F, F) ev`enements equiprobables
X : R X() = 0, 1, 2
(P, P) 0
(P, F) 1
(F, P) 1
(F, F) 2
Valeurs de X 0 1 2
P
X
1
4
1
2
1
4
Exemple 2. Dans une urne, il y a des boules blanches et rouges. Les blanches
sont en proportion p et les rouges en proportion q = 1 p.
: on tire une boule. = B, R, p(B) = p, p(R) = q.
X : nb de rouges obtenues. Donner la loi de probabilite de X.
On a P
x
(0) = P(X = 0) = P(B) = p et P
x
(1) = P(X = 1) = P(R) = q.
ev elementaires B R
Valeurs de X 0 1
probabilites p q
Remarque :
On peut faire une analogie entre variable aleatoire (v.a) et variable statis-
tique. La notion de probabilite pour les v.a remplace celle de frequence
relative pour les variables statistiques.
3.3. VARIABLES AL

EATOIRES DISCR
`
ETES 29
3.2.4 Fonction de repartition dune loi de probabilite
dune v.a
Denition.
soit X une v.a denie sur (, P) on appelle fonction de repartition de X la fonction F
de R dans R denie par F(x) = P(X x).
Proprietes.
(1) P(a < X b) = F(b) F(a) b a.
(2) F est croissante
(3) F(x) [0, 1] x R, lim
X+
F(x) = 1, lim
x
F(x) = 0.
La fonction de repartition permet de calculer toutes les probabilites relatives
aux intervalles.
3.3 Variables aleatoires discr`etes
On peut faire une analogie entre les variables statistiques et les variables
aleatoires discr`etes (v.a.d).
3.3.1 Rappel de statistique descriptive univariee
: population
M = ensemble de classes C
i
i = 1, . . . k
x : M variable statistique
classes C
1
C
2
. . . C
k
frequences relatives f
1
f
2
f
k
frequences relatives cumulees F
1
= f
1
F
2
= f
1
+ f
2
F
k
= 1
3.3.2 Denitions dune v.a.d. et de sa loi de proba-
bilite
Denition 1.
une variable X est discr`ete si lensemble de ses valeurs est ni ou denombrable.
Analogie :
v. stat v. aleatoire discr`etre
classe de modalite valeurs de X
C
i
x
i
30CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
Denition 2.
La loi de probabilite de X est denie par
1) les valeurs de X : x
i
i I,
2) les probabilites des valeurs de X p
i
= P(X = x
i
).
Souvent on dresse le tableau :
valeurs de X x
1
x
2
. . . x
n
proba P(X = x
i
) p
1
p
2
. . . p
n
Analogie :
v. statistique v. aleatoire discr`etre
frequence relative p
i
= p(X = x
i
)
f
i
de C
i
3.3.3 Fonction de repartition
X : x
1
, . . . , x
n

La fonction de repartition F (F(x) = P(X x)) verie:

x ] , x
1
[ F(x) = P() = 0,
x [x
1
, x
2
[ F(x) = P(X x) = F(x
1
) = P(X = x
1
) = p
1
,
x [x
i
, x
i+1
[ F(x) = p
1
+ p
2
+ . . . + p
i
,
x x
n
F(x) = 1.
F(x) =

i tq
x
i
x
p
i
Propriete p
i
= F(x
i
) F(x
i1
)
Ainsi si on connait la loi de probabilite de X on deduit sa fonction de
repartition et inversement.
Analogie :
v. statistique v. aleatoire discr`etre
frequences fonction
relatives de repartition
cumulees
3.3. VARIABLES AL

EATOIRES DISCR
`
ETES 31
3.3.4 Exemples
Exemple 1 : : on jette 2 des. Soit X la v.a. qui represente la somme des
points obtenus par les 2 des.
1) donner la loi de probabilite de X.
2) donner la fonction de repartition de X.
Exemple 2 : on lance une pi`ece de monnaie un certain nombre de fois. Soit
X le nombre de jets necessaires pour obtenir pile pour la 1
ere
fois
1) quelles valeurs prend X ?
2) quelle est la loi de probabilite de X ?
3) fonction de repartition
1)Lunivers est deni de la mani`ere suivante: = suite innie (u
n
)
nN
u
n
=
P ou F, et on a
X() = N

2) valeurs de X 1 2 . . . k
proba
1
2
1
2
2
. . .
1
2
k
3) x < 1 F(x) = 0,
1 x < 2 F(x) = 1/2,
2 x < 3 F(x) =
1
2
+
1
2
2
= 3/4,
k x < k + 1 F(x) =
1
2
+
1
2
2
+
1
2
3
+ . . . +
1
2
k
=
1
2
1(1/2)
k
11/2
= 1
1
2
k
=
2
k
1
2
k
.
Exemple 3 : Dun sac contenant n jetons, numerotes de 1 `a n n 3,
on tire successivement au hasard sans remise 3 jetons.
soit X le numero du 3
e
jeton obtenu.
Determiner la loi de proba de X et sa fonction de repartition.
= triplet.
X() = 1, . . . , n.
P(X = k) = P(triplet tq 3
e
numero est k)
=
A
2
n1
A
3
n
=
1
n
.
F(x) =

kx
1
n
=
E(x)
n
.
Exemple 4 : On place un hamster dans une cage. Il se trouve face `a 5
32CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
portillons dont un seul lui permet de sortir. A chaque essai infructueux, il
recoit une decharge electrique et on le replace `a lendroit initial.
1) En supposant que le hamster choisisse de facon equiprobable entre les
5 solutions `a chaque nouvel essai, determiner la probabilite des evenements
suivants :
le hamster sort au 1
er
essai, au 3
e
, au 7
e
.
2) Le hamster memorise maintenant les essais infructueux et choisit de facon
equiprobable entre les portillons quil na pas encore essayes.
Soit X le nb dessais eectues pour sortir.
Quelles valeurs prend X ? Determiner sa loi de probabilite
Solution succinte :
1)P(1
er
essai) = 1/5, P(3
e
essai) =
4
5

4
5

1
5
= 0, 128, P(7
e
) = (4/5)
6

1
5
= 0, 0524;
2) X() = 1, 2, 3, 4, 5
valeurs de X 1 2 3 4 5
proba 0, 2 0, 2 02 0, 2 0, 2
3.4 Variables aleatoires continues (v.a.c)
3.4.1 Denition - Fonction de repartition
Denition :
La v.a X est continue si et seulement si ses valeurs constituent un ou plusieurs intervalles de R.
La fonction de repartition est denie par F(x) = P(X x)
Denition :
Si F est continue et derivable alors X est absolument continue.
Rmq dans beaucoup douvrage on parle de continuite `a la place dabsolue
continuite
Proprietes
3.4. VARIABLES AL

EATOIRES CONTINUES (V.A.C) 33

(1) F est croissante,
(2) lim
x+
F(x) = 1 lim
x
F(x) = 0 si X() = R
(3) P(a X < b) = F(b) F(a)
(4) si X est abs cont Alors x P(X = x) = 0.
preuve de (4) :
0 P(X = x) P(x u X < x + v) = F(x + v) F(x u)
= (F(x + v) F(x))
. .. .

0
v0
+(F(x) F(x u))
. .. .

0
u0
u, v .
3.4.2 Fonction densite
Denition 1
La densite moyenne de proba sur [a, b] de X v.a.c. f(a, b) =
P(a X < b)
b a
=
F(b) F(a)
b a
Ainsi on en deduit naturellement la notion de densite de probabilite en 1
point.
Denitions 2
(i) La densite de probabilite en 1 point f(x) = lim
x0
F(x + x) F(x)
x
(ii) Si X est abs continue f(x) = F

(x) est appelee fonction densite

Consequences x R F(x) =

f(y)dy
P(a X b) =

b
a
f(y)dy.
Propriete de f
(1) f 0
(2)

f(x)dx = 1
Remarque
(2) est souvent utilise pour montrer quune fonction est eectivement une
densite.
34CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
3.4.3 Exemples
Exercice 1
Soit X la v.a. donnee par sa fonction densite
f(x) =

0 x < 0
1 x [0, 1]
0 x > 1
(Loi uniformement repartie sur [0, 1])
1) donner le graphe de f
2) donner la fonction de repartition et son graphe. Calculer P(0, 25 X <
0, 5).
Exercice 2
On suppose que la duree de vie dun individu est une v.a. continue dont la
densite de probabilite est
f(t) =

k t
2
(100 t)
2
t [0, 100]
0 sinon
1) Determiner k pour que f soit la fonction densite dune v.a
2) Calculer la probabilite pour quun individu meurt entre 60 et 70 ans.
3.5 Caracteristiques dune variable aleatoire
3.5.1 Introduction
Pour une variable statistique donnee par le tableau
classes frequences relatives
C
1
f
1
.
.
.
.
.
.
C
n
f
n
on avait deni des grandeurs caracterisant la v. statistique comme la moyenne,
la variance, lecart type.
3.5. CARACT

ERISTIQUES DUNE VARIABLE AL

EATOIRE 35
Rappels

x =
n

i=1
f
i
x
i
moyenne
V (x) =
n

i=1
f
i
x
2
i
x
2
variance
=
n

i=1
f
i
(x
i
x)
2
(x) =

V (x) ecart type

On va faire de meme pour les variables aleatoires.
3.5.2 Esperance
Cas des variables discr`etes
Soit X une v.a. denie sur (, P) tq X() = x
i
, i I, p
i
= P(X = x
i
)
Lesperance de X est denie par
E(X) =

iI
p
i
x
i
.
(analogie avec les variables statistiques)
Cas des variables absolument continues
X : (, P) R de fonction densite f denie sur R
E(X) =

xf(x) dx.
Si f est denie sur [a, b] E(X) =

b
a
xf(x)dx.
Exercice 1
Dans une urne, on a des boules blanches en proportion p et des noires en
proportion q = 1 p. Soit X :
B 0
N 1
Calculer E(X).
sol :
valeurs de X 0 1
proba p q
E(X) = q
Exercice 2
36CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
Lancers successifs de 2 pi`eces de monnaie. X : nb de faces obtenues.
Calculer E(X)
sol :
X : 0 1 2
proba
1
4
1
2
1
4
E(X) =
1
2
+ 2
1
4
= 1
Exercice 3
Lancer de 2 des. X = somme des 2 des.
Calculer E(X)
E(X) =
2
36
+
6
36
+
12
36
+
20
36
+
30
36
+
42
36
+
40
36
+ 1 +
30
36
+
20
36
+
12
36
=
252
36
= 7
Exercice 4
On jette un de : X : pt du de
X 1 2 3 4 5 6
proba
1
6
1
6
1
6
1
6
1
6
1
6
E(X) = (1 + 2 + 3 + 4 + 5 + 6)
. .. .
6 7
2
1
6
=
21
6
Exercice 5
Un joueur tire au hasard une carte parmi 52. Il gagne 200 F si la carte est
un coeur et perd 100 F sinon. Soit G : R le gain du joueur.
1) denir la loi de probabilite de G
2) calculer son esperance
= 52 cartes
Valeur de G 200 -100
proba
1
4
3
4
E(G) =
200
4

300
4
=
100
4
= 25
Exercice 6
Deux joueurs A et B lancent chacun une pi`ece.
Si les 2 pi`eces tombent sur pile A gagne g sinon B gagne 2 F.
Un jeu est equitable si et seulement si lesperance du gain de chaque joueur
est nulle. Que doit valoir g pour que le jeu soit equitable ?
sol : = (P, P)(F, F)(P, F)(F, P)
3.5. CARACT

ERISTIQUES DUNE VARIABLE AL

EATOIRE 37
G
A
: gain de A -2 g
proba
3
4
1
4
G
B
2 g
proba
3
4
1
4
E(G
A
) =
6
4
+
g
4
, E(G
B
) =
6
4

g
4
. Ainsi
E(G
A
) = E(G
B
) = 0 si et seulement si g = 6.
Exercice 7
Soit X denie par sa fonction densite f(x) =

0 si x < 0 x > 2
x si x [0, 1[
x + 2 si x [1, 2]
1) representation de f et verier que f est une fonction densite.
2) calculer F, la fonction de repartition.
3) calculer E(X).
sol :
1) Aire triangle =
base hauteur
2
=
2 1
2
= 1 (calcul geometrique)

f(x)dx =

1
0
x dx +

2
1
x + 2 dx
=

x
2
2

1
0
+

x
2
2
+ 2x

2
1
= 1/2 +2 + 4 + 1/2 2 = 1 (calcul analytique)
2) F(x)

= 0 x < 0
=
x
2
2
x [0, 1[
=
x
2
2
+ 2x 1 x [1, 2[
= 1 x > 2
3) E(X) =

x f(x) dx =

1
0
x
2
d x +

2
1
x(x + 2)dx
=

x
3
3

1
0
+

x
3
3
+ x
2

2
1
= 1/3 +

8
3
+ 4

[1/3 + 1] = 1
Proprietes de lesperance Soit a, b R, X : R, Y : R
38CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
E(aX + b) = a E(X) + b
E(X + Y ) = E(X) + E(Y )
E(X Y ) = E(X) E(Y )
E(X.Y ) = E(X).E(Y ) si X et Y sont independantes (denition au chapitre 4)
3.5.3 Variances
Cas des variables discr`etes Soit X une v;a;d telle que
X() = x
i
i I et P(X = x
i
) = p
i
.
V (X) =

iI
p
i
x
2
i
E(X)
2
=

iI
p
i
(x
i
E(X))
2
(analogie avec les v.
statistiques)
Cas des variables absolument continues de fonction densite f : R R
V (X) =

(x E(X))
2
f(x)dx =

x
2
f(x)dx E(X)
2
.
Pour toutes les variables aleatoires, on peut denir
V (X) = E[(x E(X))
2
] = E(X
2
) E(X)
2
.
denition :
on appelle ecart type de X, note (X), la quantite:
(X) =

V (X)
Exercice 1
Soit X la v.a. discr`ete denie par
x
i
p
i
2 1/8
1 1/4
0 1/5
1 1/8
2 3/10
Calculer E(X) et V (X)
sol : E(X) =
9
40
0, 225
3.5. CARACT

ERISTIQUES DUNE VARIABLE AL

EATOIRE 39
V (X) =
83
40

9
40

2
=
3239
1600
2, 02
Exercice 2
Une entreprise de la region estime que la demande concernant lun des ar-
ticles quelle produit est une v.a. continue X dont la densite de probabilite est
f(x) = 0 x < 0
= 3x + 2 x [0, 1/3[
= x x [1/3, 2/3]
= 3x + 3 x [2/3, 1[
= 0 x 1
1) representation de f.
2) fonction de repartition de f.
3) P[200 < X < 600].
4) E(X), V (X).
Propriete de la variance
V (aX + b) = a
2
V (X)
V (X + Y ) = V (X) + V (Y ) si X et Y sont independantes
V (X Y ) = V (X) + V (Y ) si X et Y sont independantes
On verra plus tard la denition mathematique de lindependance de 2 v.a.
mais on peut la denir intuitivement. 2 v.a. sont independantes si elles nont
aucune liaison entre elles.
Ex : on lance 2 des X : n

du 1
er
de Y = n

du 2
e
. Elles sont independantes.
3.5.4 Moments
Denition
On appelle moments centres dordre k de X: m
k
= E(X
k
)
v.a. discr`etes m
k
=

iI
p
i
x
k
i
, si X() = x
i
i I
v.a. continues m
k
=

x
k
f(x)dx
Propriete
40CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
V (X) = m
2
m
2
1
denition
on appelle moments centres en E(X) dordre k de X: M
k
= E(X E(X))
k
(V (X) = M
2
)
3.5.5 Mediane et Mode
Denition
Soit X une v.a. On appelle mediane de X, notee M
e
, le reel (ou lintervalle)abscisse
de lintersection entre y =
1
2
et y = F(x).
Exemple
f(x) =

0 x < 0
0 x > 2
x [0, 1[
2 x [1, 2[
Si x < 0, F(x) =

f(t)dt = 0.
Si x [0, 1[, F(x) =

x
0
tdt =

t
2
2

x
0
=
x
2
2
.
Si x [1, 2[, F(x) = 1/2 +

x
1
(2 t)dt = 1/2 +

2t
t
2
2

x
1
= 1/2 + 2x
x
2
2
2 + 1/2 = 1 + 2x
x
2
2
.
On a M
e
= 1.
Denition
Soit X une v.a. On appelle mode de X la valeur x
0
telle que
(i) si X est discr`ete P(X = x) P(X = x
0
) x
(ii) si X est continue f(x) f(x
0
) x
Rmq : une v.a. peut avoir plusieurs modes.
3.5. CARACT

ERISTIQUES DUNE VARIABLE AL

EATOIRE 41
3.5.6 Fonction dune variable aleatoire
Soit X une v.a. et Y = (X), etant une fonction de R dans R.
Cas dune variable discr`ete Soit X une v.a.d telle que
X() = x
1
, . . . , x
n
, p
i
= P(X = x
i
).
Y = (X) est denie sur le meme univers et Y () = (x
1
), . . . , (x
n
)
Levaluation de la distribution Y ne presente pas de dicultes majeures. On
calcule la probabilite des ev`enements.
P(Y = y
k
) = P( tq Y () = y
k
) = P( tq (X()) = y
k
)
Par contre on peut calculer E(Y ) et V (Y ) sans la distribution de probabilite
de Y :
E(Y ) =
n

i=1
p
i
(x
i
)
V (Y ) =
n

i=1
f
i

2
(x
i
) E(Y )
2
Exemple :
Soit X une v.a. prenant chacune des valeurs 0,1,2,3,4,5 avec la meme prob-
abilite
1
6
Soient Y = 2X + 1 et Z = X
2
1) Calculer E(Y ), V (Y ) puis E(Z), V (Z).
2) Donner la loi de probabilite de Y puis de Z.
sol :
1) E(Y ) =
1
6
[1 + 3 + 5 + 7 + 9 + 11] = 6
V (Y ) =
1
6
[1 + 9 + 25 + 49 + 81 + 121] 6
2
=
70
6
=
35
2
E(Z) =
1
6
[1 + 4 + 9 + 16 + 25] =
55
6
V (Z) =
1
6
[1 + 16 + 81 + 256 + 625]
55
6
2
=
979
6

55
2
6
2
=
2849
36
= 79, 14
2)
Valeurs de Y 1 3 5 7 9 11
probas
1
6
1
6
1
6
1
6
1
6
1
6
42CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
Cas dune variable continue
Soit X une v.a.c. de fonction densite f
Soit une fonction de R dans R telle que Y = (X) soit egalement une v.a.c.
Dans les applications rencontrees, on a
E(Y ) =

(x) f(x)dx
V (Y ) =

2
(x) f(x)dx E(Y )
2
Rmq : si on pose Y = (X) avec X v.a., Y nest pas forcement une v.a.
Exemple :
Soit X une v.a. telle que
f(x) =

1/2 sur [1, 1]

0 ailleurs
Soit Y = X
2
1) Calculer E(Y ) et V (Y )
2) Quelle est la fonction densite de Y ? Retrouver E(Y ) et V (Y ).
sol :
1) E(Y ) =

1
1
1
2
x
2
dx =

x
3
6

1
1
=
1
6
+
1
6
=
1
3
V (Y ) =

1
1
x
4
1
2
dx
1
3
2
=

x
5
10

1
1

1
9
=
1
5

1
9
2) Calculons la fonction de repartition de Y .
G(y) = P(Y y) = P(X
2
y).
Pour y < 0 G(y) = 0.
Pour y > 0 G(y) = P(

y X

y)
= P(X

y) P(X

y)
= F(

y) F(

y)
, avec F la fonction
de repartition de X.
on a F(x) =

0 si x < 1
1 + x
2
si x [1, 1]
1 si x > 1
Ainsi,
Pour y < 1, G(y) = 0.
3.5. CARACT

ERISTIQUES DUNE VARIABLE AL

EATOIRE 43
Pour y [0, 1], G(y) =

y.
Pour y > 1, G(y) = 0. La fonction densite de Y , g(y) = G

(y) est donc

Ainsi g(y) = 0 pour y < 0 et y > 1,
g(y) =
1
2

y
pour 0 y 1
g(y) =

1/2

y y [0, 1]
0 sinon
On a E(Y ) =

1
0
y
1
2

y
dy =
1
2

1
0
y
1/2
dy =
1
2

4
3/2
/3/2

1
0
=
1
3
,
V (Y ) =

1
0
4
2
1
2

y
dy
1
3
2
=
1
2

1
0
y
3/2
dy
1
9
=
1
2

2
5
(4
5/2
)
1
0

1
9
=
1
5

1
9
.
44CHAPTER 3. VARIABLES AL

EATOIRES ET LOIS DE PROBABILIT

ES
Chapter 4
Lois discr`etes usuelles
4.1 Introduction
On a un phenom`ene aleatoire que lon veut comprendre. Ce phenom`ene
aleatoire est `a priori complexe et on ne peut calculer directement les proba-
bilites de ses eventualites.
ex : comprendre la depense annuelle des menages francais pour les loisirs;
par exemple, on veut calculer la probabilite quils depensent 5 000 F par an.
On dispose donc dune population pour laquelle le mod`ele est destine, dun
individu et dun caract`ere etudie (represente par une variable aleatoire X).
Que fait-on ?
1 - Pour avoir une premi`ere idee du phenom`ene represente par une vari-
able aleatoire X, on peut faire plusieurs observations de X.
ex : X = depense annuelle pour les loisirs dun menage (variable aleatoire
attachee `a un individu). On demande `a un certain nombre de menages ses
depenses annuelles en loisirs. On a donc la valeur de X
i
, X
i
etant la depense
annuelle pour le menage i.
Cette suite dobservation debouche sur la denition dune variable statistique
x souvent decrite de la mani`ere suivante :
valeurs de x frequences
x
i
n
i
45
46 CHAPTER 4. LOIS DISCR
`
ETES USUELLES
On etudie cette variable statistique `a laide des techniques des statistiques
descriptives (1
ere
annee).
2 - Il y a quelques lois de probabilite ou lois theoriques qui decrivent as-
sez bien un grand nombre de phenom`enes aleatoires. On veut representer le
phenom`ene aleatoire par une loi de probabilite theorique. Cette modelisation
est evidemment plus riche que la representation par une variable statistique
: ici on peut calculer la probabilite de tout ev`enement associe au phenom`ene
aleatoire. Dans ce chapitre, nous allons fournir un catalogue de lois de prob-
abilite discr`etes (description, etude) souvent utiles en pratique.
Le statisticien plus chevrone construira ses propres mod`eles theoriques.
3 - Apr`es le choix dun mod`ele theorique se pose la question suivante : peut-on
quantier lapproximation du phenom`ene aleatoire par le mod`ele theorique.
4.2 Schema de Bernouilli
Toute epreuve nayant que 2 resultats possibles peut-etre consideree comme
une situation dalternative.
En dautres termes, les 2 resultats possibles sont complementaires lun de
lautre.
Il sagit dune situation frequente dans la pratique d`es que lon cherche `a
mettre en evidence un caract`ere particulier au sein dune population :
tout individu de cette population peut etre decrit selon une alternative : soit
il presente ce caract`ere, soit il ne le presente pas.
Exemple : Etude de limpact dune campagne publicitaire pour un nouveau
produit.
Q1 : Est-ce que lindividu possedait ce produit auparavant ?
Q2 : Lindividu a-t-il ete touche par la campagne ?
Q3 : La campagne a-t-elle induit lachat ?
Souvent les resultats possibles sont des objets qualitatifs. Pour les quan-
tier, il faut leur trouver un codage.
4.3. LE SH

EMA BINOMIAL 47
On denit ainsi une v.a. X dites de Bernouilli (savant suisse 1654-1705) par
0 1
1 p p
Denition
On realise une experience aleatoire qui a 2 resultats possibles : le succ`es S, de probabilite. p,
et lEchec E de probabilite. 1 p. La v.a
X :

1 si succ`es est une v.a. de Bernouilli

0 si echec
Mode
Si p > q, le mode est1;
sip < q, le mode est0
Mediane
p > q q < 1/2 Me = 1
p < q q > 1/2 Me = 0
Propriete
E(X) = p
V (X) = p(1 p)
Remarque :
La v.a. de Bernouilli est une v.a. indicatrice : elle indique la realisation
eventuelle de levenement de probabilite p. Le shema de Bernouilli est le
plus simple des mod`eles probabilistes.
4.3 Le shema Binomial
Cest une succession depreuves de Bernouilli (n) independantes.
Denition :
48 CHAPTER 4. LOIS DISCR
`
ETES USUELLES
On realise n fois successivement et dune mani`ere independante une experience aleatoire
qui a 2 resultats possibles, S (succ`es) de probabilite p et E (echec) de probabilite 1 p
X = nombre de succ`es obtenus est une v.a. binomiale de param`etre n et p.
Notation B(n, p).
Remarque :
On peut egalement la denir comme une somme de v.a. de Bernouilli.
A chaque epreuve i, on associe la v.a. de Bernouilli X
i
X =
n

i=1
X
i
.
Loi de probabilite X B(n, p)
X() = 0, . . . , n
P(X = k) = C
k
n
p
k
(1 p)
nk
k X()
n : nb depreuves,
k : nb de S (succ`es),
p : probabilite du succ`es.
Proprietes

E(X) = np
V (X) = np(1 p)
Propriete
Si X
1
B(n
1
, p) et X
2
B(n
2
, p)
independantes, alors
X
1
+ X
2
B(n
1
+ n
2
, p)
Preuve : somme de v.a Benouilli.
Il y a des tables pour eviter de calculer les probabilites d evenements lies `a
la loi binomiale. On peut egalement, dans certains cas, approximer B(n, p)
par une autre loi.
Exercice :
Une machine `a embouteiller peut tomber en panne. La probabilite dune
panne `a chaque emploi est de 0,01. La machine doit etre utilisee 100 fois.
4.3. LE SH

EMA BINOMIAL 49
Soit X= nb de pannes obtenues apr`es 100 utilisations.
1) Quelle est la loi de X ?
Calculer P(X = 0), P(X = 1) et P(X 4).
2) On estime le co ut dune reparation `a 500 F. Soit la v.a
Y representant la depense pour les reparations apr`es 100 utilisations.
Exprimer Y en fonction de X et calculer E(Y ) V (Y ).
Solution :
1) X B(100, 0, 01) ; P(X = 0) = C
0
100
(0, 01)
0
0, 99
100
= 0, 366
P(X = 1) = C
1
100
0, 01 0, 99
99
= 100 0, 01 0, 99
99
= 0, 377
P(X 4) = 1 (. . .) = 0, 061
2) Y = 500X
E(Y ) = 500 E(X) = 500 100 0, 01 = 500
V (Y ) = 500
2
V (X) = 500
2
0, 99 = 247500
Exercice :
Dans une pepini`ere 95% des scions (jeunes arbres grees) sont supposes sans
virus. Par commodite les scions sont ranges par paquets de 2. Un paquet est
dit sain si les 2 scions le sont.
1) Proba davoir un paquet sain ?
2) X = nb de paquets sains sur un lot de 10
Quelle est la loi de X ?
3) Un lot de 10 est accepte par lacheteur si 9 au moins des paquets sont
sains. Proba quun lot soit accepte ?
Solution :
1) p = 0, 95 0, 95 = 0, 9025
2) X B(10, p)
3) P(X 9) = P(X = 9) + P(X = 10)
= 0, 7361
Remarque
Le schema binomial correspond au processus de tirage dun echantillon aleatoire
avec remise :
N
1
: nb dindividus ayant la propriete S
N
2
: nb dindividus nayant pas la propriete S
N = N
1
+ N
2
: nb total dindividus
On fait n tirages avec remise
Soit X = nb dindividus ayant la propriete S
50 CHAPTER 4. LOIS DISCR
`
ETES USUELLES
X B(n, p) avec p =
N
1
N
Propriete
Calcul en chaine des probalites de la loi binomiale:
si X B(n, p) alors
P(X = k) =
(n k + 1)p
k(1 p)
P(X = k 1)
Preuve :
P(X = k)
P(X = k 1)
=
n k + 1
k
p
1 p
4.4 Le schema hypergeometrique
Exemple : En pratique lorsque lon tire un echantillon de taille n parmi une
population de taille N, le bon sens veut que lon ne prenne pas 2 fois le
meme individu. Cela signie que le tirage se fait sans remise. Les v.a de
Bernouilli associees aux dierents elements de lechantillon et indicatrices de
la presence ou absence dun caract`ere donne, sont alors dependantes. Le
schema binomiale nest plus adapte.
Le schema hypergeometrique est une succession depreuves de Bernouilli non
independantes.
Denition Si dans une population de taille N, on a 2 types de popula-
tions:
N
1
individus type 1 en proportion p =
N
1
N
N
2
individus type 2 : N
2
.
On fait n tirages sans remise dans la population et la v.a
X = nb individus de type 1 dans lechantillon.
X obeit au schema hypergeometrique H(N, n, p)
X =

i
X
i
, avec X
i
v.a de Bernouilli non independantes.
Loi de probabilite
4.4. LE SCH

EMA HYPERG

EOM

ETRIQUE 51
Si X H(N, n, p), alors
Les valeurs de X sont les entiers compris entre 0 et n si

n < N
2
n < N
1
et
P(X = k) =
C
k
N
1
C
nk
N
2
C
n
N
. (denombrement classique)
Proprietes
E(X) = np
V (X) = np(1 p)
N n
N 1
Theor`eme :
Quand N + avec n, p xes
La loi hypergeometrique H(N, n, p) tend vers la loi binomiale B(n, p)
Que signie une loi qui tend vers une autre loi ? (cf chap. condition
dapplication)
Dans la pratique, on utilise lapproximation d`es que
n
N
< 0, 1
preuve : en cours magistral.
Exemple 1
A un guichet SNCF se presentent 2 femmes et 3 hommes. On choisit au
hasard 2 personnes = pour une enquete.
Soit X = nb de femmes.
a) Probabilite de choisir une femme au moins.
b) Calculer E(X) et (X).
a) X H

5, 2,
2
5

.
P(X 1) = P(X = 1) + P(X = 2) =
C
1
2
C
1
3
C
2
5
+
C
2
2
C
0
3
C
2
5
=
7
10
= 0, 7.
b) E(X) = np = 2
3
5
=
4
5
= 0, 8,
V (X) = npq
N n
N 1
= 2
2
5

3
5

3
4
=
9
25
= 0, 36,
(X) = 0, 6.
52 CHAPTER 4. LOIS DISCR
`
ETES USUELLES
Exemple 2
On choisit au hasard 10 etudiants de DEUG = pour un entretien : 304
etudiants sont inscrits en 1
`ere
annee, 233 en 2
`eme
.
X = nb detudiants de 1
`ere
annee parmi les 10 choisis.
Calculer la probabilite davoir 5 etudiants de 1
`ere
annee et determiner E(X)
et (X).
X H(537, 10,
304
537
),
P(X = 5) =
C
5
304
C
5
233
C
10
537
0, 227.
Mais on peut utiliser lapproximation
Comme
n
N
=
10
537
< 0, 1, on peut approximer H

537, 10,
304
537

par B

10,
304
537

.
On a P(X = 5) = C
5
10

304
537

233
537

5
0, 225.
E(X) = np = 10
304
537
= 5, 661,
V (X) = npq
N n
N 1
= 10
304
537

233
537

527
536
2, 415,
(X) = 1, 554.
avec lapproximation (X) =

npq = 1, 567.
4.5 Loi geometrique et loi de Pascal
On se place dans une optique dierente.
A la base, il y a toujours lepreuve de Bernouilli qui a 2 resultats possibles :
un ev`enement de probabilite p et lautre. Mais cette fois, on ne connait pas
le nombre depreuves.
Denition
X suit la loi geometrique de param`etre ((p), si elle est egale au nombre depreuves de
Bernouilli independantes quil faut realiser pour obtenir pour la 1
`ere
fois lev`enement de
probabilite p.
Loi de probabilite
X() = N

, (lensemble des valeurs est denombrable)

et
4.5. LOI G

EOM

ETRIQUE ET LOI DE PASCAL 53

P(X = k) = q
k1
p k N

fonction de repartition
P(X n) =
n

k=1
q
k1
p = p
n1

k=0
q
k
= p
1 q
n
1 q
= 1 q
n
F
X
(n) = 1 q
n
caracteristiques
E(X) =
1
p
V (X) =
1 p
p
2
Denition
La loi de Pascal est la generalisation de la loi geometrique lorsque lon sinteresse
`a lobtention pour la k i`eme fois de lev`enement de probabilite p
Loi de probabilite
X() = k, . . . , et
P(X = j) = C
k1
j1
p
k1
q
jk
p j k.
Caracteristiques
E(X) =
k
p
V (X) =
k(1 p)
p
2
Remarque : la ressemblance avec la loi binomiale nest quapparente. La
grande dierence est que le nombre de repetitions de lepreuve elementaire de
Bernouilli nest pas connu, et cest lui qui represente laleatoire du probl`eme
!
Application
Ces 2 lois interviennent particuli`erement en controle de qualite mais aussi
dans la surveillance des evenements dont une certaine frequence de survenue
est interpretee en terme de signal dalarme.
54 CHAPTER 4. LOIS DISCR
`
ETES USUELLES
Remarque de modelisation
La probabilite de lev`enement qui nous interesse est toujours p, elle est
constante au cours du temps. Cette propriete de stationnarite nest pas
systematique dans les situations reelles que lon doit modeliser.
Exemple
Supposons que 5 % des pi`eces en sortie dune chaine de production soient
defectueuses. On souhaite connaitre la probabilite quun echantillon de 20
pi`eces issu de cette chaine ne contienne aucune pi`ece defectueuse.
Dautre part, on recherche la probabilite que la premi`ere pi`ece defectueuse ne
soit pas lune des 20 premi`eres sorties de la chaine.
- chaque pi`ece est indentiee par un caract`ere `a 2 modalites :
Elle est soit defectueuse (succ`es), soit non defectueuse (echec).
La modelisation de base est donc le schema de Bernouilli avec p = 0, 05. On
peut faire lhypoth`ese de lindependance des epreuves de Bernouilli (grande
taille de la population). Soit X la v.a representant le nb de defectueuses
apr`es la realisation de 20 epreuves de Bernouilli. On a
X B(20, 0, 05)
P(X = 0) = 0, 95
20
= 0, 3585.
- On garde la modelisation des pi`eces par les aleas de Bernouilli. On fait
lhypoth`ese dindependance (gd nb de pi`eces). Mais le nombre de pi`eces
nest plus donne : cest un alea.
Y = nombre de pi`eces observees jusqu`a lobtention dune defectueuse, on a
Y ((0, 05)
P(Y 21) =

k=21
0, 95
k1
0, 05 = 0, 95
20
1 0, 95

1 0, 95
0, 05
= 0, 95
20
0, 05
0, 05
= 0, 3585.
Si on setait interesse au nombre de pi`eces `a examiner pour en avoir 2
defectueuses, on aurait utilise une loi de Pascal.
4.6. LOI DE POISSON 55
4.6 Loi de Poisson
Simeon-Denis Poisson(1781-1840)est un probabiliste, mathematicien et physi-
cien francais `a qui lon doit dimportants developpements sur la loi des grands
nombres, les suites depreuves de Bernouilli mais aussi sur les applications
des probabilites dans le domaine du droit.
Soit X une variable binomiale B(n, p).
On va supposer que p 0 et que n + de mani`ere `a ce que np m
Quel mod`ele va suivre cette variable aleatoire ?
P(X = k) = C
k
n
p
k
(1 p)
nk
. On montrera en CM que
P(X = k)
n+
npm
m
k
k!
e
m
.
denition
X est une v.a. de Poisson de param`etre m si et seulement si
X() = N, et
P(X = k) =
m
k
k!
e
m
.
Notation : {(m)
On est dans la situation o
`
u X() est inni denombrable.
On peut maintenant poser la loi de Poisson comme mod`ele dune epreuve
aleatoire :
Theor`eme dapproximation
Soit X B(n, p)
quand n + tq np m
p 0
Alors X
L
{(m)
Modelisation
Lorsquun ev`enement a une faible probabilite p dapparition lors dune epreuve
de Bernouilli et si lon rep`ete un grand nombre de fois cette epreuve (n) le
nombre total de realisations de lev`enement considere suit `a peu pr`es une loi
de Poisson de param`etre m = np
Dans la pratique :
n > 50
p < 0, 1
56 CHAPTER 4. LOIS DISCR
`
ETES USUELLES
Rmq : plus p est petit, meilleure est lapproximation. Pour cette raison
la loi de Poisson a ete appelee loi des phenom`enes rares
Les processus de Poisson sont frequents dans les probl`emes de gestion :
- nb de pi`eces defectueuses dans un echantillon de grande taille preleve dans
une production o` u la proportion des defectueuses est faible.
- nb de quadruples, quintuples par an dans un pays donne
- nb dappels intercontinentaux sur une ligne pendant une duree donnee.
- nb derreurs commises au cours dune longue suite doperations (inventaire)
- pannes de machine
- emission de particules radio-actives
caracteristiques Si X {(m)
Alors
E(X) = m
V (X) = m
Il faut savoir que

k0
m
k
k!
= e
m
E(X) =

K0
k
m
k
k!
e
m
= e
m
m

K1
m
k1
(k 1)!
= m
V (X) =

K0
k
2
m
k
k!
e
m
m
2
=

K1
k(k 1)
m
k
k!
e
m
+

K1
k
m
k
k!
e
m
m
2
= m
2

K2
m
k2
(k 2)!
e
m
+ m

K1
m
k1
(k 1)!
e
m
m
2
= m
Propriete : somme de v.a de Poisson
Si X
1
et X
2
sont 2 variables de poisson {(m
1
), {(m
2
) independantes alors
X
1
+ X
2
{(m
1
+ m
2
)
(ceci est vrai pour une somme nie quelconque de v.a de Poisson independantes)
Preuve :
4.6. LOI DE POISSON 57
P(Y = k) = P(X
1
+ X
2
= k) = P

i=0
X
1
= i X
2
= k i

=
k

i=0
P(X
1
= i).P(X
2
= k i)
=
K

i=0
m
i
1
i!
e
m
1
m
ki
2
(k i)!
e
m
2
=
K

i=0
C
i
k
m
i
1
m
ki
2
e
(m
1
+m
2
)
k!
=
(m
1
+ m
2
)
k
k!
e
(m
1
+m
2
)
.
Propriete
Si X {(m), alors
P(X = k)
P(X = k 1)
=
m
k
.
Consequence : les probabilites tant que k m puis ` pour k m et
ont une valeur maximale P(X = m) et alors
P(X = m) = P(X = m1).
Consequence statistique
On peut envisager une loi de Poisson comme mod`ele representatif de donnees statistiques
discr`etes pour lesquelles la variable ne prend que des valeurs enti`eres, posi-
tives ou nulles et pour lesquelles
- la moyenne la variance et
-
f
k
f
k1
est proportionnel `a
1
k
f
k
etant les frequences
Exemple 1
Lors dun sondage portant sur un grand nombre de personnes, on sait que 2%
des personnes interrogees acceptent de ne pas rester anonymes. Sachant que
lun des sondeurs a interroge 250 personnes (en les choisissant de mani`ere
independante), calculer la probabilite
a) que ces 250 personnes souhaitent rester anonymes
b) 3 personnes acceptent de ne pas rester anonymes
c) plus de 10 personnes acceptent de ne pas rester anonymes
58 CHAPTER 4. LOIS DISCR
`
ETES USUELLES
X = nb de personnes ne souhaitant pas rester anonymes.
X B(250, 0, 02) {(5)
P(X = 0) = e
5 5
0
0!
= e
5
= 0, 0067
P(X = 3) = e
5 5
3
3!
= 0, 14
P(X 10) = 1 P(X < 10) = 1 P(X 9)
Exemple 2
Dans un hopital parisien, il arrive en moyenne 1,25 personnes `a la minute
aux urgences entre 9 h et 12 h.
X : nb de personnes observees `a la minute `a lentree de ce service.
On admet X {(m) avec m = 1, 25
Determiner les probabilites suivantes
a) En 1mn il arrive 2 personnes b) 4 personnes au plus c) 3 personnes au
moins.
a) P(X = 2) = 0, 2238
b) P(X 4) = 0, 9909
c) P(X 3) = 1 P(X 2)
= 1 0, 8685
= 0, 1315.