COURS DE PROBABILITES
Cours de probabilits
INTRODUCTION
La thorie des probabilits est constamment utilise en analyse statistique. Elle permet
notamment de dterminer statistiquement la probabilit d'un vnement qui ne peut pas tre
test directement.
Les probabilits mathmatiques sont largement utilises en physique, en biologie, en
sciences sociales ainsi que dans l'industrie et le commerce. Elles font l'objet d'applications
dans des domaines aussi varis que la gntique, la mcanique quantique ou les assurances.
Probabilits, ou thorie des probabilits, branche des mathmatiques qui s'attache
mesurer ou dterminer quantitativement la probabilit qu'a un vnement ou une
exprience d'aboutir un rsultat donn. Cette thorie est fonde sur l'tude des
permutations et des combinaisons. Elle constitue la base de tous les travaux en statistiques.
Historique
On attribue en gnral Blaise Pascal et Pierre de Fermat l'invention au XVIIe sicle
d'une premire thorie des probabilits applique aux jeux de hasard, mme si Jrme
Cardan s'tait dj pench sur la question ds le XVIe sicle. Cinquante ans plus tard, dans
son ouvrage posthume Ars conjectandi (1713), Jacques Bernoulli systmatisa le calcul des
probabilits, en nonant des thormes prometteurs tels que l'additivit des probabilits.
Au mme moment, en Angleterre, Abraham de Moivre introduisit la notion de loi normale
dans son uvre Doctrine of Chances.
Le XIXe sicle fut marqu par la publication en 1814 de la Thorie analytique des
probabilits de Laplace, dans lequel la thorie des probabilits est applique la mcanique
et aux statistiques. Cet ouvrage eut une influence considrable sur tous les mathmaticiens
de ce sicle. Avec les travaux de Darwin et du statisticien Qutelet, la vision probabiliste du
monde s'affirma encore davantage, englobant tous les domaines de la science.
Le calcul des probabilits est certainement lune des branches les plus rcentes des
mathmatiques, bien quil ait en fait trois sicles et demi dexistence. Aprs stre cantonn
dans ltude des jeux de hasard, il sest introduit dans presque toutes les branches de
lactivit scientifique, aussi bien dans lanalyse (thorie du potentiel), lconomie, la
gntique (lois de Mendel), la physique corpusculaire (toutes les thories statistiques) que
dans la psychologie et linformatique, dont la source est ltude de la quantit
dinformation, donne probabiliste sil en est. Il est rare de trouver un tel exemple de
recouvrement dans le domaine scientifique. On peut, sans paradoxe, soutenir que toutes
les mathmatiques anciennes sont un cas particulier du calcul des probabilits, le certain
tant de lalatoire dont la ralisation a une probabilit gale 1.
Adil EL MARHOUM
Page 2
Cours de probabilits
Le calcul des probabilits est n de ltude des jeux de hasard. Ce dernier mot, transmis par
lEspagne, vient dArabie. Larabe az-zahr, d jouer , sest transform en azar, hasard
(et souvent revers ) en espagnol. La base philologique, si lon peut dire, du calcul des
probabilits est donc le jeu (pile ou face, jeu de roulette, cartes). Pascal et le chevalier de
Mr sont certainement les premiers avoir voulu introduire le quantitatif dans ces tudes et
les mathmatiser. On essaye aujourdhui de rduire limportance de ce point de dpart en
cherchant un fondement axiomatique et en enseignant le calcul des probabilits sans parler de
hasard ( peine ose-t-on parler dala). Il nen est pas moins vrai que, sans lactivit des
joueurs, le calcul des probabilits naurait srement pas vu le jour. Depuis le XVIIe sicle, de
nombreux mathmaticiens ont apport une trs importante contribution au dveloppement de
cette science : parmi les plus marquants, citons Laplace, dont le tome VII des uvres
compltes est consacr au calcul des probabilits, et Denis Poisson, Carl Friedrich Gauss,
Henri Poincar, mile Borel, Maurice Frchet, Paul Levy, A. N. Kolmogorov et
A. Khintchine.
Adil EL MARHOUM
Page 3
Cours de probabilits
ANALYSE COMBINATOIRE
I. INTRODUCTION
L'analyse combinatoire, fonde sur des formules de permutations et de combinaisons, possde
d'importantes applications dans de nombreuses branches des mathmatiques, comme par
exemple dans la thorie des probabilits et en statistiques, o elles peuvent servir compter le
nombre d'arrangements possibles des lments d'un systme.
Au cours de ce chapitre nous dfinirons pour commencer la notion de disposition ordonne et
disposition non ordonne. Ensuite nous tudierons les diffrentes dispositions savoir les
permutations, les arrangements et les combinaisons.
II. DISPOSITIONS
Soient deux lments a et b :
III. PERMUTATIONS
Une permutation est une disposition ordonne. Le nombre de permutations que lon peut faire
avec n lments est :
Pn = n ! = n (n-1) (n-2) 2 1
Exemple :
Le nombre de permutations que lon peut faire avec trois lments a, b, c est :
P3 = 3 ! = 3 2 1 = 6
Ces 6 permutations sont : (a,b,c), (a,c,b), (b,a,c), (b,c,a), (c,a,b), et (c,b,a).
IV. ARRANGEMENTS
Un arrangement de p lments choisis parmi n lments est une disposition ordonne de p de
ces n lments. On distingue les arrangements avec rptitions et les arrangements sans
rptitions.
4.1. Arrangements sans rptitions
Cest le nombre darrangements que lon peut faire avec p lments choisis parmi n lments,
chacun deux ne peut figurer quune seule fois dans le mme arrangement. Le nombre
darrangements sans rptitions est :
n!
p
An (n p)!
Adil EL MARHOUM
Page 4
Cours de probabilits
Exemple :
Le nombre darrangements sans rptitions que lon peut faire avec deux lments choisis
parmi trois lments a, b, c est :
2
3!
3 2 1
6
(3 2)!
1
V. COMBINAISONS
Une combinaison de p lments choisis parmi n lments est une disposition non ordonne de
p de ces n lments. On distingue les combinaisons avec rptitions et les combinaisons sans
rptitions.
p
n
n!
p! (n p )!
Exemple :
Le nombre de combinaisons sans rptitions que lon peut faire avec deux lments choisis
parmi trois lments a, b, c est :
3!
3
2! 1!
Ces 3 combinaisons sont : (a,b), (a,c), et (b,c).
Adil EL MARHOUM
2
3
Page 5
Cours de probabilits
5.2. Combinaisons avec rptitions
Cest le nombre de combinaisons que lon peut faire avec p lments choisis parmi n
lments, chacun deux peut figurer plusieurs fois dans la mme combinaison.
Le nombre de combinaisons avec rptitions est :
p
n
C n p 1
(n p 1)!
p! ( n 1)!
Exemple :
Le nombre de combinaisons avec rptitions que lon peut faire avec deux lments choisis
parmi trois lments a, b, c est :
4!
2
2
2
K 3 C 321 C 4 2! 2! 6
Ces 6 combinaisons sont : (a,a), (a,b), (a,c), (b,b), (b,c), et (c,c).
Adil EL MARHOUM
Page 6
Cours de probabilits
CALCUL DE PROBABILITES
I. INTRODUCTION
Au cours de ce chapitre nous dfinirons pour commencer la notion d'exprience alatoire et
d'vnement alatoire. Ensuite nous tudierons la notion de probabilit : dfinition et
proprits. Nous prsenterons aussi la notion d'exclusivit, la probabilit conditionnelle et la
notion d'indpendance. Enfin, nous terminerons le chapitre par le thorme de bayes.
II. DEFINITIONS
2.1. Notion dalatoire
La dfinition de la probabilit est lie aux notions dexprience alatoire et dvnement
alatoire.
Une exprience est dite alatoire lorsquon ne peut en prvoir exactement le rsultat, du
fait que tous les facteurs qui dterminent ce rsultat ne sont pas matriss.
Exemple :
Le jet dun d numrot de 1 6 est une exprience alatoire car le rsultat du jet est
imprvisible. Lvnement avoir une face paire du d est un vnement alatoire car le
rsultat du jet peut tre impair comme il peut tre pair.
Le choix dune personne dans un groupe dindividus contenant des hommes et des femmes est
une exprience alatoire car le rsultat du choix est imprvisible. Lvnement choisir une
femme est un vnement alatoire car la personne choisie peut tre une femme comme elle
peut tre un homme.
p ( A)
Il faut noter que tous les rsultats possibles doivent avoir la mme chance de ralisation.
Adil EL MARHOUM
Page 7
Cours de probabilits
Cette dfinition montre que la probabilit est toujours comprise entre 0 et 1.
0p1
La probabilit de tout vnement qui doit ncessairement se raliser au cours dune
exprience alatoire est gale 1, il sagit dun vnement certain.
P(vnement certain) = 1
La probabilit de tout vnement qui ne peut pas se raliser au cours dune exprience
alatoire est nulle, il sagit dun vnement impossible.
P(vnement impossible) = 0
Exemple :
Dans une urne contenant 20 boules blanches, 15 boules noires, 15 boules rouges et 10 boules
vertes on choisie de faon alatoire une boule.
Le tirage de la boule est une exprience alatoire car le rsultat du tirage est imprvisible.
Lvnement choisir une boule blanche est un vnement alatoire car la boule tire peut tre
blanche comme elle peut tre dune autre couleur.
Le nombre de boules pouvant tre choisies est 60 car lurne contient au total 60 boules. Le
nombre de boules favorables lvnement boule blanche est 20 car lurne contient 20
boules blanches. La probabilit de tirer une boule blanche est donc :
p
20
0,33
60
et
p(A et B) = 0
Adil EL MARHOUM
Page 8
Cours de probabilits
3.2. vnements mutuellement exclusifs
Plusieurs vnements alatoires associs une mme exprience alatoire sont dits
mutuellement exclusifs ou mutuellement incompatibles sils sont exclusifs deux deux.
Si k vnements A1, A2, , Ak sont mutuellement exclusifs alors :
p(A1 ou A2 ou ou Ak) = p(A1) + p(A2) + + p(Ak)
Si trois vnements alatoires A, B, et C ne sont pas mutuellement exclusifs alors :
p(A ou B ou C) = p(A) + p(B) + p(C) p(A et B) p(A et C) p(B et C) + p(A et B et C)
Cette formule peut tre gnralise plusieurs vnements non exclusifs, on l'appelle galit
de Poincar :
n
p ( A1 ouA2 ou ouAn )
i 1
Dans cette galit les diffrents S qui figurent portent sur toutes les combinaisons possibles
des indices diffrant les uns des autres.
Adil EL MARHOUM
13 1
52 4
13 1
p(B) =
52 4
13 1
p(C) =
52 4
13 1
p(D) =
52 4
4
1
p(E) =
52 13
4
1
p(F) =
52 13
p(A) =
Page 9
Cours de probabilits
* Probabilit de tirer une carte cur ou carreau :
Les vnements A et B sont exclusifs :
p(A ou B) = p(A) + p(B) =
1 1 1
4 4 2
4 13 52 52 13
* Probabilit de tirer une carte cur ou carreau ou pique :
Les vnements A, B, et C sont mutuellement exclusifs :
p(A ou B ou C) = p(A) + p(B) + p(C) =
1 1 1 3
4 4 4 4
1 1 1
1
1
28 7
0
4 4 13
52 52
52 13
p ( A / B)
p(A et B)
p ( B)
Page 10
Cours de probabilits
La probabilit conditionnelle de lvnement B sous la condition A, est la probabilit de
ralisation de lvnement B sachant que lvnement A est dj ralis. Elle est dsigne
par :
p ( B / A)
p(A et B)
p( A)
20
0,33
60
p(B/A) est la probabilit de tirer au deuxime tirage une boule blanche sachant que la
premire boule tire est blanche.
Au deuxime tirage lurne contient donc 59 boules dont 19 sont blanches car on a dj tir
une boule blanche. On a donc :
19
p(B/A) =
0,32
59
P(A et B) = p(A) p(B/A) = 0,33 0,32 = 0,1056
Si on tire successivement trois boules, la probabilit que les trois boules soient vertes est :
p
Adil EL MARHOUM
10 9
8
0,0035
60 59 58
Page 11
Cours de probabilits
4.2. Evnements indpendants
Deux vnements A et B sont indpendants si la probabilit de voir se raliser lvnement A
ne dpend pas de la ralisation ou de la non ralisation de lvnement B. La probabilit de
voir se raliser lvnement B ne dpend pas de la ralisation ou de la non ralisation de
lvnement A.
p(A) = p(A/B) = p(A/non B)
p(B) = p(B/A) = p(B/non A)
Deux vnements A et B sont donc indpendants si :
p(A et B) = p(A) p(B)
Plusieurs vnements A1, A2, , Ak sont indpendants si :
p(A1 et A2 et et Ak) = p(A1) p(A2) p(Ak)
L'indpendance de plusieurs vnements deux deux n'entrane pas ncessairement
l'indpendance de l'ensemble des vnements.
Exemple :
On lance deux ds parfaitement homognes numrots de 1 6. Soient :
Lvnement A : rsultat du premier d est impair ;
Lvnement B : rsultat du deuxime d est impair ;
Lvnement A : la somme des deux rsultats est impaire.
p(A) =
3 1
6 2
p(B) =
3 1
6 2
p(C) =
18 1
36 2
Indpendance de A et B :
p(A et B) = p(A) p(B/A) =
1 1 1
= p(A) p(B)
2 2 4
Indpendance de A et C :
p(A et C) = p(A) p(C/A) =
1 1 1
= p(A) p(C)
2 2 4
Indpendance de B et C :
p(B et C) = p(B) p(C/B) =
1 1 1
= p(B) p(C)
2 2 4
Adil EL MARHOUM
Page 12
Cours de probabilits
Indpendance de A, B, et C :
p(A et B et C) = 0 car la somme de deux rsultats impairs ne peut pas tre impaire.
p(A et B et C) p(A) p(B) p(C)
A, B, et C sont donc dpendants.
V. THEOREME DE BAYSE
Soient E1, E2, , Ek, une srie de k vnements alatoires totalement exclusifs. chacun de
ces vnements correspond une information initiale qui permet dvaluer priori les
probabilits p(E1), p(E2), , p(Ek).
p(E1) + p(E2) + + p(Ek) = 1
Soit A un vnement quelconque pour lequel on connat priori les probabilits
conditionnelles p(A/E1), p(A/E2), , p(A/Ek).
Les vnements E1, E2, Ek tant complmentaires, lvnement A doit se raliser
ncessairement avec E1 ou E2 ou ... ou Ek.
p(A) = p[(A et E1) ou (A et E2) ou ou (A et Ek)]
p(A) = p(A et E1) + p(A et E2) + + p(A et Ek)
Par dfinition de la probabilit conditionnelle :
p(A et Ei) = p(Ei) p(A/Ei)
(i = 1 k)
p ( A) p( Ei ) p( A / Ei )
i 1
p ( Ei / A)
p ( E i / A)
p ( A et Ei )
p( A)
p( E i ) p( A / E i )
k
p( E ) p( A / E )
i
i 1
Adil EL MARHOUM
Page 13
Cours de probabilits
Exemple :
Le tableau suivant donne la description de 400 tudiants dune cole selon le niveau dtudes
et loption tudie.
Niveau
1re anne
2me anne
3me anne
4me anne
Total
Total
140
100
90
70
400
On a choisi au hasard un tudiant de lcole, il est inscrit en gestion, quelle est la probabilit
quil soit inscrit en 1re anne, en 2me anne, en 3me anne, en 4me anne ?
Dsignons par N1, N2, N3, et N4 les vnements niveau 1re anne , niveau 2me anne ,
niveau 3me anne , et niveau 4me anne .
Ces 4 vnements sont complmentaires :
140
p( N1 )
0,35
400
p( N 2 )
100
0,25
400
p( N 3 )
90
0,225
400
p( N 4 )
70
0,175
400
45
0,18
250
La probabilit postriori quun tudiant inscrit en gestion soit inscrit en 1re anne est :
p( N 1 / G )
p ( N 1 ) p (G / N 1 )
p( N 1 ) p(G / N 1 ) p( N 2 ) p(G / N 2 ) p( N 3 ) p (G / N 3 ) p( N 4 ) p (G / N 4 )
p( N 1 / G )
0,35 0,32
0,4250
0,35 0,32 0,25 0,30 0,225 0,20 0,175 0,18
Adil EL MARHOUM
Page 14
Cours de probabilits
La probabilit postriori quun tudiant inscrit en gestion soit inscrit en 2me anne est :
p( N 2 / G )
p ( N 2 ) p (G / N 2 )
p ( N 1 ) p (G / N 1 ) p ( N 2 ) p (G / N 2 ) p ( N 3 ) p (G / N 3 ) p ( N 4 ) p (G / N 4 )
p( N 2 / G )
0,25 0,30
0,2846
0,35 0,32 0,25 0,30 0,225 0,20 0,175 0,18
La probabilit postriori quun tudiant inscrit en gestion soit inscrit en 3me anne est :
p( N 3 / G )
p ( N 3 ) p (G / N 3 )
p( N 1 ) p (G / N 1 ) p ( N 2 ) p(G / N 2 ) p( N 3 ) p(G / N 3 ) p( N 4 ) p (G / N 4 )
p( N 3 / G )
0,225 0,20
0,1708
0,35 0,32 0,25 0,30 0,225 0,20 0,175 0,18
La probabilit postriori quun tudiant inscrit en gestion soit inscrit en 4me anne est :
p( N 4 / G )
p ( N 4 ) p (G / N 4 )
p ( N 1 ) p (G / N 1 ) p ( N 2 ) p (G / N 2 ) p ( N 3 ) p (G / N 3 ) p ( N 4 ) p (G / N 4 )
p( N 4 / G )
0,175 0,18
0,1195
0,35 0,32 0,25 0,30 0,225 0,20 0,175 0,18
Adil EL MARHOUM
Page 15
Cours de probabilits
II. DEFINITION
Une variable alatoire X est une variable associe une exprience ou un groupe
d'expriences alatoires et servant caractriser le rsultat de cette exprience ou de ce
groupe d'expriences.
On distingue les variables alatoires discontinues ou discrtes et les variables alatoires
continues.
Soit X la variable alatoire qui caractrise le rsultat de l'exprience alatoire "jet d'un d
homogne".
X est une variable alatoire discrte, elle peut prendre les valeurs entires 1, 2, 3, 4, 5, et 6.
Soit X la variable alatoire qui caractrise le nombre de garons dans une famille de
quatre enfants.
X est une variable alatoire discrte, elle peut prendre les valeurs entires 0, 1, 2, 3, et 4.
Adil EL MARHOUM
Page 16
Cours de probabilits
Lensemble des valeurs admissibles x et des probabilits correspondantes p(x) constitue une
distribution de probabilit discontinue. La relation entre x et p(x) est appele loi de
probabilit.
Pour toutes les distributions de probabilits dont les valeurs x correspondent des vnements
complmentaires, le total des probabilits est gal 1.
p ( x) 1
La distribution cumule des probabilits est appele fonction de rpartition :
x
F(x) = p(X x) =
p( x)
0 F(x) 1
Exemple :
Soit X la variable alatoire qui caractrise le rsultat de l'exprience alatoire "jet d'un d
homogne".
X est une variable alatoire discrte, elle peut prendre les valeurs entires 1, 2, 3, 4, 5, et 6
avec la probabilit constante 1/6.
Distribution de probabilit de X
x
1
2
3
4
5
6
Total
p(x)
1/6
1/6
1/6
1/6
1/6
1/6
1
F(x)
1/6
2/6
3/6
4/6
5/6
6/6
Soit X la variable alatoire qui caractrise le nombre de garons dans une famille de
quatre enfants.
X est une variable alatoire discrte, elle peut prendre les valeurs entires 0, 1, 2, 3, et 4.
La probabilit pour qu'un enfant soit un garon est 1/2.
La probabilit pour qu'un enfant soit une fille est 1/2.
P(0) est la probabilit que les quatre enfants soient des filles. Il y a une seule possibilit :
p (0)
Adil EL MARHOUM
1 1 1 1 1 4
( ) 0,0625
2 2 2 2 2
Page 17
Cours de probabilits
P(1) est la probabilit quun seul enfant soit un garon. Ce garon peut correspondre au
premier enfant, ou au deuxime, ou au troisime ou au quatrime. Il y a donc quatre
possibilits :
p (1) 4
1 1 1 1
1
4 ( ) 4 0,25
2 2 2 2
2
P(2) est la probabilit que deux enfants soient des garons. Ces deux garon peuvent
correspondre au premier et deuxime enfants, ou au premier et troisime enfants ou au
premier et quatrime enfants, ou au deuxime et troisime enfants ou au deuxime et
quatrime enfants , ou au troisime et quatrime enfants. Il y a donc six possibilits :
p (2) 6
1 1 1 1
1
6 ( ) 4 0,375
2 2 2 2
2
P(3) est la probabilit que trois enfants soient des garon. Ces trois garons peuvent
correspondre au premier et deuxime et troisime enfants, ou au premier et deuxime et
quatrime enfants ou au premier et troisime et quatrime enfants ou au deuxime et troisime
et quatrime enfants. Il y a donc quatre possibilits :
p (3) 4
1 1 1 1
1
4 ( ) 4 0, 25
2 2 2 2
2
P(4) est la probabilit que les quatre enfants soient des garons. Il y a une seule possibilit :
p (4)
1 1 1 1 1 4
( ) 0,0625
2 2 2 2 2
Distribution de probabilit de X
x
0
1
2
3
4
Total
p(x)
0,0625
0,2500
0,3750
0,2500
0,0625
1
F(x)
0,0625
0,3125
0,6875
0,9375
1
Adil EL MARHOUM
Page 18
Cours de probabilits
Un intervalle continu contient une infinit de valeurs. La probabilit d'obtenir exactement un
rsultat donn est gnralement nulle, bien que ce rsultat ne soit pas strictement impossible.
p ( X x) 0
La notion de distribution de probabilit n'a donc plus de sens dans le cas continu. Par contre la
fonction de rpartition conserve toute sa signification.
Pour une variable alatoire continue, on calcule la probabilit d'observer une valeur comprise
dans un intervalle donn [x ; x+x].
p(x X x+x) = p(X x+x) - p(X x) = F(x+x) - F(x)
lim p( x X x x) lim F ( x x) F ( x)
x 0
lim
x 0
x 0
F ( x x ) F ( x)
dF
lim x dx F ' ( x) f ( x)
x 0
La fonction f(x), drive de la fonction de rpartition F(x), est appele fonction de densit de
probabilit.
L'ensemble des valeurs admissibles pour une variable alatoire continue et la fonction de
densit de probabilit correspondante est dfinissent une distribution de probabilit thorique
continue.
Le produit f(x) dx est appel lment de probabilit, c'est l'quivalent de la probabilit p(x)
pour une variable alatoire discontinue.
Pour une variable alatoire continue, le cumul de la fonction de densit de probabilit est gal
1:
f ( x)dx 1
F(x) =
f ( x)dx
f ( x)dx
a
Adil EL MARHOUM
Page 19
Cours de probabilits
Exemple :
Soit une variable alatoire continue X dfinie par la fonction de densit de probabilit :
si 0 x 1
sinon
k
f ( x)
0
f ( x)dx 1
k dx 1
0
kx
k 1
si 0 x 1
sinon
1
f (x )
0
F(x) =
f ( x) dx
0 dx 0
Si 0 x 1 :
x
F(x) =
f ( x)dx 0 dx 1 dx x
Si x > 1 :
x
F(x) =
f ( x)dx 0 dx 1 dx 0 dx 1
F (x) x
1
Adil EL MARHOUM
si x 0
si 0 x 1
si x 1
Page 20
Cours de probabilits
V. COUPLE DE VARIABLES ALEATOIRES
Dans de nombreux cas, les rsultats des expriences alatoires peuvent tre caractriss par
deux variables alatoires X et Y. on parle alors de couple de variables alatoires (X , Y). Ces
deux variables peuvent tre toutes les deux discrtes, ou toutes les deux continues ou l'une
discontinue et l'autre continue.
Y
x1
x2
.
.
.
Xi
.
.
.
xk
p(y)
y1
p(x1, y1)
p(x2, y1)
.
.
.
p(xi, y1)
.
.
.
p(xk, y1)
p(y1)
y2
p(x1, y2)
p(x2, y2)
.
.
.
p(xi, y2)
.
.
.
p(xk, y2)
p(y2)
.
.
.
.
.
.
yj
p(x1, yj)
p(x2, yj)
.
.
.
p(xi, yj)
.
.
.
p(xk, yj)
p(yj)
.
.
.
.
.
.
yp
p(x1, yp)
p(x2, yp)
.
.
.
p(xi, yp)
.
.
.
p(xk, yp)
p(yp)
p(x)
p(x1)
p(x2)
.
.
.
p(xi)
.
.
.
p(xk)
1
Probabilits conjointes
p(xi , yj) est dite probabilit conjointe. C'est la probabilit d'obtenir la valeur x et la valeur y
en mme temps.
Adil EL MARHOUM
Page 21
Cours de probabilits
Probabilits marginales
p
p( x , y
i
) p ( xi )
j 1
p(xi) est dite probabilit marginale de X. C'est la probabilit d'obtenir la valeur xi quelque soit
la valeur de Y.
k
p( x , y
i
) p( y j )
i 1
p(yj) est dite probabilit marginale de Y. C'est la probabilit d'obtenir la valeur yj quelque soit
la valeur de X.
Le cumul de toutes les probabilits conjointes p(xi , yj) est gal 1.
k
p( x i , y j )
i 1 j 1
i 1
p ( xi )
p( y
j)
j 1
10 10 10
0,125
20 20 20
P(0 et 1) est la probabilit que deux boules tires soient rouges et une noire, il y a trois
possibilits, on peut donc crire :
p (0;1) 3
10 10 6
0, 225
20 20 20
P(0 et 2) est la probabilit que deux boules tires soient noires et une rouge, il y a trois
possibilits, on peut donc crire :
p (0;2) 3
10 6
6
0,135
20 20 20
P(0 et 3) est la probabilit que les trois boules tires soient noires, on peut donc crire :
Adil EL MARHOUM
Page 22
Cours de probabilits
p (0;3)
6
6
6
0,027
20 20 20
P(1 et 0) est la probabilit que deux boules tires soient rouges et une blanche, il y a trois
possibilits, on peut donc crire :
p (1;0) 3
10 10 4
0,15
20 20 20
P(1 et 1) est la probabilit qu'une boule tire soit blanche, et une noire et une rouge, il y a six
possibilits, on peut donc crire :
4
6 10
0,18
20 20 20
p (1;1) 6
P(1 et 2) est la probabilit que deux boules tires soient noires et une blanche, il y a trois
possibilits, on peut donc crire :
p (1;2) 3
4
6
6
0,054
20 20 20
P(1 et 3) est la probabilit que trois boules tires soient noires et une blanche, ce qui est
impossible car on tire que trois boules. On peut donc crire :
P(1;3) = 0
P(2 et 0) est la probabilit que deux boules tires soient blanches et une rouge, il y a trois
possibilits, on peut donc crire :
p (2;0) 3
4
4 10
0,06
20 20 20
P(2 et 1) est la probabilit qu'une boule tire soit noire, et deux blanches, il y a trois
possibilits, on peut donc crire :
p (2;1) 3
4
4
6
0,036
20 20 20
P(2 et 2) est la probabilit que deux boules tires soient noires et deux blanches, ce qui est
impossible car on tire que trois boules. On peut donc crire :
P(2;2) = 0
P(2 et 3) est la probabilit que trois boules tires soient noires et deux blanches, ce qui est
impossible car on tire que trois boules. On peut donc crire :
P(2;3) = 0
P(3 et 0) est la probabilit que les trois boules tires soient blanches, on peut donc crire :
p (3;0)
4
4
4
0,008
20 20 20
P(3 et 1) est la probabilit que trois boules tires soient blanches et une noire, ce qui est
impossible car on tire que trois boules. On peut donc crire :
Adil EL MARHOUM
Page 23
Cours de probabilits
P(3;1) = 0
P(3 et 2) est la probabilit que trois boules tires soient blanches et deux noires, ce qui est
impossible car on tire que trois boules. On peut donc crire :
P(3;2) = 0
P(3 et 3) est la probabilit que trois boules tires soient noires et trois blanches, ce qui est
impossible car on tire que trois boules. On peut donc crire :
P(3;3) = 0
La distribution de probabilits du couple de variables alatoires (X,Y) est :
X
Y
0
1
2
3
p(y)
0
0,125
0,15
0,06
0,008
0,343
1
0,225
0,18
0,036
0
0,441
2
0,135
0,054
0
0
0,189
3
0,027
0
0
0
0,027
p(x)
0,512
0,384
0,096
0,008
1
La notion de distribution de probabilit n'a donc plus de sens dans le cas continu. Par contre la
fonction de rpartition conserve toute sa signification.
Pour un couple de variables alatoires continues, on calcule la probabilit d'observer des
valeurs comprise dans des intervalles donns [x ; x+x] pour X et [y ; y+y] pour Y.
p(x X x+x et y Y y+y) = p(X x+x et Y y+y) - p(X x et Y y)
p(x X x+x et y Y y+y) = F(x+x , y+y) - F(x , y)
Cette probabilit tend vers p(x,y) quand x et y tendent tous les deux vers 0.
lim p( x X x x et
x 0
y 0
Adil EL MARHOUM
y Y y y )
lim F ( x x, y y ) F ( x, y)
x 0
y 0
Page 24
Cours de probabilits
lim
x 0
y 0
F ( x x, y y ) F ( x, y ) d 2 F
F ' ( x, y ) f ( x, y )
xy
dxdy
La fonction f(x,y), drive de la fonction de rpartition F(x,y), est appele fonction de densit
de probabilit deux variables.
L'ensemble des valeurs admissibles (x,y) et la fonction de densit de probabilit
correspondante f(x,y) dfinissent une distribution de probabilit thorique continue deux
variables.
Le produit f(x,y) dxdy est appel lment de probabilit, c'est l'quivalent de la probabilit
p(x,y) pour un couple de variables alatoires discontinues.
Pour une variable alatoire continue, le cumul de la fonction de densit de probabilit est gal
1:
f ( x, y )dxdy 1
x y
F(x,y) =
f ( x, y )dxdy
En intgrant la fonction de densit de probabilit par rapport l'une des variables, on obtient
les fonctions de densit marginales :
f ( x)
f ( y)
f ( x, y ) dy
f ( x, y)dx
k
f ( x, y )
0
f ( x, y )dxdy 1
Adil EL MARHOUM
Page 25
Cours de probabilits
1 1
k dxdy 1
0 0
kx] dy 1
0
kdy 1
0
ky] 1
0
k 1
si 0 x 1 et 0 y 1
sinon
1
f ( x, y )
0
F(x,y) =
x y
f ( x, y )dxdy
0 dxdy 0
Si 0 x 1 et 0 y 1 :
x y
F(x,y) =
x y
f ( x, y ) dxdy
1 dxdy ydx xy
0 0
Si x > 1 et y >1 :
x y
F(x,y) =
f ( x, y)dxdy 1 dxdy 1
F ( x, y ) xy
1
Adil EL MARHOUM
1 1
0 0
si x 0 et y 0
si 0 x 1 et 0 y 1
si x 1 et y 1
Page 26
Cours de probabilits
VI. CARACTERISTIQUES D'UNE VARIABLE ALEATOIRE
6.1. Esprance mathmatique
6.1.1. Dfinition
On appelle esprance mathmatique la valeur moyenne de la variable, elle remplace la
moyenne arithmtique dans le cas d'une variable statistique.
Cas discret
E( X )
Cas continu
x p( x)
E( X )
x f ( x)dx
Exemple :
Soit X la variable alatoire qui caractrise le nombre de garons dans une famille de
quatre enfants.
Distribution de probabilit de X
x
0
1
2
3
4
Total
E( X )
p(x)
0,0625
0,2500
0,3750
0,2500
0,0625
1
F(x)
0,0625
0,3125
0,6875
0,9375
1
Dans une famille de quatre enfants on doit s'attendre avoir deux garons.
Exemple :
Soit une variable alatoire continue X dfinie par la fonction de densit de probabilit :
1
f (x )
0
si 0 x 1
sinon
1
x 1
E ( X ) x dx
] 2
2
1
Adil EL MARHOUM
Page 27
Cours de probabilits
6.1.2. Proprits
Cas continu
E ( g ( X ))
E ( g ( X ))
g ( x ) p( x )
g ( x) f ( x)dx
Exemple :
Cas discret
E ( X )
Cas continu
x p( x )
E ( X )
x f ( x)dx
E (ax b) a
xp( x) b p( x)
E (ax b) aE ( X ) b
L'esprance d'un produit est le produit des esprances si les variables sont indpendantes :
E(X Y) = E(X) E(Y)
Page 28
Cours de probabilits
Cas discret
V(X) = E[(X - E(X))] =
( x E ( X )) p( x)
Cas continu
( x E ( X )) f ( x)dx
Soit X la variable alatoire qui caractrise le nombre de garons dans une famille de
quatre enfants.
Distribution de probabilit de X
x
0
1
2
3
4
Total
E( X )
E ( X )
p(x)
0,0625
0,2500
0,3750
0,2500
0,0625
1
F(x)
0,0625
0,3125
0,6875
0,9375
1
Adil EL MARHOUM
Page 29
Cours de probabilits
Exemple :
Soit une variable alatoire continue X dfinie par la fonction de densit de probabilit :
si 0 x 1
sinon
1
f (x )
0
x 1
E ( X ) x dx
]
2 2
1
x3 1
E ( X ) x dx
]
3 3
1
V ( X ) E ( X ) E ( X )
1 1 1
3 4 12
1
12
6.2.2. Proprits
La variance d'une somme est la somme des variances si les variables sont indpendantes :
V(X + Y) = E[((X + Y) - E(X+Y))]
V(X + Y) = E[(X + Y - E(X) - E(Y))]
V(X + Y) = E[((X-E(X)) + (Y-E(Y)))]
V(X + Y) = E[(X-E(X)) + 2 (X-E(X)) (Y-E(Y)) + (Y-E(Y))]
V(X + Y) = E[(X-E(X))] + 2 E[(X-E(X)) (Y-E(Y))] + E[(Y-E(Y))]
Adil EL MARHOUM
Page 30
Cours de probabilits
Si X et Y sont indpendantes, on peut crire :
E[(X-E(X)) (Y-E(Y))] = E(X-E(X)) E(Y-E(Y)) = 0
V(X + Y) = E[(X-E(X))] + E[(Y-E(Y))]
V(X + Y) = V(X) + V(Y)
La variance d'une diffrence est la somme des variances si les variables sont
indpendantes :
V(X - Y) = E[((X - Y) - E(X-Y))]
V(X - Y) = E[(X - Y - E(X) + E(Y))]
V(X - Y) = E[((X-E(X)) - (Y-E(Y)))]
V(X - Y) = E[(X-E(X)) - 2 (X-E(X)) (Y-E(Y)) + (Y-E(Y))]
V(X - Y) = E[(X-E(X))] - 2 E[(X-E(X)) (Y-E(Y))] + E[(Y-E(Y))]
Une variable alatoire est dite centre si son esprance mathmatique est nulle, elle est dite
rduite si son cart-type est gal 1.
Toute variable alatoire peut tre transforme en une variable centre rduite par le
changement de variable
X E (X )
.
Adil EL MARHOUM
Page 31
Cours de probabilits
Cas discret
COV(X , Y) = E[(X - E(X) (Y - E(Y))] =
( x E ( X ) ( y E (Y )) p( x, y)
Cas continu
( x E ( X ) ( y E (Y )) f ( x, y)dxdy
x y p( x, y)
E ( XY )
xy f ( x, y )dxdy
La relation entre deux variables alatoires est croissante ou dcroissante selon que la
covariance est positive ou ngative.
Exemple :
Soit la distribution de probabilits du couple de variables alatoires (X,Y) suivante :
X
Y
0
1
2
3
p(y)
0
0,125
0,15
0,06
0,008
0,343
1
0,225
0,18
0,036
0
0,441
2
0,135
0,054
0
0
0,189
3
0,027
0
0
0
0,027
p(x)
0,512
0,384
0,096
0,008
1
E (Y )
Adil EL MARHOUM
Page 32
Cours de probabilits
E ( XY )
x y p( x, y)
1
f ( x, y )
0
1
f ( x)
f ( x, y)dy dy 1
0
f ( y)
f ( x, y ) dx dx 1
x 1
E ( X ) x dx
] 2
2
1
E (Y ) y dy
0
y 1
] 2
2
0
E ( XY )
xy f ( x, y )dxdy
1 1
E ( XY )
0 0
xy dxdy
COV ( X , Y ) E ( XY ) E ( X ) E (Y )
Adil EL MARHOUM
2 xdx 4
1 1 1
0
4 2 2
Page 33
Cours de probabilits
6.3.2. proprits
Soient :
X' = a X + b et Y' = c Y + d
quelconques).
On peut dmonter que la covariance en valeur absolue est infrieure ou gale au produit
des cart-types :
COV ( X , Y ) V ( X ) V (Y )
COV ( X , Y )
V ( X ) V (Y )
Cette dfinition montre que le coefficient de corrlation linaire possde le mme signe que la
covariance et qu'il est toujours compris entre -1 et 1.
-1 r 1
La corrlation linaire est forte lorsque le coefficient de corrlation est proche de 1 ou de -1.
Adil EL MARHOUM
Page 34
Cours de probabilits
R = 0 : dans ce cas, il n'y a aucune dpendance linaire entre les deux variables, on parle
de corrlation linaire nulle.
-1 < r < 0 : dans ce cas les deux variables varient en sens inverse, la corrlation est faible
ou forte selon que le coefficient de corrlation est proche de 0 ou de -1.
0 < r < 1 : dans ce cas les deux variables varient dans le mme sens, la corrlation est
faible ou forte selon que le coefficient de corrlation est proche de 0 ou de 1.
Exemple :
Soit la distribution de probabilit deux variables suivante :
X
Y
1
2
3
p(y)
E( X )
1
0
1/2
0
1/2
2 p(x)
1/4 1/4
0 1/2
1/4 1/4
1/2 1
E ( X )
x p( x) 1 4 2 2 3 4 2
V ( X ) E ( X ) E ( X )
E (Y )
9
1
4
2
2
1
yp( y) 1 2 2 2 2
E (Y )
y p ( y ) 1 2 2 2 2
V (Y ) E (Y ) E (Y )
E ( XY )
xp( x) 1 4 2 2 3 4 2
5 9 1
2 4 4
xy p( x, y ) 1 1 0 1 2 4 2 1 2 2 2 0 3 1 0 3 2 4 3
COV ( X , Y ) E ( XY ) E ( X ) E (Y ) 3 2
3
0
2
COV ( X , Y )
V ( X ) V (Y )
Deux variables non indpendantes peuvent avoir un coefficient de corrlation linaire nul.
Adil EL MARHOUM
Page 35
Cours de probabilits
6.4.2. Proprits
Transformations linaires
Soient :
X' = aX + b
quelconques).
et Y' = cY + d
r( X ',Y ' )
r( X ',Y ' )
acCOV ( X , Y )
a V ( X ) c V (Y )
r ( X ' , Y ' ) r ( X , Y )
Les transformations linaires ne modifient pas l'intensit de la relation linaire mais elles
peuvent changer le sens de cette relation.
Quelque soit la variable alatoire X, la probabilit d'un intervalle [E(X)-k , E(X)+] a pour
borne infrieure 1
1
.
k
V (X )
( x E ( X )) p( x)
E(X)-k x E(X)+
avec :
S1 =
( x E( X )) p( x)
x < E(X)-k
S2 =
( x E( X )) p( x)
E(X)-k x E(X)+
S3 =
( x E( X )) p( x)
x > E(X)+
V ( X ) S1 S 2 S 3
V ( X ) S1 S 3
Adil EL MARHOUM
Page 36
Cours de probabilits
Pour S1
x < E(X) - k
Pour S3
x > E(X) + k
x - E(X) < - k
x - E(X) > k
(x - E(X)) > k
(x - E(X)) > k
( x E ( X )) p ( x) k p ( x)
1
S1 k
( x E ( X )) p ( x) k p ( x)
p ( x)
S 3 k
p ( x)
3
V ( X ) S1 S 3
V ( X ) k
p ( x) k p ( x)
V ( X ) k (
p ( x) p ( x))
1
p ( x ) p ( x) 1 p
1
On note :
2 ( x)
2 ( x)
2 ( x)
p( E ( X ) k X E ( X ) k
Or V ( X )
On a donc :
k (1 p)
1 k (1 p )
1
1 p
k
p 1
1
k
Adil EL MARHOUM
1
k
Page 37
Cours de probabilits
q=1-p
La variable alatoire X qui caractrise le nombre de succs au cours d'une seule exprience
alatoire est appele variable de Bernoulli, elle prend les valeurs entires 0 et 1 avec les
probabilits respectives q et p.
Loi de probabilit d'une variable Bernoulli
x
0
1
Total
p(x)
q
P
1
Esprance mathmatique
E(X) =
xp( x) 0 q 1 p p
Variance
E(X) =
x p( x) 0 q 1 p p
Page 38
Cours de probabilits
Exemple :
On lance une pice de monnaie une seule fois. Soit X la variable alatoire qui caractrise le
nombre de pile obtenus. X est une variable de Bernoulli, elle prend les valeurs entires 0 et 1
avec la probabilit constante 0,5.
Loi de probabilit de X
x
0
1
Total
p(x)
0,5
0,5
1
q=1-p
les probabilits p et q restent constantes au cours d'une suite d'expriences alatoires. C'est le
cas des prlvements d'individus au hasard dans une populations infinie ou le prlvement
d'individus dans une population finie, lorsque les individus sont remis en place au fur et
mesure des prlvements.
La variable alatoire X qui caractrise le nombre de succs au cours de n expriences
alatoires indpendantes est appele variable binomiale, elle prend les valeurs entires de 0
n.
La probabilit d'obtenir x succs et donc (n-x) checs au cours de n expriences alatoires
indpendantes est, pour x = 0, 1, ..., n :
p( x)
x
n
p x q nx
Une variable alatoire X qui sui une loi binomiale de paramtres n et p, est dsigne par :
Adil EL MARHOUM
Page 39
Cours de probabilits
X = B(n , p)
et
V(Xi) = pq
Esprance mathmatique
Variance et cart-type
Adil EL MARHOUM
Page 40
Cours de probabilits
On dfinit la variable alatoire X comme tant le nombre de pices dfectueuses qu'on peut
obtenir dans l'chantillon. La variable X peut prendre les valeurs entires de 0 20.
La population des pices peut tre considre comme une population pratiquement infinie. La
probabilit de succs, c'est dire la probabilit qu'une pice choisie soit dfectueuse, est
constante et gale 0,1. La variable alatoire X suit donc une loi binomiale de paramtre 20 et
0,1.
X = B(20 ; 0,1)
La probabilit d'avoir plus de deux pices dfectueuses dans l'chantillon est :
P(X > 2) = 1 - p(X 2) = 1 - p(0) - p(1) - p(2)
p ( X 2) 1
0
20
0,10 0,9 20
1
20
0,11 0,919
2
20
0,12 0,918
L'esprance mathmatique :
E(X) = np = 20 0,1 = 2 pices dfectueuses.
Dans un chantillon de 20 pices, on peut s'attendre avoir deux pices dfectueuses.
La variance : V(X) = npq = 20 0,1 0,9 = 1,8
3.3. Proprits
Additivit
X2 = B(n2 , p)
Xk = B(nk , p)
X1 + X2 + + Xk = B(n1 + n2 + + nk , p)
Formule de rcurrence
p ( n x)
p( x)
q ( x 1)
Exemple :
Soit la distribution binomiale de paramtres 4 et 1/6.
X = B(4 , 1/6)
La distribution de cette variable est telle que, pour x = 0, 1, 2, 3, 4 :
Adil EL MARHOUM
Page 41
Cours de probabilits
p( x)
x
4
p x q 4 x
Les probabilits p(x) peuvent tre calcules par rcurrence de la manire suivante :
5
p (0) ( ) 4 0, 4823
6
1
4
6
p (1)
0, 4823 0,3858
5
1
6
1
3
p ( 2) 6
0,3858 0,1157
5
2
6
1
2
6
p (3)
0,1157 0,0154
5
3
6
1
1
p ( 4) 6
0,0154 0008
5
4
6
p(x)
0,4823
0,3858
0,1157
0,0154
0,0008
1
Exemple :
Distribution de la variable B(4 , 1/2)
x
0
1
2
3
4
Adil EL MARHOUM
p(x)
0,0625
0,2500
0,3750
0,2500
0,0625
Page 42
Cours de probabilits
Total
Pour le calcul de p(x), il existe des tables d'usages qui donnent ces calculs. Ces tables
dpendent des paramtres n et p.
i 1
q=1-p
les probabilits de succs pi (i =1 k) restent constantes au cours d'une suite d'expriences
alatoires.
Les variables alatoires X1, X2, , Xk dsignent respectivement les nombres de succs au
cours de n expriences alatoires indpendantes pour chacun des k vnements. Chaque
variable alatoire Xi peut prendre les valeurs entires de 0 n. Ces variables sont telles que :
k
i 1
n!
p1 x1 p 2 x2 p k xk
x1! x 2 ! x k !
Exemple :
On lance quatre fois de suite un d parfaitement homogne. On dsigne par la variable
alatoire X1 le nombre de faces 1 obtenues, par X2 le nombre de faces 2 obtenues et par X3 le
nombre de faces suprieures ou gales 3.
La distribution de probabilit relative ces trois variables est une distributions deux
variables, puisque la troisime variable est entirement dtermine par la valeur des deux
autres :
X3 = 4 - X1 - X2
Adil EL MARHOUM
Page 43
Cours de probabilits
Ces trois variables peuvent tre reprsentes par une loi polynomiale de probabilits
respectives 1/6, 1/6, et 4/6.
Les diffrentes probabilits peuvent tre calcules l'aide de la relation :
p ( x1 , x 2 , x 3 )
p (0,0, 4)
p (2,1,1)
4!
1
1
4
( ) x1 ( ) x2 ( ) x3
x1! x 2 ! x k ! 6
6
6
4!
1 1 4
( ) 0 ( ) 0 ( ) 4 0,1975
0! 0! 4! 6 6 6
4!
1 1 4
( ) 2 ( )1 ( )1 0,0370
2! 1! 1! 6 6 6
X2
0
1
2
3
4
p(x2)
0
0,1976
0,1975
0,0741
0,0123
0,0008
0,4823
1
0,1975
0,1482
0,0370
0,0031
0
0,3858
2
0,0741
0,0370
0,0046
0
0
0,1157
3
0,0123
0,0031
0
0
0
0,0154
4
0,0008
0
0
0
0
0,0008
p(x1)
0,4823
0,3858
0,1157
0,0154
0,0008
1
V. LOI HYPERGEOMETRIQUE
5.1. Dfinition
La loi hypergomtrique intervient dans le cas de plusieurs expriences alatoires
dpendantes aux quelles on associe un caractre tudi quelconque.
la probabilit de succs varie d'une exprience alatoire l'autre. C'est le cas des prlvements
d'individus au hasard dans une populations finie, lorsque les individus ne sont pas remis en
place au fur et mesure des prlvements.
Dsignons par N l'effectif total de la population dans laquelle on prlve au hasard et sans
remise n individus. La population est compose d'individus qui possdent la caractre tudi,
le nombre de ces individus sera dsign par n1 . n2 dsigne le nombre d'individus de la
population qui ne possdent pas le caractre tudi.
N = n1 + n2
La variable alatoire X, qui caractrise le nombre d'individus prlevs qui possdent la
caractre tudi, est appele variable hypergomtrique, elle prend les valeurs entires de 0
n.
Adil EL MARHOUM
Page 44
Cours de probabilits
La probabilit d'obtenir x individus possdant le caractre tudi parmi les n individus
prlevs et donc (n-x) individus ne possdant pas le caractre tudi est, pour x = 0, 1, ..., n :
x
C C
p( x)
C
n1
nx
n2
Une variable alatoire X qui sui une loi hypergomtrique de paramtres N, n1, et n est
dsigne par :
X = H(N, n1 , n)
n1
N
La proportion des individus de la population qui ne possdent pas le caractre tudi est :
q
Esprance mathmatique :
E(X) = np
Variance et cart-type : V(X) = npq et
n2
N
npq
Exemple :
Dans une population de 40 personnes, dont 6 personnes sont originaires du Sud, 14 du Nord,
12 de l'Est et 8 de l'Ouest, on choisit au hasard un chantillon de 4 personnes.
La variable alatoire X dsigne le nombre d'individus de l'chantillon qui sont originaire du
Nord.
La population tant finie et les prlvements s'effectuent sans remise, la variable X suit donc
une loi hypergomtrique de paramtres :
Adil EL MARHOUM
Page 45
Cours de probabilits
La distribution de cette variable est telle que, pour x = 0, 1, 2, 3, 4 :
0
C C
p (0)
C
14
4
26
0,1636
40
C C
p (1)
C
14
3
26
0,3983
40
C C
p ( 2)
C
14
2
26
0,3236
40
C C
p (3)
C
14
26
0,1036
40
C C
p ( 4)
C
14
0
26
0,0110
40
Distribution de probabilit de X
x
0
1
2
3
4
Total
p(x)
0,1636
0,3983
0,3236
0,1036
0,0110
1
14
0,35
40
La proportion des individus de la population qui ne sont pas originaires du Nord est :
q
26
0,65
40
Esprance mathmatique :
Variance et cart-type :
Ecart-type :
Adil EL MARHOUM
Page 46
Cours de probabilits
5.3. Approximation de la loi hypergomtrique par la loi binomiale
x
C C
p( x)
C
n1
nx
n2
devient
fastidieux. On peut dmonter dans ce cas que lorsque l'effectif de la population (N) tend vers
l'infini et la proportion des individus possdant le caractre tudi (p) est constante ou tend
vers une constante, la loi hypergomtrique tend vers une loi binomiale de paramtre n et p.
On peut dans ce cas effectuer les calculs de probabilits de faon approximatives l'aide de la
formule de la loi binomiale. En pratique, l'approximation est satisfaisante ds que la
proportion des individus prlevs est infrieure 5 %.
n
0,05
N
N 20 n
ou
Exemple :
Soit la variable hypergomtrique H(100, 30, 4)
La distribution de cette variable est telle que, pour x = 0, 1, 2, 3, 4 :
x
4 x
30
70
C C
p( x)
C
4
100
p(x)
0,2338
0,4188
0,2679
0,0725
0,0070
1
La distribution de cette variable peut tre calcule l'aide de l'approximation par la loi
binomiale de paramtres 4 et 0,3. Les probabilits approximatives sont telle que, pour x = 0,
1, 2, 3, 4 :
p( x)
x
4
0,3 x 0,7 4 x
p(x)
0,2401
0,4116
0,2646
0,0756
0,0081
1
Adil EL MARHOUM
Page 47
Cours de probabilits
VI. LOI HYPERGEOMETRIQUE GENERALISEE
La loi hypergomtrique gnralise est une gnralisation de la loi hypergomtrique. elle
intervient dans le cas de plusieurs expriences alatoires dpendantes aux quelles on associe k
caractres tudis. C'est le cas des prlvements d'individus au hasard dans une population
finie, lorsque les individus ne sont pas remis en place au fur et mesure des prlvements.
Dsignons par N l'effectif total de la population dans laquelle on prlve au hasard et sans
remise n individus. La population est compose d'individus qui possdent le 1er caractre
tudi, le nombre de ces individus sera dsign par n1. n2 dsigne le nombre d'individus de la
population qui possdent le 2me caractre tudi, , nk dsigne le nombre d'individus de la
population qui possdent le kme caractre tudi.
N = n1 + n2 + + nk
Les variables alatoires X1, X2, , Xk dsignent respectivement les nombres d'individus
prlevs qui possdent le 1er caractre, le 2me caractre, , et le kme caractre. Chaque
variable alatoire Xi peut prendre les valeurs entires de 0 n. Ces variables sont telles que :
k
i 1
x1
x2
xk
n1
n2
nk
C C C
)
C
n
Exemple :
Dans une population de 40 personnes, dont 6 personnes sont originaires du Sud, 14 du Nord,
12 de l'Est et 8 de l'Ouest, on choisit au hasard un chantillon de 4 personnes.
Quelle est la probabilit d'avoir une personne de chaque rgion ?
Les variables alatoires X1, X2, X3 et X4 dsignent respectivement les nombres d'individus
prlevs du Sud, du Nord, de l'Est et de l'Ouest. Chaque variable alatoire Xi peut prendre les
valeurs entires de 0 4. Ces variables suivent une loi hypergomtrique gnralise.
La probabilit d'obtenir x1 individus du Sud, et x2 individus du Nord, et x3 individus de l'Est ,
et x4 individus de l'Ouest est :
p ( x1 , x 2 , x 3 , x 4
x1
x2
x3
x4
14
12
C C C C
)
C
4
40
14
12
C C C C
p (1,1,1,1)
C
4
0,0882
40
Adil EL MARHOUM
Page 48
Cours de probabilits
VI. LOI DE POISSON
POISSON SIMON DENIS (1781-1840). Mathmaticien franais dont les travaux portent
sur les intgrales dfinies, la thorie lectromagntique et le calcul des probabilits.
Cest dans louvrage Recherches sur la probabilit des jugements ... (1837), qui est un livre
important sur le calcul des probabilits, quapparat pour la premire fois la distribution de
Poisson, ou loi de Poisson des grands nombres. Obtenue initialement comme une
approximation de la loi binomiale, elle est devenue fondamentale dans de trs nombreux
problmes.
6.1. Dfinition
La loi de poisson intervient pour des phnomnes statistiques dont le nombre de ralisation
varie de 0 l'infini et dont la frquence moyenne de ralisation est connue.
Exemple :
Nombre d'appels reus par un standard tlphonique.
Nombre d'accidents de la circulation.
Nombre de visiteur d'un centre commercial.
La variable alatoire X qui caractrise le nombre de ralisations de ce phnomne est appele
variable de poisson, elle prend les valeurs entires 0,1, 2, etc.
La probabilit d'obtenir x ralisations est, pour x = 0, 1, 2, ... :
p( x)
em m x
x!
Une variable alatoire X qui sui une loi de poisson de paramtre m est dsigne par :
X = P(m)
Exemple :
Un port a les moyens techniques de recevoir au maximum 4 bateaux ptroliers par jour. Le
reste est envoy vers un autres port. Quelle est la probabilit qu'un jour donne, le port ne
puisse recevoir tous les bateaux qui se prsentent, si on sait qu'en moyenne 3 bateaux se
prsentent par jour.
Dsignons par la variable alatoire X, le nombre de bateaux qui se prsentent un jour donne.
X suit une loi de poisson de paramtre 3.
X = P(3)
Adil EL MARHOUM
Page 49
Cours de probabilits
La probabilit qu'un jour donne, le port ne puisse recevoir tous les bateaux qui se prsentent
est :
P(X > 4) = 1 - p(X 4) = 1 - p(0) - p(1) - p(2) - p(3) - p(4)
p ( X 4) 1
e 3 3 0 e 3 31 e 3 3 2 e 3 33 e 3 3 4
0!
1!
2!
3!
4!
X2 = P(m2)
Xk = P(mk)
X1 + X2 + + Xk = P(m1 + m2 + + mk)
6.4. Formule de rcurrence
En effectuant le rapport de deux probabilits successives, on obtient :
p ( x 1) p ( x )
m
x 1
Exemple :
Soit la distribution de poisson de paramtre 3.
X = P(3)
La distribution de cette variable est telle que, pour x = 0, 1, 2, 3, 4,
p( x)
Adil EL MARHOUM
e 3 3 x
x!
Page 50
Cours de probabilits
Les probabilits p(x) peuvent tre calcules par rcurrence de la manire suivante :
p(0) = e-3 = 0,0498
p (1) 0,0498
3
0,1494
1
p (2) 0,1494
3
0, 2240
2
p (3) 0,2240
3
0,2240
3
p (4) 0,2240
3
0,1680
4
Page 51
Cours de probabilits
La probabilit d'avoir plus d'une ampoule dfectueuse dans l'chantillon est :
p(X > 1) = p(X 1) = 1 - p(0) - p(1)
p ( X 1) 1
0
20
0,05 0 0,95 20
1
20
0,051 0,9519
La probabilit d'avoir plus d'une ampoule dfectueuse dans l'chantillon peut tre calcule de
faon approximative l'aide de la loi de poisson de paramtre 200,05 = 1, puisque la
probabilit p est infrieure 0,1 (0,05) et le produit np est infrieur 5 (200,05 = 1) :
p(X > 1) = p(X 1) = 1 - p(0) - p(1)
p ( X 1) 1
e 1 10 e 1 11
0!
1!
Adil EL MARHOUM
Page 52
Cours de probabilits
1 xm
(
)
2
f ( x)dx 1
La loi normale dpend de deux paramtres m et .Une variable alatoire X qui suit une loi
normale de paramtres m et est dsigne par :
X = N(m , )
Adil EL MARHOUM
Page 53
Cours de probabilits
2.2. Loi normale centre rduite
On appelle variable normale rduite toute variable alatoire normale U de paramtres m = 0 et
= 1.
Z = N(0 , 1)
Une variable normale rduite est dfinie par la fonction de densit de probabilit suivante :
z
1
e 2
2
f (z)
Toute variable normale X de paramtres m et peut tre transforme en une variable normale
rduite par le changement de variable suivant :
Z
X m
En particulier la loi normale rduite est symtrique par rapport l'axe des abscisses et
caractrise par l'existence d'un maximum en z = 0 et f(z) =
1
2
0,40 .
La fonction de rpartition correspond l'aire comprise entre cette courbe et l'axe des
abscisses.
Adil EL MARHOUM
Page 54
Cours de probabilits
2.4. Dtermination pratique des probabilits
Pour le calcul de probabilits sans utiliser la fonction de densit, des tables de la loi normale
rduite ont t labores. On distingue deux tables de la loi normale rduite, relatives l'une
la fonction de densit de probabilit et l'autre la fonction de rpartition. En raison de la
symtrie de la distribution, ces tables sont limites aux valeurs positives de u.
Par le changement de variable Z
X m
toutes les variables normales se ramnent la loi
normale rduite.
2.4.1. Table de la fonction de densit de probabilit
Cette table donne les valeurs f(z) pour des valeurs positives u d'une variable normale rduite.
En raison de la symtrie de f(z), on peut dduire les valeurs f(z) pour les valeurs ngatives de
u:
f(-z) = f(z).
Pour une variable normale quelconque X de paramtre m et :
f(
f ( x)
xm
)
f ( z)
Pour lire une valeur f(z) dans la table, il suffit de lire l'intersection entre la ligne
correspondante la valeur de z et la colonne correspondante au deuxime chiffre aprs la
virgule de z.
Adil EL MARHOUM
Page 55
Cours de probabilits
TABLE DE LA FONCTION DE DENSITE DE LA LOI NORMALE REDUITE
z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,3989
0,3970
0,3910
0,3814
0,3683
0,3521
0,3332
0,3123
0,2897
0,2661
0,2420
0,2179
0,1942
0,1714
0,1497
0,1295
0,1109
0,09405
0,07895
0,06562
0,05399
0,04398
0,03547
0,02833
0,02239
0,01753
0,01358
0,01042
0,00792
0,00595
0,00443
0,00327
0,00238
0,00172
0,00123
0,00087
0,00061
0,00042
0,00029
0,00020
0,01
0,3989
0,3965
0,3902
0,3802
0,3668
0,3503
0,3312
0,3101
0,2874
0,2637
0,2396
0,2155
0,1919
0,1691
0,1476
0,1276
0,1092
0,09246
0,07754
0,06438
0,05292
0,04307
0,03470
0,02768
0,02186
0,01709
0,01323
0,01014
0,00770
0,00578
0,00430
0,00317
0,00231
0,00167
0,00119
0,00084
0,00059
0,00041
0,00028
0,00019
0,02
0,3989
0,3961
0,3894
0,3790
0,3653
0,3485
0,3292
0,3079
0,2850
0,2613
0,2371
0,2131
0,1895
0,1669
0,1456
0,1257
0,1074
0,09089
0,07614
0,06316
0,05186
0,04217
0,03394
0,02705
0,02134
0,01667
0,01289
0,00987
0,00748
0,00562
0,00417
0,00307
0,00224
0,00161
0,00115
0,00081
0,00057
0,00039
0,00027
0,00018
0,03
0,3988
0,3956
0,3885
0,3778
0,3637
0,3467
0,3271
0,3056
0,2827
0,2589
0,2347
0,2107
0,1872
0,1647
0,1435
0,1238
0,1057
0,08933
0,07477
0,06195
0,05082
0,04128
0,03319
0,02643
0,02083
0,01625
0,01256
0,00961
0,00727
0,00545
0,00405
0,00298
0,00216
0,00156
0,00111
0,00079
0,00055
0,00038
0,00026
0,00018
0,04
0,3986
0,3951
0,3876
0,3765
0,3621
0,3448
0,3251
0,3034
0,2803
0,2565
0,2323
0,2083
0,1849
0,1626
0,1415
0,1219
0,1040
0,08780
0,07341
0,06077
0,04980
0,04041
0,03246
0,02582
0,02033
0,01585
0,01223
0,00935
0,00707
0,00530
0,00393
0,00288
0,00210
0,00151
0,00107
0,00076
0,00053
0,00037
0,00025
0,00017
0,05
0,3984
0,3945
0,3867
0,3752
0,3605
0,3429
0,3230
0,3011
0,2780
0,2541
0,2299
0,2059
0,1826
0,1604
0,1394
0,1200
0,1023
0,08628
0,07206
0,05959
0,04879
0,03955
0,03174
0,02522
0,01984
0,01545
0,01191
0,00909
0,00687
0,00514
0,00381
0,00279
0,00203
0,00146
0,00104
0,00073
0,00051
0,00035
0,00024
0,00016
0,06
0,3982
0,3939
0,3857
0,3739
0,3589
0,3410
0,3209
0,2989
0,2756
0,2516
0,2275
0,2036
0,1804
0,1582
0,1374
0,1182
0,1006
0,08478
0,07074
0,05844
0,04780
0,03871
0,03103
0,02463
0,01936
0,01506
0,01160
0,00885
0,00668
0,00499
0,00370
0,00271
0,00196
0,00141
0,00100
0,00071
0,00049
0,00034
0,00023
0,00016
0,07
0,3980
0,3932
0,3847
0,3725
0,3572
0,3391
0,3187
0,2966
0,2732
0,2492
0,2251
0,2012
0,1781
0,1561
0,1354
0,1163
0,09893
0,08329
0,06943
0,05730
0,04682
0,03788
0,03034
0,02406
0,01888
0,01468
0,01130
0,00861
0,00649
0,00485
0,00358
0,00262
0,00190
0,00136
0,00097
0,00068
0,00047
0,00033
0,00022
0,00015
0,08
0,3977
0,3925
0,3836
0,3712
0,3555
0,3372
0,3166
0,2943
0,2709
0,2468
0,2227
0,1989
0,1758
0,1539
0,1334
0,1145
0,09728
0,08183
0,06814
0,05618
0,04586
0,03706
0,02965
0,02349
0,01842
0,01431
0,01100
0,00837
0,00631
0,00471
0,00348
0,00254
0,00184
0,00132
0,00094
0,00066
0,00046
0,00031
0,00021
0,00014
0,09
0,3973
0,3918
0,3825
0,3697
0,3538
0,3352
0,3144
0,2920
0,2685
0,2444
0,2203
0,1965
0,1736
0,1518
0,1315
0,1127
0,09566
0,08038
0,06687
0,05508
0,04491
0,03626
0,02898
0,02294
0,01797
0,01394
0,01071
0,00814
0,00613
0,00457
0,00337
0,00246
0,00178
0,00127
0,00090
0,00063
0,00044
0,00030
0,00021
0,00014
Exemple :
La valeur de f(2,25) correspond l'intersection entre la ligne correspondante 2,2 et la
colonne correspondante 0,05, on peut lire la valeur 0,03174.
f(-3,14) = f(3,14) = 0,00288
Adil EL MARHOUM
Page 56
Cours de probabilits
2.4.2. Table de la fonction de rpartition
Cette table donne les valeurs (z) pour des valeurs positives z d'une variable normale centre
rduite. En raison de la symtrie de f(z), on peut dduire les valeurs (z) pour les valeurs
ngatives de z :
(-z) = p(Z -z) = p(Z > z) = 1 - p(Z z) = 1 - (z)
(-z) = 1 - (z)
Pour une variable normale quelconque X de paramtre m et :
F ( x ) p ( X x) p(
X m xm
) p( Z z ) (z)
F(x) = (z)
Pour lire une valeur (z) dans la table, il suffit de lire l'intersection entre la ligne
correspondante la valeur de z et la colonne correspondante au deuxime chiffre aprs la
virgule de z.
Adil EL MARHOUM
Page 57
Cours de probabilits
TABLE DE LA FONCTION DE REPARTITION DE LA LOI NORMALE REDUITE
z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,90320
0,91924
0,93319
0,94520
0,95543
0,96407
0,97128
0,97725
0,98214
0,98610
0,98928
0,99180
0,99379
0,99534
0,99653
0,99744
0,99813
0,99865
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99989
0,99993
0,99995
0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,90490
0,92073
0,93448
0,94630
0,95637
0,96485
0,97193
0,97778
0,98257
0,98645
0,98956
0,99202
0,99396
0,99547
0,99664
0,99752
0,99819
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995
0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,90658
0,92220
0,93574
0,94738
0,95728
0,96562
0,97257
0,97831
0,98300
0,98679
0,98983
0,99224
0,99413
0,99560
0,99674
0,99760
0,99825
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996
0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,90824
0,92364
0,93699
0,94845
0,95818
0,96638
0,97320
0,97882
0,98341
0,98713
0,99010
0,99245
0,99430
0,99573
0,99683
0,99767
0,99831
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996
0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7703
0,7995
0,8264
0,8508
0,8729
0,8925
0,90988
0,92507
0,93822
0,94950
0,95907
0,96712
0,97381
0,97932
0,98382
0,98745
0,99036
0,99266
0,99446
0,99585
0,99693
0,99774
0,99836
0,99882
0,99916
0,99940
0,99958
0,99971
0,99980
0,99986
0,99991
0,99994
0,99996
0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,91149
0,92647
0,93943
0,95053
0,95994
0,96784
0,97441
0,97982
0,98422
0,98778
0,99061
0,99286
0,99461
0,99598
0,99702
0,99781
0,99841
0,99886
0,99918
0,99942
0,99960
0,99972
0,99981
0,99987
0,99991
0,99994
0,99996
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,91309
0,92785
0,94062
0,95154
0,96080
0,96856
0,97500
0,98030
0,98461
0,98809
0,99086
0,99305
0,99477
0,99609
0,99711
0,99788
0,99846
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996
0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,91466
0,92922
0,94179
0,95254
0,96164
0,96926
0,97558
0,98077
0,98500
0,98840
0,99111
0,99324
0,99492
0,99621
0,99720
0,99795
0,99851
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996
0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,91621
0,93056
0,94295
0,95352
0,96246
0,96995
0,97615
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856
0,99897
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997
0,09
05359
05753
06141
06517
06879
07224
07549
07852
08133
08389
08621
08830
090147
0,91774
0,93189
0,94408
0,95449
0,96327
0,97062
0,97670
0,98169
0,98574
0,98899
0,99158
0,99361
0,99520
0,99643
0,99736
0,99807
0,99861
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997
Exemple :
La valeur de (1,36) correspond l'intersection entre la ligne correspondante 1,3 et la
colonne correspondante 0,06, on peut lire la valeur 0,91309.
(-2,24) = 1 - (2,24) = 1 - 0,98745 = 0,01255
Adil EL MARHOUM
Page 58
Cours de probabilits
Exemple :
Pour qu'une pice fabrique par une machine soit utilisable, sa longueur doit tre comprise
entre 14,7 et 15,3 cm, sinon elle est rejete. Sachant que la longueur de cette pice est une
variable normale de paramtres 15 cm et 0,2 cm, quelle proportion de pices peuvent tre
rejetes.
Si on dsigne par la variable X la longueur des pices, X suit une loi normale :
X = N(15 ; 0,2)
La probabilit de rejet d'une pice est :
p(rejet ) 1 p (accepter )
p(accepter ) p (14,7 X 15,3) p( X 15,3) p ( X 14,7)
p(accepter ) F (15,3) F (14,7)
15,3 15
14,7 15
p(accepter ) F (
) F(
) (1,50) (1,50)
0,2
0,2
p(accepter ) (1,50) (1 (1,50)) 2 (1,50) 1
p(accepter ) 2 0,93319 1 0,86638
p(rejet ) 1 0,86638 0,13362
Chaque pice a une probabilit de 0,13362 d'tre rejete ou il y a un risque de rejet de 13%
des pices fabriques.
Adil EL MARHOUM
Page 59
Cours de probabilits
Exemple :
Pour se rendre son travail un ouvrier prend deux bus. La dure du trajet du premier bus est
une variable normale de paramtres 27 minutes et 5 minutes. La dure du trajet du deuxime
bus est une variable normale de paramtres 30 minutes et 2 minutes. Quelle est la probabilit
que cet ouvrier n'arrive pas en retard s'il dispose d'une heure ?
La variable X est la somme de deux variables normales indpendantes, elle suit donc une loi
normale :
X = N(30+27 ; 5 2 ) = N(57 ; 5,4)
Pour ne pas arriver en retard la dure totale des deux trajets ne doit pas dpasser 60 minutes.
p( X 60) p(
X 57 60 57
) p( Z 0,56)
5,4
5,4)
Exemple :
Une caisse d'assurance maladie reoit 120 personnes pour l'obtention de remboursements. On
suppose que la somme rembourser chaque personne est une variable alatoire de moyenne
1000 dirhams et d'cart type 600 dirhams. La caisse dispose de 130000 dirhams. Quelle est le
risque que cette somme ne soit pas suffisante pour rembourser toutes les personnes ?
Dsignons par Xi (i = 1 120) la somme rembourser chaque personne.
Dsignons par X la somme totale que la caisse doit payer aux 120 personnes.
X = X1 + X2 + + X121
Adil EL MARHOUM
Page 60
Cours de probabilits
D'aprs le thorme central limite, on peut affirmer que X suit une loi normale moyenne la
somme des moyennes et d'cart type la racine carre de la somme des variances.
X N (120 1000; 120 600 ) N (120000;6572,67)
La somme de 130000 dh ne sera pas suffisante si la somme totale rembourser aux 120
personnes dpasse 130000 dh :
p( X 130000) 1 p ( X 130000) 1 p (
)
6572,67
6572,67
p(X > x)
ou
La recherche de ces probabilits est souvent longue, car il faut dterminer individuellement et
d'additionner les diffrentes probabilits 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 paramtre n de la loi binomiale est grand et les probabilits de succs p et d'chec
q ne sont pas trop petites, on peut effectuer ce calcul d'une manire approche l'aide de la loi
normale de paramtres np et npq .
En pratique l'approximation est satisfaisante lorsque les produits np et nq sont suprieurs 5 :
B(n ; p) N(np ;
npq )
Pour amliorer la qualit de l'approximation de la loi binomiale, qui est discrte, par la loi
normale, qui est continue, on introduit gnralement une correction de continuit de 0,5. Les
diffrentes probabilits deviennent :
Adil EL MARHOUM
Page 61
Cours de probabilits
Exemple :
On suppose que la probabilit qu'un tudiant russisse un examen est de 0,8. Quelle est la
probabilit qu'au moins 75 tudiants parmi 100 tudiants russissent l'examen ?
Dsignons par X le nombre d'tudiants qui russissent l'examen.
X est une variable discrte qui prend les valeurs entires de 0 100. Elle suit une loi
binomiale de paramtres 100 et 0,8.
X = B(100 ; 0,8)
La probabilit qu'au moins 75 tudiants parmi 100 tudiants russissent l'examen est :
p(X 75)
Les produits np et nq sont respectivement 1000,8 = 80 et 1000,2 = 20, ils sont suprieurs
5. On peut donc effectuer le calcul de cette probabilit d'une manire approche l'aide de la
loi normale de paramtres np = 80 et npq = 4.
X = B(100 ; 0,8) N(80 ; 4)
Pour amliorer la qualit de l'approximation on introduit la correction de continuit, la
probabilit p(X 75) devient :
p(X 75 + 0,5) = 1 - p(X < 75,5)
p( X 75,5) 1 p (
X 80 75,5 80
) 1 p( Z 1,13)
4
4
Adil EL MARHOUM
Page 62
Cours de probabilits
III. LOIS DERIVEES DE LA LOI NORMALE
Cet ensemble de lois de rpartition est particulirement utile dans la partie de la statistique
appele lanalyse de variance.
k
x
1
2
2
x e
Le paramtre k est une constante entire positive appele nombre de degrs de libert, on dit
variable Khi carr k degr de libert, dsigne par k dl.
f ( x)dx 1
0
La variable Khi deux de Pearson correspond aussi la somme des carrs de k variables
normales rduites indpendantes.
Soient Z1, Z2, , Zk k variables normales rduites indpendantes, on peut dmontrer :
k dl = Z1 + Z2 + + Zk
3.1.2. Caractristiques de la loi k dl
On peut dmontrer que :
Esprance mathmatique
: E( k dl) = k
Variance
: V( k dl) = 2 k
Adil EL MARHOUM
Page 63
Cours de probabilits
3.1.4. Table de la loi Khi deux de Pearson
La table de la loi Khi carr dpend du paramtre k, elle donne les valeurs de k dl pour les
valeurs de la fonction de rpartition F( k dl).
TABLE DE LA LOI KHI DEUX DE PEARSON
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0,0005
0,06393
0,02100
0,0153
0,0639
0,158
0,299
0,485
0,710
0,972
1,26
1,59
1,93
2,31
2,70
3,11
3,54
3,98
4,44
4,91
5,40
5,90
6,40
6,92
7,45
7,99
8,54
9,09
9,66
10,2
10,8
Adil EL MARHOUM
0,001
0,05157
0,02200
0,0243
0,0908
0,210
0,381
0,598
0,857
1,15
1,48
1,83
2,21
2,62
3,04
3,48
3,94
4,42
4,90
5,41
5,92
6,45
6,98
7,53
8,08
8,65
9,22
9,80
10,4
11,0
11,6
0,005
0,04393
0,0100
0,0717
0,207
0,412
0,676
0,989
1,34
1,73
2,16
2,60
3,07
3,57
4,07
4,60
5,14
5,70
6,26
6,84
7,43
8,03
8,64
9,26
9,89
10,5
11,2
11,8
12,5
13,1
13,8
0,01
0,025
0,03157 0,03982
0,0201 0,0506
0,115
0,216
0,297
0,484
0,554
0,831
0,872
1,24
1,24
1,69
1,65
2,18
2,09
2,70
2,56
3,25
3,05
3,82
3,57
4,40
4,11
5,01
4,66
5,63
5,23
6,26
5,81
6,91
6,41
7,56
7,01
8,23
7,63
8,91
8,26
9,59
8,90
10,3
9,54
11,0
10,2
11,7
10,9
12,4
11,5
13,1
12,2
13,8
12,9
14,6
13,6
15,3
14,3
16,0
15,0
16,8
0,05
0,1
0,2
0,3
0,4
0,02393 0,0158 0,0642 0,148 0,275
0,103
0,211
0,446 0,713 1,02
0,352
0,584 1,00
1,42 1,87
0,711
1,06
1,65
2,19 2,75
1,15
1,61
2,34
3,00 3,66
1,64
2,20
3,07
3,83 4,57
2,17
2,83
3,82
4,67 5,49
2,73
3,49
4,59
5,53
6,42
3,33
4,17
5,38
6,39 7,36
3,94
4,87
6,18
7,27 8,30
4,57
5,58
6,99
8,15 9,24
5,23
6,30
7,81
9,03
10,2
5,89
7,04
8,63
9,93
11,1
6,57
7,79
9,47
10,8
12,1
7,26
8,55
10,3
11,7
13,0
7,96
9,31
11,2
12,6
14,0
8,67
10,1
12,0
13,5
14,9
9,39
10,9
12,9
14,4
15,9
10,1
11,7
13,7
15,4
16,9
10,9
12,4
14,6
16,3
17,8
11,6
13,2
15,4
17,2
18,8
12,3
14,0
16,3
18,1
19,7
13,1
14,8
17,2
19,0
20,7
13,8
15,7
18,1
19,9
21,7
14,6
16,5
18,9
20,9
22,6
15,4
17,3
19,8
21,8
23,6
16,2
18,1
20,7
22,7
24,5
16,9
18,9
21,6
23,6
25,5
17,7
19,8
22,5
24,6
26,5
18,5
20,6
23,4
25,5
27,4
Page 64
Cours de probabilits
TABLE DE LA LOI KHI DEUX DE PEARSON (SUITE)
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0,5
0,455
1,39
2,37
3,36
4,35
5,35
6,35
7,34
8,34
9,34
10,3
11,3
12,3
13,3
14,3
15,3
16,3
17,3
18,3
19,3
20,3
21,3
22,3
23,3
24,3
25,3
26,3
27,3
28,3
29,3
0,6
0,708
1,83
2,95
4,04
5,13
6,21
7,28
8,35
9,41
10,5
11,5
12,6
13,6
14,7
15,7
16,8
17,8
18,9
19,9
21,0
22,0
23,0
24,1
25,1
26,1
27,2
28,2
29,2
30,3
31,3
0,7
1,07
2,41
3,67
4,88
6,06
7,23
8,38
9,52
10,7
11,8
12,9
14,0
15,1
16,2
17,3
18,4
19,5
20,6
21,7
22,8
23,9
24,9
26,0
27,1
28,2
29,2
30,3
31,4
32,5
33,5
0,8
1,64
3,22
4,64
5,99
7,29
8,56
9,80
11,0
12,2
13,4
14,6
15,8
17,0
18,2
19,3
20,5
21,6
22,8
23,9
25,0
26,2
27,3
28,4
29,6
30,7
31,8
32,9
34,0
35,1
36,3
0,9
2,71
4,61
6,25
7,78
9,24
10,6
12,0
13,4
14,7
16,0
17,3
18,5
19,8
21,1
22,3
23,5
24,8
26,0
27,2
28,4
29,6
30,8
32,0
33,2
34,4
35,6
36,7
37,9
39,1
40,3
0,95
3,84
5,99
7,81
9,49
11,1
12,6
14,1
15,5
16,9
18,3
19,7
21,0
22,4
23,7
25,0
26,3
27,6
28,9
30,1
31,4
32,7
33,9
35,2
36,4
37,7
38,9
40,1
41,3
42,6
43,8
0,975
5,02
7,38
9,35
11,1
12,8
14,4
16,0
17,5
19,0
20,5
21,9
23,3
24,7
26,1
27,5
28,8
30,2
31,5
32,9
34,2
35,5
36,8
38,1
39,4
40,6
41,9
43,2
44,5
45,7
47,0
0,9995
12,1
15,2
17,7
20,0
22,1
24,1
26,0
27,9
29,7
31,4
33,1
34,8
36,5
38,1
39,7
41,3
42,9
44,4
46,0
47,5
49,0
50,5
52,0
53,5
54,9
56,4
57,9
59,3
60,7
62,2
Pour lire une valeur k dl dans la table, il suffit de lire l'intersection entre la colonne
correspondante la valeur de la probabilit cumule F( k dl) et la ligne correspondante au
degr de libert k.
Exemple :
La valeur de 10 dl pour une probabilit de 0,95 correspond l'intersection entre la colonne
correspondante 0,95 et la ligne correspondante 10, on peut lire la valeur 18,3.
0,95 10 dl = 18,3
0,05 20 dl = 10,9
3.1.5. Approximation de la loi Khi deux par la loi normale
Une variable Khi carr k degr de libert peut donc tre considr comme tant la somme de
k variables Khi carr 1 degr de libert indpendantes.
De ce fait, et par application du thorme central limite, on peut affirmer que la loi Khi deux
tend vers une loi normale de paramtres k et 2k . Ce qui permet de rsoudre les problmes
relatifs aux distributions de nombre de degrs de libert k lev. L'approximation est
gnralement satisfaisante lorsque k est suprieur 30.
Adil EL MARHOUM
Page 65
Cours de probabilits
Exemple :
La lecture de la table Khi deux donne :
0,95 30 dl = 43,8
et
0,05 30 dl = 18,5
30
1,65
60
0,95 30 dl 1,65 60 30
0,95 30 dl 42,8
La lecture de la table de la fonction de rpartition de la loi normale rduite montre que la
valeur de z pour (z) = 0,05 est gale -1,65.
30
1,65
60
0,95 30 dl 1,65 60 30
0,95 30 dl 17,2
On constate que l'approximation est satisfaisante.
k 1
2
Le paramtre k est une constante entire positive appele nombre de degrs de libert, on dit
variable t k degr de libert, dsigne par t k dl.
f (t )dt 1
La variable t de Student correspond aussi au quotient dune variable normale rduite par la
racine carre d'une variable k dl indpendante de la premire variable.
Adil EL MARHOUM
Page 66
Cours de probabilits
Soient Z une variable normale rduite et k dl une variable Khi carr k degrs de libert,
indpendantes. On peut dmontrer :
t kdl
kdl
Variance
Adil EL MARHOUM
Page 67
Cours de probabilits
TABLE DE LA LOI T DE STUDENT
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
80
100
200
500
0,6
0,325
0,289
0,277
0,271
0,267
0,265
0,263
0,262
0,261
0,260
0,260
0,259
0,259
0,258
0,258
0,258
0,257
0,257
0,257
0,257
0,257
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,255
0,254
0,254
0,254
0,254
0,253
0,253
0,7
0,727
0,617
0,584
0,569
0,559
0,553
0,549
0,546
0,543
0,542
0,540
0,539
0,538
0,537
0,536
0,535
0,534
0,534
0,533
0,533
0,532
0,532
0,532
0,531
0,531
0,531
0,531
0,530
0,530
0,530
0,529
0,527
0,527
0,526
0,525
0,525
0,524
0,8
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,848
0,846
0,845
0,843
0,842
0,842
0,9
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,296
1,292
1,290
1,286
1,283
1,282
0,95
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,671
1,664
1,660
1,653
1,648
1,645
0,975
12,71
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,000
1,990
1,984
1,972
1,965
1,960
0,99
31,82
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,390
2,374
2,365
2,345
2,334
2,326
0,995
63,66
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,660
2,639
2,626
2,601
2,586
2,576
0,999 0,9995
318,3 636,6
22,33 31,60
10,22 12,94
7,173 8,610
5,893 6,859
5,208 5,959
4,785 5,405
4,501 5,041
4,297 4,781
4,144 4,587
4,025 4,437
3,930 4,318
3,852 4,221
3,787 4,140
3,733 4,073
3,686 4,015
3,646 3,965
3,611 3,922
3,579 3,883
3,552 3,850
3,527 3,819
3,505 3,792
3,485 3,767
3,467 3,745
3,450 3,725
3,435 3,707
3,421 3,690
3,408 3,674
3,396 3,659
3,385 3,646
3,307 3,551
3,232 3,460
3,195 3,415
3,174 3,389
3,131 3,339
3,106 3,310
3,090 3,291
Pour lire une valeur tkdl dans la table, il suffit de lire l'intersection entre la colonne
correspondante la valeur de la probabilit cumule (t k dl) et la ligne correspondante au
degr de libert k.
Exemple :
La valeur de t 10 dl pour une probabilit de 0,95 correspond l'intersection entre la colonne
correspondante 0,95 et la ligne correspondante 10, on peut lire la valeur 1,812.
t 0,95 10 dl = 1,812
t 0,7 20 dl = 0,533
Adil EL MARHOUM
Page 68
Cours de probabilits
3.2.4. Approximation de la loi t de Student par la loi normale
Lorsque le nombre de degrs de libert k est trs lev, la loi t de Student tend vers la loi
normale rduite. Ce qui permet de rsoudre les problmes relatifs aux distributions t de
nombre de degrs de libert k lev. L'approximation est gnralement satisfaisante lorsque k
est suprieur 30.
Exemple :
La lecture de la table t donne :
t 0,95 80 dl = 1,664
et
t 0,8 80 dl = 0,846
En utilisant l'approximation de la loi t par la loi normale rduite, on peut lire dans la table de
la fonction de rpartition de la loi normale rduite la valeur de z pour (z) = 0,95 qui est gale
1,65.
La lecture de la table de la fonction de rpartition de la loi normale rduite montre que la
valeur de z pour (z) = 0,80 est gale 0,84.
On constate que l'approximation est satisfaisante.
k1
1
x2
( k1 x k 2 )
k 1 k 2
2
Les paramtres k1 et k2 sont deux constantes entires positives appeles nombre de degrs de
libert, on dit variable F k1 et k2 degrs de libert, dsigne par F k1 et k2 dl.
f ( x)dx 1
0
Adil EL MARHOUM
k 2dl
k1
k2
Page 69
Cours de probabilits
Il en rsulte que si F est une variable F k1 et k2 dl, son inverse
1
est une variable F k2 et k1 dl.
F
Esprance mathmatique
: E(F k1 et k2 dl) =
k2
pour k2 > 2.
k2 2
Variance
: V(F k1 et k2 dl) =
2k 2 (k1 k 2 )
pour k2 > 4.
k1 (k 2 2)(k 2 4)
Adil EL MARHOUM
Page 70
Cours de probabilits
TABLE DE LA LOI F DE FISHER (p = 0,95)
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
40
50
60
80
100
200
500
1
161
18,5
10,1
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,30
4,26
4,23
4,20
4,17
4,08
4,03
4,00
4,96
4,94
4,89
4,86
3,84
2 3 4 5 6 7 8 9 10 15
200 216 225 230 234 237 239 241 242 246
19,0 19,2 19,2 19,3 19,3 19,4 19,4 19,4 19,4 19,4
9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,70
6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,86
5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,62
5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 3,94
4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,51
4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,22
4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,01
4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,85
3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,72
3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,62
3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,53
3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,46
3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,40
3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,35
3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,31
3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,27
3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,23
3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,20
3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,15
3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,11
3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,07
3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,04
3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,01
3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 1,92
3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,87
3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,84
3,11 2,72 2,49 2,33 2,21 2,13 2,06 2,00 1,95 1,79
3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93 1,77
3,04 2,65 2,42 2,26 2,14 2,06 1,98 1,93 1,88 1,72
3,01 2,62 2,39 2,23 2,12 2,03 1,96 1,90 1,85 1,69
3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,67
Adil EL MARHOUM
20
248
19,4
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,07
2,03
1,99
1,96
1,93
1,84
1,78
1,75
1,70
1,68
1,62
1,59
1,57
30
250
19,5
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
1,98
1,94
1,90
1,87
1,84
1,74
1,69
1,65
1,60
1,57
1,52
1,48
1,46
50
252
19,5
8,58
5,70
4,44
3,75
3,32
3,02
2,80
2,64
2,51
2,40
2,31
2,24
2,18
2,12
2,08
2,04
2,00
1,97
1,91
1,86
1,82
1,79
1,76
1,66
1,60
1,56
1,51
1,48
1,41
1,38
1,35
100
253
19,5
8,55
5,66
4,41
3,71
3,27
2,97
2,76
2,59
2,46
2,35
2,26
2,19
2,12
2,07
2,02
1,98
1,94
1,91
1,85
1,80
1,76
1,73
1,70
1,59
1,52
1,48
1,43
1,39
1,32
1,28
1,24
200 500
254 254 254
19,5 19,5 19,5
8,54 8,53 8,53
5,65 5,64 5,63
4,39 4,37 4,37
3,69 3,68 3,67
3,25 3,24 3,23
2,95 2,94 2,93
2,73 2,72 2,71
2,56 2,55 2,54
2,43 2,42 2,40
2,32 2,31 2,30
2,23 2,22 2,21
2,16 2,14 2,13
2,10 2,08 2,07
2,04 2,02 2,01
1,99 1,97 1,96
1,95 1,93 1,92
1,91 1,89 1,88
1,88 1,86 1,84
1,82 1,80 1,78
1,77 1,75 1,73
1,73 1,71 1,69
1,69 1,67 1,65
1,66 1,64 1,62
1,55 1,53 1,51
1,48 1,46 1,44
1,44 1,41 1,39
1,38 1,35 1,32
1,34 1,31 1,28
1,26 1,22 1,19
1,21 1,16 1,11
1,17 1,11 1,00
Page 71
Cours de probabilits
TABLE DE LA LOI F DE FISHER (p = 0,975)
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
40
50
60
80
100
200
500
Pour lire une valeur F k1 et k2 dl dans la table, il suffit de lire l'intersection entre la colonne
correspondante la valeur de k1 et la ligne correspondante la valeur de k2.
Exemple :
La valeur de F 10 et 15 dl pour une probabilit de 0,95 correspond dans la table de la loi F pour
p=0,95, l'intersection entre la colonne correspondante 10 et la ligne correspondante 15,
on peut lire la valeur 2,54.
F 0,95 10 et 15 dl = 2,54
F 0,975 15 et 20 dl = 2,57
Adil EL MARHOUM
Page 72