Anda di halaman 1dari 72

UNIVERSITE MOHAMMED V RABAT

FACULTE DES SCIENCES JURIDIQUES


ECONOMIQUES ET SOCIALES
AGDAL

DEPARTEMENT DE SCIENCES ECONOMIQUES

Licence fondamentale en Sciences Economiques et Gestion

COURS DE PROBABILITES

Professeur : Adil EL MARHOUM

ANNEE UNIVERSITAIRE 2014/2015

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 :

Si (a , b) (b , a) alors on parle de disposition ordonne.

Si (a , b) (b , a) alors on parle de disposition non ordonne.

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

Ces 6 arrangements sont : (a,b), (b,a), (a,c), (c,a), (b,c), et (c,b).


4.2. Arrangements avec rptitions
Cest le nombre darrangements que lon peut faire avec p lments choisis parmi n lments,
chacun deux peut figurer plusieurs fois dans le mme arrangement.
Le nombre darrangements avec rptitions est : np
Exemple :
Le nombre darrangements avec rptitions que lon peut faire avec deux lments choisis
parmi trois lments a, b, c est : 32 = 9
Ces 9 arrangements sont : (a,a), (a,b), (b,a), (a,c), (c,a), (b,b), (b,c), (c,b) et (c,c).

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.

5.1. Combinaisons sans rptitions


Cest le nombre de combinaisons que lon peut faire avec p lments choisis parmi n
lments, chacun deux ne peut figurer quune seule fois dans la mme combinaison.
Le nombre de combinaisons sans rptitions est :

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.

Un vnement alatoire est un vnement qui peut se raliser ou ne pas se raliser au


cours dune exprience alatoire.

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.

2.2. Dfinition classique de la probabilit


Si au cours dune exprience alatoire on peut dnombrer tous les rsultats possibles, et si
parmi ces rsultats on peut dnombrer tous les rsultats favorables la ralisation dun
vnement alatoire quelconque A, on dfinit classiquement la probabilit de lvnement A
comme tant le rapport du nombre de rsultats favorables au nombre de rsultats possibles.

p ( A)

Nombre de rsultats favorables


Nombre de rsultats possibles

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

III. NOTION DEXCLUSIVITE


3.1. vnements exclusifs
Deux vnements alatoires associs une mme exprience alatoire sont dits exclusifs ou
incompatibles sils ne peuvent pas se raliser simultanment.
Si deux vnements alatoires A et B sont exclusifs alors :
p(A ou B) = p(A) + p(B)

et

p(A et B) = 0

Si deux vnements alatoires A et B ne sont pas exclusifs alors :


p(A ou B) = p(A) + p(B) p(A et B)

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 )

p( A ) p( A etA ) p( A etA etA )


i

i 1

Dans cette galit les diffrents S qui figurent portent sur toutes les combinaisons possibles
des indices diffrant les uns des autres.

3.3. Evnements complmentaires


Plusieurs vnements alatoires associs une mme exprience alatoire sont dits totalement
exclusifs ou complmentaires sils sont exclusifs deux deux et si lun deux doit
ncessairement se raliser.
Si k vnements A1, A2, , Ak sont complmentaires alors :
p(A1 ou A2 ou ou Ak) = p(A1) + p(A2) + + p(Ak) = 1
Exemple :
Dans un jeu de cartes contenant 13 cartes de cur, 13 cartes carreau, 13 cartes pique et 13
cartes trfles on choisie de faon alatoire une carte. Les 13 cartes de chaque couleur sont les
cartes As, 2, 3, 4, 5, 6, 7, 8, 9, 10, valet, dame, roi.
Soient les vnements :

A : tirer une carte cur

B : tirer une carte carreau

C : tirer une carte pique

D : tirer une carte trfle

E : tirer une carte As

F : tirer une carte dame

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

* Probabilit de tirer une carte cur ou As :


Les vnements A et E ne sont pas exclusifs car on peut avoir A et E simultanment cest le
cas o on tire une carte As de cur.
1
p(As de cur) = p(A et E) =
52
1 1
1 16 4
p(A ou E) = p(A) + p(E) p(A et E) =

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

* Probabilit de tirer une carte cur ou carreau ou dame :


Les vnements A, B, et F ne sont pas mutuellement exclusifs :
p(A ou B ou F) = p(A) + p(B) + p(F) p(A et B) p(A et F) p(B et F) + p(A et B et F)
p(A ou B ou F) =

1 1 1
1
1
28 7
0

4 4 13
52 52
52 13

IV. NOTION DINDEPENDANCE


4.1. Probabilit conditionnelle
Considrons le cas de plusieurs expriences alatoires simultanes ou successives.
Soient deux vnements alatoires A et B non ncessairement exclusifs.
La probabilit conditionnelle de lvnement A sous la condition B, est la probabilit de
ralisation de lvnement A sachant que lvnement B est dj ralis. Elle est dsigne
par :

p ( A / B)

p(A et B)
p ( B)

Soient deux vnements alatoires A et B non ncessairement exclusifs.


Adil EL MARHOUM

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)

Cette dfinition conduit la formule de probabilit compose :


P(A et B) = p(A) p(B/A) = p(B) p(A/B)
On peut gnraliser cette formule plusieurs vnements. Ainsi pour trois vnements A, B,
et C :
P(A et B et C) = p(A) p(B/A) p(C/A et B)
Exemple :
Dans une urne contenant 20 boules blanches, 15 boules noires, 15 boules rouges et 10 boules
vertes on choisie de faon alatoire deux boules successives. Quelle est la probabilit que les
deux boules tires soient blanches ?
Soient A lvnement premire boule tire est blanche et B lvnement deuxime boule
tire est blanche .
p(A) est la probabilit de tirer au premier tirage une boule blanche :
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

A et B sont donc indpendants.

Indpendance de A et C :
p(A et C) = p(A) p(C/A) =

1 1 1
= p(A) p(C)
2 2 4

A et C sont donc indpendants.

Indpendance de B et C :
p(B et C) = p(B) p(C/B) =

1 1 1
= p(B) p(C)
2 2 4

B et C sont donc indpendants.

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)

La probabilit de lvnement A est donc :


P(A) = p(E1) p(A/E1) + p(E2) p(A/E2) + + p(Ek) p(A/Ek)
k

p ( A) p( Ei ) p( A / Ei )
i 1

Le thorme de bayes permet de calculer les probabilits conditionnelles postriori p(E1/A),


p(E2/A), , p(Ek/A).
Par dfinition de la probabilit conditionnelle :

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

option Gestion Informatique


80
60
75
40
50
30
45
20
250
150

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

Dsignons par G lvnement tudiant inscrit en gestion.

Probabilit quun tudiant de la premire anne soit inscrit en gestion :


80
p (G / N 1 )
0,32
250
Probabilit quun tudiant de la deuxime anne soit inscrit en gestion :
75
p (G / N 2 )
0,30
250
Probabilit quun tudiant de la troisime anne soit inscrit en gestion :
50
p (G / N 3 )
0,20
250
Probabilit quun tudiant de la quatrime anne soit inscrit en gestion :
p (G / N 4 )

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

NOTION DE VARIABLES ALEATOIRES


I. INTRODUCTION
Au cours de ce chapitre nous dfinirons pour commencer la notion de variable alatoire.
Ensuite nous tudierons les diffrents cas savoir le cas discret, le cas continu, le cas de
couple de variables alatoires discrtes et continues. Les caractristiques des variables
alatoires seront aussi traites au cours de ce chapitre, nous dfinirons la notion d'esprance
mathmatique, la variance, la covariance et la corrlation. Enfin, nous terminerons le chapitre
par l'ingalit de Bienaym Tchebycheff.

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.

III. VARIABLE ALEATOIRE DISCONTINUE


3.1. Dfinition
Une variable alatoire est discrte si elle varie de faon discontinue, la variable ne peut
prendre que des valeurs entires.
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.

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.

3.2. Distribution de probabilit


chacune des valeurs x que peut prendre une variable alatoire X, correspond une probabilit
p(x), c'est la probabilit que la variable alatoire X prenne la valeur x :
p(x) = p(X = x)

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

IV. VARIABLE ALEATOIRE CONTINUE


Une variable alatoire est continue si elle prend n'importe quelle valeur relle appartenant
un intervalle donn.
Exemple :
Le poids est une variable alatoire continue.
La taille est une variable alatoire continue.

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)

Cette probabilit tend vers p(x) quand x tend vers 0.

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

P(a X b) = F(b) - F(a) =

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

Pour dterminer la constante k, il faut :

f ( x)dx 1

k dx 1
0

kx

k 1
si 0 x 1
sinon

1
f (x )
0

On en dduit par intgration la fonction de rpartition F(x) :


Si x < 0 :
x

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.

5.1. Couple de variables alatoires discontinues


Dans le cas d'un couple de variables alatoires discontinues (X , Y), les valeurs respectives de
x de X et y de Y sont des valeurs entires. chaque couple de valeurs (x,y) correspond une
probabilit p(x,y), c'est la probabilit d'observer simultanment la valeur x pour X et la valeur
y pour Y.
p(X=x et Y=y) = p(x,y)
L'ensemble des valeurs admissibles (x,y) et des probabilits correspondantes p(x,y) forme une
distribution de probabilit discontinue deux variables.
La fonction de rpartition est dfinie par :
F(x,y) = p( X x et Y y)
La distribution de probabilit discontinue deux variables se prsente sous forme d'un tableau
deux entres.
X

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

k est le nombre de valeurs possibles de la variable alatoire X.


p est le nombre de valeurs possibles de la variable alatoire Y.

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

Par extension de la notion d'indpendance de deux vnements alatoires, deux variables


alatoires discontinues sont indpendantes, si pour tout couple de valeurs (x,y) :
p(x,y) = p(x) p(y)
Exemple :
Dans une urne contenant 4 boules blanches, 6 boules noires et 10 boules rouges, on prlve au
hasard et avec remise 3 boules.
Soient la variable alatoire X qui reprsente le nombre de boules blanches obtenues, et la
variable alatoire Y qui reprsente le nombre de boules noires obtenues.
P(0 et 0) est la probabilit que les trois boules tires soient rouges, les prlvements sont
indpendants (tirage avec remise), on peut donc crire :
p (0;0)

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

5.2. Couple de variables alatoires continues


Un couple de variables alatoires est continu si les deux variables X et Y sont continues, c'est
dire elles peuvent prendre n'importe quelle valeur relle appartenant un intervalle donn.
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 et Y y) p( x, y ) 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 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

Par extension de la notion d'indpendance de deux vnements alatoires, deux variables


alatoires continues sont indpendantes, si pour tout couple de valeurs (x,y) :
f(x,y) = f(x) f(y)
Exemple :
Soit un couple de variables alatoires continues (X,Y) dfinie par la fonction de densit de
probabilit :
si 0 x 1 et 0 y 1
sinon

k
f ( x, y )
0

Pour dterminer la constante k, il faut :

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

On en dduit par intgration la fonction de rpartition F(x) :


Si x < 0 et y < 0 :
x y

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

x p( x) 0 0,0625 1 0,25 2 0,375 3 0,25 4 0,0625


E( X ) 2

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

L'esprance d'une fonction d'une variable X est :


Cas discret

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

L'esprance d'une constante est la constante :


E(a) = a

L'esprance d'une transformation linaire est la transformation linaire de l'esprance :


E (ax b)

(ax b) p( x) axp( x) bp( x)

E (ax b) a

xp( x) b p( x)

E (ax b) aE ( X ) b

L'esprance d'une somme est la somme des esprances :


E(X + Y) = E(X) + E(Y)

L'esprance d'une diffrence est la diffrence des esprances :


E(X - Y) = E(X) - E(Y)

L'esprance d'un produit est le produit des esprances si les variables sont indpendantes :
E(X Y) = E(X) E(Y)

6.2. Variance et cart-type


6.2.1. Dfinition
Comme pour la moyenne, la variance d'une variable alatoire conserve la mme dfinition
que la variance d'une variable statistique. C'est l'esprance mathmatique des carrs des carts
par rapport l'esprance.
Adil EL MARHOUM

Page 28

Cours de probabilits

Cas discret
V(X) = E[(X - E(X))] =

( x E ( X )) p( x)

Cas continu

V(X) = E[(X - E(X))] =

( x E ( X )) f ( x)dx

L'cart-type est gale la racine carre de la variance :


V (X )

La variance est calcule partir de la formule dveloppe suivante :


V(X) = E[(X - E(X))] = E[X - 2XE(X) + E(X)]
V(X) = E(X) - 2 E(X) E(X) + E(X)
V(X) = E(X) - E(X)
La variance est donc gale la diffrence entre l'esprance mathmatique des carrs et le carr
de l'esprance mathmatique.
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 )
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

x p( x) 0 0,0625 1 0,25 2 0,375 3 0,25 4 0,0625 2

x p( x) 0 0,0625 1 0,25 2 0,375 3 0,25 4 0,0625 5


V(X) = E(X) - E(X) = 5 - 2 = 1

Lcart-type est la racine carr de 1 : 1 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 constante est nulle :


V(a) = 0

La variance d'une transformation linaire est :


V (aX b) E[(( aX b) E ( aX b))]
V (aX b) E[( aX b aE ( X ) b)]
V (aX b) E[ a ( X E ( X ))]
V (aX b) a V ( X )

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))]

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)

Variable centre rduite

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 )
.

6.3. Covariance d'un couple de variables alatoires


6.3.1. Dfinition
La covariance d'un couple de variables alatoires conserve la mme dfinition que la
covariance de deux variables statistiques. Elle permet d'tudier le sens de la relation entre
deux variables. C'est l'esprance mathmatique des produits des carts par rapport aux
esprances.

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

COV(X , Y) = E[(X - E(X) (Y - E(Y))] =

( x E ( X ) ( y E (Y )) f ( x, y)dxdy

La covariance est calcule partir de la formule dveloppe suivante :


COV(X , Y) = E[(X - E(X) (Y - E(Y))] = E[XY - XE(Y) - E(X)Y + E(X)E(Y)]
COV(X , Y) = E(XY) - E(X) E(Y) - E(X) E(Y) + E(X) E(Y)
COV(X , Y) = E(XY) - E(X) E(Y)
La covariance est donc gale la diffrence entre l'esprance mathmatique des produits et le
produit des esprances mathmatiques.
E ( XY )

x y p( x, y)

dans le cas discret.

E ( XY )

xy f ( x, y )dxdy

dans le cas continu.

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

COV(X , Y) = E(XY) - E(X) E(Y)


E( X )

xp( x) 0 0,512 1 0,384 2 0,096 3 0,008 0,6

E (Y )

yp( y) 0 0,343 1 0,441 2 0,189 3 0,027 0,9

Adil EL MARHOUM

Page 32

Cours de probabilits
E ( XY )

x y p( x, y)

E ( XY ) 0 0 0,125 0 1 0, 225 0 2 0,135 0 3 0,027 1


1 0 0,15 1 1 0,18 1 2 0,054 1 3 0
2 0 0,06 2 1 0,036 2 2 0 2 3 0
3 0 0,008 3 1 0 3 2 0 3 3 0
E(XY) 0,36

COV(X , Y) = E(XY) - E(X) E(Y) = 0,36 - 0,60,9 = - 0,18


Exemple :
Soit un couple de variables alatoires continues (X,Y) dfinie par la fonction de densit de
probabilit :
si 0 x 1 et 0 y 1
sinon

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

La covariance de deux variables alatoires indpendantes est nulle :


COV(X , Y) = E(XY) - E(X) E(Y) = E(X) E(Y) - E(X) E(Y) = 0

Covariance des transformations linaires :

Soient :
X' = a X + b et Y' = c Y + d
quelconques).

(a, b, c, et d sont des constantes

COV(X' , Y') = E[(X'-E(X')) (Y'-E(Y'))]


COV(X' , Y') = E[((aX+b)-E(aX+b)) ((cY+d)-E(cY+d))]
COV(X' , Y') = E[(aX-aE(X)) (cY-cE(Y))]
COV(X' , Y') = ac E[(X-E(X)) (Y-E(Y))]
COV(X' , Y') = ac COV(X , Y)

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 )

6.4. Coefficient de corrlation linaire


6.4.1. Dfinition
Le coefficient de corrlation linaire, dsign par r, a pour objet de mesurer l'intensit de la
relation linaire entre deux variables X et Y.
r

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.

R = 1 : dans ce cas, on parle de corrlation linaire croissante parfaite ou de dpendance


fonctionnelle.

R = -1 : dans ce cas, on parle de corrlation linaire dcroissante parfaite ou de


dpendance fonctionnelle.

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 ' )

(a, b, c, et d sont des constantes


COV ( X ' , Y ' )
V ( X ' ) V (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.

VII. INEGALITE DE BIENAYME TCHEBYCHEFF


Cette ingalit concerne des probabilits relatives des carts par rapport l'esprance
mathmatique suprieurs deux fois l'cart-type, c'est dire des carts centrs rduits
X E (X )
.

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)+

On peut dcomposer la variance en trois somme :


V ( X ) S1 S 2 S 3

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

L'ingalit de Bienaym Tchebycheff est donc :


p ( E ( X ) k X E ( X ) k ) 1

Adil EL MARHOUM

1
k

Page 37

Cours de probabilits

LOIS THEORIQUES DISCRETES


I. INTRODUCTION
Le but des lois thoriques est la description des phnomnes statistiques dont le but de
calculer la probabilit de certains vnements et donc d'avoir une certaine reprsentation de
l'avenir.
Nous tudierons au cours de ce chapitre les lois de probabilits les plus courantes qui vont
nous permettre la description d'un phnomne alatoire dtermin. Nous prsenterons ainsi la
loi de Bernoulli, la loi binomiale, la loi polynomiale, la loi hypergomtrique, la loi
hypergomtrique gnralise, et la loi de poisson.

II. LOI DE BERNOULLI


La loi de Bernoulli intervient dans le cas d'une seule exprience alatoire laquelle on associe
un vnement alatoire quelconque.
La ralisation de l'vnement au cours de cette exprience est appele succs et la probabilit
de ralisation est dite probabilit de succs, dsigne par p. Par contre la non ralisation de
l'vnement est appele chec et la probabilit de non ralisation est dite probabilit d'chec,
dsigne par q.

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

Les caractristiques d'une variable Bernoulli sont :

Esprance mathmatique
E(X) =

xp( x) 0 q 1 p p

Variance
E(X) =

x p( x) 0 q 1 p p

V(X) = E(X) - E(X) = p - p = p (1 - p) = pq


Adil EL MARHOUM

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

III. LOI BINOMIALE


3.1. Dfinition
La loi binomiale intervient dans le cas de plusieurs expriences alatoires identiques et
indpendantes aux quelles on associe un vnement alatoire quelconque.
La ralisation de l'vnement au cours de chacune des expriences est appele succs et la
probabilit de ralisation est dite probabilit de succs, dsigne par p. Par contre la non
ralisation de l'vnement est appele chec et la probabilit de non ralisation est dite
probabilit d'chec, dsigne par q.

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

La loi binomiale dpend de deux paramtres :

n = nombre d'expriences alatoires indpendantes ;


p = probabilit de succs au cours de chacune des n expriences alatoires, p doit rester
constante.

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)

3.2. Caractristiques d'une variable binomiale


La variable Bernoulli est un cas particulier de la loi binomiale, elle correspond la loi
binomiale de paramtres 1 et p.
Une variable binomiale de paramtres n et p, peut tre considre comme tant la somme de n
variables de Bernoulli identiques et indpendantes de mme paramtre p.
X = B(n , p)
X = X1 + X2 + + Xn
Avec Xi (i=1 n) est une variable Bernoulli tel que :
E(Xi) = p

et

V(Xi) = pq

Esprance mathmatique

En appliquant la proprit de l'esprance d'une somme on peut crire :


E(X) = E(X1 + X2 + + Xn)
E(X) = E(X1) + E(X2) + + E(Xn)
E(X) = p + p + + p
E(X) = np

Variance et cart-type

En appliquant la proprit de la variance d'une somme de variables alatoires indpendantes


on peut crire :
V(X) = V(X1 + X2 + + Xn)
V(X) = V(X1) + V(X2) + + V(Xn)
V(X) = pq + pq + + pq
V(X) = npq
L'cart-type : npq
Exemple :
Dans un lot important de pices, dont 10 % sont dfectueuses, on prlve un chantillon de 20
pices. Quelle est la probabilit d'obtenir plus de deux pices dfectueuse ?

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

p ( X 2) 1 0,1501 0,2702 0, 2852 0,2945

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

La somme de deux ou plusieurs variables binomiales indpendantes de mme paramtres p est


elle-mme une variable binomiale.
X1 = B(n1 , p)

X2 = B(n2 , p)

Xk = B(nk , p)

X1 + X2 + + Xk = B(n1 + n2 + + nk , p)

Formule de rcurrence

En effectuant le rapport de deux probabilits successives, on obtient :


p ( x 1)

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

Distribution de la variable B(4 , 1/6)


x
0
1
2
3
4
Total

p(x)
0,4823
0,3858
0,1157
0,0154
0,0008
1

Les distributions binomiales sont symtriques lorsque p = q = 1/2, la dissymtrie est


d'autant plus grande que p et q sont plus diffrents de 1/2.

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

Table de la loi binomiale

Pour le calcul de p(x), il existe des tables d'usages qui donnent ces calculs. Ces tables
dpendent des paramtres n et p.

IV. LOI POLYNOMIALE


La loi polynomiale est une gnralisation de la loi binomiale. elle intervient dans le cas de
plusieurs expriences alatoires identiques et indpendantes aux quelles on associe k
vnements alatoires complmentaires quelconques. Les probabilits de succs respectives
des k vnements sont dsignes par p1, p2, , et pk.
k

i 1

La ralisation de l'vnement au cours de chacune des expriences est appele succs et la


probabilit de ralisation est dite probabilit de succs, dsigne par p. Par contre la non
ralisation de l'vnement est appele chec et la probabilit de non ralisation est dite
probabilit d'chec, dsigne par q.

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

La probabilit d'obtenir x1 succs pour l'vnement 1, et x2 succs pour l'vnement 2, , et


xk succs pour l'vnement k au cours de n expriences alatoires indpendantes est :
p ( x1 , x 2 , , x k )

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

On obtient ainsi la distribution de probabilit du couple (X1 , X2) :


X1

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

La loi hypergomtrique dpend de trois paramtres :

N = effectif total de la population ;


n1 = nombre d'individus de la population qui possdent le caractre tudi ;
n = nombre d'individus prlevs sans remise.

Une variable alatoire X qui sui une loi hypergomtrique de paramtres N, n1, et n est
dsigne par :
X = H(N, n1 , n)

5.2. Caractristiques d'une variable hypergomtrique


les distributions hypergomtriques possdent des proprits semblables celles des
distributions binomiales.
La proportion des individus de la population qui possdent le caractre tudi est :
p

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 :

N = effectif total de la population = 40


n1 = nombre d'individus de la population qui sont originaires du Nord = 14
n = nombre d'individus prlevs sans remise = 4
X = H(40, 14, 4)

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

La proportion des individus de la population qui sont originaires du Nord est :


p

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 :

E(X) = np = 4 0,35 = 1,4

Variance et cart-type :

V(X) = npq = 40,350,65 = 0,91

Ecart-type :

npq 0,91 0,95

Adil EL MARHOUM

Page 46

Cours de probabilits
5.3. Approximation de la loi hypergomtrique par la loi binomiale
x

Ds que l'effectif N de la population devient important, le calcul de

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

Distribution de probabilit de X = H(100, 30, 4)


x
0
1
2
3
4
Total

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

Distribution de probabilit de X = B(4 ; 0,3)


x
0
1
2
3
4
Total

p(x)
0,2401
0,4116
0,2646
0,0756
0,0081
1

On constate que l'approximation est satisfaisante.

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

La probabilit d'obtenir x1 individus possdant le 1er caractre, et x2 individus possdant le


2me caractre, , et xk individus possdant le kme caractre parmi les n individus prlevs
est :
p ( x1 , x 2 , , x k

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

La probabilit d'avoir une personne de chaque rgion est donc :


1

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!

La loi binomiale dpend d'un seul paramtre :

m = frquence moyenne du phnomne tudi.

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!

p ( X 4) 1 0,0498 0,1494 0,2240 0,2240 0,1680 0,1840

6.2. Caractristiques d'une variable binomiale


On peut dmontrer que l'esprance mathmatique d'une variable de poisson est gale sa
variance est gale au paramtre m :
E(X) = V(X) = m

6.3. Proprit d'additivit


La somme de deux ou plusieurs variables de poisson indpendantes de paramtres respectives
m1, m2, , mk est elle-mme une variable de poisson de paramtre la somme des paramtres
mi.
X1 = P(m1)

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

6.5. Table de la loi de poisson


Pour le calcul de p(x), il existe des tables d'usages qui donnent ces calculs. Ces tables
dpendent du paramtre m.

6.6. Approximation de la loi binomiale par la loi de poisson


x

Ds que le paramtre n de la loi binomiale devient grand, le calcul de p ( x) C n p x q n x


devient fastidieux. On peut dmonter dans ce cas que lorsque le nombre d'expriences
indpendantes (n) tend vers l'infini et la probabilit de succs tend vers zro de telle sorte que
le produit np tend vers une constante, la loi binomiale de paramtre n et p tend vers une loi de
poisson de paramtre np. On peut dans ce cas effectuer les calculs de probabilits de faon
approximatives l'aide de la formule de la loi de poisson. En pratique, l'approximation est
satisfaisante lorsque la probabilit p est infrieure 0,1 et le produit np est infrieur 5.
Exemple :
Une machine fabrique des ampoules avec une proportion d'ampoules dfectueuses de 5 %.
Pour contrler la qualit des ampoules, on a prlev au hasard, dans un lot important
d'ampoules, un chantillon de 20 ampoules.
Quelle est la probabilit que sur les 20 ampoules prleves, on ait plus d'une ampoule
dfectueuse ?
Dsignons par la variable alatoire X, le nombre d'ampoules dfectueuses dans l'chantillon.
La variable X peut prendre les valeurs entires de 0 20.
La population des ampoules peut tre considre comme une population pratiquement infinie.
La probabilit de succs, c'est dire la probabilit qu'une ampoule choisie soit dfectueuse,
est constante et gale 0,05. La variable alatoire X suit donc une loi binomiale de paramtre
20 et 0,05.
X = B(20 ; 0,05)
Adil EL MARHOUM

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

p ( X 1) 1 0,3585 0,3774 0, 2641

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!

p ( X 1) 1 0,3679 0,3679 0,2642

On constate que l'approximation est trs satisfaisante.

Adil EL MARHOUM

Page 52

Cours de probabilits

LOIS THEORIQUES CONTINUES


I. INTRODUCTION
Le but des lois thoriques est la description des phnomnes statistiques
Nous tudierons au cours de ce chapitre les lois de probabilits continues les plus courantes.
Nous prsenterons ainsi la loi Normale dont le principal but est de calculer la probabilit de
certains vnements et donc d'avoir une certaine reprsentation des phnomnes. La loi Khi
deux de Pearson, la loi de Student et la loi de Fisher qui ont un rle trs important dans les
problmes d'estimation et les tests d'hypothses.

II. LOI NORMALE


2.1. Dfinition
La loi normale est la loi continue la plus importante et la plus utilise dans le calcul de
probabilit. Elle est aussi appele loi de LAPLACE GAUSS.
Laplace, Pierre Simon (1749-1827). Les ralisations scientifiques majeures de Laplace
concernent la mcanique cleste et le calcul des probabilits. Dans sa Thorie analytique
des probabilits (1812), qui contient des calculs trs labors d'approximation de grands
nombres, Laplace indiqua les principes et les applications de la gomtrie du hasard. Il fut
l'origine de la loi de Laplace-Gauss, ou loi normale, trs utilise en probabilits.
On appelle variable normale toute variable alatoire continue X dfinie dans l'intervalle
, par la fonction de densit de probabilit suivante :
f ( x)

1 xm
(
)
2

m et sont des paramtres quelconques qui reprsentent respectivement la moyenne et l'cart


type de la variable.
On peut vrifier que :

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

2.3. Forme de la loi normale


La reprsentation graphique de la fonction de densit de probabilit d'une variable normale est
une courbe en forme de cloche symtrique par rapport la moyenne m et caractrise par
l'existence d'un maximum en x = 0 et f(x) =

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.

2.5. Proprit d'additivit


La somme de deux ou plusieurs variables normales indpendantes est une variable normale de
moyenne la somme des moyennes et d'cart type la racine carre de la somme des variances
des variables initiales.
Soient X1, X2, ,Xn n variables normales de paramtres respectivement m1, m2, , mn et 1,
2, ,n.
X 1 X 2 X n N ( m1 m 2 m n , 1 2 n )

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 ?

Dsignons par X1 La dure du trajet du premier bus : X1 = N(27 ; 5).


Dsignons par X2 La dure du trajet du deuxime bus : X2 = N(30 ; 2).
Dsignons par X la dure totale des deux trajets : X = X1 + X2.

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)

p( X 60) (0,56) 0,7123


L'ouvrier a donc 71% de chance de ne pas arriver en retard ou il a un risque de 29 % d'arriver
en retard.

2.6. Le thorme central limite


Le thorme central limite est une gnralisation de la proprit d'additivit. Toute somme de
variables alatoires indpendantes tend suivre une loi normale quelles que soient les lois de
probabilits suivies par ces variables.
Quels que soient les variables alatoires indpendantes X1, X2, , Xn de moyennes
respectivement m1, m2, , mn et d'carts type respectivement 1, 2, , n. La somme de ces
variables tend suivre une loi normale de moyenne la somme des moyennes et d'cart type la
racine carre de la somme des variances des variables initiales.
X 1 X 2 X n N ( m1 m 2 m n , 1 2 n )

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 (

X 120000 130000 120000

)
6572,67
6572,67

p( X 130000) 1 p ( Z 1,52) 1 (1,52) 1 0,93574 0,0643


Il y a donc un risque de 6,5 % que la somme de 130000 dirhams ne soit pas suffisante pour
rembourser toutes les personnes.

2.7. Approximation de la loi binomiale par la loi normale


Parfois les problmes relatifs la loi binomiale se rapportent aux calculs de probabilits dans
un ou plusieurs intervalles donns :
p(X < x)

p(X > x)

ou

p(x1 < X x2)

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 :

p(X < x - 0,5) au leu de p(X < x)


p(X > x + 0,5) au leu de p(X > x)
p(x1 - 0,5 < X < x2 + 0,5) au lieu de p(x1 < X < x2)

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

p( X 75,5) 1 (1,13) (1,13) 0,8708

p(X 75) 0,8708


La probabilit qu'au moins 75 tudiants parmi 100 tudiants russissent l'examen est peu
prs 0,8708.
Le calcul exact partir de la loi binomiale donne un rsultat de 0,8686. On constate que
l'approximation est trs satisfaisante.

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.

3.1. La loi Khi deux de Pearson


3.1.1. Dfinition
On appelle variable Khi deux de Pearson, la variable qui varie entre 0 et + et dfinie par
la fonction de densit de probabilit :
f ( x) c

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.

c est une constante telle que :

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

3.1.3. Proprit d'additivit


La somme de deux ou plusieurs variables Khi carrs indpendantes est une variable Khi
carre.
Soient n variables Khi deux de degrs de libert respectivement k1, k2, , kn :
k1 dl + k2 dl + + kn dl = (k1+k2++kn) dl
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.

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

0,99 0,995 0,999


6,63 7,88 10,8
9,21 10,6 13,8
11,3 12,8 16,3
13,3 14,9 18,5
15,1 16,7 20,5
16,8 18,5 22,5
18,5 20,3 24,3
20,1 22,0 26,1
21,7 23,6 27,9
23,2 25,2 29,6
24,7 26,8 31,3
26,2 28,3 32,9
27,7 29,8 34,5
29,1 31,3 36,1
30,6 32,8 37,7
32,0 34,3 39,3
33,4 35,7 40,8
34,8 37,2 42,3
36,2 38,6 43,8
37,6 40,0 45,3
38,9 41,4 46,8
40,3 42,8 48,3
41,6 44,2 49,7
43,0 45,6 51,2
44,3 46,9 52,6
45,6 48,3 54,1
47,0 49,6 55,5
48,3 51,0 56,9
49,6 52,3 58,3
50,9 53,7 59,7

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

En utilisant l'approximation de la loi Khi deux par la loi normale de paramtres 30 et 60 .


La lecture de la table de la fonction de rpartition de la loi normale rduite montre que la
valeur de z pour (z) = 0,95 est gale 1,65.

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.

3.2. La loi t de Student


3.2.1. Dfinition
On appelle variable t de Student, la variable t qui varie entre - et + et dfinie par la
fonction de densit de probabilit :
t
f (t ) c (1 )
k

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.

c est une constante telle que :

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

3.2.2. Caractristiques de la loi t k dl


On peut dmontrer que :

Esprance mathmatique : E(t k dl) = 0

Variance

: V(t k dl) = k / (k-2) pour k2 > 2.

3.2.3. Table de la loi t de Student


La table de la loi t de Student dpend du paramtre k, elle donne les valeurs de t k dl pour les
valeurs de la fonction de rpartition (t k dl).

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.

3.3. La loi F de Fisher Sndcor


3.3.1. Dfinition
On appelle variable F de Fisher, la variable F qui varie entre 0 et + et dfinie par la
fonction de densit de probabilit :
f ( x) c

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.

c est une constante telle que :

f ( x)dx 1
0

La variable F de Fisher correspond aussi au quotient de variables Khi deux respectivement


k1 et k2 degrs de libert k1 dl et k2 dl indpendantes.
Soient deux variables Khi deux k1 dl et k2 dl indpendantes. On peut dmontrer :
k1dl
Fk1etk 2 dl

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

3.3.2. Caractristiques de la loi F k1 et k2 dl


On peut dmontrer que :

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)

3.3.3. Tables de la loi F de Fisher


Il y a plusieurs tables de la loi F de Fisher pour diffrentes valeurs de la fonction de
rpartition (F k1 et k2 dl).
Chaque table de la loi F de Fisher dpend des paramtres k1 et k2, elle donne les valeurs de
Fk1 et k2 dl pour la valeur de la fonction de rpartition (F k1 et k2 dl).

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

1 2 3 4 5 6 7 8 9 10 15 20 30 50 100 200 500


648 800 864 900 922 937 948 957 963 969 985 993 1001 1008 1013 1016 1017 1018
38,5 39,0 39,2 39,2 39,3 39,3 39,4 39,4 39,4 39,4 39,4 39,4 39,5 39,5 39,5 39,5 39,5 39,5
17,4 16,0 15,4 15,1 14,9 14,7 14,6 14,5 14,5 14,4 14,3 14,2 14,1 14,0 14,0 13,9 13,9 13,9
12,2 10,6 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,66 8,56 8,46 8,38 8,32 8,29 8,27 8,26
10,0 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,43 6,33 6,23 6,14 6,08 6,05 6,03 6,02
8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,27 5,17 5,07 4,98 4,92 4,88 4,86 4,85
8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,57 4,47 4,36 4,28 4,21 4,18 4,16 4,14
7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,10 4,00 3,89 3,81 3,74 3,70 3,68 3,67
7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,77 3,67 3,56 3,47 3,40 3,37 3,35 3,33
6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,52 3,42 3,31 3,22 3,15 3,12 3,09 3,08
6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,33 3,23 3,12 3,03 2,96 2,92 2,90 2,88
6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,18 3,07 2,96 2,87 2,80 2,76 2,74 2,72
6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,05 2,95 2,84 2,74 2,67 2,63 2,61 2,60
6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 2,95 2,84 2,73 2,64 2,56 2,53 2,50 2,49
6,20 4,76 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,86 2,76 2,64 2,55 2,47 2,44 2,41 2,40
6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,79 2,68 2,57 2,47 2,40 2,36 2,33 2,32
6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,72 2,62 2,50 2,41 2,33 2,29 2,26 2,25
5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,67 2,56 2,44 2,35 2,27 2,23 2,20 2,19
5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,62 2,51 2,39 2,30 2,22 2,18 2,15 2,13
5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,57 2,46 2,35 2,25 2,17 2,13 2,10 2,09
5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,50 2,39 2,27 2,17 2,09 2,05 2,02 2,00
5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,44 2,33 2,21 2,11 2,02 1,98 1,95 1,94
5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,39 2,28 2,16 2,05 1,97 1,92 1,90 1,88
5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,34 2,23 2,11 2,01 1,92 1,88 1,85 1,83
5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,31 2,20 2,07 1,97 1,88 1,84 1,81 1,79
5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,18 2,07 1,94 1,83 1,74 1,69 1,66 1,64
5,34 3,98 3,39 3,06 2,83 2,67 2,55 2,46 2,38 2,32 2,11 1,99 1,87 1,75 1,66 1,60 1,57 1,55
5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,06 1,94 1,82 1,70 1,60 1,54 1,51 1,48
5,22 3,86 3,28 2,95 2,73 2,57 2,45 2,36 2,28 2,21 2,00 1,88 1,75 1,63 1,53 1,47 1,43 1,40
5,18 3,83 3,25 2,92 2,70 2,54 2,42 2,32 2,24 2,18 1,97 1,85 1,71 1,59 1,48 1,42 1,38 1,35
5,10 3,76 3,18 2,85 2,63 2,47 2,35 2,26 2,18 2,11 1,90 1,78 1,64 1,51 1,39 1,32 1,27 1,23
5,05 3,72 3,14 2,81 2,59 2,43 2,31 2,22 2,14 2,07 1,86 1,74 1,60 1,46 1,34 1,25 1,19 1,14
5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05 1,83 1,71 1,57 1,43 1,30 1,21 1,13 1,00

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