Support Probabilité

2me anne
Cours de statistique
PROGRAMME
Ch.
prliminaire
Rappel danalyse combinatoire
P
2
Partie I :
Calcul des probabilits
Chapitre 1 :
Axiomatique des probabilits
Chapitre 2 :
Variables alatoires
16
Chapitre 3 :
Lois de probabilits discrtes
20
Chapitre 4 :
Lois de probabilits continues
29
Prof : Lemtaoui Morad / rachid jahidi
2me anne
Chapitre prliminaire
Analyse combinatoire
Introduction :
Dfinition : Lanalyse combinatoire ou encore le dnombrement est une mthode
labore de comptage.
But : Elle a pour but le dnombrement des diffrentes dispositions que lon peut
former partir dun ensemble dlments ou dobjets. (Elle sert dterminer les
diffrentes manires de regrouper les lments dun ensemble).
Utilit :
Lanalyse combinatoire est trs utile dans le calcul de probabilits
notamment la dtermination des cas favorables et cas possibles.
I-
Principes fondamentaux de comptage :
Pour effectuer des dnombrements, deux rgles (principes) sont souvent utilises :
addition et produit.
Rgle daddition : Si on peut choisir un objet A de n1 faons et un objet B de n 2
faons, alors on peut choisir A ou B de n1 + n 2 faons.
Rgle de produit : Si on peut choisir un objet A de n1 faons et un objet B de n 2
faons, alors on peut choisir A et B de n1 . n 2 faons.
Ces deux rgles peuvent tre gnralises plusieurs objets.
Gnralisation de la rgle du produit : Si une opration comporte k phases
diffrentes ; la 1re pouvant se raliser de n1 faons, la 2me de n 2 faons,.et la
k ime de n k faons, lopration tout entire peut seffectuer de n1 . n 2 .. n k faons
diffrentes.
Dans de telles situations, on utilise souvent un diagramme appel diagramme
arborescent (compte tenu de son aspect).
Exemple :
Evaluer le nombre de manires de shabiller la fois dun pantalon, dune chemise et
dune veste si lon dispose de 2 pantalons, de 3 chemises et de 2 vestes.
2me anne
V1
C1
V2
V1
P1
C2
V2
V1
C3
V2
V1
C1
V2
V1
P2
C2
V2
V1
C3
V2
N = 2 * 3 * 2 = 12 faons diffrentes de shabiller.
II-
Notion de disposition :
a- Dfinition :
Une disposition est un groupe dobjets distincts ou indistincts choisis parmi un
ensemble plus large
b- Caractristiques dune disposition :
Une disposition prsente deux caractristiques essentielles : lordre et la rptition.
Une disposition peut-tre ordonne ou non ordonne. Si la permutation de 2
objets ou lments de la disposition donne une nouvelle disposition alors la
abc bac
disposition est dite ordonne (lordre est important). Exemple :
(ordonne) ; abc bac (non ordonne).
Une disposition peut-tre avec rptition ou sans rptition. Une disposition de p
objets est dite avec rptition si le mme objet peut-tre prsent plusieurs fois
(jusqu' p fois) dans cette disposition.
2me anne
Exemple : on considre des dispositions de 3 objets pris parmi les 4 objets suivants :
a, b, 2, 5.
aba, 255 sont des dispositions avec rptition.
ab2, b52 sont des dispositions sans rptition.
ba5 et 5ab sont des dispositions diffrentes si lon tient compte de lordre
sinon, elles sont quivalentes.
Remarque : la notion de disposition est diffrente de celle densemble tant donn
que lordre et la rptition des lments ne sont pas importants pour caractriser un
ensemble.
IIIDiffrents types de dispositions : Permutations

Arrangements Combinaisons.
A-
Permutations :
1er cas : sans rptitions

Dfinition :
Une permutation de n lments est une disposition ordonne de lensemble de ces
lments ; chacun de ceux-ci figurant une fois et une seule dans la disposition.
Pn n! n.n 1
. n 2....2.1 .
En effet, nous avons n choix possibles pour le premier lment ; n-1 choix possibles
pour le deuxime lment ; n-2 choix possibles pour le troisime lment ; .. et 1
seul choix pour le nime lment.
Exemple: on dispose de 6 livres diffrents. De combien de manires diffrentes
peut-on les ranger sur une tagre ?
P6 6! 720 manires diffrente s .
2me cas : avec rptitions
Dfinition :
On appelle permutation avec rptitions le nombre de dispositions ordonnes de n

objets dont n1 , n2 ,....nk sont respectivement identiques entre eux / indiscernables
avec n = n1 , n2 ,....nk
n!
Pn;n1,n 2,....nk
n1!.n2 !.....nk !
En effet, des permutations des lments qui sont parfaitement identiques ne

donneront pas de nouvelles dispositions.
2me anne
Exemple : Combien de mots peut-on crire avec les 11 lettres du mot MISSISSIPPI ?
11!
Nombre de mots possibles : P11; 4, 4, 2
34650 mots.
4!.4!.2!
B- Arrangements :
Dfinition :
Un arrangement de p lments choisis parmi n lments est une disposition

ordonne, sans rptitions de p lments parmi n, chacun deux ne figurant au
maximum quune seule fois dans larrangement.
n!
Anp
n.n 1
. n 2......n p 1.
n p !
En effet, nous avons : n choix possibles pour le premier lment ; (n-1) choix
possibles pour le deuxime lment ; (n-2) choix possibles pour le troisime
lment ; ..et (n-p+1) pour le pime lment.
Exemple : Combien de mots de 3 lettres distinctes peut-on crire avec les lettres du
mot AMPHI ? (Les mots ne doivent pas avoir ncessairement une signification).
5!
5!
A53
60 mots diffrents .
5 3! 2!
2me cas : avec rptitions
Dfinition :
Un arrangement avec rptitions de p lments / objets choisis parmi n est une

disposition ordonne avec rptitions de p objets pris parmi n objets diffrents
(distincts).
Apn n p
En effet, nous avons n choix pour le premier lment ; n choix pour le deuxime
lment ; n choix pour le troisime lment ; et n choix pour le dernier (pime)
lment.
Exemple : Soit les chiffres 1, 5, 7, 6. Combien de nombre de 2 chiffres peut-on
former ?
On peut former 4.4 = 16 nombres de 2 chiffres.
Dans le cas des permutations ou des arrangements, nous nous intressons lordre
dans lequel les objets sont rangs. Dans de nombreux problmes cependant, la
2me anne
question qui se pose est de slectionner des objets sans aucune rfrence lordre
dans lequel ils sont. De telles slections sont dites combinaisons.
C- Combinaisons :
Dfinition :
Une combinaison de p objets pris parmi n est une disposition non ordonne et sans
rptitions de p objets parmi n.
Anp
n!
p
Cn
p!.n p ! p!
Remarque : Le passage une disposition non ordonne ncessit llimination des
dispositions contenant les mmes objets dans des places diffrentes.
Exemple : de combien de manires peut-on former un comit de 4 personnes
choisis parmi un groupe de 6 personnes ?
6!
Nombres de comits possibles : C64
15.
4!.2!
Proprits des combinaisons :
C np C nn p
(en vertu de la symrie de la formule).
C pn C np11 C np1 (*).

n
p q C nk p k q n k (binme de NEWTON )
n
k 0
Quelques rsultats :
C no C nn 1;
C1n C nn 1 n.
(*) : Llment peut appartenir au groupe de p parmi n ou non. On met un lment

part et on calcule sparment le nombre de combinaisons contenant cet lment et
le nombre de combinaisons ne le contenant pas.
2me anne
PARTIE I
CALCUL DES PROBABILITES
2me anne
Chapitre 1
AXIOMATIQUE DES PROBABILITES
I-
Vocabulaire probabiliste
Exprience alatoire : Le mot exprience voque des tests contrls en

laboratoire. Ce terme sera utilis dans une acception plus gnrale qui
sapplique galement des phnomnes loigns du champ de
lexprimentation. Nous appellerons exprience ou preuve toute action ou
processus qui engendre des rsultats ou des observations. Une exprience
est dite alatoire si :
a- on ne peut prdire avec certitude son rsultat
b- on peut dcrire lensemble de tous les rsultats possibles.
Lissue dune telle exprience est donc rgie par le hasard. Dune manire plus
simple, une exprience alatoire est une preuve dont le rsultat est dtermin par
le hasard ( lalas ).
Exemple : Jet dun d ; lancer dune pice de monnaie.
Ensemble fondamental : (appel galement univers des possibles, espace

chantillonnal ou rfrentiel) reprsente lensemble des rsultats possibles
dune exprience alatoire ; il est not .
*Remarque : peut varier en fonction des objectifs poursuivis.

Exemple : On prlve une carte dans un paquet de 52 cartes. On peut sintresser
:
1-) la couleur de la carte : = {rouge, noire}.
2-) la srie de la carte :
= {cur, pique, carreau, trfle}.
3-) la valeur de la carte : = {2, 3, 4, 4, 5, 6, 7, 8, 9, 10, valet, dame, roi, as}.
Un ensemble fondamental peut-tre fini ou infini. Ainsi, lexprience alatoire
consistant jeter une pice de monnaie autant de fois que ncessaire jusqu
obtention du cot pile admet un ensemble fondamental infini dnombrable (cd quon
peut associer chaque lment de un entier naturel de sorte qu 2 lments
distincts de soient associs 2 entiers diffrents)
= {p, (f, p), (f, f, p), (f , f , f, p).}.
Exemple densemble infini non dnombrable : Dure dattente du train [0 20].
Evnement : cest un lment ou sous ensemble de . On distingue

lvnement lmentaire : obtenir 2 de lvnement compos / vnement :
obtenir un nombre impair.
2me anne
Lensemble de tous les vnements quon peut associer une exprience alatoire
est en principe dfini par lensemble des parties de P( ). Il existe 2 vnements
particuliers associs toute exprience alatoire : lvnement certain et
lvnement impossible ; exemple : jet dun d ; obtenir un nombre infrieur 7 est
un lvnement certain ; obtenir un nombre divisible par 7 est un vnement
impossible.
Vocabulaire des vnements :

: vnement certain , il est toujours ralis.
: vnement impossible, il nest jamais ralis.
A : vnement contraire de A ; il est ralis si A ne lest pas. A et A
sont incompatibles.
A B : lvnement conjonction ou intersection A et B, il est ralis si
A et B sont simultanment raliss. Si A B = , les vnements A et
B sont dits incompatibles ou mutuellement exclusifs.
A B : lvnement runion A ou B, il est ralis ds que lun au
moins des vnements est ralis.
A B : lvnement A implique lvnement B ; si A est ralis, B lest
aussi.
II-
Notion de probabilit :
1- Dfinition de la probabilit dun vnement : Il existe plusieurs dfinitions de la

notion de probabilit, chacune prsentant des atouts et des limites.
a- Dfinition classique :
Soit un ensemble fondamental et A un vnement quelconque de
Nbre de cas favorables Card A
P A
Nbre de cas possibles

Card
Exemple : Soit une urne contenant 10 boules dont 2 blanches, 5 rouges et 3 bleu. On
tire une boule au hasard. Quelle est la probabilit quelle soit de couleur blanche ?
Soit A lvnement : obtenir une boule blanche
2 1
P A
10 5
Remarque : La dfinition classique de la probabilit dun vnement ne peut se
concevoir que si lhypothse de symtrie entre vnements lmentaires associs
la ralisation dune exprience alatoire est satisfaite (quiprobabilit), ce qui
restreint la gnralisation de cette dfinition. Une autre approche plus intressante
rside en la dfinition frquentielle de la probabilit dun vnement.
b- Dfinition frquentielle :
2me anne
Soit un ensemble fondamental et A un vnement quelconque de .

P A lim f n A
n
avec
n : nombre de fois que lexprience se rpte et f n A
n A
: frquence de
n
la ralisation de lvnement A au cours des n rptitions.
Remarques :
Les frquences attaches des suites dexpriences distinctes ne sont
gnralement pas gales. Cependant, elles ont pour caractristique commune de
converger vers la mme valeur limite quand le nombre de rptitions de
lexprience devient lev. Ceci traduit la loi des grands nombres dcouverte par
jacques BERNOULLI.
La frquence f n A est gnralement diffrente de P(A) qui peut-tre considre
comme une frquence thorique (frquence idalise).
La dfinition frquentielle ne se conoit que si lexprience alatoire laquelle on
sintresse est rptitive. Dans le cas contraire, il faut recourir dautres faons de
dfinir une probabilit. Afin dviter de considrer une dfinition qui soit lie des
conditions ou des hypothses de travail particulires, il est plus judicieux de dfinir la
probabilit au moyen daxiomes cd de proprits qui doivent obligatoirement tre
satisfaites par un concept (fonction densemble) pour pouvoir le qualifier de
probabilit.
c- Dfinition axiomatique :
Soit un ensemble fini et soit P une fonction dfinie sur P . P est une probabilit
dfinie sur si elle satisfait aux 3 axiomes suivants :
A.1 - Pour tout vnement E de , PE 0
A.2- P 1
A.3- Si E1 et E2 sont 2 sous ensembles de mutuellement exclusifs alors
PE1 E2 PE1 PE2
Proprits :
Soient A et B 2 vnements dun espace probabilis , P , P .
10
2me anne
P A 1 P A
En effet : A A . Or , P 1 P A A 1
P A P A 1 P A 1 P A.
P 0
En effet : . Or, P 1 P 1
P P 1 P 0.
0 P A 1
P A P A B P A B
A B A B
P A P A B P A B .
P A B P A P B P A B
En effet : A A B A B . Or,
En effet : A B A A B . Or,
A A B
P A B P A P A B ; Or A B B - A B
P A B P A PB P A B .
Ce rsultat peut-tre gnralis plusieurs vnements. Ainsi pour 3 vnements :

P A B C P A PB PC P A B P A C PB C P A B C
Gnralisation n vnements :
Soient A1 , A2 ,...., An des vnements de

P A1 A2 .... An P Ai PAi A j
n
i 1
i j
...... 1
III-
n 1
PA A
i j k
Ak
P A1 A2 .... An .
Probabilit conditionnelle :
Exemple: jet dun d. Soit D lvnement :Obtenir un nombre impair PD
3 1
6 2
Que devient cette probabilit si on nous indique par ailleurs que le rsultat du
lancement du d est un nombre infrieur ou gal 3 ?
Cette information supplmentaire va modifier lensemble des rsultats possibles.
2
En effet, ce dernier nest plus mais le sous ensemble H 1,2,3 PD / H .
3
Cette probabilit est dite conditionnelle. Il faut souligner que cette probabilit peuttre
obtenue
partir
des
probabilits
non
conditionnelles
2 3
PD H et PH qui valent respectivement et .
6 6
11
2me anne
Dfinition :
Soient A et B 2 vnements de avec P(B) > 0. On appelle probabilit
conditionnelle de A par rapport B le nombre not P(A/B) dfini par :
P A B
P A / B PB A
P B
Justification : Etant donn la ralisation de B, les seuls lments de A susceptibles

de se prsenter sont ceux qui appartiennent A B ; la division de
P A B par PB nous permet dassurer que les axiomes de la thorie des
PB B
probabilits sont satisfaits notamment le 2me PB / B
1
PB
Remarques :
P A / B 1 P A / B
P A B PB .P A / B P A.PB / A
probabilit compose.
Exemple : Considrons un groupe de 7 personnes dont 3 sont de sexe fminin. On

choisit successivement 3 individus. Quelle est la probabilit que les individus soient
de sexe fminin ?
3 2 1 1
PF1 F2 F3 PF1 .PF2 / F1 .PF3 / F1 F2 . .
7 6 5 35
IV-
Indpendance stochastique
Dfinition :
Deux
vnement A et B sont dits indpendants si et seulement

P A B P A.PB P A / B P A et PB / A PB
si :
Si A est dpendant de B, cela signifie que si B sest produit, la probabilit que A se

produise nest pas la mme que si B ne lest pas.
Remarques :
A et B sont indpendants;
1-) Si A et B sont indpendants, on dmontre que :
A et B sont indpendants et que,
A et B sont indpendants.
2-) La notion dindpendance peut-tre tendue plus de 2 vnements. Ainsi, A, B
et C sont dits indpendants si on a la fois :
P A B P A.PB ; P A C P A.PC
PB C PB .PC ; P A B C P A.PB .PC .
3-) Il ne faut pas confondre indpendance et incompatibilit. Deux vnements
indpendants ne sont pas forcment incompatibles ;
12
2me anne
Indpendance PA B P A.PB
Incompatib ilit PA B .
4-) La relation dindpendance est une relation symtrique.
V-
Thorme de BAYES
Notion de partition (systme complet dvnements):

Soit un ensemble
vnements
forment
fondamental et A1 , A2 ,....., An des vnements de .

une
partition
de
si
et
seulement
i j, Ai A j et
Ces
si :
i 1
Thorme :
Soit un ensemble fondamental, A1 , A2 ,....., An des vnements de formant une
partition
et
E
un
vnement
quelconque ;
n
Si i PA i 0 alors, PE P Ai .PE / Ai
i 1
Dmonstration :
E E PE PE
PE PE A1 A2 ..... An
PE A1 E A2 ..... E An
PE A 1 PE A2 ..... PE An
PE A 1 PE A2 ..... PE An
P A1 .PE / A1 P A2 .PE / A2 .... P An .PE / An .

Thorme de BAYES :
Soit un rfrentiel donn, A1 , A2 ,......, An une partition de et E un vnement quelconque .

Si i PA i 0 alors, P Ai / E
P Ai .PE / Ai
P A PE / A
i 1
En effet :
P Ai / E
P Ai E
P Ai .PE / Ai
n
PE
P Ai .PE / Ai
i 1
Exemple: On considre une population o 25% des individus souffrent dune maladie
M. On diagnostique la maladie au moyen dun test. Ce test nest pas parfais : il
13
2me anne
donne une raction positive dans 90% des cas lorsque lindividu est malade et 10%
sil ne lest pas.
1- Calculer la probabilit que le test soit positif?
2- On choisit au hasard un individu de cette population ; le test effectu sur lui est
positif. Quelle est la probabilit que lindividu soit malade ?
Rponse :
Soit P lvnement : Le test est positif et M lvnement : lindividu est malade
PM 0,25;
PP / M 0,9;
P P / M 0,1.
PP PP M P P M PP / M .PM P P / M .P M
0,9 * 0,25 0,1 * 0,75 PP 0,3
P M / P
PM P 0,9 * 0,25
0,75.
PP
0,3
14
2me anne
Chapitre 2
VARIABLES ALEATOIRES
I-
Notion de variable alatoire :
1- Dfinition :
On appelle V.A toute application numrique X qui associe chaque vnement i
X : IR
de un nombre rel x . Formellement :
i X i xi
Notation : Une V.A est gnralement dsigne par une lettre majuscule de la fin de
lalphabet : X, Y, Z, W.
Exemple : On lance une pice de monnaie 2 fois successives. Soit X la V.A
reprsentant le nombre de cots face obtenus.
Dterminez les valeurs prises par X.
X 0,1,2
2- Types de variables alatoires :
On distingue 2 types de variables alatoires : discrtes et continues.
Une V.A est dite discrte si lensemble des valeurs quelle est susceptible de
prendre est fini ou infini dnombrable.
Une V.A est dite continue si elle peut prendre toute valeur lintrieur dun
intervalle donn.
II-
Etude dune V.A discrte :
1- Fonction de probabilit dune V.A discrte

Dfinition :
Soit X une V.A discrte relie une exprience donne. La fonction de probabilit
de cette variable est la fonction P telle que :
P : X 0;1
xi P xi P X xi
Exemple :
Soit X une variable alatoire reprsentant le nombre de cot face
obtenu au cours de 2 lancers successifs dune pice de monnaie. Dterminons les
probabilits associes aux diffrentes valeurs de X.
15
2me anne
P(x = 0) = 1/4 ;
P(X = 1) = 2/4 ;
P(X = 2) = 1/4.
Remarque : La fonction de probabilit dune V.A doit satisfaire aux 2 conditions

suivantes :
x IR,
P X xi 0
Px 1.
i
2-
Loi de probabilit :
Dfinition :
Soit X une V.A qui peut prendre les valeurs x1 , x2 ,....., xn et soit Px1 , Px2 ,...., Pxn
les probabilits associes ces diffrentes valeurs. On appelle loi de probabilit de X
lensemble des couples xi , pi .
Reprsentation graphique :
La reprsentation graphique des couples xi , pi qui constituent la loi de probabilit
dune V.A discrte est un diagramme en btons (ventuellement un histogramme :
cas de convergence vers une loi de probabilit continue, notamment la loi normale).
3- Fonction de rpartition (fonction cumulative) :
Dfinition :
On appelle fonction de rpartition de la V.A X la fonction note F dfinie par :
F : IR 0;1
x F x P X x
Dune faon gnrale, la fonction de rpartition dune distribution de probabilit est

dfinie par :
x x1
0
p
x1 x x 2
1
F x P X x p1 p 2
x 2 x x3
x xn
1
Proprits :
16
2me anne
0 F x 1
C ' est une probabilit
lim F x 0
lim F x 1
F x garde la mme valeur sur xi ; xi 1
F x est une fonction positive monotone croissante; xi x j F xi F x j
F x est une fonction continue droite et discontinue gauche :
F x F x
lim
Reprsentation graphique :
La reprsentation graphique de la fonction de rpartition dune V.A discrte est une
courbe en escalier appele courbe de rpartition.
Soit la distribution de probabilit suivante :
xi
pi
0
0,15
1
0,25
F 0 P X 0 0,15;
F 3 P X 3 1
2
0,4
3
0,2
F 1 P X 1 0,4
F 2 P X 2 0,8
F 1
F 0
4- Caractristiques dune V.A discrte :

4.1-
Esprance mathmatique :
Soit X une V.A discrte. On appelle esprance mathmatique de X et on note E(X) le

n
nombre rel dfini par : E X xi . pi

i 1
Il sagit de la moyenne arithmtique des valeurs possibles pondres par les

probabilits correspondantes.
Proprits :
E (c ) = c
E (a.X + b) = a.E (X) + b
E ( X + Y ) = E ( X ) + E ( Y ).
Si X et Y sont 2 V.A indpendantes alors, E (X.Y) = E (X). E (Y)
4.2- Variance :
On
appelle
variance
de
la
V.A
le
nombre
2
2
V X EX E X E X 2 E X xi2 . pi xi . pi
i 1
i 1
Proprits :
rel
dfini
par :
Soient a et b 2 constantes, V a. X b a 2 .V X V b 0
17
2me anne
V a. X a 2 .V X
V X Y V X V Y 2. cov X , Y avec cov X , Y E X E X Y EY
Si
X
et
Y
sont
2
V.A
indpendantes,
alors
V X Y V X V Y et V X Y V X V Y cov X , Y 0
Remarque : Lesprance mathmatique constitue une mesure de tendance centrale

de la distribution de probabilit de cette variable. Elle donne une ide sur lordre de
grandeur des valeurs de la V.A. La variance est une mesure de dispersion et sert
dindicateur de ltalement des valeurs de la variable par rapport lesprance
mathmatique.
4.3-
Moments simples :
mr E X r xir . pi
i 1
4.4-
Moments centrs :
r E X E X xi E X . pi
III-
Etude dune V.A continue :
1- Fonction de densit de probabilit :

On appelle fonction de densit de probabilit toute fonction satisfaisant aux 2
conditions suivantes :
x IR,
f x 0
f x dx 1
Remarque : Lorsque la V.A est continue, la probabilit attache un point est nulle
P(X = x)=0.
2-
Fonction de rpartition dune V.A continue :
Soit X une V.A continue et f sa densit de probabilit. La fonction de rpartition de X

est la fonction F telle que :
F : IR 0,1
x
x P X x
f x dx
Remarque : f(x) est la drive de F(x) : F(x) = f(x).
18
2me anne
3- Caractristiques :
E X
x. f x dx
V X
x E X
. f x dx x . f x .dx x. f x .dx
Remarque : E(X) et V(X) peuvent ne pas exister (cas ou lintgral est divergente).
19
2me anne
Chapitre 3 :
LOIS DE PROBABILITES DISCRETES
Introduction :
Il existe de nombreuses distributions discrtes. Chacune est lie des conditions
dapplications particulires. Lintrt de ces lois ou modles probabilistes rside dans
le fait quils peuvent dcrire avec richesse (calcul de toute probabilit, esprance
mathmatique,....) beaucoup de phnomnes statistiques alatoires. Il convient donc
de connatre et de bien matriser les modles probabilistes les plus courants de faon
pouvoir rechercher parmi ces derniers celui qui est susceptible de convenir la
description du phnomne tudi.
I- Variable de BERNOULLI
Soit une exprience alatoire pouvant donner lieu aux 2 vnements
complmentaires E et E avec les probabilits respectives p et q = 1 p. Si on associe
par le biais dune VA X, la valeur 1 la ralisation de lvnement E et la valeur 0
sa non-ralisation, alors X est une variable de BERNOULLI ou variable indicatrice.
1- Dfinition :
La variable de BERNOULLI est une variable qui prend les valeurs 0 et 1 avec les
probabilits respectives q et p (p + q =1). La valeur 1 est associ la ralisation de
lvnement considr succs et la valeur 0 sa non-ralisation chec
Exemple : un concours, se prsentent 3 femmes et 6 hommes. On choisit une

personne au hasard. Soit X : Nombre de femmes obtenues
xi
pi
2/3
1/3
E X xi p i p E X p
V X xi2 pi xi pi p p 2 p1 p p.q V X p.q

2
Remarque :
1
La V X .
4
20
2me anne
II- Loi BINOMIALE :

La loi binomiale occupe une place importante dans lensemble des lois de
probabilits discrtes. Elle peut-tre considre comme une gnralisation de la
variable de BERNOULLI lorsque lexprience alatoire dichotomique se rpte n fois
de manires indpendantes (preuves se droulant dans les mmes conditions).
1- Dfinition :
Une variable alatoire est dite binomiale si elle reprsente le nombre de succs
obtenus dans une exprience de n preuves o la probabilit de succs reste
constante. La fonction de probabilit dune telle fonction est donne par :
P X k Cnk p k q nk On note X n, p
Remarques :
La variable binomiale est entirement spcifie par la connaissance de n et p.
La variable binomiale prend ce nom parce que les probabilits obtenues sont en
fait les termes du dveloppement du binme de NEWTON.
La variable de BERNOULLI est un cas particulier de la variable binomiale : n=1.
2- Conditions dapplication de la variable binomiale :
1re condition : Lexprience consiste en une suite dpreuves se soldant chaque
fois soit par un succs soit par un chec.
2me condition : Les preuves se rptent de manire identique et dans les mmes
conditions.
3me condition : La probabilit de succs reste constante tout au long des n preuves.
3- Forme de la distribution binomiale :
La distribution binomiale est symtrique pour p = q = 0,5 ; dissymtrique pour p q .
Toutefois, lorsque n est trs lev et p nest ni proche de 0 ni de 1, la distribution
binomiale tend devenir symtrique.
4- Caractristiques de la variable binomiale :
Soit X n, p . X peut-tre dcrite comme une somme de n variables de
BERNOULLI indpendantes :
X X 1 X 2 ,.... X n
E X E X 1 X 2 ,.... X n E X 1 E X 2 ....... E X n
V X V X 1 X 2 ,.... X n V X 1 V X 2 ....... V X n
p p .... p n. p E X n. p
p.q p.q ........ p.q n. p.q V X n. p.q
21
2me anne
5- Frquence binomiale :
Soit X n, p . Considrons cette fois-ci non plus le nombre dapparition de
X
lvnement tudi mais plutt la frquence de sa ralisation note f x . f x
;
n
cest une nouvelle variable qui reprsente la proportion des preuves o lvnement
sest ralis.
1 2 3
n
Valeurs possibles : 0, , , ,.........., .
n n n
n
X
Loi de probabilit :
P f x P X x C nx p x q n x .
n
Caractristiques :
1
X 1
E f x E E X .n. p p E f x p
n
n n
1
p.q
p.q
X 1
V f x V 2 V X 2 .n. p.q
V fx
.
n
n
n
n n
Exemple : Dans une population, la proportion dindividus qui ont lintention de ne pas
voter lors des prochaines lections lgislatives est de 15%. Calculer la probabilit
pour que 25% des individus dun chantillon deffectif 16 sabstiennent ?
Soit X : nombre dindividus qui ne votent pas

P f x 0,25 P X 4 C .0,15 .0,85
4
16
X 16,0,15
12
5- Somme de variables binomiales :
Soit X 1 n1 , p et X 2 n2 , p . Si X 1 et X 2 sont indpendantes, alors

X 1 X 2 n1 n2 , p .
6- Approximation de la loi Binomiale :

Lorsque la taille de lchantillon est leve, la loi Binomiale nest plus commode
dutilisation (les calculs deviennent assez lourds) ; on fait appel dautres lois de
probabilits.
1er cas : Lorsque n est lev et p nest ni proche de 0 ni de 1, la loi Binomiale est
approche par la loi normale.
2me cas : Lorsque n est lev et p faible (p<0,1 : phnomne rare), la loi
Binomiale est approche par la loi de Poisson.
22
2me anne
III- La loi HYPERGEOMETRIQUE :

1- Dfinition :
Soit une population de taille N comportant 2 catgories dindividus. N p individus
prsentent un caractre donn et N q ne le prsentent pas (N = N p + N q ). On extrait
de faon exhaustive un chantillon de n individus de cette population. Si lon
considre la V.A. X comme tant le nombre dindividus de lchantillon prsentant le
caractre donn alors X suit une loi Hypergomtrique de loi de probabilit :
C Nx p .C Nnq x
P X x
On note : X H N , n, p
C Nn
La loi Hypergomtrique dpend de 3 paramtres : N : effectif de la population
mre ; n : taille de lchantillon et p : probabilit initiale du succs.
Exemple : On dsire constituer un comit de 3 personnes partir dun groupe de 7
dont 4 sont de nationalit trangre. Quelle est la probabilit que ce comit
contienne 2 trangers ?
Soit X : Nombre dtrangers de lchantillon
C 2 .C 1 6 * 3 18
N = 7 ; n = 3 ; p = 4/7. P X 2 4 3 3
0,514
35
35
C7
N.B : Les valeurs possibles de la variable hypergomtrique varient entre :
max 0; n N q et min N p ; n .
E X n. p
mme esprance mathmatique que la loi binomiale
N n
N 1
La variance de la loi
binomiale.
V X n. p.q.
N n
est appel coefficien t d' xhaustivi t
N 1
Hypergomtrique est toujours infrieure celle de la loi
Remarque : La distinction fondamentale entre la loi binomiale et la loi

Hypergomtrique rside dans la nature du tirage des individus de lchantillon.
Dans le 1er cas, le tirage est avec remise, la probabilit du succs reste constante
tout au long des n preuves alors que dans le second cas, le tirage est sans remise,
la probabilit du succs varie dun tirage lautre.
3- Approximation de la loi hypergomtrique par la loi binomiale :
Lorsque leffectif de lchantillon est relativement faible par rapport N, la loi
hypergomtrique tend vers la loi binomiale. En effet, dans ce cas, p reste
pratiquement constante au cours des tirages successifs bien quil ny est pas de
remise de lindividu tir. Cette approximation est valable ds que le taux de sondage
n/N < 10%.
23
2me anne
IV-
La loi de POISSON
Cest une loi quon retrouve en pratique notamment dans les phnomnes regroups
sous le vocable files dattentes et permet dillustrer le cas o le nombre de valeurs
possibles de la variable alatoire est infini dnombrable.
1- Dfinition :
La distribution de probabilit dune V.A X est dite distribution de POISSON si elle est
dfinie par les couples (xi , pi) o x prend les valeurs 0, 1, 2, avec les
P( X x) e
probabilits respectives donnes par :
est un paramtre rel positif.
X Po ( )
Notation :
x
x!
Dmontrons quil sagit bien dune fonction de probabilit :

x X (), P(x) 0;
x!
x!
e
e - (1
2
2!
3
3!
...
k
k!
....)
P( X x) e .e 1
0
2- Conditions dapplication :
La loi de POISSON sapplique dans deux cas bien prcis :
1er cas : La distribution de POISSON peut tre considre comme une limite de la
distribution BINOMIALE lorsque n est lev et p trs faible (proche de 0).
Gnralement lapproximation est valable ds que n>50 et p<0,1.
X (n; p) Po( n. p)
2me cas : Processus de POISSON. La loi de POISSON sapplique en particulier
dans le cas dvnements se ralisant de faon alatoire dans le temps ou lespace.
Si la ralisation dun vnement donn vrifie les conditions suivantes :
Le nombre moyen de fois quun vnement se ralise dans un intervalle de temps
ou dans un espace est connu ;
La probabilit que cet vnement se produise dans un intervalle de temps est
proportionnelle la longueur de cet intervalle et ne dpend en aucun cas du
nombre dvnements qui se sont produits antrieurement ;
La probabilit que lvnement se produise plus dune fois dans un intervalle de
temps trs court est ngligeable ;
24
2me anne
Alors le nombre X dvnements raliss au cours dune priode de temps t est une
variable de POISSON de paramtre p.t .
Exemple 1 : Larrive des clients un supermarch est considre comme un
processus de POISSON. On sait que le nombre moyen de clients arrivant par minute
au supermarch est gal 2.
Calculez la probabilit que pendant une priode particulire de 5 minutes il arrive 12
clients.
Soit X la VA reprsentant le nombre de clients arrivant au supermarch dans une
priode de 5 minutes
X Po ( 2.5 10)
P( X 12) e 10
1012
0,09478.
12!
Exemple 2 : Un entrepreneur utilise des pots de peinture dont 0,2% sont dfectueux.
Quelle est la probabilit que sur les 1000 pots quil a utilis, il en trouve un
dfectueux ?
Soit X la VA reprsentant le nombre de pots dfectueux
X (1000;0,002) Po ( 2)
P( X 1) e 2
21
2.e 2 0,27.
1!
3- Forme :
La distribution de POISSON est dissymtrique avec un talement droite. Elle tend
devenir symtrique lorsque est lev.
Esprance :
E ( X ) ..
Variance :
V ( X ) .
5- Somme de variables de POISSON indpendantes :

La somme de 2 V.A de POISSON indpendantes est une variable de POISSON.
Si X 1 Po( 1 ) et X 2 Po ( 2 )
alors, X X 1 X 2 Po ( 1 2 )
25
2me anne
Ce rsultat peut tre gnralis un nombre quelconque de variables de POISSON

indpendantes.
6- Approximation de la loi de POISSON par la loi NORMALE :
Lorsque 20, il nest plus possible dutiliser les tables de la loi de POISSON pour
calculer des probabilits. Dans ce cas la variable de POISSON est approche par la
loi NORMALE.
V- La loi de PASCAL / Binomiale ngative:

1- Dfinition :
Une V.A. X est dite variable de PASCAL si elle reprsente le nombre dpreuves
ncessaires pour obtenir r succs au cours dune suite dpreuves dichotomiques
indpendantes (probabilit de succs reste constante). La V.A. X prend les valeurs
entires : r, r 1, r 2,.......... . Sa fonction de probabilit est donne par :
P X k Ckr11 . p r .q nr .
On note : X Pa r, p .
Cette probabilit est facile tablir. En effet, si k preuves sont ncessaires pour
obtenir r succs, cest que la kme preuve est un succs. La probabilit davoir r 1
succs dans la suite de k 1 preuves de BERNOULLI de paramtre p est donne
par : Ckr11 . p r 1 .q k r et la probabilit que la kme preuve soit un succs est p. Ces
deux vnements tants indpendants, la probabilit quils se ralisent
simultanment gale le produit des probabilits de ralisation de chacun des 2
vnements P X k Ckr11 . p r .q k r .
E X
r
r.q
VX 2
p
p
Exemple : On lance une fuse pour installer un satellite. On admet que la probabilit
de succs est de 70%. On suppose galement quil ny a pas dapprentissage
(probabilit constante et vnements indpendants) ; on dcide de lancer des fuses
jusqu enregistrer 3 succs ?
a- Quelle est la probabilit que cela ncessite moins de 6 tentatives ?
b- Quelle est lesprance du nombre dessais ncessaire pour obtenir 3 succs ?
Soit X : nombre de lancements de fuses ncessaires pour avoir 3 succs

X Pa 3;0,7
P X 6 P X 3 P X 4 P X 5
C3311 .0,7 3.0,30 C 4311 .0,7 3.0,31 C5311 .0,7 3.0,3 2 0,837.
E X
r
3
4,28 soit 5 essais.

p 0,7
26
2me anne
LOIS DE PROBABILITES DISCRETES

RECAPITULATIF
LOI
VALEURS
POSSIBLES
PROBABILITES
ESPERANCE
VARIANCE
BERNOUILLI
{0 , 1}
P(X=0) = 1-p ; P(X=1) = p
pq
BINOMIALE
{0, 1, ., n}
P( X k ) C nk p k q n k
np
npq
r
o 0 p 1 et p q 1 p
rq
p2
2 catgories de boules :
proportion p de boules
blanches, q de noires. On
effectue un tirage. X est
la VA : nombre de
boules blanches .
effectue n tirages avec
remise. X est la VA :
nombre
de
boules
blanches .
tire avec remise jusqu
obtenir r boules blanches.
X est la VA : nombre de
tirages ncessaires
o 0 p 1 et p q 1
PASCAL
r, r 1,...,
Max (0 , n - Nq) et
Min (Np , n)
HYPERGEOMETRIQUE
POISSON
0,1,...,
P( X k ) Ckr11 p r q k r
P( X k )
k
Np
C C
C
P( X k ) e
nk
Nq
np
npq
n
N
k
k!
MODELE
N n
N 1
Np boules blanches, Nq
noires. On tire n boules
sans remise. X est la VA :
nombre
de
boules
blanches .
Loi limite dune loi
binomiale lorsque n>50 et
p<0,1.
Loi
des
vnements rares.
27
2me anne
Chapitre 4
LOIS DE PROBABILITES CONTINUES
LA LOI NORMALE
Introduction
On parle de loi normale ou de loi de LAPLACE GAUSS, lorsque lon est en
prsence dune variable alatoire continue dpendant dun grand nombre de causes
indpendantes, dont les effets sadditionnent et dont aucune nest prpondrante.
La loi normale est la loi la plus importante de toutes les lois de probabilits quil
sagisse des lois discrtes (loi Binomiale, loi hypergomtrique, loi de Poisson) ou
des lois continues (loi de Khi deux, loi de Student, loi de Fisher). Elle se distingue
fondamentalement des distributions discrtes par le fait quelle peut prendre
thoriquement toute valeur numrique de IR. Limportance de la loi normale
sexplique par les lments suivants:
Elle est dapplication trs gnrale ;
Plusieurs lois convergent vers elle ;
Elle est fondamentale en infrence statistique.
I- La loi normale
1. Dfinition :
Une V.A continue X est dite distribue selon une loi normale si sa densit de
probabilit est :
1 xm 2
f x
exp
2
. 2.
On note : X m;
2. Fonction de rpartition :
La fonction de rpartition dune variable normale est donne par lexpression :
x P X x x f x dx
1
. x
2
1 xm 2

e2
dx
28
2me anne
3. Caractristiques
E X m
et
V X 2
4. Proprits de la courbe normale :

La densit de probabilit de la loi normale est reprsente par une courbe en
cloche qui stend indfiniment dans les deux sens en sapprochant de laxe
horizontal mesure que x devient grand ou petit.
Cette courbe est symtrique par rapport au point dabscisse x=m et atteint son
maximum en ce point. Elle possde deux point dinflexion distants de laxe de
symtrie dune quantit gale .
La droite verticale x=m divise laire comprise entre la courbe et laxe des
abscisses en deux parties gales P(X<m) = 0,5 et P(X>m) = 0,5.
Des variations de m et ont des consquences bien spcifiques : une variation
de m ( fixe) entrane une translation de la courbe suivant laxe des x ; une
augmentation de entrane un aplatissement de la courbe ; une baisse de
entrane une contraction de la courbe.
4. Intervalles remarquables :
2
2
P m X m 50%;
3
3
Pm 2 X m 2 95%;
Pm X m 68%
Pm 3 X m 3 99,74%
Pratiquement la totalit de laire sous la courbe normale est comprise entre les points
dabscisses m 3 et m 3 . On peut donc ngliger toutes surfaces
correspondantes des valeurs x qui se situent lextrieur de cet intervalle.
5. Calcul des probabilits :

Pour une V.A continue, on sintresse surtout une probabilit dintervalle. La
fonction de densit tant complique, des tables ont t prvues pour faciliter ce
calcul. Toutefois, tant donne quil existe une infinit de lois normales distinctes par
leurs paramtres, une seule variable normale est tabule et sert de rfrence pour
les autres : il sagit de la loi normale centre rduite. Le passage de la loi normale
la loi normale centre rduite seffectue laide du changement de variable suivant :
X m
(Standardisation).
29
2me anne
II- La loi normale centre rduite L.N.C.R:

Dfinition
La V.A. continue Z est dite N.C.R si sa densit de probabilit est donne par :
z2
1 2
f z
e
2
Fonction de rpartition
La fonction de rpartition est donne par :
2
z
1
z
e 2 dz
2
Proprits :
Le graphique de la fonction de densit de probabilit de la LNCR est une courbe
en cloche symtrique par rapport au point dabscisse z=0
La droite verticale z=0 divise laire comprise entre la courbe et laxe des
abscisses en deux parties gales P(Z<0) = 0,5 et P(Z>0) = 0,5
La grande partie des observations se situe dans lintervalle [ 3 ; 3 ].
III- Conditions dapplication de la loi normale :

Lune des proprits les plus remarquables de la distribution normale est le fait que
plusieurs V.A ont des distributions de probabilit qui convergent justement vers la
distribution normale. On regroupe sous lexpression thormes limites tous les
thormes qui servent dmontrer la convergence en loi de ces diverses V.A vers la
loi normale. Le plus clbre et le plus important de ces thormes est le thorme
central limite (TCL) : la loi normale est dapplication trs gnrale, elle sapplique
toute variable ou phnomne engendr par plusieurs causes indpendantes qui
sadditionnent et dont aucune nest prpondrante ; Elle constitue galement ne
distribution limite pour plusieurs lois de probabilit .
1- Thorme Central Limite :
Soit une suite de V.A X1, X 2 , X 3 ,............... X n correspondantes aux diffrentes causes
et vrifiant les conditions suivantes :
1- les variables X i sont indpendantes ;
2- Leurs esprances m1, m2 , m3..........mn et leurs variances V1,V 2,V3...........Vn
existent ;
3- Le rapport de la variance dun lment particulier de la suite la somme des
Vi
variances
tend vers 0 quand n augmente indfiniment. (cd la
Vi
30
2me anne
variabilit due une cause ou un facteur de fluctuation particulier est faible

par rapport la variabilit totale de X due lensemble des facteurs de
fluctuation)
Notons X la somme de ces n V.A : X X i X1 X 2 X 3 .......... X n
E X m1 m2 ........;mn m
Formons la VNCR :
X m
et
V X Vi 2
EX
V X i
Le TCL affirme que cette variable tend suivre la L.N.C.R lorsque n augmente
indfiniment quelles que soient les lois de probabilits suivies par les variables
X1, X 2 , X 3 ,............... X n
Toutefois, la loi normale na pas un caractre universel, certaines conditions peuvent
ne pas tre remplies. Un cas particulier dapplication de la loi normale est celui de
lapproximation de la loi Binomiale (convergence base sur le T.C.L)
2- Approximation de la loi Binomiale par la loi normale :
La variable binomiale peut tre considre comme la somme de n variables de
BERNOULLI indpendantes. Les conditions dapplication du T.C.L sont toutes
runies :
Les variables de BERNOULLI sont indpendantes
Les esprances et les variances existent : X i , E X p et V X p.q
Vi
p.q
1
0 quand n ; par consquent Bn; p N n. p; n. p.q

Vi n. p.q n
Cette approximation est dautant meilleure que n>30 et p nest ni proche de 0 ni de

1. En pratique, lapproximation est par la loi normale est utilise dans le cas o, pour
une valeur de n napparaissant pas dans la table binomiale, les critres
dapproximation par la loi de POISSON ne seraient pas satisfaits.
Remarque : Lorsque n est trs lev, mme si
p 0,5 , lapproximation reste
possible ; limportance de n compense la faiblesse de p.
Lapproximation dune loi binomiale par une distribution normale pose le problme
du passage dune loi discrte une loi continue ; En effet, on passe dun diagramme
en btons un histogramme et il est ncessaire de tenir compte de cette substitution
dune valeur discrte par un intervalle de valeurs dans le calcul de probabilits. Pour
ce faire, on procde une correction de continuit. Celle-ci consiste associer
chaque valeur de la variable discrte un intervalle de largeur 1 centr sur cette
valeur, autrement de chaque cot de la valeur xi il y a un accroissement de .
31
2me anne
IV- Somme de V.A normales :

Soit X1 N m1;1 et
X 2 N m2 ; 2
Si X1 et X 2 sont indpendantes, alors : X X1 X 2 N m1 m2 ; 12 22
LOIS DERIVEES DE LA LOI NORMALE

Elles sont au nombre de 3. La loi de Khi-deux, la loi de Student et la loi de Ficher
Sndecor. Ces lois sont dune importance capitale en estimation et en thorie des
tests.
I- Loi de KHI-DEUX :
Utilit : il sagit dune loi trs utile en thorie des tests notamment les tests
dajustement dune loi une distribution observe ; test dindpendance, test
dgalit de proportions et test dhomognit. Cette loi est utilise notamment dans
lestimation dune variance.
1- Dfinition :
Soit
X 1 , X 2 ,......, X v
variables
alatoires
i 1,2,3,....., v X i 0;1. Si X X X ..... X

2
1
2
2
indpendantes
2
v
telles
alors, X est
v
continue soumise une loi de 2 v degrs de libert 2 0;1
que :
une V.A
2
i 1
Notion de degr de libert : Le nombre de degr de libert correspond au nombre

de dimensions de lespace dans lequel se situent les points reprsentatifs de 2 . Le
nombre de degr de libert diminue en fonction des relations existantes entre les
diffrentes variables alatoires. Dune manire plus simple, le nombre de degr de
libert est le nombre de valeurs dune variable que lon peut choisir librement.
Exemple : Soit une variable prenant 3 valeurs possibles. Si lon sait que la moyenne
est de 25, on ne peut choisir librement que 2 valeurs, la 3 me est dtermine
automatiquement par la relation liant les 3 valeurs.
2-
Forme :
Elle dpend du nombre de degr de libert. La distribution de 2 est dissymtrique

tale vers la droite et tends devenir symtrique lorsque v augmente.
32
2me anne
E 2 v
V 2 2.v
4- Approximation dune loi de 2 par la loi normale :

Plus v augmente, plus la courbe dune v2 prend la forme de celle dune v;2v . En
pratique, ds que v dpasse 30 units, on considre lapproximation possible.
Rgle dapproximation :
2
1
z 2v 1 ou z est une valeur particulire sur
2
laxe de la variable centre rduite quivalente celle cherche sur laxe de la
variable de 2
Soit
X v2 ; si v 30, alors x
II- Loi de STUDENT

Elle intervient en estimation, notamment lestimation de la moyenne quand la
variance de la population mre est inconnue.
1- Dfinition :
Soit X 0;1 et Y v2 2 V.A indpedantes. Si T
alors,
Y
v
T est une variable soumise une loi de Student v degr de libet. On note T Tv .
2- Reprsentation graphique :
Il sagit dune courbe symtrique plus aplatie que celle de la loi normale. Plus la
valeur de v est petite, plus la forme de la cloche est large et plate. A mesure que v
33
2me anne
augmente, celle-ci devient plus troite et plus haute et tend vers celle dune normale
centre rduite.
E T 0
V T
v
si v 2.
v2
Remarque : Lorsque v est lev v > 30, la variance de la distribution de Student

tend vers 1 et la variable de Student est approche par la variable normale centre
rduite.
III- Loi de FISHER - SNEDECOR :

1- Dfinition :
Si X v21 et Y v22 et si X et Y sont indpendantes, alors

X
la V.A
v1
F v1 , v 2
v2
Cette loi intervient en thorie des tests et dans lanalyse de la variance.

E F
v2
pour v2 2
v2 2
V F
2.v22 .v1 v2 2
v1 .v2 2 .v2 4
2
pour v2 4
34
2me anne
ANNEXES
TABLES STATISTIQUES
35
2me anne
36
2me anne
37
2me anne
38

Support Probabilité

Transféré par

Droits d'auteur :

Formats disponibles

Support Probabilité

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Support Probabilité

Transféré par

Droits d'auteur :

Formats disponibles

2me anne

Rappel danalyse combinatoire

Calcul des probabilits

Axiomatique des probabilits

Lois de probabilits discrtes

Lois de probabilits continues

Prof : Lemtaoui Morad / rachid jahidi

Principes fondamentaux de comptage :

Prof : Lemtaoui Morad / rachid jahidi

N = 2 * 3 * 2 = 12 faons diffrentes de shabiller.

Prof : Lemtaoui Morad / rachid jahidi

IIIDiffrents types de dispositions : Permutations

1er cas : sans rptitions

On appelle permutation avec rptitions le nombre de dispositions ordonnes de n

En effet, des permutations des lments qui sont parfaitement identiques ne

Un arrangement de p lments choisis parmi n lments est une disposition

Un arrangement avec rptitions de p lments / objets choisis parmi n est une

(en vertu de la symrie de la formule).

C pn C np11 C np1 (*).

(*) : Llment peut appartenir au groupe de p parmi n ou non. On met un lment

Prof : Lemtaoui Morad / rachid jahidi

CALCUL DES PROBABILITES

Prof : Lemtaoui Morad / rachid jahidi

Exprience alatoire : Le mot exprience voque des tests contrls en

Ensemble fondamental : (appel galement univers des possibles, espace

*Remarque : peut varier en fonction des objectifs poursuivis.

Evnement : cest un lment ou sous ensemble de . On distingue

Prof : Lemtaoui Morad / rachid jahidi

Vocabulaire des vnements :

1- Dfinition de la probabilit dun vnement : Il existe plusieurs dfinitions de la

Nbre de cas possibles

Prof : Lemtaoui Morad / rachid jahidi

Soit un ensemble fondamental et A un vnement quelconque de .

n : nombre de fois que lexprience se rpte et f n A

la ralisation de lvnement A au cours des n rptitions.

Prof : Lemtaoui Morad / rachid jahidi

Ce rsultat peut-tre gnralis plusieurs vnements. Ainsi pour 3 vnements :

Soient A1 , A2 ,...., An des vnements de

Exemple: jet dun d. Soit D lvnement :Obtenir un nombre impair PD

Prof : Lemtaoui Morad / rachid jahidi

Justification : Etant donn la ralisation de B, les seuls lments de A susceptibles

Exemple : Considrons un groupe de 7 personnes dont 3 sont de sexe fminin. On

vnement A et B sont dits indpendants si et seulement

Si A est dpendant de B, cela signifie que si B sest produit, la probabilit que A se

A et B sont indpendants et que,

Prof : Lemtaoui Morad / rachid jahidi

Notion de partition (systme complet dvnements):

fondamental et A1 , A2 ,....., An des vnements de .

P A1 .PE / A1 P A2 .PE / A2 .... P An .PE / An .

Soit un rfrentiel donn, A1 , A2 ,......, An une partition de et E un vnement quelconque .

Prof : Lemtaoui Morad / rachid jahidi

Prof : Lemtaoui Morad / rachid jahidi

Notion de variable alatoire :

Etude dune V.A discrte :

1- Fonction de probabilit dune V.A discrte

Prof : Lemtaoui Morad / rachid jahidi

Remarque : La fonction de probabilit dune V.A doit satisfaire aux 2 conditions

Dune faon gnrale, la fonction de rpartition dune distribution de probabilit est

Prof : Lemtaoui Morad / rachid jahidi