Université Hassan II de Casablanca

Faculté des Sciences et Techniques Mohammedia

Département de Physique

Cours
de
Physique
Statistique
LST PA
2020-2021 Pr A. EL MANOUNI
1
 Chapitre 1

Rappels sur la théorie

des probabilités

LST PA 2020-2021 Pr A. EL MANOUNI

2
 Plan
Introduction.
I/ Définitions.
II/ Axiomes de la théorie des probabilités.
III/ Probabilité conditionnelle.
IV/ Dénombrement.
V/ Variables aléatoires et valeurs moyennes.
VI/ Distributions de probabilité usuelles.
VII/ Moment simple d’ordre K et moment centré.
3
Introduction:
Le calcul des probabilités est l’outil mathématique de base de la
physique statistique. Ce sont uniquement les considérations, qui
peuvent, à partir d’un modèle atomique de la matière, mener à une
théorie capable de prédire les résultats des expériences macroscopiques.
I/ Définitions:
a- Probabilité:
La probabilité est la mesure de la possibilité. Selon la définition
classique, c’est le rapport du nombre de cas favorables à un événement
au nombre de tous les cas possibles; tous les événements étant
supposés équiprobables. Nbre de cas favorables
Pr =
Nbre de cas possibles
4
b- Ensemble statistique:
On considère un ensemble de N systèmes semblables (N très grand,
voisin du nombre d’Avogadro), au lieu d’un seul système, afin de
multiplier l’information. Si on mesure une grandeur L et on trouve
comme valeur Li sur Ni systèmes parmi les N, la probabilité
d’apparition du résultat Li est
Ni
Pi = lim
N → N

Le but de la théorie statistique est de prédire la probabilité

d’apparition de chaque résultat possible de l’expérience.
Si on suppose que durant un temps T suffisamment grand, le système
passe par différents états i (valeurs Li de L) et qu’il reste à l’état i
durant un temps ti, on a donc ti
Pi = lim
T → T 5
c- Evènements et axiomes:
Etant donnée une expérience aléatoire, on note Ω (univers) l'ensemble
de tous les résultats possibles de cette expérience.
- Un singleton de Ω est appelé évènement élémentaire.
- Un sous-ensemble A de Ω est appelé un évènement. Un évènement A
est donc un ensemble constitué de résultats possibles de l'expérience.
Si le résultat d'une expérience est dans A, on dit que A est réalisé.

Exemple : On détermine le sexe d'un nouveau-né.

Ω = {g, f} Ω: univers
g: le nouveau-né est un garçon. f et g: événements
f: le nouveau-né est une fille.

6
 Exercice 1:
On Lance N fois un dé de 6 faces. Si on note ni le nombre de fois où
6
on a i (avec 1  i  6 et ni = N ). Soit l’événement « Le résultat est i »,
1
on associe à cet événement sa probabilité d’apparition Pi = ni .
N
Déterminer l’ensemble Ω .
Corrigé:
6
Puisque 0  ni  N et  ni = N , on vérifie:
i =1
6
0  Pi  1 i et  Pi = 1
i =1
Condition de normalisation
Ω = {1, 2, 3, 4, 5, 6}

7
II/ Axiomes de la théorie des probabilités:
Un événement est dit impossible, si sa probabilité est P=0 . Il est dit
certain, si P=1 (P(Ω)=1).
Pour n’importe quel événement aléatoire A, on a 0  P( A)  1
Soient A et B deux événements aléatoires,
- L’év A  B est réalisé si l’un des deux événements A ou B est réalisé.
- L’év A  B est réalisé si les deux événements A et B sont réalisé. Si
A  B =  , les 2 événements sont dits incompatibles ou disjoints et on
a P( A  B) = P( A) + P( B) Axiome d’additivité
Les événements A et A sont appelés événements contraires et vérifient.
P( A) = 1 − P( A)
On dit que l’événement aléatoire A implique l’événement B si on a
BA et P ( A)  P ( B ) 8
 Soient A et B deux événemnts aléatoires quelconques, on a
P ( A  B ) = P ( A) + P ( B ) − P ( A  B ) Théorème d’addition
Conséquences:
1- Quelques soient les événements A et B, on a P( A  B)  P( A) + P( B)
2- A et B deux événements incompatibles, on a P( A  B) = P( A) + P( B)
Exercice 2: On jette deux dès D1 et D2 simultanément:
- l’év « obtenir une somme>12 » est l’év impossible. P(ϕ)=0
- l’év « obtenir une somme≤ 12 » est l’év certain. P(Ω)=1
- év A « obtenir 1 sur D1 et 3 sur D2 » év B «obtenir 1 sur D1» lorsque
A est réalisé, B l’est aussi. ( A implique B; B  A )
P(A)=1/36 P(B)=6/36 =1/6
- calculer la probabilité de l’événement « obtenir 1 ou 4 »
Corrigé:
On a P(1 ou 4)= P(1)+P(4)-P(1 et 4).
Le nombre de cas possibles: 6x6=36 , P(1)=(6+6)/36=12/36 ,
P(4)=12/36 et P(1 et 4)=2/36 d’où P(1 ou 4)=11/18 9
III/ Probabilité conditionnelle:
La probabilité conditionnelle P(A/B) est la probabilité d’un certain
événement A sachant qu’un év B est réalisé:
P( A  B)
P( A / B) = PB ( A) =
P( B)
Exercice 3:
- Une paire de dés: à condition que la som=6, calculer la probabilité
P(2/som=6) pour que l’un des dés ait donné un 2.
Corrigé:
Rep: P(2/som=6)=P(2 et som=6)/p(som=6)
P(2 et som=6)= 2/36 ((2,4) et (4,2) parmi 36 possibilités),
P(som=6)=5/36 ((1,5);(5,1);(2,4);(4,2);(3,3 ) parmi 36 possibilités)
d’où P(2/som=6)=2/5
Théorème des produits des probabilités:
On a: P( A  B) = P( B) P( A / B) et P( A  B) = P( A) P( B / A)
d’où le théorème P ( B ) P ( A / B ) = P ( A) P ( B / A) 10
Exercice 4:
Un couple a deux enfants. L’aîné est un garçon,
Avec quelle probabilité le couple a-t-il un fils et une fille ?
Corrigé: P(F/G)=P(Fet G)/P(G)=2/3
Exercice 5:
Une urne contient deux boules blanches et une boule noire. Une
personne tire une boule et la garde, une deuxième personne tire une
boule. Avec quelle probabilité les deux boules tirées sont-elles
blanches ?
Corrigé:
On note A l'évènement "la première personne a tiré une boule
blanche" et B l'évènement "la deuxième personne a tiré une boule
blanche". On a P(A et B) = P(B |A).P(A); P(A)=2/3 et P(B|A) =1/2 .
Ainsi, P(A et B)=(2/3).(1/2) = 1/3
Remarque: Si A et B sont disjoints, on a alors P( A  B) = P( A).P( B)
11
IV/ Dénombrement:
Un arrangement de P éléments d’un ensemble de n éléments est une
sélection de P éléments parmi les n, dans un ordre déterminé; il y’a n
façons de choisir le 1er élément, puis (n-1) de choisir le 2ème, etc; le
nombre d’arrangements AnP est
n!
AnP = = n(n − 1).......(n − P + 1)
(n − p) !

P facteurs
Le nombre de permutations de n éléments est:
n != n  (n − 1)  .....  2 1

Une combinaison de P éléments d’un ensemble à n éléments est une

sélection de P éléments parmi les n, sans ordre déterminé. Comme le
nombre de permutations des P éléments est p!, le nombre de
combinaisons CnP est AP n!
CnP == n
=
p! p !(n - p) ! 12
Exercice 6: Calculer le nombre d’arrangements et de combinaisons des
lettres a, b et c prises 2 à 2.
Exercice 7:
De combien de manière peut-on choisir, dans un jeu de 32 cartes (8
trèfles+8 piques+8 cœurs+8 carreaux), 6 cartes contenant:
a- exactement 1 as?, b- au moins 1 as? c- exactement 1 as et 2 rois?
d- 3 cartes d’une couleur, 2 d’une autre couleur , une d’une autre?
Corrigé:
a- C41 *C285
6
b- Nombre d’ensembles de 6 cartes: 32
C
Nombre d’ensembles sans as: C286 Réponse: C 6
32 − C 6
28

c- C41 * C42 * C24

3

d- le nombre d’ensembles de la forme 3 piques, 2 carreaux et 1 coeur:

C83 * C82 * C81
le nombre de façons ordonnées d’associer 3 couleurs parmi 4; A43
Réponse: A43 * (C83 * C82 * C81 ) 13
V/ Variables aléatoires et valeurs moyennes:
V-1/ Cas discret:
Définition: On mesure une grandeur X. On trouve les valeurs
n
x1, x2,
….,xn de probabilités respectives P1, P2, …, Pn, tel que  pi = 1 . X est
i =1
appelée variable aléatoire.
Loi de probabilité:
La fonction P:X=(x1, x2, …xn) P(X)=(P1, P2, …, Pn) est la
distribution de probabilité discrète ou loi de probabilité de la variable
aléatoire X.
Valeur moyenne:
X
On définit la valeur moyenne de la variable aléatoire X:
n
X = P . x
i =1
i i

14
V-2/ Cas continu:
b
P ( a  X  b) =  f ( x).dx f(x) est la densité de probabilité
+ a
avec  f ( x).dx = 1
−

La valeur moyenne de la variable aléatoire X est donnée par

b


X = x f ( x).dx
a
Exercice 8 :
Soit X la variable aléatoire correspondant au nombre de garçons dans
les familles de trois enfants. Construire le loi de probabilité.
Corrigé: Le nombre d’issues associé à X est: 23=8. Les valeurs
discrètes qui peuvent être prises par X sont x0=0; x1=1; x2=2 et x3=3.
En supposant l’équiprobabilité des issues, les valeurs de la distribution
de probabilité sont P0=1/8; P1=3/8; P2=3/8; P3=1/8.
15
Exercice 9:
Un panier contient 6 pommes et 4 poires. Une personne distraite prend
au hasard 3 fruits dans le panier.
1/ Combien de pommes peut-elle prendre ?
2/ Soit X le nombre de pommes que la personne a pris. X est-elle
une variable aléatoire discrète ?
3/ Construire la loi de probabilité de X .
4/ Quelle est la probabilité d'avoir au moins 2 pommes ?
Corrigé:
X P(X)
1- 0, 1, 2, 3.
2- Oui 0 P(0) =
C 3
4
3
C10
3- 1
1
C *C 2
P(1) = 6 4
C103
C62 * C41
2 P(2) =
C3103
C
3 P(3) = 36
C10
C62 * C41 + C63
4- P(au moins 2 pommes)=P(2 ou 3)=P(2)+P(3)= C103 16
VI/ Distributions de probabilité usuelles:
Les distributions binômiale et normale sont de bons exemples des
distributions de probabilité.
VI-1/ Distribution binômiale ou de Bernouilli:
Elle intervient à chaque fois que l’on répète plusieurs fois une
expérience avec deux issues possibles incompatibles.
On réalise N fois la même expérience de façon indépendante. Chaque
expérience a deux issues possibles: par exemple, « succès » de
probabilité p et « echec » de probabilité q=1-p.
Quelle est la probabilité de réaliser n succès parmi N expériences ?
D’abord, pour une issue favorable:
P (n succès) = p. p. p.... p.q.q......q = p n .q N −n
n fois (N-n) fois
Or, toutes les issues ayant n succès et (N-n) échecs survenant dans un
ordre quelconque ont la même probabilité p n .q N −n
17
Le nombre de fois d’avoir la même issue est C Nn , d’où la probabilité
d’avoir n succès est
N −n N!
P(n sucès sur N exp ces indépendantes) = C Nn n
p .q = P n .q N −n
n!( N − n)!
La valeur moyenne de n.
  
N N N N

n =  nP(N , n) = 
n =0 n =0
nC Nn n N −n
p q =p 
n =0
nC Nn p n −1 N − n
q =p 
p  n =0
n n N −n 
CN p q


= p ( p + q )N =
p

Np ( p + q )N −1 = Np

L’écart quadratique moyen de n ou écart-type.

 2 (n ) = (n − n )2 2
= n2 − n

N
       2 
avec n 2
=  n P(N , n ) = p  p ( p + q )N  =
2
p  p 
p 
 p
( p + q ) + 2 ( p + q ) = Np + p 2 N (N − 1)
N
p
N 

0  
d’où
(n )= Npq
18
Exercice 10:
On lance 4 fois de suite un dé bien équilibré. Quelle est la probabilité
d’obtenir 3 fois le chiffre 6 ?
Corrigé: pr(succès)=P= 1/6 et pr(échec)=pr(2 ou 3 ou…5)=q=5/6
P(3) = C43 p 3q 4−3 = 4 * (1 / 6)3 * (5 / 6) = 20 / 6 4 = 0.015

Exercice 11:
Soit un système de 4 spins idéals. En absence de tout champ
magnétique extérieur, chaque spin à la probabilité P=1/2 de se trouver
en position up et q=1/2 de se trouver dans la position down.
1/ Pour chaque valeur possible de n, calculer la probabilité P(n) pour
que n spins parmi les 4 soient orientés vers le haut?
2/ Calculer la valeur moyenne de n.
3/ Calculer l’écart-type de la distribution obtenue.

19
1/ Corrigé: 2/ La valeur moyenne
N° n Etat P(n)
1 0 ---- 1/16 de n est
2 1 +--- 4

3 -+-- 1/4 n =  n p ( n) = 2
0
4 --+-
5 ---+
6 2 ++ -- 3/ L’écart-type de la
7 +-+- distribution est
8 +--+ 3/8 4
9 -+-+  =
2
 (n − n )2
 =1
10 --++- 0
11 --++
Rappel:
12 3 +++-
 ( )
n
2
13 ++-+ 1/4 = Pi  xi − x
14 +-++ i =1

 (x − x )
15 -+++ 1
n
2
= i
16 4 ++++ 1/16 n i =1 20
VI-2/ Distribution normale ou de Laplace-Gauss:
Elle constitue un bon exemple de la loi de probabilité continue. C’est
une loi que l’on rencontre assez fréquemment.
Soit une variable aléatoire X, continue. On dit que X suit une loi de
probabilité normale si
- ses réalisations appartiennent à l’intervalle (−, + ) ,
- et si la densité de probabilité, associée à ses réalisations, est définie
par 1  ( x − m) 2 
f ( x) = exp − 
 2  2 2 

où m est la moyenne de la variable aléatoire X et σ son écart-type, qui

caractérise la dispersion X autour de m.
En faisant le changement de variable suivant z=(x-m)/σ, on obtient la
loi normale centrée, réduite(X~N(m, σ)):
1 z2
f ( z) = exp− ( )
2 2
Elle est appelée ainsi, car m=0 et σ=1. 21
Exemple:
On fabrication une série de pièces par une machine dans une usine. La
fabrication est influencée par plusieurs paramètres: la machine elle-
même, son réglage, l’opérateur, la température, etc. Supposons que l’on
usine sur une année des pièces de diamètre moyen est de 10 mm avec
un écart-type de 0.5 mm.

22
 

Remarque: Autant que les valeurs sont peu écartées de l’origine,

autant quelles sont hautement probables.

23
VII/ Moment simple d’ordre K et moment centré:
VII-1/ Moment simple d’ordre k:
Le moment simple d’ordre K d’une variable aléatoire est défini par
N
mK = x =  xi . pi
k k
Cas discret
i =1

b
mk = X k = 
a
x k f ( x).dx Cas continu

Si k=1, m1 est la moyenne.

VII-2/ Moment centré:

Le moment centré d’ordre k est défini par K
= X − X k

A l’ordre 2, le moment centré caractérise la dispersion de la variable

aléatoire autour de sa valeur moyenne:
2 = X − X 2 = (X 2
− X
2
) = varX  =  2
24
L’écart-type σ de la loi normale est donc:
 =  xi − X 
2 2
f ( xi ) Cas discret
i

 2 =  x − X  2
f ( x) dx Cas continu

25