Semestre : 3

Module : Méthodes Quantitatives
Elément : Statistiques II
Enseignant : Mr HILAL









Numérisation & Conception
Mr Mohamed-Fadil ZIADI
Axiomes du calcul des probabilités
Variables aléatoires et leurs caractéristiques
Lois usuelles
Lois usuelles continues
Exercices avec solutions
Eléments du cours
Le Portail des Etudiant d’Economie
www.e-tahero.net
contact@e-tahero.net
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 2 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

TABLE DES MATIÈRES


TABLE DES MATIÈRES...........................................................................................................................2
CHAPITRE 1 : AXIOMES DU CALCUL DES PROBABILITÉS..............................................................4
I- Quelques définitions : ........................................................................................................................4
1- Ensemble fondamental : ................................................................................................................4
2- Événement : ...................................................................................................................................4
3- Événement impossible : .................................................................................................................4
4- Événement certain : .......................................................................................................................4
5- Événement élémentaire :................................................................................................................4
II- Axiome des probabilités totales :...................................................................................................4
1- Espace probabilisé : .......................................................................................................................4
2- Conséquences de la définition : .....................................................................................................5
3- Axiome des probabilités totales dans le cas de deux événements non incompatibles : ................5
4- Axiome de probabilité totale dans le cas de plusieurs évènements incompatibles : .....................5
a- Cas de trois évènements : ..........................................................................................................6
b- Cas de « n » évènements :..........................................................................................................6
III- Axiome de probabilités composées : .............................................................................................6
1- Probabilité conditionnelle :............................................................................................................6
2- Axiomes de probabilités composées dans le cas de plusieurs évènements : .................................6
a- Cas de trois évènements : ..........................................................................................................6
b- Cas de « n » évènements :..........................................................................................................6
3- Indépendance de deux évènements :..............................................................................................6
IV- Théorème de BAYES : ..................................................................................................................7
CHAPITRE 2 : VARIABLES ALÉATOIRES ET LEURS CARACTÉRISTIQUES. .............................9
I- Exemple et définition :.......................................................................................................................9
II- Variables aléatoires continues (ou à densité) : ..............................................................................9
1- Densité de probabilité d’une variable aléatoire continue : ............................................................9
a- Définition :.................................................................................................................................9
b- Caractérisation d’une densité de probabilité : ...........................................................................9
2- Fonction de répartition de variable aléatoire continue : ................................................................9
a- Définition :.................................................................................................................................9
b- Propriété d’une fonction de répartition :....................................................................................9
3- Propriétés générales d’une variable aléatoire continue : .............................................................10
a- Propriétés générales : ...............................................................................................................10
b- Remarques : .............................................................................................................................11
c- Exercice : .................................................................................................................................11
4- Caractéristiques d’une variable aléatoire continue : ....................................................................11
a- Espérance mathématique : .......................................................................................................11
• Définition :...........................................................................................................................11
• Propriétés : ...........................................................................................................................11
b- Variance:..................................................................................................................................12
• Définition:............................................................................................................................12
• Propriétés : ...........................................................................................................................12
c- Ecart-type:................................................................................................................................12
CHAPITRE 3 : LOIS USUELLES.............................................................................................................13
I- Loi de Bernoulli :.............................................................................................................................13
II- Loi binomiale :.............................................................................................................................13
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 3 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

1- Exemple et définition :.................................................................................................................13
III- Loi de poisson :............................................................................................................................14
1- Définition :...................................................................................................................................14
2- Caractéristiques : .........................................................................................................................14
3- Conditions d’application :............................................................................................................14
CHAPITRE 4 : Lois usuelles continues ......................................................................................................15
I- Loi normale :....................................................................................................................................15
1- Définition :...................................................................................................................................15
2- Loi normale centrée réelle : .........................................................................................................15
3- Fonction de répartition d’une variable normale continue réduite :..............................................15
4- Quelques relations à retenir : .......................................................................................................16
II- Loi du khi deux (Khi carré) : .......................................................................................................16
1- Définition :...................................................................................................................................16
EXERCICES................................................................................................................................................17

Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 4 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

CHAPITRE 1 : AXIOMES DU CALCUL DES PROBABILITÉS


I- Quelques définitions :

1- Ensemble fondamental :

Souvent noté « Ω », c’est l’ensemble des résultats (ou cas) possibles liés à une expérience
aléatoire effectuée sur un ensemble E.

2- Événement :

C’est toute partie (ou sous ensemble) de Ω.

3- Événement impossible :

Noté « Φ », c’est un événement qui ne se réalise jamais, autrement dit ; aucun élément de
Ω n’est favorable à sa réalisation.

4- Événement certain :

C’est un événement toujours réalisé, il correspond à l’ensemble fondamentalΩ.

5- Événement élémentaire :

C’est un événement réalisé par un seul élément deΩ. Les éléments élémentaires sont
équiprobables (p =
n
1
).

II- Axiome des probabilités totales :

1- Espace probabilisé :

Ω est dit probabilisé, lorsqu’une application « P » est définie de P(Ω) (ensemble de partis
de Ω.
P : P(Ω) ℜ
A P(A).
P(A) est appelé probabilité de A est satisfait aux trois conditions fondamentales.
- L’image de toute partie A de Ω appartenant à P(Ω) est positive ou nulle ;
- L’image de l’ensemble fondamental Ω est l’unité : P(Ω) = 1 ;
- L’image de la réunion d’un nombre finis ou infinis dénombrable de parties de E
(événements) disjointes (incompatibles) appartenant à P(Ω) est égale à la somme des
images :
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 5 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

( ) ( )

=
= ∪ ∪ ∪
n
i
i n
A P A A A P
1
2 1
..... .

2- Conséquences de la définition :

a- en vertu de la troisième propriété, on a :
( ) ) ( ) ( A P A P A A P + = ∪ .
Or, Ω = ∪ A A
Et 1 ) ( = Ω P d’après la deuxième propriété.
Donc : P(A) + P( A) = 1
⇒ P( A) = 1 – P(A).

b- Si dans l’égalité précédente, on fait « A = Ω », il vient, puisque :
φ = Ω et P(Ω) = 1
P(Φ) = 0.

c- Si B est incluse dans A ( B A ⊂ )
A = ( ) B A B ∩ ∪ .
⇒ P(A) = P(B) + P( B A∩ ).
⇒ P(A) – P(B) = P( B A∩ ) ≥ 0.
⇒ P(A) ≥ P(B).
* P( ) B A∪ = P(A) + P(B) si : B A∩ = Φ.
* P( B A∩ ) = P(A) – P(B) si : B A∩ = Φ.

d- Tout ensemble A appartenant à P(Ω) (donc un événement) est inclus dans Ω. D’où :
P(A) ≤ P(Ω) ; ∀A.
Donc : 1 ) ( 0 ≤ ≤ A P ; (∀A).

3- Axiome des probabilités totales dans le cas de deux événements non
incompatibles :

( ) B A B A B A ∩ ∩ ∪ = ∪ .
Donc, d’après la troisième propriété :
( ) ) ( ) ( B A B P A P B A P ∩ ∩ + = ∪ .
Car, en vertu de la deuxième propriété :
( ) ( ) ( ) B A P B P B A B P ∩ − = ∩ ∩
D’où ( ) ( ) ( ) ( ) B A P B P A P B A P ∩ − + = ∪ .

4- Axiome de probabilité totale dans le cas de plusieurs évènements
incompatibles :

Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 6 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

a- Cas de trois évènements :

Soient A, B et C trois évènements, on montre que :
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) C B A P C B P C A P B A P C P B P A p C B A P ∩ ∩ + ∩ − ∩ − ∩ − + + = ∪ ∪ .

b- Cas de « n » évènements :

On montre, par récurrence, que :
( ) ( ) ( ) ( ) ( ) ( )
∑ ∑∑ ∑∑ ∑
= 〈 〈 〈

∩ ∩ − + + ∩ ∩ + ∩ − = ∪ ∪
K
i J I K J I
n I
n
K J I J I I K J I
A A P A A A P A A P A P A A A P
1
1
... 1 .....
On posant : ( )
∑ ∑ ∑
∩ ∩ ∩ =

k
I
In I I
I I
k
A A A P S . .....
2 1
. ..........
2 11

On a : ( ) ( )

+

− ∪ ∪ ∪
n
k
k
k
n
S A A A P
1
1
2 1
. 1 ....

III- Axiome de probabilités composées :

1- Probabilité conditionnelle :

La réalisation d’un évènement A sachant qu’un autre évènement B a été réalisé est :
( )
( )
( ) B P
B A P
B A P

= Avec ; ( ) 0 ≠ B P

Propriétés :

* ( ) ( ) B A P B A P − =1 .
* ( ) [ ] ( ) ( ) C B P C A P C B A P + = ∪ Si : Φ = ∩ B A
* ( ) [ ] ( ) ( ) ( ) [ ] C B A P C B P C A P C B A P ∩ − + = ∪ Si : Φ ≠ ∩B A

2- Axiomes de probabilités composées dans le cas de plusieurs évènements :

a- Cas de trois évènements :

( ) ( ) ( ) ( ) B A C P A B P A P C B A P ∩ = ∩ ∩

b- Cas de « n » évènements :

Soient A
1
, A
2
, …., A
n
« n » évènements.
( ) ( ) ( ) ( ) ( )
n n n
A A A A P A A A P A A P A P A A A P ∩ ∩ ∩ ∩ = ∩ ∩ ∩ ... ..... ...
2 1 2 1 3 1 2 1 2 1
.

3- Indépendance de deux évènements :

L’évènement A est indépendant de l’évènement B, si :
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 7 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

( ) ( ) A P B A P =
( )
( )
( )
( ) A P
B P
B A P
B A P =

=
( ) ( ) ( ) B P A P B A P . = ∩ .

Remarque :

L’indépendance est une relation symétrique. On dit, tout simplement, que A et B sont
indépendants.

Propriétés :

Si A et B sont indépendants, alors :
* A et B sont indépendants.
* A et B sont indépendants.
* A et B sont indépendants.

Indépendance de « n » évènements :

On dit que « n » évènements A
1
, A
2
, …, A
n
sont indépendants s’ils sont :
* Indépendants deux à deux.
* Indépendants trois à trois.
* Indépendants « k » à « k ».
* Indépendants « n » à « n ».

IV- Théorème de BAYES :

Soient les évènements E
1
, E
2
, …, E
n
. Tels que Φ = ∩
j i
E E .
Ω =
=
i
n
i
E
U
1

On dit que E
1
, E
2
, …, E
n
forment un système complet d’évènements.
On suppose connues : P(E
1
) ; P(E
2
) ; … ; P(E
i
) ; … ; P(E
n
). Appelées probabilités à priori.







A




E
1
E
2



E
i






E
n

Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 8 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F



« A » peut être causée par E
1
, E
2
, ….., ou E
n
et on a :
( )
1
E A P ; ( )
2
E A P ; ….. ; ( )
n
E A P connues.
* Le problème : c’est comment calculer ( ) A E P
i

( )
( )
( ) A P
E A P
A E P
i
i

= .
=
( )
( ) ( ) ( ) ( ) [ ]
n i
i
E A E A E A E A P
E A P
∩ ∪ ∩ ∪ ∪ ∩ ∪ ∩

.... ....
2 1

=
( )
( ) ( ) ( )
n i
i
E A P E A P E A P
E A P
∩ + + ∩ + + ∩

..... ....
1

=
( ) ( )
( ) ( )

=
n
i
i i
i i
E A P E P
E A P E P
1
.
( ) A E P
i
est appelée probabilité à posteriori de E
i

Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 9 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

CHAPITRE 2 : VARIABLES ALÉATOIRES ET LEURS
CARACTÉRISTIQUES.


I- Exemple et définition :

On jette deux dés équilibrés, et on s’intéresse à X = « somme des deux numéros obtenus ».
Ω = {(1,1) ; (1,2) ; ….. ; (6,6)}.
X est appelée variable aléatoire et on a : X
(Ω)
= {2, 3, …., 11, 12}.
C’est l’ensemble de valeurs possibles de la variable aléatoire X, appelée aussi domaine de
définition de X, et notée (D
x
).

II- Variables aléatoires continues (ou à densité) :

1- Densité de probabilité d’une variable aléatoire continue :

a- Définition :

On dit qu’une variable aléatoire X à valeurs réelles admet une densité de probabilité f si
pour tout réel x. F(x) =

+∞
∞ −
dt t f ). ( .
* F(x) est la fonction de répartition de X, et f est une fonction réelle à valeurs positives
ayant un nombre fini de points éventuels de discontinuité, vérifiant de plus l’égalité :
1 ). ( =

+∞
∞ −
dt t f .

b- Caractérisation d’une densité de probabilité :

Toute fonction réelle f définie sur ℜ est une densité de la variable aléatoire X si et
seulement si les conditions suivantes sont satisfaites :
* ℜ ∈ ∀x ; f(x) ≥ 0.
* 1 ). ( =

+∞
∞ −
dt t f
* f est continue sur ℜ sauf, éventuellement, en un nombre fini de points de discontinuité.

2- Fonction de répartition de variable aléatoire continue :

a- Définition :

La fonction de répartition F(x) d’une variable aléatoire continue X est la fonction qui fait
correspondre à tout réel x le nombre réel égal à :
F(x) = P(X < x) =

∞ −
x
dt t f ). ( .
b- Propriété d’une fonction de répartition :

Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 10 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

* F(x) ≥ 0 ; est continue sur ℜ.
Elle est dérivable et sa dérivé F’(x) est continue sur ℜ sauf, éventuellement, en un
nombre fini de points de discontinuité.

* En tout point « x
0
» de continuité d’une densité f, la fonction F est dérivable avec :
F’(x
0
) = f(x
0
).

* Toute fonction positive f sur ℜ qui coïncide avec « F’ » en tout point de continuité de
F’(x) est une densité de probabilité de la variable aléatoire X.

* 0 ) ( lim =
−∞ →
x F
x
.
1 ) ( lim =
+∞ →
x F
x
.

Exemple :

Déterminer la fonction de répartition F liée à la densité de probabilité f définir par :
f(x) =
3
2
x
si : x ≥ 1.
0 si non.

* Si : x ≥ 1 ; alors f(x) = 0 d’où F(x) =

∞ −
=
x
dt 0 . 0 .
* Si : x > 1 : F(x) =
∫ ∫ ∫
∞ − ∞ −
+ =
x x
dt
t
dt dt t f
1
2
1
. .
2
0 ). (
= 0 + 2


x
dt t
1
3
. 2
= 1
1 1
2
1
3
+

=
(
¸
(

¸


x t
x
.

En résumé : F(x) = 0 si ; x ≤ 1.
1 -
2
1
x
si ; x > 1.

3- Propriétés générales d’une variable aléatoire continue :

a- Propriétés générales :

Pour une variable aléatoire X continue et deux réels « a » et « b » tels que a ≤ b. on a les
propriétés suivantes :
* ( ) . ). (

= ≤ <
b
a
dt t f b X a P
* ( ) ( ) ( ) ( ). . b X a P b X a P b X a P b X a P ≤ ≤ = ≤ < = < ≤ = < <
* ( ) ( )

+∞
= ≥ = >
a
dt t f a X P a X P ). (
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 11 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

* ( ) ( )

∞ −
= ≤ = <
b
dt t f b X P b X P ). (
* ( ) 0 = = a X P pour tout réel a.

b- Remarques :

P(X = a) = 0 ; signifie que l’évènement (X = a) est quasiment impossible.
En effet, ( ) ( )

= ≤ < = =
a
a
dt t f a X a P a X P ). ( .

c- Exercice :

Des pièces de monnaie sont fabriquées en série. Leur diamètre devrait âtre égal à « d
0
»,
mais le diamètre effectif « d » des pièces fabriquées varie de manière totalement aléatoire.
Soit X la variable aléatoire qui donne la différence « d – d
0
». C’est une variable continue
qui admet une densité « f » telle que :

f(x) = a(x + 1) si ; -1 ≤ x ≤ 0.
a(-x + 1) si ; 0 ≤ x ≤ 1.
0 ailleurs.

a- Déterminer la valeur du paramètre « a » pour que « f » soit une densité de probabilité.
b- Trouver la fonction de répartition de X.

Solution :



4- Caractéristiques d’une variable aléatoire continue :

a- Espérance mathématique :

• Définition :

E(X) =

+∞
∞ −
dx x xf ). ( .
F(x) existe si l’intégrale

+∞
∞ −
dx x xf ). ( est convergente (c'est-à-dire à un nombre réel fini).

• Propriétés :

E(X + Y) = E(X) + E(Y).
E(αX) = α × E(X).
E(a) = a (avec; a∈ℜ).
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 12 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F


b- Variance:

• Définition:

V(X) = E[(X – E(X))
2
].
⇒ ( ) ( )

+∞
∞ −
− . ). (
2
dx x f X E X
V(X) existe si cette intégrale est convergente, sinon V(X) n’existe pas.

Ou bien ; V(X) = E(X
2
) – (E(X))
2
.
Avec ; E(X
2
) =

+∞
∞ −
) ( ). (
2
x d x f X

• Propriétés :

V(X± Y) = V(X) + V(Y). Si X et Y sont indépendants.
V(X± Y) = V(X) + V(Y) ± 2 cov (X, Y). Si X et Y sont dépendants.
V(αX) = α
2
× V(X).
V(αX × β) = α
2
× V(X).

c- Ecart-type:

C’est le nombre:
σ(X) = ) ( X V .
Donc, σ(X) (ou tout simplementσ) est positif.
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 13 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

CHAPITRE 3 : LOIS USUELLES



I- Loi de Bernoulli :

Dans une urne contenant des boules blanches en proportion « p » et des boules rouges en
proportion « q = 1 – p ». On tire une boule.
Soit la variable aléatoire X = nombre de boules blanches obtenues.
X prend deux valeurs soit 0 soit 1.

X = 1 : si la boule tirée est blanche.
2 : si la boule tirée est rouge.

X(Ω) = {0, 1}.
P(X = 1) = p.
P(X = 0) = q = 1 – p.
On dit que X soit une loi de Bernoulli de paramètre p.
On note : X → B (p).
Ou bien : X → B (1, p).

* E(X) =

. .
x
p x = 0×(1 – p) + 1p.
⇒ E(X) = p.

* V(X) = E(X
2
) – (E(X))
2
.
E(X
2
) = 0
2
×(1 – p) + 1
2
×p = p.
V(X) = p – p
2
= p×(1 – p) = pq.

* σ(X) = ) ( X V = ( ) p p − 1 = . pq
On rappelle que la variable de Bernoulli est considérée comme une fonction indicatrice
des individus présentant un certain caractère.

II- Loi binomiale :

1- Exemple et définition :

Dans une urne concernant 6 boules blanches et 4 boules noires, on tire, on remise, 3
boules.
Soit la variable aléatoire X = nombre des boules blanches obtenues.
X prend les valeurs : 0, 1, 2, 3.
On montre que : . ) 4 , 0 ( ) 6 , 0 ( ) (
3 2
3
x x
C x X P

= = avec x = 0, 1, 2, 3.
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 14 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

En général, on tire, sans remise, « n » boules dans une urne contenant des boules blanches
en proportion « p » et si on considère la variable aléatoire X = nombre de boules blanches
obtenues.
X prend les valeurs 0, 1, 2, 3, …, n.
La probabilité que X prenne une valeur « x » est : . ) ( ) ( ) (
x n x x
n
q p C x X P

= = avec ; q = 1 – p.
On dit que X suit une loi binomiale de paramètres « n » et « p ».
On note : X → B(x, p).

III- Loi de poisson :

1- Définition :

Une valeur aléatoire X (discrète) soit une loi de poisson de paramètre λ lors qu’elle prend
les valeurs entières 0, 1, 2 … avec les probabilités.
P
x
= P(X = x) = .
! x
e
x
λ
λ
×


λ est un paramètre positif, e = 2,71828…

2- Caractéristiques :

E(X) = λ.
V(X) = λ.
σ(X) = λ .

3- Conditions d’application :

La loi de poisson peut être introduite ;
- Soit comme un cas particulier de la loi binomiale, c’est la loi vers laquelle tend celui-ci
lorsque le nombre « n » devient grand et « p » faible.
- Soit comme la résultante d’un processus aléatoire particulier, le processus de poisson.
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 15 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

CHAPITRE 4 : Lois usuelles continues


I- Loi normale :

1- Définition :

Une variable aléatoire X continue pouvant prendre n’importe quelle valeur réelle soit une
loi normale de paramètres « m » et « σ » si sa densité de probabilité est :
.
2
1
) (
2
2
1
|
¹
|

\
| −

Π
=
σ
σ
m x
e x f avec x∈ℜ.
T = 3,14157…
e = 5,71828 …
m = E(X) (m, c’est la moyenne).
σ = σ(X) = ) ( X V (σ, c’est l’écart type).
Or, x de X → N(m, σ).

2- Loi normale centrée réelle :

Si on considère :
σ
m X
T

=
T → N(0, 1).
* ( ) m X E
m X
E T E − = |
¹
|

\
| −
=
σ σ
1
) (
( ) ( ) . 0
1
) ( ) (
1
= − = − = m m m E X E
σ σ

* ( ).
1
) (
2
m X V
m X
V T V − = |
¹
|

\
| −
=
σ σ

. 1
1
) (
1
2
2 2
= × = = σ
σ σ
X V
Donc, σ = 1.
2
2
1
2
1
) (
t
e t f

Π
= Avec ; t∈ℜ.
f(t) est la densité de probabilité d’une loi normale centrée réduite.

3- Fonction de répartition d’une variable normale continue réduite :

C’est la fonction ∏(t) telle que : ( ) ( ) . ). ( ) (

∞ −
= ≤ = 〈 = Π
t
dx x f t T P t T P t
La fonction ∏(t) est tabulée.



Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 16 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

4- Quelques relations à retenir :

* ( ) ( ) ). (t t T P t T P Π = ≤ = 〈
* ( ) ). ( ) ( a b b T a P Π − Π = 〈 〈
* ). ( 1 ) ( t t Π − = − Π
* ). ( 1 ) ( t t − Π − = Π
* ( ) . 1 ) ( 2 − Π = 〈 〈 − t t T t P

II- Loi du khi deux (Khi carré) :

1- Définition :

Soit T
1
, T
2
, …, T
n
, n variables aléatoires normales centrées réduites et indépendantes. La
somme de leurs carrées est variable aléatoire qui suit une loi de khi deux de paramètre γ
appelé nombre de degrés de liberté.
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 17 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

EXERCICES

Exercice 1 :

Soient A, B et C trois événements, exprimez les événements suivants :
1- A seul se produit.
2- A et B se produisent et pas C.
3- A, B et C se produisent simultanément.
4- Au moins l’un des événements A, B ou C se produit.
5- Au moins deux événements se produisent.
6- Au plus deux événements se produisent.
7- Un est un seul se produit.
8- Deux seulement se produisent.
9- Aucun ne se produit.

Solution n° 1 :

1- A ∩ B ∩ C .
2- A ∩ B ∩ C .
3- A ∩ B ∩ C.
4- (A ∩ B ∩ C ) ∪( A ∩B∩ C ) ∪( A ∩ B ∩C) ∪ (A ∩ B∩ C ) ∪(A∩ B ∩C)
∪ ( A ∩B∩C) ∪(A ∩ B∩C) = A∪ B∪ C .
5- (A ∩ B∩ C ) ∪(A∩ B ∩C) ∪ ( A ∩B∩C) ∪(A ∩ B∩C).
6- (A ∩ B∩ C ) ∪(A∩ B ∩C) ∪ ( A ∩B∩C) ∪ (A ∩ B ∩ C ) ∪( A ∩B∩ C )
∪( A ∩ B ∩C) ∪( A ∩ B ∩ C ) = C B A ∩ ∩ .
7- (A ∩ B ∩ C ) ∪( A ∩B∩ C ) ∪( A ∩ B ∩C).
8- (A ∩ B∩ C ) ∪(A∩ B ∩C) ∪ ( A ∩B∩C).
9- ( A ∩ B ∩ C ).

Exercice 2 :

Combien de nombres de 4 chiffres peut-on former avec les dix chiffres 0, 1, 2, 3, 4, 5, 6, 7,
8, 9. Si :
a- Les répétitions sont autorisées ?
b- Les répétitions sont interdites ?
c- Les répétitions sont autorisées et le dernier chiffre doit être zéro ?

Solution n° 2 :

a-
1
10
1
10
1
10
1
9
. . . C C C C = 9 × 10
3
= 9000.
⇒ .
1
9
C A
9
3
= 9 × 10
3
= 9000.
b-
1
7
1
8
1
9
1
9
. . . C C C C = 9×9×8×7 = 4536.
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 18 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

⇒ .
1
9
C A
9
3
= 9 ×
)! 3 9 (
! 9

= 4536.
c-
1
1
1
10
1
10
1
9
. . . C C C C = 900.
⇒ .
1
9
C A
10
2
.
1
1
C = 9×1×10
2
= 900.

Exercice 3 :

On doit ranger sur une étagère 4 ouvrages de mathématiques différents, 6 ouvrages
différents d’économie et 2 livres d’informatique différents. Combien y a-t-il de
rangements différents si :
a- Les ouvrages doivent être rangés par spécialité ?
b- Seuls les ouvrages de maths doivent être rangés ensemble ?

Solution n° 3 :

a- 3! × (4! 6! 2!) = 207360.
b- 4! 9! = 8709120.

Exercice 4 :

On doit former un groupe comprenant 2 hommes et 3 femmes sur la base d’un groupe plus
large, formé de 5 hommes et 7 femmes. Quel est le nombre de possibilités si :
a- Le comité peut comprendre n’importe lequel des hommes et des femmes ?
b- Une femme particulière doit être membre du comité ?
c- Deux hommes particuliers doivent être exclu du comité ?

Solution n° 4 :

a-
3
7
2
5
.C C = 350
b-
2
5
2
6
1
1
. . C C C = 150
c-
3
7
2
3
.C C = 105

Exercice 5 :

Deux postes sont offerts dans une entreprise, postes qui peuvent indifféremment être
occupés par un homme ou par une femme.
4 femmes et 2 hommes posent leur candidature et les chances de chacun des 6 postulants
sont à priori équivalent :
a- Probabilité pour que les deux postes soient occupés par deux femmes ?
b- Probabilité pour que les deux postes soient occupés par deux hommes ?
c- Probabilité pour que les deux postes soient occupés par deux personnes de même
sexe ?
d- Probabilité pour que les deux postes soient occupés par deux personnes de sexes
différents ?
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 19 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F


Solution n° 5 :


Exercice 6 :

Au cours d’un jeu radiophonique un speaker pose 5 questions à un candidat qui doit
répondre par « oui » ou « non ». Le candidat est déclaré vainqueur s’il répond
correctement à au moins 4 questions.
Quelle est la probabilité pour que le joueur gagne ?

Solution n° 6 :


Exercice 7 :

On jette n fois deux dés :
a- Calculer la probabilité pour que le double six sorte au moins une fois ?
b- Combien de fois faut-il jeter les deux dès pour parier avec avantage d’obtenir au
moins un double six ?

Solution n° 7 :


Exercice 8 :

Soient A et B deux évènements tel que B A ⊂ . Montrer que P(A) ≤ P(B).

Solution n° 8 :

On a: B = ) ( B A A ∩ ∪ .
P(B) = P[ ) ( B A A ∩ ∪ ].
= P(A) + P ) ( B A∩ .
P(B) – P(A) = P . 0 ) ( ≥ ∩B A
Donc P(B) – P(A) ≥ 0.
Et P(A) ≤ P(B).




Exercice 9 :

On considère deux évènements A et B tel que :
P(A) = 40% ; P(B) = 60% et P( ) B A∪ = 70%.
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 20 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

a- Calculer P( ) B A et P( ) A B .
b- Serait-il possible que ( ) B A P ∩ = 45% (les probabilités de A et B restent
inchangées) ?

Solution n° 9 :

a-
) (
) (
) (
B P
B A P
B A P

= .
) ( ) ( ) ( ) ( B A P B P A P B A P ∩ − + = ∪ .
Donc :
) (
) ( ) ( ) (
) (
B P
B A P B P A P
B A P
∪ − +
= = . 5 , 0
6 , 0
3 , 0
6 , 0
7 , 0 6 , 0 4 , 0
= =
− +

. 75 , 0
4 , 0
3 , 0
) (
) (
) ( = =

=
A P
B A P
A B P
b- non, on ne peut pas avoir % 45 ) ( = ∩B A P .
En effet, si % 45 ) ( = ∩B A P , on aurait :
) ( ) ( ) ( ) ( B A P B P A P B A P ∩ − + = ∪ = 0,4 + 0,6 – 0,45 = 0,55 = 55%.
Ce qui n’est pas possible, d’où % 45 ) ( ≠ ∩B A P

Exercice 10 :

On considère trois évènements A, B, C tels que :
P(A) = 0,1 ; P(B) = 0,3 ; P(C) = 0,4 ; P( ) C B =
3
1
.
Calculer les probabilités suivantes : P( ) C B ∩ ; P( ) C B ; P( ) B C ; P( ) B C ; P( ) C B ;
P( ) C B ∩ ; P( ) B C ; P( ) B C .

Solution n° 10 :

On sait que : P( ) y x ∩ = P(x) ×P( ) x y ou P(y) × P( ) y x .

* P( ) C B ∩ = P(C) × P( ) C B = 0,4 ×
3
1
=
3
4 , 0
.
* P( ) C B =
( )
( ) C P
C B P ∩
=
( ) ( )
( ) C P
C B P B P ∩ −

=
( ) ( )
( ) C P
C B P B P

∩ −
1
=
* P( ) B C =
( )
( ) B P
B C P ∩
=
( ) ( )
( ) B P
C B P B P

∩ −
1
=
* P( ) B C =
( )
( ) B P
C B P ∩
=
( ) ( )
( ) B P
C B P B P ∩ −
=
* P( ) C B =
( )
( ) C P
C B P ∩
=
( ) ( )
( ) C P
C B P B P ∩ −

Ou bien on peut le démontrer comme suit :
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 21 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F

P( ) C B = 1 - P( ) C B .
* P( ) C B ∩ = ( ) ( ) B C P B P × = ( ) ( ) ( ) ( ) B C P B P − × − 1 1 .
* P( ) B C =
( ) ( )
( ) B P
C B P C P ×

On sait que : ( )
( ) ( )
( ) Y P
X Y P X P
Y X P
×
= ou bien ( )
( )
( ) B P
C B P
B C P

= .
* P( ) B C =
( )
( ) B P
C B P ∩

Ou bien : P( ) B C = 1 - P( ) B C .

Exercice 11 :

On considère un espace probabilité (Ω, P(Ω), P) et trois évènements probabilités
respectives P(A), P(B), P(C).
a- Montrer que ( ) ( ) ( ). B P A P B A P − ≥ ∩ .
b- Déduire que : ( ) ( ) ( ) ( ). 1 C P B P A P C B A P − − − ≥ ∩ ∩ .
c- Généraliser le résultat précédent au cas de n évènement A
1
, A
2
….A
n
.

Solution n° 11 :


Exercice 12 :

Une boite I contient 3 billes rouges et 2 billes bleus, et une boite II contient 2 billes rouges
et 8 billes bleus. On tire une bille de l’une des deux boites sachant que la bille est rouge,
quelle est la probabilité qu’elle soit tirée de la boite I ?

Solution n° 12 :

- La probabilité qu’on doit calculer est : ( ) R I P .
Il faut connaître : ( ) I R P =
5
3
.
( ) II R P =
5
1
10
2
= .
P(I) = P(II) =
2
1
.
Donc : ( ) R I P =
( )
( ) R P
I R P ∩
=
( )
( ) ( ) [ ] II R I R P
I R P
∩ ∪ ∩

=
( )
( ) ( ) II R P I R P
I R P
∩ + ∩


=
( ) ( )
( ) ( ) [ ] ( ) ( ) [ ] II R P II P I R P I P
I R P I P
× + ×
×
=
4
3
.



Exercice 13 :
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 22 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F


Sur 20 jetons, 8 sont noirs, 6 sont blancs et 6 possèdent une face blanche et une face noire.
a- On choisis au hasard un jeton que l’on jette. La face apparente étant blanche, quelle
est la probabilité pour que la face cachée soit blanche ?
b- On effectue l’épreuve précédente n fois avec remise. Soit A l’évènement : sur les n
épreuves, on obtient au moins une fois une face apparente blanche. Quelle valeur
minimum de n, a-t-on P(A) = 0,99 ?

Solution n° 13 :

Soient les événements :
B : jetons à deux faces blanches ;
N : jetons à deux faces noires ;
M : jetons à une face noire et une face blanche ;
A : face apparente est blanche.

a- la probabilité qu’on doit calculer est la suivante : ( ) A B P
( ) 1 = B A P ( ) 0 = N A P ( )
2
1
= M A P
( )
20
6
= B P ( )
20
8
= N P ( )
20
6
= M P .
( ) A B P =
( )
( )
( )
( ) ( ) ( ) [ ] M A N A B A P
B A P
A P
B A P
∩ ∪ ∩ ∪ ∩

=


=
( )
( ) ( ) ( ) M A P N A P B A P
B A P
∩ + ∩ + ∩


=
( ) ( )
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] M A P M P N A P N P B A P B P
B A P B P
× + × + ×
×

=
3
2
.

b- soient les événements :
A
i
= obtenir une face apparente blanche au inième jet ; avec i = 1, 2, …, n.
A’ = obtenir au moins une fois une face apparente blanche.
P (A’) ≥ 0,99
P(A’) = ( )
n
A A A P ∪ ∪ ∪ .....
2 1
.
= 1- ( )
n
A A A P ∪ ∪ ∪ .....
2 1
.
= 1 - ( )
n
A A A P ∩ ∩ ∩ .....
2 1
.
= 1 - ( ) ( ) ( ) [ ]
n
A P A P A P × × × ......
2 1
.
= 1 -
n
|
¹
|

\
|
20
11
.
P (A’) ≥ 0,99 ⇒ 1 -
n
|
¹
|

\
|
20
11
≥ 0,99.
B


N

M
Professeur HILAL Statistiques II

Portail des Etudiants d’Economie - 23 -
©

w
w
w
.
e
-
t
a
h
e
r
o
.
n
e
t



Z
.
M
.
F


n
|
¹
|

\
|
20
11
≥ 0,01.
⇒ n. log
|
¹
|

\
|
20
11
≤ Log (0,01).
⇒ n ≥
|
¹
|

\
|
20
11
log
01 , 0 log
=
20 log 11 log
01 , 0 log

= 7,7 ≈8
Donc : n ≈ 8.

Ou bien, en utilisant la loi binomiale :
Soit la variable aléatoire :
x = nombre de faces apparentes blanches obtenues sur « n » jets.
x B(n,
20
9
)
(x suit une loi binominale de paramètres « n » et
20
9
).
Car : « n » est fixée et connue ; deux résultats contraires pour chaque épreuve ;
indépendance des événements.
La probabilité demandée est P(A’) = P(x≥ 1)
P(A’) = 1- P(x<1)
= 1 – P(x = 0)
= 1 -
n n
n
C
|
¹
|

\
|
− =
|
¹
|

\
|
|
¹
|

\
|
20
11
1
20
11
20
9
0
0


Exercice 14 :

Un appareil peut comporter des organes de haute qualité ou des organes de qualité
courante. On admettra que 4096 des appareils ne comportent que des organes de haute
qualité.
La probabilité pour qu’un appareil fonctionne sans défaillance pendant t heures est, on
l’admettra ainsi, 0,95 s’il est composé d’organes de haute qualité et 0,7 s’il comporte des
organes de qualité courante.
Un appareil a fonctionné T heures sans défaillance.
Quelle est la probabilité pour qu’il soit constitué d’organe de haute qualité ? De qualité
courante ?

Professeur HILAL

Statistiques II

TABLE DES MATIÈRES

© www.e-tahero.net – Z.M.F

TABLE DES MATIÈRES...........................................................................................................................2 CHAPITRE 1 : AXIOMES DU CALCUL DES PROBABILITÉS..............................................................4 I- Quelques définitions : ........................................................................................................................4 1- Ensemble fondamental : ................................................................................................................4 2- Événement : ...................................................................................................................................4 3- Événement impossible :.................................................................................................................4 4- Événement certain : .......................................................................................................................4 5- Événement élémentaire :................................................................................................................4 IIAxiome des probabilités totales :...................................................................................................4 1- Espace probabilisé : .......................................................................................................................4 2- Conséquences de la définition : .....................................................................................................5 3- Axiome des probabilités totales dans le cas de deux événements non incompatibles : ................5 4- Axiome de probabilité totale dans le cas de plusieurs évènements incompatibles : .....................5 a- Cas de trois évènements : ..........................................................................................................6 b- Cas de « n » évènements :..........................................................................................................6 IIIAxiome de probabilités composées : .............................................................................................6 1- Probabilité conditionnelle :............................................................................................................6 2- Axiomes de probabilités composées dans le cas de plusieurs évènements : .................................6 a- Cas de trois évènements : ..........................................................................................................6 b- Cas de « n » évènements :..........................................................................................................6 3- Indépendance de deux évènements :..............................................................................................6 IVThéorème de BAYES : ..................................................................................................................7 CHAPITRE 2 : VARIABLES ALÉATOIRES ET LEURS CARACTÉRISTIQUES. .............................9 I- Exemple et définition :.......................................................................................................................9 IIVariables aléatoires continues (ou à densité) : ..............................................................................9 1- Densité de probabilité d’une variable aléatoire continue : ............................................................9 a- Définition :.................................................................................................................................9 b- Caractérisation d’une densité de probabilité : ...........................................................................9 2- Fonction de répartition de variable aléatoire continue : ................................................................9 a- Définition :.................................................................................................................................9 b- Propriété d’une fonction de répartition :....................................................................................9 3- Propriétés générales d’une variable aléatoire continue : .............................................................10 a- Propriétés générales : ...............................................................................................................10 b- Remarques : .............................................................................................................................11 c- Exercice : .................................................................................................................................11 4- Caractéristiques d’une variable aléatoire continue : ....................................................................11 a- Espérance mathématique : .......................................................................................................11 • Définition :...........................................................................................................................11 • Propriétés : ...........................................................................................................................11 b- Variance:..................................................................................................................................12 • Définition:............................................................................................................................12 • Propriétés : ...........................................................................................................................12 c- Ecart-type:................................................................................................................................12 CHAPITRE 3 : LOIS USUELLES.............................................................................................................13 I- Loi de Bernoulli :.............................................................................................................................13 IILoi binomiale :.............................................................................................................................13 Portail des Etudiants d’Economie

-2-

.........................................................M............................16 1.....14 2....................................................................Conditions d’application :..............................................................................................................................Fonction de répartition d’une variable normale continue réduite :..................................................................................14 CHAPITRE 4 : Lois usuelles continues ..........................................................................15 4........................................................e-tahero..................................Professeur HILAL Statistiques II 1............................................................Définition :..Définition :................................Définition :....................16 IILoi du khi deux (Khi carré) : ........................................................13 IIILoi de poisson :.........................................................16 EXERCICES.................................15 I.........................................................Exemple et définition :...................Quelques relations à retenir : ..............................................F Portail des Etudiants d’Economie -3- .............................................Loi normale centrée réelle : .......................................................................................................................................14 1..............................................................................................................................................Loi normale :.....................................net – Z.....................................................................17 © www.......................15 3.................................................Caractéristiques : .........................................................................................15 2........................................................15 1.............14 3.......................................

Ensemble fondamental : Souvent noté « Ω ».e-tahero.Professeur HILAL Statistiques II CHAPITRE 1 : AXIOMES DU CALCUL DES PROBABILITÉS IQuelques définitions : 1. 3. 5. lorsqu’une application « P » est définie de P(Ω) (ensemble de partis de Ω. . aucun élément de Ω n’est favorable à sa réalisation. P(A) est appelé probabilité de A est satisfait aux trois conditions fondamentales. P : P(Ω) ℜ A P(A). IIAxiome des probabilités totales : 1 n 1.Événement : C’est toute partie (ou sous ensemble) de Ω.Événement élémentaire : C’est un événement réalisé par un seul élément deΩ. 4.L’image de toute partie A de Ω appartenant à P(Ω) est positive ou nulle . c’est un événement qui ne se réalise jamais.L’image de l’ensemble fondamental Ω est l’unité : P(Ω) = 1 . il correspond à l’ensemble fondamentalΩ. c’est l’ensemble des résultats (ou cas) possibles liés à une expérience aléatoire effectuée sur un ensemble E. .M. autrement dit .F .Espace probabilisé : Ω est dit probabilisé.net – Z. 2.Événement impossible : Noté « Φ ».L’image de la réunion d’un nombre finis ou infinis dénombrable de parties de E (événements) disjointes (incompatibles) appartenant à P(Ω) est égale à la somme des images : Portail des Etudiants d’Economie -4- © www.Événement certain : C’est un événement toujours réalisé. Les éléments élémentaires sont équiprobables (p = ). .

Axiome des probabilités totales dans le cas de deux événements non incompatibles : A∪ B = A∪ B ∩ A∩ B . il vient. puisque : Ω =φ et P(Ω) = 1 P(Φ) = 0. Donc : 0 ≤ P( A) ≤ 1 . * P( A ∩ B ) = P(A) – P(B) si : A ∩ B = Φ..net – Z. A ∪ A = Ω Et P(Ω) = 1 d’après la deuxième propriété. c. d’après la troisième propriété : P ( A ∪ B ) = P ( A) + P ( B ∩ A ∩ B ) .Si B est incluse dans A ( A ⊂ B ) A = B ∪ (A ∩ B ) . ⇒ P(A) = P(B) + P( A ∩ B ). on fait « A = Ω ». 3. ⇒ P(A) ≥ P(B).Tout ensemble A appartenant à P(Ω) (donc un événement) est inclus dans Ω. ∀A. (∀A). on a : P (A ∪ A) = P ( A) + P ( A) . 4.e-tahero. ∪ An ) = ∑ P ( Ai ) .Conséquences de la définition : a. ( ) Donc. b. * P ( A ∪ B ) = P(A) + P(B) si : A ∩ B = Φ. ⇒ P(A) – P(B) = P( A ∩ B ) ≥ 0. Donc : P(A) + P( A ) = 1 ⇒ P( A ) = 1 – P(A). en vertu de la deuxième propriété : © www. Car.Axiome de probabilité totale dans le cas de plusieurs évènements incompatibles : P B ∩ A ∩ B = P (B ) − P ( A ∩ B ) ( ) Portail des Etudiants d’Economie -5- . Or.Professeur HILAL Statistiques II n P ( A1 ∪ A2 ∪ ..Si dans l’égalité précédente.M. D’où : P(A) ≤ P(Ω) . d.en vertu de la troisième propriété.F D’où P( A ∪ B ) = P( A) + P(B ) − P( A ∩ B ) .. i =1 2..

∩ An ) ...S k IIIAxiome de probabilités composées : 1.. ∩ AIn )....Cas de « n » évènements : On montre.. que : P( AI ∪ AJ ∪ AK ) = ∑ P( AI ) − ∑∑ P( AI ∩ AJ ) + ∑∑ i =1 K On posant : S k = ∑ I11 〈 I 2 ... B et C trois évènements.. ∪ An )∑ (− 1)k −1 .P ( An A1 ∩ A2 ∩ .Probabilité conditionnelle : La réalisation d’un évènement A sachant qu’un autre évènement B a été réalisé est : P( A B ) = P( A ∩ B ) P (B ) Avec .. …..e-tahero.. si : Portail des Etudiants d’Economie -6- . 3.M. ∩ An ) = P ( A1 )P ( A2 A1 )P ( A3 A1 ∩ A2 ). on montre que : P( A ∪ B ∪ C ) = p( A) + P(B ) + P(C ) − P( A ∩ B ) − P( A ∩ C ) − P(B ∩ C ) + P( A ∩ B ∩ C ) . I k n ∑ ∑ P( A k +1 I〈J I1 ∩ AI 2 ∩ .Axiomes de probabilités composées dans le cas de plusieurs évènements : a. ∩ An ) On a : P( A1 ∪ A2 ∪ .. I 〈J 〈K ∑ P( A I ∩ AJ ∩ AK ) + . b.....F b. par récurrence.Cas de « n » évènements : Soient A1. A2. * P[( A ∪ B ) C ] = P( A C ) + P(B C ) Si : A ∩ B = Φ * P[( A ∪ B ) C ] = P( A C ) + P(B C ) − P[( A ∩ B ) C ] Si : A ∩ B ≠ Φ 2..Cas de trois évènements : Soient A... + (− 1) n −1 P( AI ∩ . P ( A1 ∩ A2 ∩ . An « n » évènements..Cas de trois évènements : P( A ∩ B ∩ C ) = P( A)P(B A)P(C A ∩ B ) © www.. P(B ) ≠ 0 Propriétés : * P (A B ) = 1 − P ( A B ) ...net – Z...Professeur HILAL Statistiques II a.Indépendance de deux évènements : L’évènement A est indépendant de l’évènement B......

* Indépendants « k » à « k ». Appelées probabilités à priori. E2. P(E2) . alors : * A et B sont indépendants. ….F E1 E2 Ω A Ei En Portail des Etudiants d’Economie -7- . Tels que Ei ∩ E j = Φ . n UE i =1 i =Ω On dit que E1. A2.P(B ) . … . P(Ei) . que A et B sont indépendants. P(En). En. Propriétés : Si A et B sont indépendants. © www. * Indépendants trois à trois.e-tahero. * Indépendants « n » à « n ». * A et B sont indépendants. …. On dit. Remarque : L’indépendance est une relation symétrique. … . IVThéorème de BAYES : Soient les évènements E1. An sont indépendants s’ils sont : * Indépendants deux à deux. Indépendance de « n » évènements : On dit que « n » évènements A1. En forment un système complet d’évènements.Professeur HILAL Statistiques II P ( A B ) = P ( A) P( A ∩ B ) P( A B ) = = P ( A) P (B ) P( A ∩ B ) = P( A). * A et B sont indépendants.net – Z. On suppose connues : P(E1) . …. tout simplement.M. E2.

* Le problème : c’est comment calculer P(Ei A) P (E i A) = = = P( A ∩ Ei ) P[( A ∩ E1 ) ∪ ( A ∩ E 2 ) ∪ ....... ∪ ( A ∩ Ei ). P( A E 2 ) . ….. P (E i A) est appelée probabilité à posteriori de Ei © www. …....net – Z. P( A E n ) connues.Professeur HILAL Statistiques II « A » peut être causée par E1. P ( A) ∑ P(E )P( A E ) i =1 i i n . ∪ ( A ∩ E n )] P( A ∩ Ei ) = P( A ∩ E1 ) + .. + P( A ∩ E n ) P (E i )P( A E i ) P( A ∩ Ei ) .. E2.M. ou En et on a : P( A E1 ) ...e-tahero. ..F Portail des Etudiants d’Economie -8- . + P( A ∩ Ei ) + ..

+∞ * ∫−∞ f (t ). …. et f est une fonction réelle à valeurs positives ayant un nombre fini de points éventuels de discontinuité. en un nombre fini de points de discontinuité. b. ….Caractérisation d’une densité de probabilité : Toute fonction réelle f définie sur ℜ est une densité de la variable aléatoire X si et seulement si les conditions suivantes sont satisfaites : * ∀x ∈ ℜ . et on s’intéresse à X = « somme des deux numéros obtenus ».net – Z. (6.6)}. (1. 3.2) .Définition : On dit qu’une variable aléatoire X à valeurs réelles admet une densité de probabilité f si +∞ pour tout réel x. Ω = {(1.dt . * F(x) est la fonction de répartition de X. C’est l’ensemble de valeurs possibles de la variable aléatoire X.. 12}. 2.1) .dt = 1 * f est continue sur ℜ sauf. .Professeur HILAL Statistiques II CHAPITRE 2 : VARIABLES ALÉATOIRES ET LEURS CARACTÉRISTIQUES.F a.Fonction de répartition de variable aléatoire continue : © www. b.Densité de probabilité d’une variable aléatoire continue : a. appelée aussi domaine de définition de X.dt . éventuellement.. vérifiant de plus l’égalité : +∞ ∫−∞ f (t ).Propriété d’une fonction de répartition : Portail des Etudiants d’Economie -9- .Définition : La fonction de répartition F(x) d’une variable aléatoire continue X est la fonction qui fait correspondre à tout réel x le nombre réel égal à : x F(x) = P(X < x) = ∫−∞ f (t ). IIVariables aléatoires continues (ou à densité) : 1. IExemple et définition : On jette deux dés équilibrés. 11. F(x) = ∫−∞ f (t ). f(x) ≥ 0.M. X est appelée variable aléatoire et on a : X(Ω) = {2. et notée (Dx).dt = 1 .e-tahero.

* Toute fonction positive f sur ℜ qui coïncide avec « F’ » en tout point de continuité de F’(x) est une densité de probabilité de la variable aléatoire X.Propriétés générales : © www. * P(a < X < b ) = P(a ≤ X < b ).M. Exemple : Déterminer la fonction de répartition F liée à la densité de probabilité f définir par : f(x) = 2 x3 si : x ≥ 1.10 - . alors f(x) = 0 d’où F(x) = * Si : x > 1 : F(x) = ∫ x −∞ 0.dt = ∫ 0dt + ∫ −∞ x 1 x 1 2 . ∫ x −∞ f (t ). * xlim F ( x) = 0 .dt = En résumé : F(x) = 1 −1  2 − t 3  = x + 1 . → −∞ x → +∞ lim F ( x) = 1 .dt.dt = 0 .  1 x 0 si . * En tout point « x0 » de continuité d’une densité f.F Pour une variable aléatoire X continue et deux réels « a » et « b » tels que a ≤ b. 11 x2 si . x > 1. Elle est dérivable et sa dérivé F’(x) est continue sur ℜ sauf. si non. la fonction F est dérivable avec : F’(x0) = f(x0).Propriétés générales d’une variable aléatoire continue : a. est continue sur ℜ.net – Z. t2 = 0 + 2 2∫1 t −3 .dt. = P(a < X ≤ b ) = P(a ≤ X ≤ b ). 3. x ≤ 1. on a les propriétés suivantes : b * P(a < X ≤ b ) = ∫a f (t ).Professeur HILAL Statistiques II * F(x) ≥ 0 . en un nombre fini de points de discontinuité. éventuellement.e-tahero.dt Portail des Etudiants d’Economie . +∞ * P( X > a ) = P( X ≥ a ) = ∫a f (t ). 0 * Si : x ≥ 1 .

si . c.dx est convergente (c'est-à-dire à un nombre réel fini). b.Caractéristiques d’une variable aléatoire continue : a. C’est une variable continue qui admet une densité « f » telle que : f(x) = a(x + 1) a(-x + 1) 0 si . Portail des Etudiants d’Economie .F ∫ +∞ −∞ xf ( x).M.net – Z. E(a) = a (avec. 0 ≤ x ≤ 1.Espérance mathématique : • Définition : E(X) = © www. P( X = a ) = P(a < X ≤ a ) = ∫a f (t ). Soit X la variable aléatoire qui donne la différence « d – d0 ». mais le diamètre effectif « d » des pièces fabriquées varie de manière totalement aléatoire.dt * P( X = a ) = 0 pour tout réel a.Exercice : Des pièces de monnaie sont fabriquées en série. b.dt . E(αX) = α × E(X).Trouver la fonction de répartition de X.11 - . a∈ℜ). signifie que l’évènement (X = a) est quasiment impossible.Professeur HILAL Statistiques II b * P( X < b ) = P( X ≤ b ) = ∫−∞ f (t ). a. a En effet. F(x) existe si l’intégrale • Propriétés : ∫ +∞ −∞ xf ( x). -1 ≤ x ≤ 0. Solution : 4.e-tahero.Déterminer la valeur du paramètre « a » pour que « f » soit une densité de probabilité. Leur diamètre devrait âtre égal à « d0 ». ailleurs. E(X + Y) = E(X) + E(Y).Remarques : P(X = a) = 0 .dx .

+∞ Avec . σ(X) (ou tout simplementσ) est positif. V(X ± Y) = V(X) + V(Y) ± 2 cov (X. © www. Donc. V(αX) = α2 × V(X). Si X et Y sont indépendants. Ou bien . V(X) existe si cette intégrale est convergente. sinon V(X) n’existe pas. +∞ ⇒ ∫−∞ ( X − E ( X ))2 f ( x).net – Z.12 - . V(X) = E(X2) – (E(X))2.d ( x) • Propriétés : V(X ± Y) = V(X) + V(Y). E(X2) = ∫−∞ X 2 f ( x).Professeur HILAL Statistiques II b.Variance: • Définition: V(X) = E[(X – E(X))2].F Portail des Etudiants d’Economie . Si X et Y sont dépendants.M.Ecart-type: C’est le nombre: σ(X) = V ( X ) .e-tahero. Y). V(αX × β) = α2 × V(X). c.dx.

On dit que X soit une loi de Bernoulli de paramètre p. 2 : si la boule tirée est rouge. avec x = 0. 2. * E(X) = ∑ x. 1}. On tire une boule. 1. IILoi binomiale : 1. On rappelle que la variable de Bernoulli est considérée comme une fonction indicatrice des individus présentant un certain caractère.F Dans une urne concernant 6 boules blanches et 4 boules noires. 3 boules. = 0×(1 – p) + 1p.4) 3− x .Exemple et définition : © www. P(X = 1) = p.6) x (0. ⇒ E(X) = p. p x . E(X2) = 02×(1 – p) + 12×p = p. on tire. On montre que : P( X = x) = C32 (0. P(X = 0) = q = 1 – p. On note : X → B (p).Professeur HILAL Statistiques II CHAPITRE 3 : LOIS USUELLES I- Loi de Bernoulli : Dans une urne contenant des boules blanches en proportion « p » et des boules rouges en proportion « q = 1 – p ». X prend deux valeurs soit 0 soit 1. * σ(X) = V ( X ) = p(1 − p ) = pq .net – Z. V(X) = p – p2 = p×(1 – p) = pq. X prend les valeurs : 0. X = 1 : si la boule tirée est blanche.13 - . on remise. 3.e-tahero. Soit la variable aléatoire X = nombre des boules blanches obtenues. X(Ω) = {0. Ou bien : X → B (1. Soit la variable aléatoire X = nombre de boules blanches obtenues. Portail des Etudiants d’Economie . 2. 3. p). * V(X) = E(X2) – (E(X))2. 1.M.

Caractéristiques : E(X) = λ. ….Soit comme un cas particulier de la loi binomiale. e = 2. La probabilité que X prenne une valeur « x » est : P( X = x) = C nx ( p ) x (q) n− x . Px = P(X = x) = e × −λ Loi de poisson : λx x! .M. On dit que X suit une loi binomiale de paramètres « n » et « p ».e-tahero. 3.Définition : Une valeur aléatoire X (discrète) soit une loi de poisson de paramètre λ lors qu’elle prend les valeurs entières 0. .71828… 2. le processus de poisson. λ est un paramètre positif. 2. q = 1 – p.Professeur HILAL Statistiques II En général. 1. X prend les valeurs 0. 3. p).net – Z. III1. V(X) = λ.14 - . sans remise. c’est la loi vers laquelle tend celui-ci lorsque le nombre « n » devient grand et « p » faible.Conditions d’application : La loi de poisson peut être introduite . .Soit comme la résultante d’un processus aléatoire particulier. n. 1. on tire.F Portail des Etudiants d’Economie . σ(X) = λ . « n » boules dans une urne contenant des boules blanches en proportion « p » et si on considère la variable aléatoire X = nombre de boules blanches obtenues. On note : X → B(x. © www. avec . 2 … avec les probabilités.

c’est la moyenne). σ).15 - .  σ  σ 1 1 = 2 V ( X ) = 2 × σ 2 = 1. t La fonction ∏(t) est tabulée.71828 … m = E(X) (m. x de X → N(m. X −m 1 * V (T ) = V    = 2 V ( X − m ).dx. © www.e-tahero. f (t ) = 1 2Π e 1 − t2 2 σ σ Avec .Professeur HILAL Statistiques II CHAPITRE 4 : Lois usuelles continues ILoi normale : 1.Fonction de répartition d’une variable normale continue réduite : C’est la fonction ∏(t) telle que : Π (t ) = P(T 〈t ) = P(T ≤ t ) = ∫−∞ f ( x). T = 3. * E (T ) = E   σ X −m σ X −m 1  = E(X − m)  σ  σ 1 1 = (E ( X ) − E (m) ) = (m − m ) = 0.14157… e = 5. 2. σ = 1. t∈ℜ. Portail des Etudiants d’Economie .Loi normale centrée réelle : Si on considère : T = T → N(0. Or.F 3.net – Z.Définition : Une variable aléatoire X continue pouvant prendre n’importe quelle valeur réelle soit une loi normale de paramètres « m » et « σ » si sa densité de probabilité est : f ( x) = 1 σ 2Π e 1  x−m  −   2 σ  2 . avec x∈ℜ. σ = σ(X) = V ( X ) (σ. c’est l’écart type). σ Donc. f(t) est la densité de probabilité d’une loi normale centrée réduite.M. 1).

n variables aléatoires normales centrées réduites et indépendantes. Tn. P(a〈T 〈b ) = Π (b) − Π (a).M. La somme de leurs carrées est variable aléatoire qui suit une loi de khi deux de paramètre γ appelé nombre de degrés de liberté.e-tahero. Π (t ) = 1 − Π (−t ). © www. P(− t 〈T 〈t ) = 2Π (t ) − 1. Π (−t ) = 1 − Π (t ). ….16 - .Quelques relations à retenir : * * * * * P(T 〈t ) = P(T ≤ t ) = Π (t ).net – Z. II- Loi du khi deux (Khi carré) : 1.F Portail des Etudiants d’Economie .Professeur HILAL Statistiques II 4. T2.Définition : Soit T1.

C10 = 9 × 103 = 9000.(A ∩ B ∩ C ) ∪ ( A ∩ B ∩ C ) ∪ ( A ∩ B ∩ C) ∪ (A ∩ B ∩ C ) ∪ (A ∩ B ∩ C) ∪ ( A ∩ B ∩ C) ∪ (A ∩ B ∩ C) = A ∪ B ∪ C .(A ∩ B ∩ C ) ∪ (A ∩ B ∩ C) ∪ ( A ∩ B ∩ C). 6.Les répétitions sont autorisées ? b. 5. 9.Les répétitions sont autorisées et le dernier chiffre doit être zéro ? © www.Aucun ne se produit. 7. 3.C9 .(A ∩ B ∩ C ) ∪ (A ∩ B ∩ C) ∪ ( A ∩ B ∩ C) ∪ (A ∩ B ∩ C).A ∩ B ∩ C.Deux seulement se produisent.(A ∩ B ∩ C ) ∪ (A ∩ B ∩ C) ∪ ( A ∩ B ∩ C) ∪ (A ∩ B ∩ C ) ∪ ( A ∩ B ∩ C ) ∪ ( A ∩ B ∩ C) ∪ ( A ∩ B ∩ C ) = A ∩ B ∩ C .C9 . 5. 8.A ∩ B ∩ C . 3. Solution n° 1 : 1. 5.M. 2. 4.A.Un est un seul se produit. B et C se produisent simultanément.Au moins l’un des événements A.A ∩ B ∩ C . B et C trois événements.Au moins deux événements se produisent.C9 .Professeur HILAL Statistiques II EXERCICES Exercice 1 : Soient A.A et B se produisent et pas C. A93 = 9 × 103 = 9000.17 - . 9. B ou C se produit. 7. 1. 2.C7 = 9×9×8×7 = 4536.F Solution n° 2 : 1 1 1 1 a.net – Z. 8. Exercice 2 : Combien de nombres de 4 chiffres peut-on former avec les dix chiffres 0. 9( A ∩ B ∩ C ). 6.A seul se produit. 7. 8.C10 . 4.Au plus deux événements se produisent. 1 ⇒ C9 . Si : a. 1 1 1 1 b. 4. Portail des Etudiants d’Economie . 6. 3.C8 .(A ∩ B ∩ C ) ∪ ( A ∩ B ∩ C ) ∪ ( A ∩ B ∩ C).Les répétitions sont interdites ? c. 2.e-tahero. exprimez les événements suivants : 1.C10 .

C9 .Probabilité pour que les deux postes soient occupés par deux femmes ? b.C11 . Quel est le nombre de possibilités si : a. b.C10 .Probabilité pour que les deux postes soient occupés par deux hommes ? c.net – Z.Une femme particulière doit être membre du comité ? c. 1 ⇒ C9 .Les ouvrages doivent être rangés par spécialité ? b.Le comité peut comprendre n’importe lequel des hommes et des femmes ? b. 4 femmes et 2 hommes posent leur candidature et les chances de chacun des 6 postulants sont à priori équivalent : a. formé de 5 hommes et 7 femmes.F .Deux hommes particuliers doivent être exclu du comité ? Solution n° 4 : a. 6 ouvrages différents d’économie et 2 livres d’informatique différents.C11 = 900.C 62 . (9 − 3)! 1 1 1 c.C52 = 150 c.Probabilité pour que les deux postes soient occupés par deux personnes de même sexe ? d.4! 9! = 8709120.C 73 = 350 b.C10 . A102.18 - © www.M. Combien y a-t-il de rangements différents si : a.Professeur HILAL 1 ⇒ C9 . Exercice 3 : On doit ranger sur une étagère 4 ouvrages de mathématiques différents. A93 = 9 × Statistiques II 9! = 4536. postes qui peuvent indifféremment être occupés par un homme ou par une femme.Seuls les ouvrages de maths doivent être rangés ensemble ? Solution n° 3 : a.3! × (4! 6! 2!) = 207360.e-tahero.C 73 = 105 Exercice 5 : Deux postes sont offerts dans une entreprise. Exercice 4 : On doit former un groupe comprenant 2 hommes et 3 femmes sur la base d’un groupe plus large.C32 .C52 .Probabilité pour que les deux postes soient occupés par deux personnes de sexes différents ? Portail des Etudiants d’Economie . C11 = 9×1×102 = 900.

P(B) = P[ A ∪ ( A ∩ B) ]. P(B) = 60% et P ( A ∪ B ) = 70%. Donc P(B) – P(A) ≥ 0. = P(A) + P ( A ∩ B) . Quelle est la probabilité pour que le joueur gagne ? Solution n° 6 : Exercice 7 : On jette n fois deux dés : a.19 - . Solution n° 8 : On a: B = A ∪ ( A ∩ B) .Calculer la probabilité pour que le double six sorte au moins une fois ? b. Portail des Etudiants d’Economie .Professeur HILAL Statistiques II Solution n° 5 : Exercice 6 : Au cours d’un jeu radiophonique un speaker pose 5 questions à un candidat qui doit répondre par « oui » ou « non ».e-tahero.net – Z. Et P(A) ≤ P(B). © www. Le candidat est déclaré vainqueur s’il répond correctement à au moins 4 questions.F Exercice 9 : On considère deux évènements A et B tel que : P(A) = 40% . Montrer que P(A) ≤ P(B).M. P(B) – P(A) = P ( A ∩ B ) ≥ 0.Combien de fois faut-il jeter les deux dès pour parier avec avantage d’obtenir au moins un double six ? Solution n° 7 : Exercice 8 : Soient A et B deux évènements tel que A ⊂ B .

3 Donc : P( A B) = = = = 0. En effet. P(B) = 0.55 = 55%.4 . P( B) P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B ) . d’où P( A ∩ B) ≠ 45% Exercice 10 : On considère trois évènements A.Calculer P ( A B ) et P (B A) . P (C B ).4 = . 3 3 P B ∩C P(B ) − P(B ∩ C ) *P B C = = PC PC P(B ) − P(B ∩ C ) = = 1 − P (C ) ( ) ( () () ) () * P (C B ) = * P (C B ) = * P (B C ) = PC∩B P(B ) − P(B ∩ C ) = = 1 − P (B ) PB ( ) P B ∩C P(B ) − P(B ∩ C ) = = P (B ) P (B ) P B ∩C P(B ) − P(B ∩ C ) = P(C ) P (C ) ( ( ) ) Ou bien on peut le démontrer comme suit : Portail des Etudiants d’Economie .4 × ou P(y) × P (x y ) . PC B .3 P ( B A) = = = 0. on aurait : a.5.Serait-il possible que P( A ∩ B ) = 45% (les probabilités de A et B restent inchangées) ? Solution n° 9 : P( A ∩ B) . P (C B ) .Professeur HILAL Statistiques II a. B.P( A B) = P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B ) = 0. ( ) ( ) ( ) © www. PBC .F 1 0. C tels que : P(A) = 0.4 + 0. P (B C ) 1 3 .3 .6 P ( A ∩ B ) 0. b.non.20 - . si P( A ∩ B) = 45% . P(C) = 0.6 0.45 = 0.6 − 0.net – Z. Ce qui n’est pas possible. Solution n° 10 : On sait que : P (x ∩ y ) = P(x) ×P ( y x ) * P (B ∩ C ) = P(C) × P (B C ) = 0.1 .4 + 0.75. PC B .e-tahero. . P( B) 0.M. P ( A) + P ( B ) − P ( A ∪ B ) 0.7 0. on ne peut pas avoir P( A ∩ B) = 45% . P (B C ) = . P ( A) 0.4 b.6 – 0. Calculer les probabilités suivantes : P (B ∩ C ) P (B ∩ C ) .

Il faut connaître : P(R I ) = 2 1 = . 5 P(R II ) = Donc : P(I R ) = P(R ∩ I ) P (R ∩ I ) P (R ∩ I ) = = P (R ) P[(R ∩ I ) ∪ (R ∩ II )] P(R ∩ I ) + P(R ∩ II ) P ( I ) × P (R I ) 3 = = . A2….Montrer que P( A ∩ B ) ≥ P( A) − P (B ). b. P(B). P(C).F 3 . 2 © www. [P(I ) × P(R I )] + [P(II ) × P(R II )] 4 Exercice 13 : Portail des Etudiants d’Economie . quelle est la probabilité qu’elle soit tirée de la boite I ? Solution n° 12 : .Déduire que : P( A ∩ B ∩ C ) ≥ 1 − P (A) − P(B ) − P (C ).21 - .La probabilité qu’on doit calculer est : P(I R ) . P) et trois évènements probabilités respectives P(A).Professeur HILAL P (B C ) = 1 . .net – Z. c.M. et une boite II contient 2 billes rouges et 8 billes bleus. P( ). Exercice 11 : On considère un espace probabilité ( . Solution n° 11 : Exercice 12 : Une boite I contient 3 billes rouges et 2 billes bleus. a.P (C B ). 10 5 1 P(I) = P(II) = .Généraliser le résultat précédent au cas de n évènement A1.P (B C ) .e-tahero. . On tire une bille de l’une des deux boites sachant que la bille est rouge. P(C ) × P(B C ) P (B ) Statistiques II * P (C B ) = On sait que : P( X Y ) = * P (C B ) = P B ∩C P(B ) ( ) P( X ) × P(Y X ) ou bien P(Y ) P(C B ) = P (B ∩ C ) .An. * P (B ∩ C ) = P (B )× P (C B ) = (1 − P(B ) × (1 − P(C B ))) . P (B ) Ou bien : P (C B ) = 1 .

...P (A1 ∪ A2 ∪ . ∪ An ) . quelle est la probabilité pour que la face cachée soit blanche ? b. Quelle valeur minimum de n. N : jetons à deux faces noires .. A’ = obtenir au moins une fois une face apparente blanche.soient les événements : Ai = obtenir une face apparente blanche au inième jet . M : jetons à une face noire et une face blanche .M. a. = 1 . on obtient au moins une fois une face apparente blanche..[P (A1 )× P (A2 )× .     20  n ≥ 0.Professeur HILAL Statistiques II Sur 20 jetons.99 P(A’) = P( A1 ∪ A2 ∪ . 20 B N M © www.. 3 1 2 6 P (M ) = .. ∩ An ) . ….e-tahero...99 ? Solution n° 13 : Soient les événements : B : jetons à deux faces blanches ..On choisis au hasard un jeton que l’on jette. avec i = 1.On effectue l’épreuve précédente n fois avec remise.... Portail des Etudiants d’Economie . = 1. ∪ An ) .net – Z. a.22 - . 8 sont noirs.. 11 =1..99 11 ⇒ 1. a-t-on P(A) = 0.99.la probabilité qu’on doit calculer est la suivante : P(B A) P( A B ) = 1 P (B ) = 6 20 P( A N ) = 0 P(N ) = 8 20 P( A M ) = P (B A ) = P( A ∩ B ) P( A ∩ B ) = P ( A) P[( A ∩ B ) ∪ ( A ∩ N ) ∪ ( A ∩ M )] P( A ∩ B ) = P( A ∩ B ) + P ( A ∩ N ) + P ( A ∩ M ) P(B ) × P( A B ) = [P(B ) × P( A B )] + [P(N ) × P( A N )] + [P(M ) × P( A M )] 2 = .F b. 6 sont blancs et 6 possèdent une face blanche et une face noire.. Soit A l’évènement : sur les n épreuves. n. La face apparente étant blanche. 2. × P(An )] ..P (A1 ∩ A2 ∩ . A : face apparente est blanche. P (A’) ≥ 0. = 1 .  .    20  n P (A’) ≥ 0.

deux résultats contraires pour chaque épreuve .   n  20  log 0.P(x<1) = 1 – P(x = 0) 9 11 11 = 1 . Quelle est la probabilité pour qu’il soit constitué d’organe de haute qualité ? De qualité courante ? © www.01 ⇒n ≥ = = 7.01).7 s’il comporte des organes de qualité courante.Professeur HILAL Statistiques II 11 ⇒   ≥ 0.net – Z.M.01.e-tahero. 20 (x suit une loi binominale de paramètres « n » et Car : « n » est fixée et connue .23 - .C     = 1−          20   20   20  0 n 0 n n Exercice 14 : Un appareil peut comporter des organes de haute qualité ou des organes de qualité courante.    20  11 ⇒ n.01 log 0. Ou bien. indépendance des événements.95 s’il est composé d’organes de haute qualité et 0. 9 ) 20 9 ). 0. On admettra que 4096 des appareils ne comportent que des organes de haute qualité. La probabilité pour qu’un appareil fonctionne sans défaillance pendant t heures est. on l’admettra ainsi. La probabilité demandée est P(A’) = P(x ≥ 1) P(A’) = 1. Un appareil a fonctionné T heures sans défaillance. x B(n. log   ≤ Log (0.F Portail des Etudiants d’Economie .7 ≈ 8 log 11 − log 20  11  log   20  Donc : n ≈ 8. en utilisant la loi binomiale : Soit la variable aléatoire : x = nombre de faces apparentes blanches obtenues sur « n » jets.