Universit´e de Paris X Nanterre

U.F.R. Segmi Ann´ee 2005-2006
Licence Economie-Gestion deuxi`eme ann´ee


esum´
e du cours de probabilit´
e

1 Combinatoire
Soit E un ensemble. On note #E son cardinal, c’est-`a-dire le nombre de ses ´el´ements.
Rappelons que #∅ = 0. Soit E un ensemble `a n ´el´ements (n ≥ 0). Soit P(E) l’ensemble
de toutes les parties de E.

Proposition 1. #P(E) = 2n .

Soit Pk (E) l’ensemble de toutes les parties `a k ´el´ements de E.
n!
Proposition 2. #Pk (E) = Cnk = k!(n−k)! .

Remarque 3. Les coefficients Cnk sont appel´es coefficients binomiaux. Par convention, on
pose 0 ! = 1. On a bien alors #P0 (∅) = 1. Il y a dans tout ensemble une partie `a 0 ´el´ement
qui est ∅, y compris dans ∅ lui-mˆeme.

Propri´
et´
es
1. Il y a autant de parties `a k ´el´ements que de parties `a n − k ´el´em´ents. Donc

Cnk = Cnn−k .

2. Le nombre de toutes les parties de E est ´egal `a la somme des nombres de ses parties
de cardinaux distincts. Soit
Xn
Cnk = 2n .
k=0

3. Soit E un ensemble `a n ´el´ements (n ≥ 1). Soit k ≥ 1. Soit a ∈ E. Le nombre de
parties `a k ´el´ements de E est ´egal `a la somme du nombre de parties `a k ´el´ements
contenant a, et du nombre de parties `a k ´el´ements ne contenant pas a. On en d´eduit
l’identit´e
k−1
Cnk = Cn−1 k
+ Cn−1 . (1)
Cette derni`ere propri´et´e est tr`es utile pour calculer rapidemment les coefficients par
la formule dite du triangle de Pascal. Le tableau suivant permet de les calculer pour

1

) = P(A1 ) + · · · + P(An ) + .1] v´erifiant les deux axiomes suivants. Ces nombres sont appel´es les coefficients binˆomiaux car ils in- terviennent dans le calcul des puissances d’un binˆome. . c’est-`a-dire que l’on remet l’objet tir´e dans le lot apr`es l’avoir observ´e. c’est-`a-dire l’ensemble des couples ordonn´es (x. Lorsque tous les ensembles Ei sont o` tous ´egaux. Soit Ω un ensemble non vide. An . . Le tirage avec remise Dans une collection de N objets dont r rouges. Si n ≤ N et k ≤ r et n − k ≤ N − r. . On appelle probabilit´e ou loi de probabilit´e une application P de Ω dans [0. xq ) u xi ∈ Ei . . le produit de n fois le mˆeme ensemble se note E n = E × · · · × E. . . on a P(A1 ∪ · · · ∪ An ∪ . On appelle ´ev´enement toute partie de Ω. Plus g´en´eralement. 2 . n X (a + b)n = Cnk ak bn−k . Le tirage sans remise Dans une collection de N objets dont r rouges. 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1 1 6 15 20 15 6 1 4. Binˆome de Newton. Le nombre de tirages contenant k objet rouges est Cnk rk (N − r)n−k . E1 × · · · × Eq est l’ensemble des suites ordonn´ees (q-uplets) (x1 . le nombre de tirages contenant n−k k objet rouges est Crk CN n −r . · · · . Soit E × F l’ensemble produit. (A2) Pour toute collection de parties A1 . on effectue n tirages avec remise. F deux ensembles de cardinaux respectifs n et p. . y) o`u x ∈ E et y ∈ F . . et l’on a #E n = (#E)n . On a : #E×F = np. deux-` a-deux disjointes de Ω. k=1 Produit d’ensembles Soient E. . Le nombre total de tirages est N n . . Il n’y a pas de restrictions sur k et n. . 1 ≤ i ≤ q. 0 ≤ k ≤ n ≤ 5. On a alors : #E1 × · · · × Eq = n1 · · · nq . . si l’on a q ensembles de cardinaux respectifs ni . 2 Probabilit´ es D´ efinition 4 (Probabilit´e). (A1) P(Ω) = 1. on effectue n tirages sans remise. Le nombre total de tirages est CN .

3 . Exercice 2. il faut faire un dessin et appliquer la propri´et´e (P2). Pour r´esoudre cet exercice. `a l’aide des formules de combinatoire (faisant le plus souvent intervenir les coefficients binomiaux). (ii) exactement deux ´ev´enements sont r´ealis´es . Soient A. jeu de d´es.Propri´ et´ es (P1) P(∅) = 0. P (B). (ii) P(exactement deux ´ev´enements sont r´ealis´es) = P(A ∩ B) + P(B ∩ C) + P(C ∩ A) − 3P(A ∩ B ∩ C) . Exemple 5. (i) P(un et un seul seul ´ev´enement est r´ealis´e) = P(A) + P(B) + P(C) − 2P(A ∩ B) − 2P(B ∩ C) − 2P(C ∩ A) + 3P(A ∩ B ∩ C). P (C ∩ A). P (C). Soit Ω un ensemble fini. etc. B. D´eterminer en fonction de P (A). urnes. Alors P(Ac ) = 1 − P(A). on a P(A ∪ B) = P(A) + P(B) − P(A ∩ B) . (iii) aucun n’est r´ealis´e. (P4) Soit Ac le compl´ementaire de l’´ev´enement A. Corrig´e. Les probabilit´es des ´ev´enements sont alors calcul´ees en d´eterminant le cardinal de ces ´ev´enements. Ce n’est pas la seule situation possible. non n´ecessairement disjoints. Soit P la probabilit´e sur Ω d´efinie par card(A) P(A) = card(Ω) Cette probabilit´e est appel´ee probabilit´e (ou loi) uniforme sur l’ensemble Ω. P (A ∩ B) P (B ∩ C).1. On l’utilise lorsque l’on peut d´ecrire l’ensemble des possibilit´es. et qu’elles sont toutes ´equiprobables. (iii) P(aucun ´ev´enement n’est r´ealis´e) = P((A ∪ B ∪ C)c ) = 1 − P(A ∪ B ∪ C) = 1 − P(A) − P(B) − P(C) + P(A ∩ B) + P(B ∩ C) + P(C ∩ A) − P(A ∩ B ∩ C). (P3) Si A ⊂ B alors P(A) ≤ P(B). C trois ´ev´enements. (P2) Si A et B sont deux ´ev´enements quelconques. C’est g´en´eralement la situation des exercices de type pile ou face. Elle cor- respond `a la notion intuitive de chance. P (A ∩ B ∩ C) les probabilit´es suivantes : (i) un et un seul ´ev´enement est r´ealis´e .

(1 − (r − 1)/n) .6}. (5. 4). {4. Corrig´e. (n − r + 1) fa¸cons de choisir les r cases distinctes. 1). 1). (5.3. 4).3. . 6).6}. {3. j.3. et P(A) = 27/216 = 1/8. (2. (6. k). 5). 3). . Quelle est la probabilit´e que les anniversaires de r personnes aient lieu `a des dates diff´erentes.3. 5).Exercice 2.5. (1. 2). Quelle est la valeur minimale de r qui assure que cette probabilit´e soit inf´erieure `a 1/2. 4). A ∩ B = {(1. (2. on trouve que le plus petit nombre r de personnes pour lequel la probabilit´e est inf´erieure `a 1/2 est 23.5}.1 triplet ordonn´e si i = j = k. 1). par B l’´ev´enement ”au moins l’un des d´es montre 1”. k sont deux `a deux distincts . 5)}.4. 2). Corrig´e.4}.6}. (3.6 triplets ordonn´es si i.4. et P(A) = 25/216 < 1/8. 6). (6. Quels sont les jets qui donnent une somme ´egale `a 11 ? `a 12 ? Quelle somme est-elle la plus probable ? Corrig´e. 5). Les triplets non ordonn´es correspondant `a B sont : {1. {2.5}. 3). (1. . Les lancers possibles de deux d´es sont les couples ordonn´es (i. Il est plus probable de faire une somme ´egale `a 11 avec trois d´es que 12. (2. (3. (5.4. {3. . il y a plus d’une chance sur deux que deux soient n´ees le mˆeme jour. j ≤ 6. Exercice 2. Les lancers de trois d´es sont des triplets ordonn´es (i.4. (1. 5)} . (3. B ∩ C. (2. 1). On peut d´ecrire le probl`eme de la fa¸con suivante : on jette r boules dans n = 366 cases .5}. On a donc card(A) = 6+3+6+6+3+3=27. 1). (4. quelle est la probabilit´e pour qu’aucune case ne contienne au moins deux boules ? Il y a nr fa¸cons de lancer les r boules dans les n cases. 3). A ∪ B.4}. 1). 2). 3). On note par A l’´ev´enement ”la somme des d´es est impaire”.5. A ∪ B = {(1. (4. 1)} .5}. . (4. Parmi 50 personnes. (6. (5.4. (4. {1. il y a 97% de chance que deux soient n´ees le mˆeme jour.6}. {3. et C ” la somme des d´es est 5”. 6). 1)} A ∩ B c = {(2. (5. (n − r + 1) = (1 − 1/n)(1 − 2/n) . 4). Les triplets non ordonn´es correspondant `a A sont : {1.5}. {2. (3. 2). nr Pour n = 366. 1). 2). {2. 3). Exercice 2. 5). . (6. k ≤ 6. On lance deux d´es. 3). A ∩ B c . 4 . (1. 6). (1. 3). On a donc card(B) = 6+6+3+3+6+1=25. 4). La probabilit´e cherch´ee est donc n(n − 1) . D´ecrire A ∩ B. 2). 6). On lance trois d´es. Soient A l’´ev´enement “la somme des trois d´es est 11” et B l’´ev´enement “la somme des trois d´es est 11”.5. (4. 6). {2.4.2. (2. (4. 4).3 triplets non ordonn´es si i = j ou i = k ou j = k et le troisi`eme est distinct . (5. (6. 5). (3. j. j. avec 1 ≤ i. {3. j). j.4. (1. avec 1 ≤ i. A chaque triplet non ordonn´e {i. 1)(1. Il y a 216 tels triplets au total. C’est-`a-dire que si 23 personnes sont r´eunies. k} correspondent . (4. B ∩ C = {(1.6}. (3. et n(n − 1) . . (6. . (5. 4). (3.

. . Par application de la formule des probabilit´es totales. . P(Ω | B) = 1. Pour tout couple d’´ev´enements A et B.3 Probabilit´ es conditionnelles D´efinition 6 (Probabilit´e conditionnelle). Soit B un ´ev´enement de probabilit´e non nulle. L’intuition ´el´ementaire est que la probabilit´e est 1/13. . sont des ´ev´enements disjoints. Bn . . . on a 3 4 4 48 4 1 P(A2 ) = P(A2 | A1 )P(A1 ) + P(A2 | Ac1 )P(Ac1 ) = + = = . pour tout ´ev´enement A. . . . . P(∅ | B) = 0 et si A1 . on a P(A) = P(A|B1 )P(B1 ) + · · · + P(A|Bn )P(Bn ) + . on peut d´ecomposer cet ´ev´enement selon la nature de la premi`ere carte.1. P(· | B) est une probabilit´e sur Ω. Alors. . Soit Ω un ensemble.} une partition de Ω. On applique souvent la formule des probabilit´es totales avec deux ´evenements compl´ementaires B et B c . Pour le prouver. corrig´e. 51 52 51 52 52 13 5 . En particulier. P(B) Propri´ et´ es La probabilit´e conditionelle sachant B. On appelle probabilit´e conditionnelle sachant B la probabilit´e sur Ω d´efinie par : P(A ∩ B) ∀A ⊂ Ω. . Alors P(B|A)P(A) P(A|B) = . Elle devient alors P(A) = P(A|B)P(B) + P(A|B c )P(B c ) . . Notons A1 l’´ev´enement “la premi`ere carte du paquet est un as” et A2 l’´ev´enement “la deuxi`eme carte du paquet est un as”. . . P(A|B) = . Formule des probabilit´ es totales Soit {B1 . Exercice 3. . Quelle est la probabilit´e pour que la deuxi`eme carte soit un as. . Soit P une probabilit´e sur Ω. . P(B) Remarque 7. On tire 2 cartes dans un jeu de 52. Si A est disjoint de B. |B) = P(A1 |B) + · · · + P(An |B) + . P(A ∩ B) = P(A|B)P(B). Elle v´erifie donc toutes les propri´et´es des probabilit´es. on a : P(A1 ∪ · · · ∪ An ∪ . on a P(A|B) = 0. . . An . Formule de Bayes Soient A et B deux ´ev´enements de probabilit´es non nulles.

on a q = P(Q) = P(Q | A)P(A) + P(Q | Ac )P(Ac ) = P(H | A)P(A) + P(H c | Ac )P(Ac ) = 0. 85p . P(A) = p . Le but de cet exercice est d’appliquer la formule des probabilit´es totales et la formule de Bayes. r´eponde qu’il va voter pour A. 05(1 − p) = 0. Ce ph´enom`ene est appel´e vote “honteux”. alors A et B c sont ind´ependants. pris au hasard. un ´electeur qui va r´eellement voter pour le candidat A r´epond honnˆetement avec la probabilit´e 90%. Notons H l’´ev´enement “l’electeur interrog´e r´epond honnˆetement” et A l’´ev´enement “l’´electeur vote pour le candidat A”. alors A est ind´ependant de tout autre ´ev´enement. 9 . (ii) Par la formule de Bayes. 9p + 0.2 (Examen de Septembre 2005). 65%. 95 . 64% . q = 43. – Si P(A) = 0. ou s’il ne va pas voter pour A et r´epond malhonnˆetement. Les donn´ees de l’´enonc´e sont donc : P(H | A) = 0. (i) Calculer en fonction de p la probabilit´e q pour qu’un ´electeur. (i) L’´electeur r´epond qu’il va voter pour A s’il va vraiment voter pour A et r´epond honnˆetement. – Si A et B sont ind´ependants. La proportion r´eelle des ´electeurs votant pour le candidat A est p. Ceux qui ne voteront pas pour A r´epondent honnˆetement `a 95%. P(Q) P(Q) 5 + 85p (iii) Si p = 45%. Calculer q et r lorsque p = 5% et p = 45%. 25% et r = 48. Au cours d’un sondage. Notons Q l’´ev´enement “l’´electeur r´epond qu’il vote pour A”. 4 Ind´ ependance D´ efinition 8 (Ind´ependance de deux ´ev´enements). (ii) En d´eduire en fonction de p la probabilit´e r pour qu’un ´electeur. q = 9. vote r´eellement pour A sachant qu’il a r´epondu qu’il vote pour A. Il conduit `a sous- estimer le vote pour le candidat A. Interpr´etation : la fiabilit´e des r´eponses devient tr`es faible lorsque la proportion d’´electeurs votant pour A est faible. 05 + 0. P(H | Ac ) = 0. 25% et r = 93.Exercice 3. Par la formule des probabilit´es totales. pris au hasard. Corrig´e. Remarques 9. (iii) Application num´erique. 6 . si p = 5%. Deux ´ev´enements sont ind´ependants si P(A ∩ B) = P(A)P(B). on a P(Q | A)P(A) P(H | A)P(A) 90p r = P(A | Q) = = = .

il faut pr´eciser quel type de tirage on effectue. Pour poursuivre. Il est important de noter que l’ind´ependance d’une famille d’´ev´enements est une propri´et´e plus forte que l’ind´ependance des ´ev´enements deux `a deux. A chaque tirage. et la probabilit´e de succ`es varie. . 7 . Bi = Ai ou Bi = Aci (compl´ementaire de Ai ). On a donc P(A) = P(Ac1 )P(Ac2 )P(A3 ) = (1 − p)2 p . r N −r−1N −r P(A) = P(A3 | Ac2 ∩ Ac1 )P(Ac2 | Ac1 )P(Ac1 ) = . r = 50. et non seulement la proportion de boules rouges.Dans une suite de tirages avec remise. la probabilit´e de succ`es est p. u. D´efinition 11 (Ind´ependance d’une famille d’´ev´enements). tirage sans remise : P(A) = 8 9 10 = 36 ≈ 0. Les tirages ne sont pas ind´ependants. Quelle est la probabilit´e pour que la premi`ere boule rouge apparaisse au troisi`eme tirage ? Soit A l’´ev´enement en question. La diff´erence est de l’ordre de 11%. 3. Les tirages . pour chaque i. On effectue une suite de tirages dans une urne qui comporte des boules rouges en proportion p. – Tirage sans remise. Cette d´efinition semble complexe. 125 . De plus il faut connaˆıtre la constitution exacte de l’urne. Pour i = 1. 54 5 5 Tirage avec remise : P(A) = 1/8 = 0.Dans une suite de tirages sans remise. r = 5. . o` Remarque 12. on utilise les probabilit´es conditionnelles. 2. Soit N le nombre total de boules et r le nombre de boules rouges. mais elle est n´ecessaire pour ´eviter des contradictions. N −2 N −1 N Application num´erique. Les tirages n’´etant pas ind´ependants. An sont ind´ependants si P(B1 ∩ · · · ∩ Bn ) = P(B1 ) × · · · × P(Bn ) . . . Des ´ev´enements A1 . – Tirage avec remise. notons Ai l’´ev´enement “la i-`eme boule tir´ee est rouge”. les tirages successifs sont ind´ependants. sauf si l’un des deux est de probabilit´e nulle. Exemple 13. A et B sont ind´ependants si soit P(A)P(B) = 0 ou soit P(A | B) = P(A) ou P(B | A) = P(B). Consid´erons maintenant N = 100. . – Si A et B sont disjoints. Les tirages sont ind´ependants. Consid´erons tout d’abord N = 10. On a donc A = Ac1 ∩ Ac2 ∩ A3 . Proposition 10. alors ils ne sont pas ind´ependants. les tirages successifs ne sont pas ind´ependants . 139.

mais l’´echantillon interrog´e est g´en´eralement tr`es petit par rapport `a la population totale (1000 personnes interrog´ees pour une population de l’ordre de 60 millions). Posons S = A1 + A2 + A3 . Le cas particulier fondamental est celui d’une variable indicatrice. Consid´erons maintenant des tirages successifs de boules dans une urne contenant des boules rouges et des boules vertes. Si Jules ne pˆeche que s’il pleut. 1 ou 3. Sn est le nombre total de boules rouges tir´ees. . la variable al´eatoire qui vaut 1 si A est r´ealis´e et 0 sinon. Exemple 17. Une variable al´eatoire est souvent d´efinie comme une mesure li´ee `a une exp´erience al´eatoire particuli`ere. En particulier. Supposons par exemple que A1 soit l’´ev´enement “il pleut”. On appelle indicatrice de l’´ev´enement A. alors les valeurs prises par S sont 0. . A2 l’´ev´enement “Jules va a` la pˆeche” et A3 l’´ev´enement “Jules attrape un poisson”. Soient A1 . 5 Variables al´ eatoires D´efinition 14 (Variable al´eatoire). . Le deuxi`eme exemple est celui d’une variable ne prenant que deux valeurs. 50 49 50 Tirage avec remise : on a toujours P(A) = 1/8 . L’exemple le plus simple d’une variable al´eatoire est la variable al´eatoire constante : X est identiquement ´egale `a une valeur fixe x0 . La variable al´eatoire Sn compte le nombre d’´ev´enements qui se r´ealisent. L’´etude des variables al´eatoires commence d’abord par d´eterminer l’ensemble des valeurs qu’elles peuvent prendre. et les valeurs qu’elle peut prendre d´ependent du mode de tirage. Une variable al´eatoire est une application de Ω dans un ensemble E appel´e espace des r´ealisations de la variable al´eatoire. . Les valeurs prises par S sont a priori 0. Y . Remarque 15. tirage sans remise : P(A) = 98 99 100 = 25 198 ≈ 0. Si le tirage est avec remise. not´ee 1A . . La diff´erence entre les deux modes de tirage est tr`es faible lorsque le nombre de tirages est tr`es faible devant la population consid´er´ee. . 1 2 ou 3. S ne peut alors valoir que 0 ou 3. et elle n’est pas d´efinie comme les fonctions num´eriques usuelles par un proc´ed´e math´ematique explicite. mais sa particularit´e est que l’ensemble de d´epart n’est pas d´efini de fa¸con expli- cite (on ne sait pas vraiment ce qu’est Ω). An des ´ev´enements et soit Sn = 1An + · · · + 1An . On identifie la variable constante `a sa valeur. On note g´en´eralement les variables al´eatoires X. Une variable al´eatoire est donc une application d’un ensemble dans un autre. Soit Ai l’´ev´enement “la i-`eme boule tir´ee est rouge” et Sn = 1An + · · · + 1An . . D´ efinition 16 (Indicatrice). Soit A un ´ev´enement. Les valeurs qu’elle peut prendre sont les entiers de 0 `a n. mais pas n´ecessairement tous. La diff´ erence est de l’ordre de 1%. Si Jules est un excellent pˆecheur qui attrappe syst´ematiquement un poisson `a chaque fois qu’il p`eche. 12627. Sn peut 8 . un sondage d’opinion est un tirage sans remise .

Une variable al´eatoire n’est pas une application dont on peut pr´evoir la valeur. il faut les distinguer selon l’ensemble des valeurs qu’elles peuvent prendre. Exemple 18. pour tout k ∈ N∗ et q = 1 − p. Proposition 21. 1] si P(X = 1) = 1 − P(X = 0) = p. 9 . Ce que l’on peut connaˆıtre a priori. Sn ne peut pas ˆetre sup´erieure au nombre total de boules rouges. Soit X une variable al´eatoire de Ω dans un espace E. Ces variables al´eatoires sont dites discr`etes. Le nombre de valeurs possibles pour T est infini. . – Loi de Poisson. La loi de X est la donn´ee des probabilit´es de r´ealisation de X : P(X ∈ A) pour toute partie A ⊂ E. . . contrairement aux exemples pr´ec´edents. Une variable al´eatoire T `a valeurs enti`eres non nulles suit la loi g´eom´etrique de param`etre p ∈]0. C’est ce qu’on appelle la loi de la variable al´eatoire. Une variable al´eatoire est dite discr`ete si elle prend un nombre fini ou d´enombrable de valeurs. . x∈A Lois discr` etes usuelles – Loi de Bernoulli. – Loi Binomiale.} une suite illimit´ee d’´ev´enements. c’est-`a-dire ´equipotent `a N : on peut d´enombrer.1 Variables al´ eatoires discr` etes D´ efinition 20. D´efinition 19. n}. Pour toute partie A de E. . · · · . An . Si le tirage est sans remise. ´enumerer les valeurs prises. avant toute exp´erience d’une variable al´eatoire. P (X = k) = e−θ θk /k!. 5. L’indicatrice d’un ´ev´enement A suit la loi de Bernoulli de param`etre P(A). Une variable X suit la loi de Poisson de param`etre θ > 0 si ∀k ∈ N. Pour poursuivre l’´etude des variables al´eatoires. Soit T la date du premier ´ev´enement r´ealis´e. par exemple le r´esultat (boule rouge ou boule verte) d’une suite de tirages avec remise. Une variable al´eatoire X suit la loi binˆomiale B(n. . Alors T peut prendre toute valeur enti`ere. – Loi g´eom´etrique. 1]) si ∀k ∈ {0. . Une variable X suit la loi de Bernoulli de param`etre p ∈ [0. ` a valeur dans un ensemble E fini ou d´enombrable. on a X P(X ∈ A) = P(X = x) . P(S = k) = Cnk pk (1 − p)n−k . Par exemple T peut ˆetre la date du tirage de la premi`ere boule rouge. c’est la probabilit´e qu’elle se r´ealise de telle ou telle fa¸con. p ∈ [0. Soit {A1 . L’ensemble des valeurs prises par les variables al´eatoi- res d´ecrites dans les exemples pr´ec´edents est fini ou d´enombrable. Soit X une variable al´eatoire discr`ete. prendre toutes les valeurs enti`eres de 0 `a n. p) (n ∈ N∗ . 1[ si P(T = k) = pq k−1 .

La loi binomiale B(n. Dans une entreprise.La loi g´eom´etrique de param`etre p est la loi de la date du premier succ`es dans une suite de tirages avec remise de probabilit´e de succ`es p. pour tout k entier et n ≥ k. On lit alors dans la table de la loi de Poisson 25 −5 P(X = 0) ≈ e−5 = 0.1. Soit X la variable al´eatoire ”nombre de pi`eces d´efectueuses parmi les 5”. une machine produit des pi`eces dont les dimensions tr`es pr´ecises doivent ˆetre respect´ees. la probabilit´e pour une pi`ece d’ˆetre d´efectueuse tombe `a 0. – Quelle sont la loi. 2582 . on constate que la probabilit´e pour une pi`ece d’ˆetre d´efectueuse est de 1/3. ii) On va maintenant utiliser l’approximation de la loi binomiale par la loi de Poisson.05. Soit X une variable al´eatoire de loi binomiale B(n. on a P(X = 0) = (2/3)5 . P(1 ≤ X ≤ 3) = 0. P(X = 2) ≈ e = 0. Calculer la probabilit´e : – de ne pas trouver de pi`ece d´efectueuse. Th´ eme 23.Th´eor`eme 22. si pn d´epend de n de telle sorte que limn→∞ npn = θ. 2 10 . . Puis que 100p = 5. – de trouver un nombre de pi`eces d´efectueuses compris entre un et trois (au sens large). p) est la loi du nombre de succ`es dans une suite de n tirage avec remise. Si n est grand eor` (n ≥ 100) et p petit. (i) Apr`es un premier r´eglage. 0842 . Plus pr´ecis´emment. Son esp´erance est 5/3 et sa variance est 10/9 (cf. – de trouver deux pi`eces d´efectueuses. X suit approximativement la loi de Poisson de param`etre 5. 0067 . On examine 5 pi`eces choisies au hasard dans la production. section 5. 1/3).3). Corrig´e. p). on a θk lim P(X = k) = lim Cnk pkn (1 − pn )n−k = e−θ . P(X ≤ 1) = (2/3)5 + 5 × 24 /35 = 7 × 24 /35 . . i) La loi de X est la loi binomiale B(5. n→∞ n→∞ k! Exercice 5. alors. Par d´efinition de la loi binomiale. l’esp´erance et la variance de X ? – Quelle est la probabilit´e pour qu’il n’y ait pas de pi`ece d´efectueuse ? – Quelle est la probabilit´e pour qu’il n’y ait pas plus d’une pi`ece d´efectueuse ? (ii) Apr`es un second r´eglage. p ´etant la probabilit´e de succ`es de chaque tirage. de telle sorte que np ≤ 5. alors la loi de X peut ˆetre approch´ee par la loi de Poisson de param`etre θ = np. On examine maintenant un lot de 100 pi`eces.

. φk . · · · . P(Xk ∈ Ak ) . . des variables al´eatoires. Th´eor` eme 25. var(aX) = a2 var(X). – l’esp´erance est lin´eaire : E[aX + bY ] = aE[X] + bE[Y ] . Xk ∈ Ak ) = P(X1 ∈ A1 ) . Soit X une variable al´eatoire discr`ete ` a valeurs dans un ensemble E et soit φ une fonction de E dans R. Xn . L’esp´erance est une application d´efinie sur l’ensemble des variables al´eatoires. · · · . . . . En . Soient X1 . . Ak de E1 . des variables al´eatoires ` a valeurs dans des espaces E1 . . . x∈E Th´ eor`eme 28. Th´ eor` eme 27. D´efinition 29 (Variance). . · · · . not´ee E. . . en particulier. caract´eris´ee par les propri´et´es suivantes : – l’esp´erance de l’indicatrice d’un ´ev´enement est la probabilit´e de cet ´ev´enement : E[1A ] = P(A) . Alors X E[φ(x)] = φ(x)P(X = x) . on a E[φ1 (X1 ) . . · · · . . alors E[X] ≥ 0. . · · · . – l’esp´erance est croissante : si X ≤ Y alors E[X] ≤ E[Y ] . Propri´ et´es – var(X) est nulle si et seulement si X est une variable constante. Esp´ erance et variance de lois usuelles discr` etes 11 . E[φk (Xk )] . . . . . si X ≥ 0. . Les variables Xi sont conjointement ind´ependantes si pour tout k ∈ N∗ et pour k-uplet d’´ev´enements A1 . . φk (Xk )] = E[φ1 (X1 )] . .3 Esp´ erance math´ ematique D´efinition 26 (Esp´erance). Ek . Soient X1 . . . 5.La loi binomiale B(n. – Soit X une variable al´eatoire et a ∈ R. on a P(X1 ∈ A1 . Soit X une variable al´eatoire ` a valeurs r´eelles. . p) est la loi de la somme de n variables ind´ependantes de Bernoulli de mˆeme param`etre p.La loi g´eom´etrique de param`etre p est la loi de la date du premier 1 dans une suite de variables de Bernoulli ind´ependantes de mˆeme param`etre p. . Sa variance est var(X) = E[X 2 ] − (E[X])2 = E[(X − E[X])2 ].5. Xn .2 Variables al´ eatoires ind´ ependantes D´efinition 24. Elles sont ind´ependantes si et seulement si pour tout k et toutes fonctions φ1 .

Y ) est caract´eris´ee par les probabilit´es ´el´ementaires P(X = x et Y = y).y Propri´et´ es – Soient X et Y deux variables al´eatoires. Y ) ∈ C) = P(X = x et Y = y) . respectivement. Y )] = φ(x. Si X et Y sont discr`etes.4 Couple de variables al´ eatoires discr` etes D´efinition 30 (Loi jointe). ψ(Y )) = φ(x)ψ(y){P(X = x et Y = y) − P(X = x)P(Y = y)} . Soit φ une fonction de . soient φ et ψ deux fonctions. Alors XX E[φ(X.y)∈C Proposition 31. La loi jointe de X et Y est la loi du couple (X. alors cov(X. respectivement. Y ). y)P(X = x et Y = y) . Proposition 33. (x. Y ) . Exercice 5. Leur covariance est cov(X.2. Y ) = E[XY ] − E[X]E[Y ] = E[(X − E[X])(Y − E[Y ])]. var(X +Y ) = var(X)+2cov(X.y X = xy{P(X = x et Y = y) − P(X = x)P(Y = y)} . Soient X et Y des variables al´eatoires discr`etes dont la loi jointe est donn´ee par le tableau suivant.y6=0 Plus g´en´eralement. 12 . – Si X et Y sont ind´ependantes. alors X cov(φ(X). alors la loi du couple (X. et l’on a : X P((X. p) np np(1 − p) G´eom´etrique de param`etre p 1/p (1 − p)/p2 Poisson P(θ) θ θ 5. Soient X et Y deux variables al´eatoires a ` valeurs r´eelles. Y ) = xy{P(X = x et Y = y) − P(X = x)P(Y = y)} x. Y ) un couple de variables al´eatoires discr`etes ` a valeurs dans deux ensembles E et F . x. loi de X E[X] var(X) Bernoulli B(p) p p(1 − p) Binomiale B(n. Y ) = 0 et donc var(X + Y ) = var(X) + var(Y ). Soient X et Y deux variables al´eatoires discr`etes alors X cov(X. x6=0. Soient X et Y deux variables al´eatoires ` a valeurs dans deux ensembles E et F . Elle est caract´eris´ee par les probablit´es du type P(X ∈ A et Y ∈ B). Soit (X. x∈E y∈F D´efinition 32 (Covariance). Y )+var(Y ). c’est la donn´ee des probabilit´es de r´ealisation du couple (X.

(iii) Y prend les valeurs -1. 10 + 0. 05 + 0. 35 .15 0.10 0. 35 × 0. var(Y ) = 3. 15 + 0. XX cov(X. P(X = 1) = 0. On v´ (iv) X et Y ne sont pas ind´ependantes car P(X = 0 et Y = 0) = 0. 15 − 0.05 0. 05 . Corrig´e.15 0.20 0. 05 = 0. erifie que P(Y = −1) + P(Y = 0) + P(Y = 2) + P(Y = 5) = 1.25 0. P(Y = 2) = 0. var(Y ) et cov(X. E[Y ]. (vi) Calculer E[X]. 05 − 0. 2 et 5 avec les probabilit´es P(Y = −1) = 0. 05 + 0. 0875 6= 0. (i) Il suffit de v´erifier que la somme de toutes les valeurs du tableau est 1. 5. 13 . On v´ erifie que P(X = 0) + P(X = 1) = 1. 15 = 0. 05 = 0. 2275 . 15 + 0. 2475 . P(Y = 5) = 0. 65. 05 tandis que P(X = 0)P(Y = 0) = 0. 10. 2325 . var(X) = 0. Y ) = xy{P(X = x et Y = y) − P(X = x)P(Y = y)} x6=0 y6=0 X = y{P(X = 1 et Y = y) − P(X = 1)P(Y = y)} y6=0 = −(0. 25 − 0. Y ). 0. X \Y -1 0 2 5 0 0. 25 . 25) + 2(0. 25 = 0. 05 + 0. 35 × 0. 35 × 0. (ii) X prend les valeurs 0 et 1 avec les probabilit´es P(X = 0) = 0. 15 + 0. P(Y = 0) = 0.05. 25 . (v) P(Y ≥ 0 | X = 1) = P(Y = 0 | X = 1)+P(Y = 2 | X = 1)+P(Y = 5 | X = 1) = 0. var(X). E[Y ] = 1. 35 . 20 = 0. 35 × 0. (vi) E[X] = 0. 20 + 0.05 1 0. (ii) Quelle est la loi marginale de X ? (iii) Quelle est la loi marginale de Y ? (iv) X et Y sont-elles ind´ependantes ? (v) Calculer P(Y ≥ 0 | X = 1). 25 + 0. 40) + 5(0. 05 = 0.05 (i) V´erifier que ce tableau d´efinit bien une loi de probabilit´e bivari´ee. 10) = 0. 25 = 0. 10 + 0. 40 .