Cours Statistique Probabilité

Introduction à la théorie des probabilités et à la
statistique
Ségolen Geffray
IUT Carquefou
Année 2008-2009
[email protected]
Ségolen Geffray Intro Proba-Stat

La démarche

Distinction Proba/Stat
La Théorie des probabilités :

permet de modéliser des phénomènes aléatoires et d’y effectuer
des calculs théoriques
concerne les populations : on ne peut donc pas faire de
mesures.
La Statistique :
concerne les échantillons, le monde réel, la pratique,
on fait des mesures (observations) sur des individus,
repose sur la modélisation probabiliste des observations.

Un exemple concret
Un fabricant d’ampoules souhaite vérifier la qualité des

ampoules électriques produites dans sa chaine de montage.
Pour cela, il propose donc d’évaluer la durée moyenne de bon
fonctionnement d’une ampoule.
Comment faire ? on ne peut pas tester toutes les ampoules
produites par la chaine de montage !
On tire un échantillon au hasard
On réalise l’expérience, on effectue des mesures, on calcule la
durée moyenne de bon fonctionnement des ampoules de
l’échantillon
On approxime la durée moyenne de bon fonctionnement des
ampoules de la population entière par la durée moyenne de
bon fonctionnement des ampoules de l’échantillon

Un exemple concret (suite)
Comment savoir si ce qu’on vient de faire est licite ? Quelle

est la qualité de l’approximation ? Il faut étudier la théorie des
probabilités et la statistique !
Si on tire un autre échantillon, il y a de fortes chances que
l’on n’obtienne pas les mêmes résultats.
Ces fluctuations (ou erreurs d’échantillonnage) sont dues à la
variabilité. Cela signifie que des objets semblables en
apparence peuvent présenter des différences lorsqu’on effectue
des mesures.

Les différents aspects de la Statistique
Observer ne suffit pas !
Statistique descriptive :
Résumer les mesures sur un échantillon (moyenne, variance,...)
Représenter les mesures (histogramme, distribution)
Statistique inférentielle :
Généraliser les propriétés d’un échantillon à une population en
prenant en compte les fluctuations d’échantillonnage
il faut modéliser les observations (par des variables aléatoires) :
on fait appel à la théorie des probabilités
Tests d’hypothèses :
Contrôler la validité d’un modèle
Comparer un échantillon à une référence
Statistique décisionnelle :
Savoir prendre une décision alors que les résultats sont
exprimés en termes de probabilités (i.e. de pourcentage de
chances, de risques)
1ère partie
Notions de théorie des probabilités

Expérience aléatoire, évènements
Une expérience est aléatoire si on ne peut pas prévoir à
l’avance son résultat, et si, répétée dans des conditions
identiques, elle peut donner lieu à des résultats différents.
Lorsqu’on effectue une expérience, les valeurs obtenues
s’appellent des réalisations ou des observations.
Univers (noté Ω) : ensemble de tous les résultats possibles
d’une expérience. Il peut être :
fini, par ex {x1 , ..., xk }
infini dénombrable : on peut indicer, numéroter ses éléments
jusqu’à l’infini, par ex {x1 , , x2 , ..., xn , ...}
infini non-dénombrable : ceci signifie qu’il n’est pas possible de
décrire l’ensemble sous la forme d’une liste numérotée
{x1 , x2 , ..., xk , ...}, par ex l’intervalle [0, 1] est un ensemble
infini non-dénombrable.
Evènement élémentaire : un des éléments de Ω lorsqu’on
peut les énumérer.
Evènement : sous-ensemble de Ω.
Exercice : univers finis
1 Soit l’expérience “une personne lance un dé cubique à 6 faces

et note la valeur obtenue sur la face supérieure de ce dé”. Quel
est l’univers associé à cette expérience ? Quels sont les
évènements élémentaires ?
2 Soit l’expérience “une personne lance simultanément deux dés
cubiques à 6 faces et note la valeur obtenue sur la face
supérieure de chaque dé”. Quel est l’univers associé à cette
expérience ? Quels sont les évènements élémentaires ?
3 Soit l’expérience “une personne lance simultanément deux dés
cubiques à 6 faces et note la somme des valeurs obtenues sur
la face supérieure de chaque dé”. Quel est l’univers associé à
cette expérience ? Quels sont les évènements élémentaires ?

Exercice : univers infinis
1 Soit l’expérience “Alex compte le nombre de véhicules se
présentant au péage de l’autoroute en une journée”. Quel est
l’univers associé à cette expérience ?
2 Soit l’expérience “Mr Martin note, comme chaque midi, la
température extérieure”. Mr Martin habite à Paris où la
température à 12h peut varier de -10˚C à 43˚C. Quel est
3 Soit l’expérience “Mr Jean note, comme chaque lundi, la durée
de son vol Paris-Berlin”. Le vol entre Paris et Berlin dure
1h45, peut avoir jusqu’à 15 minutes d’avance si le vent est
favorable et jusqu’à 3h de retard en cas de problème. Quel est
4 Soit l’expérience “le technicien mesure et pèse une tige tirée
de la production”. La tige est usinée de sorte qu’elle pèse entre
12g et 25g et mesure entre 8.5cm et 11.5cm. Quel est
Rappel : opérations sur les ensembles
Soient A et B deux évènements d’un ensemble fondamental Ω
{A ou B} = A ∪ B = réunion de A et B
{A et B} = A ∩ B = intersection de A et B
complémentaire de A dans Ω = A = Ω − A
∅ = évènement impossible
Ω = évènement certain
A et B sont incompatibles ou disjoints lorsque A ∩ B = ∅

Exercice : évènements
Soit l’expérience “une personne lance un dé cubique à 6 faces et

note la valeur obtenue sur la face supérieure de ce dé”.
1 Comment décrire l’évènement A=“obtenir une valeur
inférieure à 4”?
2 Comment décrire l’évènement B=“obtenir une valeur paire”?
3 Comment décrire l’évènement C=“obtenir une valeur inférieure
à 4 ou une valeur paire”?
4 Comment décrire l’évènement D=“obtenir une valeur
inférieure à 4 et une valeur paire”?
5 Comment décrire l’évènement E=“obtenir une valeur
supérieure ou égale à 8”?
6 Comment décrire l’évènement F=“obtenir une valeur inférieure
ou égale à 6”?

Exercice : évènements (suite)
Soit l’expérience “une personne lance simultanément deux dés

cubiques à 6 faces et note la valeur obtenue sur la face supérieure
de chaque dé”.
1 Comment décrire l’évènement A=“obtenir au moins un 6”?
2 Comment décrire l’évènement B=“obtenir une somme des
deux valeurs supérieure ou égale à 10”?
3 Comment décrire l’évènement C=“obtenir au moins un 6 et
obtenir une somme des deux valeurs supérieure ou égale à
10”?
4 Comment décrire l’évènement D=“obtenir un produit des deux
valeurs supérieur à 100”?

Règle de calcul des probabilités
Une probabilité est une fonction notée P qui attribue à tout

évènement A une valeur P(A) désignant la probabilité que A
se réalise.
Une probabilité possède les propriétés suivantes :
0 ≤ P(A) ≤ 1 pour tout évènement A
P(Ω) = 1
P(∅) = 0
P(A) = 1 − P(A)
A ⊂ B ⇒ P(A) ≤ P(B)
en général, P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
mais si A et B sont disjoints, P(APn ∪ B) = P(A) + P(B)
en général, on a P (∪ni=1 Ai ) ≤ i=1 P(Ai ) Pn
mais si les Ai sont 2 à 2 disjoints, P (∪ni=1 Ai ) = i=1 P(Ai )

Probabilités sur les univers finis
Soit Ω est un univers fini, on peut alors l’écrire sous la forme

Ω = {ω1 , . . . , ωn }. On note card(Ω) le nombre d’éléments de
Ω qui représente le nombre de cas possibles à l’issue de
l’expérience aléatoire.
Lorsque Ω est un univers fini, il est parfois approprié de
supposer que la probabilité associée à chaque évènement
élémentaire est identique i.e. P[ωi ] = 1/card(Ω) pour
i = 1, . . . , n. On dit alors qu’il y a équiprobabilité.
L’hypothèse d’équiprobabilité implique que la probabilité d’un
évènement A s’obtient en calculant le rapport du nombre de
cas possibles correspondant à l’évènement A (noté card(A))
sur le nombre de cas possibles, soit :
card(A)
P[A] =
card(Ω)

Exemple d’équiprobabilité sur un univers fini
Soit l’expérience “une personne lance un dé cubique à 6 faces et

note la valeur obtenue sur la face supérieure de ce dé”. Soit, pour
i = 1, 2, ..., 6, l’évènement ωi =“obtenir la valeur i”. Effectuer
l’hypothèse d’équiprobabilité revient à supposer que P[ωi ] = 1/6
pour i = 1, 2, ..., 6, ce qui correspond au cas où le dé est bien
équilibré.
Considérons l’évènement B=“obtenir une valeur paire”. Que
vaut P[B] ?
Considérons C=“obtenir une valeur inférieure à 4 ou une
valeur paire”. Que vaut P[C ] ?
Attention, ceci ne tient pas si le dé est truqué de sorte que
P[ω1 ] = 1/24, P[ωi ] = 1/6 pour i = 2, ..., 5 et P[ω6 ] = 7/24.
Que valent P[B] et P[C ] dans ce cas ?

Probabilités conditionnelles : introduction
Considérons une expérience réalisée sur une certaine

population et un évènement A qui a une probabilité P[A] de se
réaliser,
par ex : A = présence d’une maladie M.
Que devient P[A] si on se restreint à une sous-population ?
par ex : sous-population = les individus présentant un signe S.
On introduit un évènement B conditionnant, qui définit la
sous-population,
par ex : B = présenter le signe S.
P[B] ne doit pas être nul.

Probabilités conditionnelles : définition
La probabilité que l’évènement A se réalise sachant que

l’évènement B a eu lieu (=probabilité de A parmi la
sous-population caractérisée par B) est définie par :
P[A ∩ B]
P[A|B] = .
P[B]
De même, la probabilité que l’évènement B se réalise sachant

que l’évènement A a eu lieu est définie par :
P[A ∩ B]
P[B|A] = .
P[A]
Ne PAS confondre P[A|B]= probabilité que A se réalise

sachant qu’on a observé B avec P[A ∩ B]=probabilité que A
et B se réalisent simultanément ! !

Exemples de probabilités conditionnelles
Considérons les chiffres suivants valables pour la France :

P[être VHC+] = 600000/60000000 = 1%
P[être VHC+ sachant que âge = 15 ans] = faible,
certainement < 10−4
P[être VHC+ sachant qu’il y a toxicomanie IV depuis >5 ans]
= forte, certainement > 50%
P[être VHC+ sachant que la personne est asthmatique] = 1%

Probabilités conditionnelles : règles de calcul
Soit B un évènement fixé. La fonction A → P[A|B] est une
vraie probabilité i.e. les règles de calcul avec les probabilités
conditionnelles sont les mêmes qu’avec les probabilités
classiques.
0 ≤ P(A|B) ≤ 1 pour tout évènement A
P(Ω|B) = 1
P(∅|B) = 0
P(A|B) = 1 − P(A|B)
A1 ⊂ A2 ⇒ P(A1 |B) ≤ P(A2 |B)
en général,
P(A1 ∪ A2 |B) = P(A1 |B) + P(A2 |B) − P(A1 ∩ A2 |B)
mais si A1 et A2 sont disjoints,
P(A1 ∪ A2 |B) = P(A1 |B) + P(A2 |B)
en général, on a P (∪ni=1 Ai | B) ≤ ni=1 P(Ai |B)
P
mais si les Ai sontPn2 à 2 disjoints,

n
P (∪i=1 Ai |B) = i=1 P(Ai |B)
Indépendance de 2 évènements : introduction
définition sans formule : soient A et B deux évènements. Si,

lorsqu’on reçoit l’information que B s’est produit, cela ne
modifie pas la probabilité de A, on dit que A et B sont
indépendants. Autrement dit, des événements indépendants
n’apportent pas d’information l’un sur l’autre.
ex : l’asthme et le VHC sont indépendants : l’un n’aide pas au
diagnostic de l’autre. Notons que P[être VHC+] = 1% et que
P[être VHC+ sachant que la personne est asthmatique] =
1%.

Indépendance de 2 évènements : définition formelle
1ère définition avec formule : A et B sont indépendants si
P[A|B] = P[A] ou/et P[B|A] = P[B].
ex : La fréquence du VHC est 1% : P[VHC+] = 0.01. La

fréquence du VHC chez les asthmatiques est également de
1% : P[VHC+|asthmatique] = 0.01.
2ème définition avec formule : A et B sont indépendants si
P[A ∩ B] = P[A] × P[B].
Cette formule est symétrique en A et B, on en déduit que si

P[A|B] = P[A], alors on a aussi P[B|A] = P[B].
ex : P[asthmatique|VHC+] = P[asthmatique] puisque asthme
et VHC sont indépendants.

Indépendance et incompatibilité
Ne pas confondre des événements incompatibles et des

évènements indépendants...
ex : considérons A=”l’enfant à naı̂tre est un garçon” et
B=”l’enfant à naı̂tre est une fille”. Les évènements A et B sont
incompatibles. Mais ils ne sont pas indépendants ! ! ! En effet,
P[A ∩ B] = 0 6= P[A] × P[B] = 0.5 × 0.5 = 0.25

Système complet
Une famille d’évènements {A1 , A2 , . . . , An } forme un système
complet d’évènements si
A1 6= ∅, A2 6= ∅,...,An 6= ∅
A1 ∩ A2 = ∅, A1 ∩ A3 = ∅,...,An−1 ∩ An = ∅ (i.e. les
évènements du système complet sont deux à deux disjoints)
Ω = A1 ∪ A2 ∪ ... ∪ An
Par exemple, soit l’univers Ω = {1, 2, 3, 4, 5, 6}. On peut
définir un système complet d’évènements {A1 , A2 , A3 } avec,
par exemple, A1 = {1, 2}, A2 = {3, 5} et A3 = {4, 6}. On a
bien A1 6= ∅, A2 6= ∅, A3 6= ∅, A1 ∩ A2 = ∅, A1 ∩ A3 = ∅,
A2 ∩ A3 = ∅ et Ω = A1 ∪ A2 ∪ A3 .
Lorsque A est un évènement de probabilité non nulle, {A, A}
forme un système complet d’évènements.
Pour tout P évènement B, onPa
P[B] = ni=1 P[B ∩ Ai ] = ni=1 P[B|Ai ]P[Ai ]
et en particulier
P[B] = P[B ∩ A] + P[B ∩ A] = P[B|A]P[A] + P[B|A]P[A]
Quelques formules utiles
Formule de Bayes : lorsque A et B sont deux évènements de

probabilité non-nulle, on peut écrire :
P(B|A)P(A)
P(A|B) =
P(B)
Formule des probabilités totales : Soit {A1 , . . . , An } un

système complet d’évènements. Pour k = 1, . . . , n, on peut
écrire :
P(B|Ak )P(Ak )
P(Ak |B) = Pn
j=1 P(B|Aj )P(Aj )
ce qui dans le cas d’un système complet d’évènements donné

par {A, A} revient à :
P(B|A)P(A)
P(A|B) =
P(B|A)P(A) + P(B|A)P(A)

Exercice : tubes d’aluminium
Un échantillon de 100 tubes d’aluminium est prélevé dans la

production de l’usine et chaque tube est classé en fonction de sa
longueur (L) et de sa qualité de surface (QS). Chacune de ces
caractéristiques peut être considérée comme “conforme” ou non
“conforme”. Les résultats suivants sont obtenus :
L conforme L non-conforme
QS conforme 75 7
QS non-conforme 10 8
Soit A l’évènement “le tube a une qualité de surface conforme” et
soit B l’évènement “le tube est de longueur conforme”.
Déterminer les probabilités suivantes : P(A), P(B), P(A),
P(A ∩ B), P(A ∪ B), P(A ∪ B), P(A|B) et P(B|A).

Exercice : chasse au canard
Trois amis vont à la chasse. Le premier est bon tireur et a la

probabilité 2/3 d’atteindre sa cible. Les deux autres sont moins
performants et ont la probabilité 1/6 d’atteindre leur cible. Un
canard s’envole : les trois amis tirent dessus.
Quelles sont les chances de survie du canard ?

Exercice : grippe et symptômes
Durant l’hiver, la probabilité pour qu’une personne ait la grippe est

estimée à 30%. Le diagnostique clinique est posé lorsque la
personne présente les symptômes suivants : courbatures, fièvre
subite, signes respiratoires. Durant l’hiver, la probabilité pour
qu’une personne présente ces symptômes est estimée à 40%. On
sait aussi qu’une personne ayant la grippe a 80 chances sur 100
d’avoir ces symptômes.
Quelle est la probabilité d’avoir la grippe et de présenter les
symptômes décrits ci-dessus ?
Quelle est la probabilité d’avoir la grippe sachant qu’on
présente les symptômes ci-dessus ?

Exercice : tirage de 2 pièces parmi une production
L’ingénieur d’usine de l’entreprise Product a noté, en se basant sur

une évaluation de plusieurs années, que 2% de la production de
l’usine est défectueuse. L’ingénieur tire successivement deux pièces
dans la production. On suppose que le fait d’observer une pièce
défectueuse n’influe pas sur la qualité de l’autre pièce.
1 Quelle est la probabilité que les 2 pièces tirées par l’ingénieur
soient défectueuses ?
2 Quelle est la probabilité que l’une des deux pièces soit bonne
et l’autre défectueuse ?

Exercice : bris d’un dispositif électronique et arrêt d’une
chaine d’empaquatage
L’ingénieur d’usine de l’entreprise Electropak a noté, en se basant

sur une évaluation de plusieurs années, qu’un dispositif électronique
installé sur une chaine d’empaquetage a une probabilité de 20% de
tomber en panne. Lorsque ce dispositif tombe en panne, la
probabilité d’être obligé d’arrêter complètement la chaine
d’empaquetage (à cause d’un bris trop important) est de 50%.
Quelle est la probabilité d’observer que le dispositif tombe en
panne et que la chaine d’empaquetage soit complètement
arrêtée ?

Exercice : kermesse
Pour une kermesse d’école, un stand propose le jeu suivant. Le

joueur tire une carte dans un jeu comportant 32 cartes. S’il obtient
une figure (i.e. un valet, une dame ou un roi), il tire un billet dans
la corbeille “Super Chance” qui contient 20 billets gagnants et 30
billets perdants. Si le joueur n’obtient pas de figure, il tire un billet
dans la corbeille “Petite Chance” qui contient 10 billets gagnants et
40 billets perdants.
Quelle est la probabilité pour un joueur de tirer un billet
gagnant ?

Exercice : orthographe anglophone
Les anglais et les américans orthographient le mot “rigueur”

respectivement “rigour” et “rigor”. Un homme ayant pris une
chambre dans un hôtel parisien a écrit ce mot sur un bout de
papier. Une lettre est prise au hasard dans ce mot et c’est une
voyelle. Or, 40% des anglophones de l’hôtel sont des Anglais et
60% des américains.
Quelle est la probabilité que l’auteur du mot soit anglais ?

Exercice : alcootest
Une entreprise commercialisant un alcootest décide d’en vérifier la

fiabilité. Les chiffres sont les suivants :
25% des personnes contrôlées par la police sont effectivement
en état d’ébriété
95 fois sur 100, l’alcootest s’est révélé positif alors que la
personne était réellement en état d’ébriété
1 fois sur 100, l’alcootest s’est révélé positif alors que la
personne n’était pas en état d’ébriété
1 Quelle est la probabilité que l’alcootest donne une indication
correcte ?
2 Quelle est la probabilité qu’une personne soit réellement en
état d’ébriété lorsque l’alcootest est positif ?

Exercice : tirage de boules
Une urne étiquetée A contient 3 boules blanches, 2 boules noires et

5 boules rouges. Une urne étiquetée B contient 5 boules blanches,
3 boules noires et 2 boules rouges. On effectue l’hypothèse
d’équiprobabilité à la fois en ce qui concerne le tirage des urnes et
le tirage des boules.
1 On tire une boule au hasard dans une des urnes elle-même
tirée au hasard. Quelle est la probabilité que la boule tirée soit
rouge ?
2 On tire une boule au hasard dans une des urnes elle-même
tirée au hasard. La boule tirée étant rouge, quelle est la
probabilité que celle-ci provienne de l’urne A ?

Exercice : puces électroniques contaminées
Lors d’un procédé de fabrication de semi-conducteurs, les puces qui

ont été soumises à une contamination due à la présence de
poussières tombent en panne avec une probabilité 0.1 tandis que
les puces qui n’ont pas été soumises à une contamination tombent
en panne avec une probabilité 0.005. Pendant une séquence
particulière de production, la probabilité que les puces soient
soumises à une contamination est 0.2.
1 Calculer la probabilité qu’une de ces puces tombent en panne.
2 Sachant qu’une puce est tombée en panne, calculer la
probabilité que celle-ci ait été contaminée lors de la
production.

Exercice : microprocesseurs défectueux
On suppose que trois types de microprocesseurs utilisés dans la

fabrication d’ordinateurs se partagent le marché à raison de 25%
pour le type X , 35% pour le type Y et 40% pour le type Z . Les
pourcentages de défauts de fabrication sont : 5% pour les
microprocesseurs de type X , 4% pour ceux de type Y et 2% pour
ceux de type Z . Dans un lot constitué de microprocesseurs dans les
proportions indiquées pour les types X , Y et Z , on prélève un
microprocesseur.
1 Quelle est la probabilité qu’il soit défectueux ?
2 Sachant que le microprocesseur présente un défaut de
fabrication, quelle est la probabilité qu’il soit de type X ?

Définition d’une variable aléatoire
Une variable aléatoire X est le procédé qui relie l’expérience
aléatoire à un nombre. On note DX l’ensemble des valeurs que X
peut prendre après réalisation de l’expérience : DX s’appelle le
domaine de définition de X .
A chaque fois que l’on reproduit l’expérience, on obtient une
réalisation de X que l’on note x : x est un nombre alors que X est
une fonction ! ! !
Soit l’expérience “tirer une pièce parmi une production” et soit X la
variable aléatoire représentant la longueur de la pièce tirée.
L’ingénieur d’usine effectue une 1ère fois cette expérience, il obtient
la réalisation x1 = 10.2cm. Il recommence une 2ème fois l’expérience
et obtient la réalisation x2 = 9.9cm, etc...
Soit l’expérience “jeter un dé” et soit X la variable aléatoire
représentant la valeur inscrite sur la face supérieure. Un joueur
effectue une 1ère fois cette expérience, il obtient la réalisation
x1 = 4. Il recommence une 2ème fois l’expérience et obtient la
réalisation x2 = 3, etc...
Les différents types de variables
On distingue :
les variables aléatoires continues : toute valeur d’un intervalle
de R est acceptable, ex : taille, poids, volume, temps écoulé...
les variables aléatoires discrètes : elles prennent un nombre
dénombrable (fini ou infini) de valeurs, par ex : nombre de
pièces défectueuses dans la production journalière d’une usine,
nombre de clients arrivant à un guichet en une journée,
variable aléatoire binaire codant pour “succès” ou “échec”...

Exemples de variables aléatoires et d’évènements associés
A l’usine, on dispose d’un lot de 30 pièces prélevées dans la
production sur lesquelles on effectue un contrôle de qualité à
l’issue duquel on déclare les pièces conformes ou
non-conformes. Soit X la variable aléatoire qui compte le
nombre de pièces non-conformes.
L’ensemble des valeurs possibles pour X est
DX = {0, 1, ..., 30}.
L’évènement “2 pièces sont non-conformes” se note {X = 2}.
{X = 50} = ∅
{8.5 ≤ X ≤ 10.5} code pour l’évènement “9 ou 10 pièces sont
non-conformes”.
On s’intéresse au poids des pièces qui peut varier de 10g à
15g. Soit X la variable aléatoire représentant le poids (en g)
d’une pièce.
L’ensemble des valeurs acceptables pour X est DX = [10, 15].
{X = 12} = le poids d’une pièce est de 12g.
{X = 50} = ∅
{8.5 ≤ X ≤ 10.5} = le poids d’une pièce est compris entre
8.5g et 10.5g.
Distribution de probabilité et fonction de répartition
La loi de probabilité aussi appellée distribution de

probabilité et notée fX d’une variable aléatoire X a pour but
de décrire quelles sont les valeurs possibles prises par la
variable et avec quelle probabilité ces différentes valeurs sont
prises.
Une variable aléatoire est entièrement caractérisée par sa
distribution de probabilité fX ou de manière équivalente par sa
fonction de répartition notée FX .
La théorie des probabilités vise à évaluer le comportement
des variables aléatoires (espérance, variance, probabilités de
dépassement d’un seuil, comportement de sommes,...) étant
donné la distribution de probabilité FX .
La statistique fournit des méthodes pour résoudre le
problème inverse dit d’inférence statistique : caractériser FX
au vu des observations des variables.
Fonction de répartition d’une variable aléatoire
Soit X une variable aléatoire et soit x un nombre.
Considérons l’évènement {X ≤ x} = ensemble des résultats
d’expérience dont le codage est inférieur ou égal à x.
P[X ≤ x] est un nombre qui dépend de la valeur de x
On définit FX la fonction de répartition de X par
FX (x) = P[X ≤ x].
Pour tout x, on a 0 ≤ FX (x) ≤ 1 avec limx→+∞ FX (x) = 1 et
limx→−∞ FX (x) = 0.
On note FX (x − ) = P[X < x] = limy →x,y <x FX (y ).
P[X > x] = 1 − P[X ≤ x] i.e. P[X > x] = 1 − FX (x)
P[X ≤ x] − P[X < x] = P[X = x] i.e. FX (x) − FX (x − ) = P[X = x]
Pour a < b, on a :
FX (b) − FX (a) = P[a < X ≤ b]
FX (b) − FX (a− ) = P[a ≤ X ≤ b]
FX (b− ) − FX (a) = P[a < X < b]
FX (b− ) − FX (a− ) = P[a ≤ X < b]
Quelques propriétés de la fonction de répartition
FX est croissante (x ≤ y ⇒ FX (x) ≤ FX (y )).
FX est continue à droite ce qui signifie que FX est continue
sauf éventuellement en un nombre dénombrable de points
isolés (ai )i=1,.. en lesquels FX (ai ) 6= FX (ai− ).
Si FX est discontinue en un point b alors on a
P[X = b] = FX (b) − FX (b− ) > 0.
Si FX est continue en un point a alors on a FX (a) = FX (a− )
et P[X = a] = 0.
FX
1 r
b
r
b

Fonction de répartition d’une variable discrète
La fonction de répartition d’une variable discrète au point x
correspond à l’accumulation des probabilités des valeurs
inférieures ou égales à x :
X
FX (x) = P[X = xi ]
xi ≤x,xi ∈DX
Ainsi, FX est une fonction en escalier, continue à droite.

Pour a < b, on a :
X
FX (b) − FX (a) = P[X = xi ]
a<xi ≤b,xi ∈DX
X
−
FX (b) − FX (a ) = P[X = xi ]
a≤xi ≤b,xi ∈DX
X
FX (b− ) − FX (a) = P[X = xi ]
a<xi <b,xi ∈DX
X
− −
FX (b ) − FX (a ) = P[X = xi ]
a≤xi <b,xi ∈DX
Allure de la fonction de répartition d’une variable discrète

Distribution de probabilité d’une variable discrète
La distribution de probabilité d’une variable aléatoire discrète

est la donnée des nombres pi = P[X = xi ] pour chacune des
valeurs possibles xi pour X . Ces nombres sont compris entre 0
et 1 et leur somme vaut 1. Cela revient à définir une fonction
fX telle que
(
P[X = x] si x ∈ DX
fX (x) =
0 si x ∈ / DX

Exercice : variable discrète (1)
Soit X une variable de fonction de répartition F tracée ci-dessous.
Quel est l’ensemble des valeurs prises par X ? Quelle est la loi de
probabilité de X ? Calculer P[X ≤ −2], P[X > 6], P[X ≤ 3],
P[X ≤ 4], P[X < 2] et P[1 ≤ X ≤ 4]. Déterminer les a vérifiant
P[X ≤ a] ≥ 1/4 puis P[X ≥ a] ≥ 1/4.

Une personne lance simultanément 2 dés. Soit X la variable

aléatoire représentant la somme des valeurs obtenues sur la face
supérieure de chacun des dés.
1 Quel est le domaine de définition DX de X ?
2 Déterminer puis tracer la distribution de probabilité fX de X .
3 Déterminer puis tracer la fonction de répartition FX de X .
4 Calculer les probabilités suivantes : P[X ≤ 7], P[X ≥ 5] et
P[7 ≤ X ≤ 9].
5 Déterminer les a vérifiant P[X ≤ a] ≤ 1/6 puis
P[X ≥ a] ≤ 1/6.

Soit X une variable aléatoire de domaine de définition

DX = {0, 1, 2, 3, 4} et dont la distribution de probabilité est
donnée pour x ∈ DX par
2x + 1
fX (x) =
25

2 Calculer les probabilités suivantes : P[X = 4], P[X ≥ −2],
P[X ≤ 1] et P[2 ≤ X < 4].
3 Déterminer les a vérifiant P[X ≤ a] ≤ 1/5 puis
P[X ≥ a] ≤ 1/5.

Fonction de répartition d’une variable continue
La fonction de répartition d’une variable aléatoire continue est une
fonction continue, dérivable presque-partout.
En tout point x, on a P[X = x] = 0 et P[X < x] = P[X ≤ x].
Pour tout a < b, on a :
P[a ≤ X ≤ b] = P[a ≤ X < b] = P[a < X ≤ b] = P[a < X < b]

Rappels sur le calcul des intégrales
fR (x)dx=surface bleue
x
f (t)dt = F (x)=surface en rouge : F =primitive de f
R−∞b Rb
a f (x)dx=F (b) − F (a)=surface verte (= a f (t)dt)
dF (x)
f (x) = dx =dérivée de F en x= pente de F en x

Distribution de probabilité d’une variable aléatoire continue
La distribution de probabilité d’une variable aléatoire continue

(aussi appelée densité) est donnée par :
(
dFX (x)
dx pour x ∈ DX tel que FX est dérivable
fX (x) =
0 pour x ∈ / DX et lorsque FX n’est pas dérivable
fX (x)dx = P[x ≤ X ≤ x + dx] ≈ P[X = x]

Rx
FX (x) = −∞ fX (u)du
R∞
fX est positive (car FX %) et −∞ fX (u)du = 1
Rb
P[a < X ≤ b] = FX (b) − FX (a) = a fX (u)du

Densité d’une variable aléatoire continue (suite)

Densité d’une variable aléatoire continue (suite 2)

Exercice : variable continue (1)
Soit une variable aléatoire X définie sur [−1, 1] régie par la densité
suivante : f (x) = 3(1 − x 2 )/4.
1 Quel est le domaine de définition DX de X ?
2 Tracer la distribution de probabilité fX de X .
4 Calculer les probabilités suivantes : P[X = 0.5], P[X ≤ 0.5],
P[X > 0.2] et P[0.2 ≤ X < 0.5].

Exercice : variable continue (2)
Soit une variable aléatoire X régie par la densité suivante :


x
 k pour 0 ≤ x ≤ 10

f (x) = 20−x k pour 10 < x ≤ 20

0 ailleurs

1 Déterminer la valeur de la constante k pour s’assurer que la

fonction f soit bien une densité de probabilité.
2 Tracer la densité de probabilité obtenue.
3 Déterminer la fonction de répartition.
4 Déterminer P[X ≤ 0], P[1 ≤ X ≤ 2], P[15 ≤ X ≤ 18],
P[5 ≤ X ≤ 15], P[X ≥ 19], P[X ≥ 9] et P[X ≥ 29].
5 Déterminer a tel que P[X ≤ a]=1/4 puis P[X ≤ a]=3/4.

Variables aléatoires indépendantes
Deux variable X1 et X2 sont indépendantes lorsque le fait de
connaı̂tre la valeur obtenue par X1 n’apporte aucune infor-
mation sur la valeur qui sera prise par X2 et réciproquement.
ex : X1 =”poids d’une souris” et X2 =”couleur du pelage” sont
indépendantes alors que X1 et Y1 =”taille d’une souris” ne le
sont vraisemblablement pas.
Caractérisation de l’indépendance pour un couple de variables
discrètes : X et Y sont indépendants lorsque pour tout
couple de valeurs (xi , yj ) pris par (X , Y ), on a
P[X = xi , Y = yj ] = P[X = xi ]P[Y = yj ]
Caractérisation de l’indépendance pour un couple de variables
continues : X et Y sont indépendants lorsqu’on a
fX ,Y (x, y ) = fX (x)fY (y ) pour tout (x, y )
où fX ,Y représente la densité jointe du couple (X , Y ), fX
représente la densité de X et fY représente la densité de Y .
Caractéristiques de position et de dispersion
Caractérisques de position :
l’espérance est un nombre qui représente la valeur moyenne
prise par X .
la médiane (lorqu’elle est définie) est la valeur telle que X a
autant de chance de se réaliser au-dessus qu’en dessous.
un mode correspond à une valeur ayant une probabilité
maximale de se réaliser (il existe des distributions n’ayant
aucun mode).
moyenne=médiane=mode pour les distributions symétriques
i.e. telles que les valeurs prises par X sont également réparties
autour d’une valeur centrale.
Caractéristiques de dispersion :
La variance exprime à quel point les valeurs prises par X sont
dispersées autour de la moyenne. Une grande variance indique
une grande dispersion. A l’inverse, une variance nulle révèle
que X est en fait non-aléatoire.
L’écart-type fournit la même information.
Les quantiles (lorqu’ils sont définis) permettent de fournir
l’intervalle dans lequel X se réalise avec 95% de chances par ex.
Espérance mathématique
Soit X une variable aléatoire. On note E[X ] l’espérance de X .

C’est un nombre qui représente la valeur moyenne prise par X .
Si X est discrète, on calcule E[X ] par la formule :
X
E[X ] = xi P[X = xi ].
xi ∈DX
Si X est continue, on calcule E[X ] par la formule :

Z
E[X ] = xfX (x)dx.
On dit qu’une variable est centrée lorsque E[X ] = 0.

On a toujours E[aX ] = aE[X ], E[a + X ] = a + E[X ] et
E[X1 + X2 ] = E[X1 ] + E[X2 ].
On calcule E[X 2 ] par la formule :
E[X 2 ] = xi ∈DX xi2 P[X = xi ] si X est discrète,
P
E[X 2 ] = x 2 fX (x)dx si X est continue.

R

Variance mathématique, écart-type mathématique
La variance d’une variable X est le nombre positif défini par :

Var(X ) = E[(X − E[X ])2 ] = E[X 2 ] − E[X ]2 .
Si X est discrète, on calcule Var(X ) par l’une des 2 formules :

X X
Var(X ) = (xi − E[X ])2 P[X = xi ] = xi2 P[X = xi ] − E[X ]2 .
Si X est continue, on calcule Var(X ) par l’une des 2 formules :

Z Z
Var(X ) = (x − E[X ])2 f (x)dx = x 2 f (x)dx − E[X ]2 .
Une variable aléatoire est dite réduite lorsque Var(X ) = 1.

On a toujours Var(X + a) = Var(X ) et Var(aX ) = a2 Var(X ) mais la
relation Var(X1 + X2 ) = Var(X1 ) + Var(X2 ) n’est vraie que lorsque
X1 et X2 sont indépendantes ! ! !
p
L’écart-type est défini par : σ(X ) = Var(X ).

Exercice : espérance, variance et écart-type
Reprendre les 3 exercices précédents portant sur les variables

discrètes et les 2 exercices précédents portant les variables
continues. Dans chaque cas, calculer l’espérance, la variance et
l’écart-type de la variable aléatoire considérée.

Exercice : nombre d’accidents par jour
Le responsable du comité de sécurité de l’entreprise Micom a

évalué le nombre moyen d’accidents de travail par jour à 1.6 avec
un écart-type de 1.265 accident/jour. Soit X la variable
représentant le nombre d’accidents par jour. Pour maintenir un
service d’urgence, l’entreprise subit des frais fixes de 200 euros par
jour ainsi que des frais variables de 50 euros par accidents. Notons
Y la variable représentant les frais encourus par jour.
1 Exprimer Y en fonction de X .
2 Quels sont en moyenne les frais encourus par jour ?
3 Quel est l’écart-type des frais ?

Médiane, quantiles
La médiane (si elle existe) de la variable X est la valeur u qui

vérifie la relation FX (u) = 1/2. Par conséquent, la médiane
d’une variable aléatoire X est la valeur u telle que
P[X ≤ u] = P[X > u] = 1/2.
Le quantile (ou fractile) d’ordre 1 − α (si il existe) de la
variable X est la valeur u qui vérifie la relation FX (u) = 1 − α.
Le nombre α représente le risque que X dépasse la valeur u.
L’intervalle interpercentile (si il existe) de la variable X est la
donnée des valeurs u et v qui vérifient la relation
P[u ≤ X ≤ v ] = 1 − α. Le nombre α représente le risque que
X sorte de l’intervalle [u, v ].
L’intervalle interquartile (si il existe) de la variable X est la
donnée des valeurs u et v qui vérifient la relation
P[u ≤ X ≤ v ] = 0.5.

Mode
On dit que u est un mode de la variable aléatoire X si fX (u)

est un maximum (local ou global).
Si X est une variable continue, u doit donc vérifier fX0 (u) = 0
et fX00 (u) < 0.
Si X est une variable discrète définie sur {x1 , x2 , ...}, alors
u = max{fX (x1 ), fX (x2 ), ...}.
Les distributions de probabilité qui n’ont qu’un seul mode sont
dites unimodales et celles qui possèdent plusieurs modes sont
dites multimodales.
Il existe des distributions de probabilité qui n’ont aucun mode.

Exercice : mode, médiane, quantile
Déterminer le mode de la variable X des exercices : variable

discrète (1), (2) et (3).
Déterminer le mode et la médiane de la variable X des
exercices : variable continue (1) et (2).
Déterminer l’intervalle interquartile de la variable X de
l’exercice : variable continue (2).

Caractéristiques de forme : skewness, kurtosis
Le coefficient d’asymétrie (skewness) ν1 est défini par :
E[(X − E[X ])3 ]
ν1 =
Var(X )3/2
ν1 = 0 pour les distributions symétriques, ν1 > 0 lorsque les
valeurs prises par X sont très étalées sur la droite, ν1 < 0
lorsque les valeurs prises par X sont très étalées sur la gauche.
Le coefficient d’aplatissement (kurtosis) ν2 est défini par :
E[(X − E[X ])4 ]
ν2 =
Var(X )2
La valeur de référence est ν2 = 3, c’est celle pour la loi
gaussienne standard (cf plus tard). Pour ν2 > 3, la courbe est
aigue. Pour ν2 < 3, la courbe est aplatie. La valeur de ν2 est
intéressante seulement pour des distributions peu
asymétriques.
Distributions usuelles continues
Des familles de lois de proba usuelles continues sont

lois normales
lois exponentielles
Ces lois sont paramétrées. Cela signifie que la famille de lois
donne la forme générale mais qu’à l’intérieur de ces familles
chaque loi dépend de un ou plusieurs nombres appelés
paramètres.

Loi normale
On dit qu’une variable X suit une loi normale de paramètres

m et σ 2 , notée N (m, σ 2 ), lorsqu’elle prend ses valeurs dans R
avec la densité suivante pour x ∈ R :
(x − m)2

1
f (x) = √ exp − .
2πσ 2 2σ 2
La densité est symétrique par rapport à la droite verticale

d’absisse x = m.
Une variable X de loi normale N (m, σ 2 ) représente une
variable qui oscille de façon symétrique autour de sa moyenne.
E[X ] = m = médiane = mode et var(X ) = σ 2 .
Si X1 , ..., Xn est une suite de variables indépendantes de loi
normales telle que Xi ' N (mi , σi2 ), alors ni=1 Xi suit une loi
P
N (m1 + ...mn , σ12 + ... + σn2 ).

Loi normale : influence de la moyenne
L’allure de la courbe se conserve si on change de moyenne. Il s’agit
d’un simple décalage.
Densité de la loi normale pour différentes valeurs de moyenne

0.6
N(0,1)
N(−4,1)
N(1,1)
0.5
N(3.5,1)
0.4
0.3
0.2
0.1
0.0
−10 −5 0 5 10

Loi normale : influence de la variance
La coube s’aplatit lorsque la variance augmente, elle se resserre si
la variance diminue, le maximum s’ajuste pour que la surface vaille
1, le maximum peut dépasser 1.
Densité de la loi normale pour différentes valeurs de variance

0.6
0.5
0.4
N(0,1)
N(0,2)
N(0,4)
0.3
N(0,0.75)
0.2
0.1
0.0
−10 −5 0 5 10

Loi normale et transformation
D’une manière générale, si X suit une loi N (m, σ 2 ), alors

aX + b suit une loi N (am + b, a2 σ 2 ).
On ne peut déterminer la fonction de répartition de X de loi
N (m, σ 2 ) que par approximations numériques (par
ordinateur).
Un cas important est la loi N (0, 1) appellée loi gaussienne
standard ou loi normale centrée réduite qui est tabulée.
Pour se ramener à la loi N (0, 1) à partir d’une variable X de
loi N (m, σ 2 ), on utilise la variable Y = X −m
σ : Y suit une loi
N (0, 1) et s’appelle la variable centrée réduite associée à X .

Loi normale et tabulation
On cherche la valeur de P[a ≤ X ≤ b] pour X de loi
N (m, σ 2 ).
Notons Φ la fonction de répartition associée à la variable Y de
loi N (0, 1).
Or, seule Φ est tabulée et en plus seulement pour x > 0.
Pour x < 0, on utilise la formule Φ(x) + Φ(−x) = 1.
Pour x > 0, on dispose aussi de la relation
P[−x ≤ Y ≤ x] = 2Φ(x) − 1.
Pour la variable X de loi N (m, σ 2 ), on utilise
Y = (X − m)/σ,la variable centrée réduite associée à X et on
obtient :

a−m X −m b−m
P[a ≤ X ≤ b] = P ≤ ≤
σ σ σ

b−m a−m
= Φ −Φ .
σ σ
Lecture de la table N (0, 1)
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7703 0.7734 0.7764 0.7793 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8906 0.8925 0.8943 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9986 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

Exercice : loi gaussienne standard
Soit X une variable aléatoire de loi gaussienne standard.

1 Déterminer les probabilités suivantes :
P[X = 1.2] P[X ≤ 2] P[0 ≤ X ≤ 0.5]
P[1.1 ≤ X ≤ 3.2] P[X > 0.8] P[X ≤ −1]
P[X > −0.23] P[0 ≤ X ≤ 0.83] P[−2.2 ≤ X ≤ 2.2]
P[−1 ≤ X ≤ 0] P[−2 < X < −0.8] P[−1.5 ≤ X < 0]
P[−1.98 ≤ X ≤ 0.49] P[−0.25 ≤ X ≤ 1.5] P[X ≥ 1.25]
2 Déterminer x satisfaisant les égalités suivantes :
P[X ≤ x] = 0.6255 P[X ≥ x] = 0.9971
P[X ≤ x] = 0.2119 P[X ≥ x] = 0.1314
P[0 ≤ X ≤ x] = 0.4750 P[−x ≤ X ≤ 0] = 0.2291
P[−x ≤ X ≤ x] = 0.2052 P[−1 ≤ X ≤ x] = 0.1785

Exercice : aliment pour chat
L’entreprise Granulex distribue un aliment pour chat dans un contenant
métallique dont le poids après remplissage est en moyenne 340g. Le
processus de remplissage est donc calibré pour obtenir cette valeur
moyenne. En fait, des études ont montré que le poids est distribué
normalement avec un écart-type de 6g.
1 Quelle est la probabilité pour qu’un contenant choisi au hasard de la
production ait un poids entre 334g et 346g ?
2 Quelle est la probabilité pour qu’un contenant choisi au hasard de la
production ait un poids qui diffère de la moyenne par moins de 2g ?
3 Sur une production de 1000 contenants, combien auront un poids
inférieur à 330g ?
4 A quel niveau moyen doit-on fixer le remplissage pour assurer que
seulement 1 contenant sur 100 aura un poids inférieur à 340g ?
5 A quel niveau moyen doit-on fixer le remplissage pour assurer que
seulement 5% des contenants auront un poids supérieur à 348g ?

Exercice : demande de logiciels
D’après la responsable de la mise sur le marché de l’entreprise

Sicom, la demande annuelle pour leur logiciel suit une loi normale.
Elle précise également qu’il y a une probabilité 0.195 pour que la
demande soit inférieure à 1500 unités et une probabilité 0.025
d’être supérieure à 2910 unités.
1 Déterminer la demande annuelle moyenne ainsi que sa
variance.
2 En admettant que la demande est équitablement répartie au
cours de l’année et que la demande mensuelle suit une loi
normale, déterminer la demande mensuelle moyenne et sa
variance.
3 Les coûts fixes mensuels de production sont de 21000 euros
alors que le coût unitaire est de 300 euros. Le prix de vente
d’un logiciel est de 500 euros. Quelle est la probabilité que le
seuil de rentabilité mensuel soit atteint ?
Exercice : système de sécurité
Un système de sécurité opère avec deux composants électroniques.

La conception du système est telle que le second composant entre
en fonction lorsque le premier devient défaillant. Lorsque le second
composant devient défaillant, le système de sécurité devient
inopérant. La durée de vie de chaque composant est distribué
normalement avec une moyenne de 500h et une variance de
2450h2 . On admet que les durées de vie de chaque composant sont
indépendantes.
1 Quelle est la loi de la durée de vie du système de sécurité ? En
préciser la moyenne et la variance.
2 Avec quelle probabilité peut-on affirmer que le système devrait
fonctionner au moins 850h ?
3 Quelle est la durée de vie minimum du système dans 95% des
cas ?

Lois exponentielles
On dit qu’une variable X suit une loi exponentielle de
paramètre λ, notée E(λ), lorsqu’elle prend ses valeurs dans
R+ = [0, +∞[ avec la densité et la fonction de répartition
suivantes pour x ∈ R :
(
λ exp(−λx) si x ≥ 0
f (x) =
0 sinon
(
1 − exp(−λx) si x ≥ 0
F (x) =
0 sinon
E[X ] = λ1 et var(X ) = λ12 .
La loi exponentielle est une loi sans mémoire :
P[T > t + s|T > s] = P[T > t].
Elle ne convient donc pas pour modéliser des objets soumis à
une usure non-négligable.
Lois exponentielles (suite)
Densité de la loi Exp(1) Fonction de répartition de la loi Exp(1)

2.0
1.0
0.8
1.5
0.6
1.0
E(1)
E(0.5)
0.4
E(0.2)
E(2)
E(1)
E(0.5)
0.5
E(0.2)
0.2
E(2)
0.0
0.0
0 2 4 6 8 10 0 2 4 6 8 10

Exercice : durée de vie de pneus
Une étude réalisée sur un grand nombre de pneus de la marque

Michel montre que leur durée de vie (en km) est une variable
aléatoire X de loi exponentielle de paramètre λ = 0.0007.
1 Déterminer P[X ≤ 1000], P[X > 1000] et
P[1000 ≤ X ≤ 2000]
2 Déterminer x tel que P[X ≤ x] = 0.05.
3 Déterminer la médiane de X .

Exercice : désintégration d’un atome
Une entreprise du nucléaire s’intéresse à la durée de vie de certains

types d’atomes. Cette durée de vie est donnée par le temps qui
s’écoule entre l’instant initial t0 = 0 et le moment où le noyau de
l’atome se désintègre. On sait que la probabilité pour qu’au temps
t ≥ 0 le noyau ne se soit pas encore désintégré vaut
s(t) = exp(−λt) pour un λ > 0 qui varie avec le type d’atome.
Notons X la variable aléatoire qui représente la durée de vie d’un
atome.
1 Quelle est la fonction de répartition de X en fonction de λ ?
2 Quelles sont la densité, l’espérance et la variance de X ?
3 On observe un atome jusqu’à un instant t. Sachant qu’à cet
instant t l’atome n’est pas désintégré, quelle est la probabilité
qu’il ne se désintègre pas avant l’instant t + s pour un s > 0 ?.

Distributions usuelles discrètes
Les familles de lois de proba usuelles discrètes sont

lois de Bernoulli
lois binômiales
lois hypergéométriques
lois de Poisson
Ces lois sont paramétrées. Cela signifie que la famille de lois
donne la forme générale mais qu’à l’intérieur de ces familles
chaque loi dépend de un ou plusieurs nombres appelés
paramètres.

Lois de Bernoulli
On dit qu’une variable X suit une loi de Bernoulli de

paramètre p, notée B(p), lorsqu’elle prend les valeurs 0 avec
probabilité (1 − p) et 1 avec probabilité p : P[X = 1] = p et
P[X = 0] = 1 − p.
E[X ] = p et var(X ) = p(1 − p).
Définir une variable de Bernoulli revient à coder par 1 la
réalisation d’un évènement et par 0 sa non-réalisation,
autrement dit, X = 1 si l’évènement est réalisé et X = 0
sinon.
La loi de Bernoulli est utilisée pour coder des caractéristiques
à 2 modalités selon un schéma succès/échec, par ex :
défectueux/non-défectueux, conforme/non-conforme, ce qui
donne : X = 1 si la pièce est conforme et X = 0 sinon. Un
autre exemple est X = 1 si X est inférieur à un seuil et X = 0
si X dépasse ce seuil.
Lois binômiales
On dit qu’une variable X suit une loi binômiale de paramètres n et
p, notée B(n, p), lorsqu’elle prend ses valeurs parmi {0, ..., n} avec
les probabilités suivantes pour k ∈ {0, ..., n} :
P[X = k] = Cnk p k (1 − p)n−k .
E[X ] = np et var(X ) = np(1 − p).
X représente le nombre de fois où un évènement se réalise en n
répétitions indépendantes de l’expérience. Par ex, lorsque qu’on
prélève au hasard n factures de façon indépendante, X représente le
nombre de factures erronées. La loi binômiale sert aussi à compter le
nombre de succès lors d’un tirage avec remise de n éléments.
Si Y1 , ..., Yn est une suite de variable indépendantes
Pn de loi de
Bernoulli de même paramètre p, B(p), alors i=1 Yi suit une loi
B(n, p).
Si X1 et X2 sont deux variables indépendantes de lois respectives
B(n1 , p) et B(n2 , p) (lois de même paramètre p !), alors X1 + X2
suit une loi B(n1 + n2 , p).
Lois binômiales
Lois de proba pour la loi binomiale

1.0
0.8
B(9,0.5)
B(10,0.05)
0.6
B(30,0.5)
B(32,0.05)
P[X=i]
B(32,0.001)
0.4
0.2
● ● ●
● ●
● ●
● ●
● ●
0.0
● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
0 5 10 15 20 25 30

Lois de Poisson
On dit qu’une variable X suit une loi de Poisson de paramètre
λ, P(λ), lorsqu’elle prend ses valeurs dans
N = {0, 1, ..., n, ....} (infinité de valeurs possibles) avec les
probabilités suivantes pour k ∈ N :
λk
P[X = k] = e −λ .
k!
E[X ] = λ et var(X ) = λ.
X représente le résultat d’un comptage effectué sur une durée
fixée, par ex : X compte le nombre d’arrivées de clients à un
guichet de banque en une semaine, le nombre de véhicules
passant par un péage donné en une journée, le nombre de
pannes en un an...
Si X1 , ..., Xn est une suite de variables
P indépendantes de loi de
Poisson telle que Xi ∼ P(λi ), alors ni=1 Xi suit une loi
P(λ1 + ...λn ).
Lois de Poisson (suite)
Lois de proba pour la loi de Poisson

0.7
0.6
●
0.5
P(0.5)
P(1)
P(2)
0.4
P(10)
P[X=i]
0.3
●
0.2
0.1
●
0.0
● ● ● ● ● ● ● ● ● ● ● ●
0 5 10 15

Approximations de lois
Pour n = 5, 10, 15, 20, 30, 40, 50 et p =

0.01, 0.02, 0.03, 0.04, 0.05,0.06,0.07,0.08,0.09,0.1,0.2,0.3,0.4,0.5,
la loi binômiale est tabulée.
Pour n et p satisfaisant np > 5 et n(1 − p) > 5, on approxime
la loi binômiale B(n, p) par la loi normale N (np, np(1 − p)).
Pour n grand (n ≥ 30) et p petit (p < 0.1) et np ≤ 5, on
approxime la loi binômiale B(n, p) par la loi de Poisson P(np).
Pour n grand (n ≥ 30) et p petit (p < 0.1) et np ≥ 10, on
approxime la loi binômiale B(n, p) par la loi normale
N (np, np).
Pour λ grand (λ ≥ 10), on approxime la loi de Poisson P(λ)
par la loi normale N (λ, λ).

Lois hypergéométriques
Une variable X suit une loi hypergéométrique de paramètres
N, n et p, notée H(N, n, p), lorsqu’elle prend ses valeurs parmi
{max(0, n − N(1 − p)), ..., min(Np, n)} avec les probabilités
suivantes pour k ∈ {max(0, n − N(1 − p)), ..., min(Np, n)} :
k C n−k
CNp N(1−p)
P[X = k] = .
CNn
E[X ] = np et var(X ) = np(1 − p) N−n
N−1 .
X représente le nombre de fois où un évènement se réalise en
n tirages sans remise parmi N éléments, par ex : X représente
le nombre de boulons non-conformes obtenus au cours d’un
tirage sans remise de n boulons parmi N.
En pratique, on n’hésite pas à substituer la loi B(n, p) à la loi
H(N, n, p) dès que n/N ≤ 0.1 (en fait, lorsque N → ∞, les
tirages avec remise ou sans remise sont pratiquement
équivalents).
Exercice : contamination VHC
Dans un laboratoire d’analyses médicales, 12 personnes se

présentent pour effectuer un test de dépistage du VHC. Sachant
que 1% de la population française est porteuse du VHC, quelle est
la probabilité qu’aucune des 12 personnes ne soit contaminée ? que
la moitié des 12 personnes soit contaminée ?

Exercice : contrôle de qualité
Un client commande à son fournisseur un lot de pièces dont la

qualité est spécifiée par contrat : le taux de pièces défectueuses
doit être inférieur ou égal à 4%. Avant de livrer, le fournisseur
effectue un contrôle sur 50 pièces et compte le nombre de pièces
défectueuses. Quelle proportion de pièces defectueuses dans sa
production ne doit-il pas dépasser pour livrer la marchandise avec
un risque de 5% qu’elle soit refusée avec ce plan de contrôle ?

Exercice : comportement du consommateur
D’après une étude sur le comportement du consommateur, il
apparaı̂t que 3 consommateurs sur 6 sont influencés par la marque
de commerce lors de l’achat d’un bien. La directrice du marketing
d’un grand magasin interroge 20 consommateurs au hasard afin de
connaı̂tre leur réaction sur ce sujet.
1 Identifier la variable concernée et donner les valeurs possibles
de cette variable
2 Donner l’expression générale de la loi de probabilité régissant
le comportement du consommateur sur ce sujet.

3 Parmi l’échantillon de taille 20, combien de consommateurs,
en moyenne, se déclareront influencés par la marque ?

4 Parmi l’échantillon de taille 20, quelle est la probabilité que
moins de 10 consommateurs se déclarent influencés par la

marque ?
5 Parmi l’échantillon de taille 20, quel est le nombre de
consommateurs le plus probable qui se déclareront influencés

par la marque ?
Exercice : loi binômiale
Soit X1 une variable de loi B(4, 0.1) et soit X2 une autre variable
de loi B(6, 0.1). On suppose que X1 et X2 sont indépendantes.
1 Quelle est la loi de probabilité qui régit la somme X1 + X2 ?
2 Quelles sont la moyenne et la variance de la somme X1 + X2 ?
3 Déterminer P[X1 + X2 = 2].
4 Déterminer P[X1 + X2 ≥ 8].
5 Déterminer P[X2 = 4|X1 = 3].

Exercice : location de voitures de luxe
Une société de location de voitures possède entre autres trois

voitures de luxe qui peuvent être louées à la journée. Le nombre de
demandes reçues par la société pour ce genre de voitures est
distribué suivant une loi de Poisson avec une moyenne de 1.8
voitures par jour.
1 Quelle est l’expression de la loi de probabilité régissant la
demande et quelles sont les valeurs possibles de la variable ?
2 Déterminer la proportion de jours où aucune demande n’est
faite pour ce genre de voitures.
3 Calculer la proportion de jours pour lesquels les demandes de
location ne peuvent être entièrement satisfaites.

Exercice : vente de frigidaires
Les ventes journalières de frigidaires suivent une loi de Poisson de
moyenne 8.8 unités par jour.
1 Quelle est l’expression de la loi de probabilité régissant les
ventes journalières et quelles sont les valeurs possibles de la
variable aléatoire associée ?
2 Quelle est la variance de la variable ?
3 Quelle est la probabilité de n’observer aucune vente de ce bien
sur un jour donné ?
4 Quelle est la proportion de jours pour lesquels les ventes
journalières sont inférieures à 5 unités ?
5 Quel est le nombre le plus probable d’unités vendues en un
jour donné ?
6 Déterminer le nombre de jours où les ventes journalières ont
été exactement de 10 unités et ceci pour une période de 250
jours ouvrables ?
Exercice : nombre d’accidents de travail par jour
Le responsable du comité de sécurité de l’entreprise Nicom a

effectué une compilation du nombre d’accidents du travail qui se
sont produits depuis deux ans dans l’usine. Ceci a permis d’établir
que le nombre moyen d’accidents par jour est 1.6. On admet que le
nombre d’accidents du travail par jour suit une loi de Poisson.
1 Quelle est l’expression permettant de calculer la probabilité
d’observer x accidents par jour ?
2 Quel est l’écart-type de la variable concernée ?
3 Quelle est la probabilité d’observer plus de 2 accidents par
jour ?
4 Calculer la probabilité d’observer un nombre d’accidents
compris dans l’intervalle [E[X ] − σ(X ), E[X ] + σ(X )] ?

Exercice : nombre d’accidents variable
Une assurance s’intéresse au nombre d’accidents touchant un

individu au cours d’une année donnée. On admet que ce nombre
suit une loi de Poisson. On suppose que l’espérance de cette loi de
Poisson varie en fonction des personnes et qu’elle vaut 2 pour 60%
des personnes et 3 pour les 40% restants.
1 Quelle est la probabilité qu’au cours d’une année une personne
n’ait aucun accident ? Qu’elle en ait trois ?
2 Sachant qu’une personne n’a pas eu d’accident au cours de
l’année précédente, quelle est la probabilité qu’elle ait trois
accidents dans l’année en cours ?

Exercice : défaillance chez Electropak
Chez Electropak, l’appareil servant à l’étiquetage de contenants est
sujet à deux types de pannes, soit une défaillance électronique, soit
une défaillance mécanique. Les deux sources de panne sont
indépendantes. Selon l’ingénieur d’usine de l’entreprise, le nombre
de pannes attribuables à une défaillance électronique au cours d’un
mois d’opération est distribué selon une loi de Poisson de
paramètre λ1 = 1.4 tandis que le nombre de pannes attribuables à
une défaillance électronique au cours d’un mois d’opération est
distribué selon une loi de Poisson de paramètre λ2 = 2.
1 Notons X la variable correspondant au nombre de pannes par
mois attribuables à une défaillance électronique et Y celle
correspondant au nombre de pannes par mois attribuables à
une défaillance mécanique. Donner, dans chaque cas,
l’expression de la loi de probabilité correspondante.
2 Quelle est la probabilité pour qu’au cours d’un mois
d’opération, il y ait une seule panne de l’appareil d’étiquetage ?
Exercice : défaillance chez Electropak (suite)

d’opération, l’appareil présente deux pannes, l’une attribuable
à une défaillance électronique, l’autre attribuable à une
défaillance mécanique ?
2 Quelle est l’expression de la loi de probabilité du nombre total
de pannes W = X + Y au cours d’un mois d’opération ?
3 Quelles sont l’expérance et la variance de W ?
d’opération, l’appareil présente moins de deux pannes ?
d’opération, l’appareil présente au moins deux pannes ?

Exercice : vérification de comptes-clients
Les vérifications effectuées au cours des dix dernières années
révèlent que sur les 50 comptes-clients de l’entreprise Simex, en
moyenne 3 sont inexacts. Le vérificateur de l’entreprise prélève, au
hasard des 50 comptes, 6 comptes pour en vérifier l’exactitude.
1 Notons X la variable correspondant au nombre de comptes
inexacts dans l’échantillon de taille 6 provenant des 50

comptes-clients. Donner l’expression de la loi de probabilité de
X.
2 Quelle est la variance du nombre de comptes inexacts pour un
échantillon de taille 6 ?
3 Quelle est la probabilité que le vérificateur ne trouve aucun
compte inexact dans l’échantillon de taille 6 ?

4 Quelle est la probabilité que le vérificateur trouve plus de 1
compte inexact dans l’échantillon de taille 6 ?

5 Peut-on obtenir plus de 3 comptes inexacts dans l’échantillon
de taille 6 ?
Exercice : fusibles défectueux
Une fabrication de fusibles comporte habituellement 2% de défaut.

Quelle est la probabilité d’observer 4 fusibles défectueux
1 dans un lot de taille 20 ?
4 pour chaque taille de lot mentionnée précédemment, combien
de fusibles défectueux peut-on s’attendre à observer en
moyenne ?

Cours Statistique Probabilité

Transféré par

Droits d'auteur :

Formats disponibles

Cours Statistique Probabilité

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Statistique Probabilité

Transféré par

Droits d'auteur :

Formats disponibles

Introduction à la théorie des probabilités et à la

Ségolen Geffray Intro Proba-Stat

Ségolen Geffray Intro Proba-Stat

La Théorie des probabilités :

Ségolen Geffray Intro Proba-Stat

Un fabricant d’ampoules souhaite vérifier la qualité des

Ségolen Geffray Intro Proba-Stat

Comment savoir si ce qu’on vient de faire est licite ? Quelle

Ségolen Geffray Intro Proba-Stat

Notions de théorie des probabilités

Ségolen Geffray Intro Proba-Stat

1 Soit l’expérience “une personne lance un dé cubique à 6 faces

Ségolen Geffray Intro Proba-Stat

Ségolen Geffray Intro Proba-Stat

Soit l’expérience “une personne lance un dé cubique à 6 faces et

Ségolen Geffray Intro Proba-Stat

Soit l’expérience “une personne lance simultanément deux dés

Ségolen Geffray Intro Proba-Stat

Une probabilité est une fonction notée P qui attribue à tout

Ségolen Geffray Intro Proba-Stat

Soit Ω est un univers fini, on peut alors l’écrire sous la forme

Ségolen Geffray Intro Proba-Stat

Soit l’expérience “une personne lance un dé cubique à 6 faces et

Ségolen Geffray Intro Proba-Stat

Considérons une expérience réalisée sur une certaine

Ségolen Geffray Intro Proba-Stat

La probabilité que l’évènement A se réalise sachant que

De même, la probabilité que l’évènement B se réalise sachant

Ne PAS confondre P[A|B]= probabilité que A se réalise

Ségolen Geffray Intro Proba-Stat

Considérons les chiffres suivants valables pour la France :

Ségolen Geffray Intro Proba-Stat

mais si les Ai sontPn2 à 2 disjoints,

définition sans formule : soient A et B deux évènements. Si,

Ségolen Geffray Intro Proba-Stat

1ère définition avec formule : A et B sont indépendants si

P[A|B] = P[A] ou/et P[B|A] = P[B].

ex : La fréquence du VHC est 1% : P[VHC+] = 0.01. La

P[A ∩ B] = P[A] × P[B].

Cette formule est symétrique en A et B, on en déduit que si

Ségolen Geffray Intro Proba-Stat

Ne pas confondre des événements incompatibles et des

P[A ∩ B] = 0 6= P[A] × P[B] = 0.5 × 0.5 = 0.25

Ségolen Geffray Intro Proba-Stat

Formule de Bayes : lorsque A et B sont deux évènements de

Formule des probabilités totales : Soit {A1 , . . . , An } un

ce qui dans le cas d’un système complet d’évènements donné

Ségolen Geffray Intro Proba-Stat

Un échantillon de 100 tubes d’aluminium est prélevé dans la

Ségolen Geffray Intro Proba-Stat

Trois amis vont à la chasse. Le premier est bon tireur et a la

Ségolen Geffray Intro Proba-Stat

Durant l’hiver, la probabilité pour qu’une personne ait la grippe est

Ségolen Geffray Intro Proba-Stat

L’ingénieur d’usine de l’entreprise Product a noté, en se basant sur

Ségolen Geffray Intro Proba-Stat

L’ingénieur d’usine de l’entreprise Electropak a noté, en se basant

Ségolen Geffray Intro Proba-Stat