TD Statistiques
TD Statistiques
TD Statistiques
de probabilité 1
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
1. Ensemble fondamental
Le résultat d’une expérience aléatoire s’appelle un événement élémentaire. L’en-
semble des résultats possibles s’appelle ensemble fondamental (ou univers) et est
noté traditionnellement Ω. Chaque élément ω de Ω représente donc un événement
élémentaire, et toute partie A ⊂ Ω (ou A ∈ P (Ω)) sera un événement. Parfois on dit
que Ω est l’ensemble des éventualités possibles et les événements élémentaires sont
© Dunod. La photocopie non autorisée est un délit.
alors les singletons, c’est-à-dire les ensembles réduits à un seul élément {ω}, qui
sont effectivement en toute rigueur des événements, puisqu’appartenant à P (Ω),
ce qui n’est pas le cas du point ω.
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
équivalente en remplaçant la condition C2 par :
∅ ∈ A et Ω ∈ A
n
Aj ∈ A
j=1
∞
An ∈ A
n=0
Cette condition exprime que toute union dénombrable d’événements est encore
un événement. L’ensemble A auquel on impose les conditions C1 et C3 s’appelle
alors une σ-algèbre ou tribu d’événements.
Le couple formé de l’ensemble fondamental Ω et de la tribu d’événements associée
A s’appelle un espace probabilisable.
TD • otio de ro i ité 3
3. Probabilité
Définition. On appelle probabilité P sur (Ω, A) une application P : A → [0, 1] telle
que :
(i) P(Ω) = 1;
(ii) pour toute suite An d’événements incompatibles, soit An ∈ A avec Am ∩ An = ∅
pour m = n :
∞
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
∞
P An = P(An )
n=0 n=0
Propriétés
P1 L’événement impossible est de probabilité nulle :
P(∅) = 0
P(Ā) = 1 − P(A)
A ⊂ B ⇒ P(A) ≤ P(B)
4. Probabilités conditionnelles
On considère l’espace probabilisé (Ω, A, P) et un événement particulier B de A
tel que P(B) > 0. La connaissance de la réalisation de B modifie la probabilité de
réalisation d’un événement élémentaire, puisque l’ensemble des résultats possibles
est devenu B et non plus Ω. Cette nouvelle probabilité, notée P(.|B), est définie sur
la tribu conditionnelle :
A|B = {A ∩ B/A ∈ A}
4 TD Statistique et probabilités
par :
P(A ∩ B)
P(A|B) =
P(B)
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
P(A ∩ B) = P(B)P(A|B) = P(A)P(B|A)
Elle s’appelle parfois formule des probabilités composées et se généralise par récur-
rence :
5. Théorème de Bayes
n
n
P(B) = P(Ai ∩ B) = P(Ai )P(B|Ai )
i=1 i=1
Ceci va nous permettre de calculer les probabilités a posteriori P(Ai |B), après réali-
sation d’un événement B, à partir des probabilités a priori P(Ai ), 1 ≤ i ≤ n :
6. Indépendance en probabilité
Définition. Deux événements A et B sont dits indépendants, relativement à la probabilité
P, si :
P(A ∩ B) = P(A)P(B)
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
P(A ∩ B) P(A)P(B)
P(A|B) = = = P(A)
P(B) P(B)
La réalisation d’un événement ne modifie pas la probabilité de réalisation de
l’autre.
Indépendance mutuelle
Si l’on considère n événements Ai , avec n > 2, il y a lieu de distinguer l’indépen-
dance deux à deux qui impose :
P(Ai ∩ Aj ) = P(Ai )P(Aj ) 1 ≤ i = j ≤ n
de l’indépendance mutuelle, condition plus forte qui s’écrit :
P(Ai1 ∩ Ai2 ∩ . . . ∩ Aik ) = P(Ai1 )P(Ai2 ) . . . P(Aik ) 2 ≤ k ≤ n
pour tous les sous-ensembles {i1 , . . . , ik } de {1, 2, . . . , n}.
Vrai Faux
1. On peut associer deux ensembles fondamentaux différents à
une même expérience.
2. L’égalité P(A ∪ B) = P(A) + P (B) implique que les événements
© Dunod. La photocopie non autorisée est un délit.
A et B sont incompatibles.
3. L’information apportée par la connaissance de la réalisation
d’un événement B augmente la probabilité d’un autre événement
A, i.e. P(A|B) ≥ P(A).
4. Si deux événements sont incompatibles, alors ils sont indépen-
dants.
5. Si deux événements sont indépendants, alors leurs complé-
mentaires le sont aussi.
6. Soit Ω = {a, b, c, d} avec équiprobabilité des événements élé-
mentaires sur P (Ω). Les événements A = {a, b} et B = {a, c} sont
dépendants car ils sont réalisés simultanément quand l’événement
élémentaire a est réalisé.
6 TD Statistique et probabilités
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
sujets et les fait conduire devant un sac contenant mille jetons numérotés de un
à mille ; ils doivent alors tirer trois fois un jeton dont on note le numéro avant de
le remettre dans le sac. Le roi leur demande alors de choisir le cas dans lequel ils
seront pendus : soit lorsque le produit des trois nombres est pair, soit dans le cas
contraire. Quelle est la probabilité pour un sujet d’être pendu :
s’il connaît le calcul des probabilités?
s’il ne le connaît pas?
9. On considère deux événements quelconques A et B. Exprimer en fonction de
P(A), P(B) et P(A ∩ B) les probabilités conditionnelles suivantes : P(A|A ∪ B),
P(A|A ∩ B) et P(B̄|Ā) ; que devient cette dernière probabilité lorsque A et B sont
indépendants?
10. On suppose que dans une famille de deux enfants, les différentes répartitions
ordonnées fille-garçon sont équiprobables.
a) Sachant que l’un au moins des enfants est une fille, calculer la probabilité que
les deux enfants soient des filles.
b) Si vous sonnez à l’appartement de cette famille et qu’une fille vous ouvre,
quelle est la probabilité que l’autre enfant soit une fille?
Ensemble fondamental
12. On lance six boules dans quatre cases distinctes. Représenter l’ensemble
fondamental Ω dans les deux cas suivants.
a) Les boules sont numérotées de 1 à 6.
b) Les boules sont identiques.
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
13. Au résultat pile du lancer d’une pièce on associe la valeur +1 et la valeur −1
à face. Déterminer l’ensemble fondamental Ω associé aux expériences aléatoires
suivantes :
a) On effectue six lancers successifs.
b) On lance six pièces identiques simultanément.
c) On lance six pièces identiques simultanément et on ne s’intéresse qu’à la valeur
du résultat total obtenu.
Atomes
14. Soit A, B et C trois événements quelconques liés à une même épreuve aléatoire.
Décomposer les événements E = (A ∪ B)∆C et F = A ∪ (B∆C) en une réunion
d’événements incompatibles deux à deux et indécomposables, appelés atomes.
Dans quel cas les événements E et F sont-ils confondus?
Algèbre d’événements
15. Soit Ω = {a, b, c, d}. Déterminer l’algèbre A contenant les événements {c} et {d}.
Analyse de l’énoncé et conseils. Ce sont les propriétés générales d’une algèbre qui
vont permettre de déterminer celle qui est demandée.
16. Soit Ω = {a, b, c,d, e}. Déterminer l’algèbre A engendrée par la partition
Π = {a}, {b, c}, {d} , {e} de Ω.
Analyse de l’énoncé et conseils. L’algèbre demandée doit contenir tous les éléments
de la partition et donc aussi toutes leurs réunions.
8 TD Statistique et probabilités
17. Déterminer toutes les algèbres d’événements définies sur les ensembles Ω
suivants.
a) Ω = {a}.
b) Ω = {a, b}.
c) Ω = {a, b, c}.
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
variant de 1 à card Ω.
Tribu d’événements
Calcul de probabilités
1 2 1
20. Soit A et B deux événements tels que P(A) = , P(B) = et P(A ∩ B) = .
4 3 8
Calculer les probabilités de E = « au moins l’un de ces événements se produit » et
F = « un seul de ces événements se produit ».
21. On considère un lot de 100 bulletins sur lesquels figurent les réponses oui
ou non à trois questions. Après dépouillement, les nombres de réponses oui aux
questions 1, 2 et 3 sont respectivement 60, 40 et 30. Les nombres de réponses oui
associées aux questions 1 et 2, 1 et 3 et 2 et 3 sont respectivement 24, 15 et 12. Enfin,
sur 10 bulletins il est répondu oui aux trois questions. On désigne par Ei , 1 ≤ i ≤ 3,
TD • otio de ro i ité 9
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
22. Un étudiant doit répondre à quatre questions à choix multiple où trois
réponses sont proposées à chaque fois, une seule étant correcte.
a) Dans le cas où l’étudiant répond au hasard et de façon indépendante à chaque
question, calculer la probabilité qu’il donne plus de réponses justes que fausses.
b) Que devient cette probabilité s’il n’y a que deux réponses possibles à chaque
question? et s’il y en a quatre?
Problèmes de dénombrement
© Dunod. La photocopie non autorisée est un délit.
25. On tire au hasard et sans remise cinq cartes d’un jeu de trente deux. Calculer
la probabilité d’obtenir : une paire (résultat de la forme aabcd), deux paires (aabbc),
un full (aaabb).
26. Un tiroir contient n paires de gants différentes. En raison d’une panne d’élec-
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
tricité, Achille Talon prend au hasard 2r gants dans ce tiroir, avec r < n. Quelle est
la probabilité qu’il n’ait obtenu aucune paire de gants appareillés?
Analyse de l’énoncé et conseils. Il faut d’abord dénombrer tous les résultats possibles
équiprobables. Ensuite, on doit examiner comment les gants doivent être choisis pour
qu’il n’y ait aucune paire appareillée, en n’oubliant pas qu’une paire est constituée de
deux gants, un droit et un gauche !
Probabilités conditionnelles
27. On cherche une lettre qui a la probabilité p de se trouver dans l’un des quatre
tiroirs d’un secrétaire. Quelle est la probabilité qu’elle se trouve dans le quatrième
tiroir, sachant qu’on ne l’a pas trouvée dans les trois premiers?
29. Une élection a lieu au scrutin majoritaire à deux tours. Deux candidats A
et B sont en présence. Au premier tour 40 % des voix vont à A et 45 % à B, le
reste étant constitué d’abstentions. Aucun candidat n’ayant la majorité absolue,
un second tour est organisé. Tous les électeurs ayant voté la première fois voteront
à nouveau. Un sondage indique par ailleurs que 5 % des voix de A se reporteront
sur B et que 10 % des voix de B iront à A. On estime de plus que les deux tiers des
électeurs n’ayant pas voté au premier tour voteront, à raison de 60 % pour A et
40 % pour B.
TD • otio de ro i ité 11
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
chacun des candidats.
Théorème de Bayes
30. On classe les gérants de portefeuille en deux catégories : ceux qui sont bien
informés et ceux qui ne le sont pas. Lorsqu’un gérant bien informé achète une
valeur boursière pour son client, la probabilité que le cours de celle-ci monte est
de 0,8 ; dans le cas d’un gérant mal informé, cette probabilité ne vaut que 0,5. Si
on choisit au hasard un gérant dans un annuaire professionnel, la probabilité qu’il
soit bien informé est de 0,2. Calculer la probabilité que le gérant ainsi choisi soit
mal informé, sachant que la valeur qu’il a achetée a monté.
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
4 Faux. L’incompatibilité se traduitpar P(A ∩ B) = 0 et l’indépendance par
P(A ∩ B) = P(A)P(B), produit en général différent de 0, sauf cas particulier où l’un
des deux événements est de probabilité nulle.
8 Pour que le produit soit impair, il faut que chacun des nombres soit impair. Le
1 1 1 1
sujet qui connaît le calcul des probabilités sait donc que P(impair) = × × =
2 2 2 8
et il choisira donc d’être pendu (événement noté PE) si le résultat est impair. Dans
le cas contraire, le choix pair (P) ou impair (I) se fait au hasard, la probabilité d’être
pendu étant alors calculée par la formule de la probabilité totale :
1 7 1 1 1
P(PE) = P(P)P(PE|P) + P(I)P(PE|I) = × + × =
2 8 2 8 2
D’où l’intérêt parfois de connaître le calcul des probabilités !
TD • otio de ro i ité 13
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
En appliquant à nouveau la formule de Bayes :
P(FF) 1/4 1
P(FF|A) = = =
P(A) 3/4 3
P(FF) 1/4
P(FF|B) = = = 1/2 > P(FF|A)
P(B) 2/4
On voit ainsi que F = E ∪ (A ∩ C), donc pour que F soit identique à E il faut que
A ∩ C = ∅, c’est-à-dire que A et C soient incompatibles.
15 L’algèbre A contenant {c} et {d} doit contenir aussi leur union {c, d} et
leurs complémentaires {a, b, d} et {a, b, c}. La fermeture pour l’intersection implique
qu’elle contienne aussi {a, b, d} ∩ {a, b, c} = {a, b}. Au total on obtient :
A = ∅, {c}, {d} , {c, d} , {a, b} , {a, b, d} , {a, b, c} , Ω
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
On peut vérifier qu’il s’agit bien d’une algèbre à 8 éléments.
16 L’algèbre A engendrée par la partition est constituée par les 24 réunions des
ensembles de cette partition, soit :
A = ∅, {a}, {b, c} , {d} , {e} , {a, d} , {a, e} , {d, e} , {a, b, c} ,
{a, d, e} , {b, c, d} , {b, c, e} , {a, b, c, d} , Ω
17 Tous les ensembles Ω étant finis, les algèbres que nous allons construire
seront aussi des σ-algèbres.
A = ∅, A, B, Ā, B̄, A ∩ B, A ∩ B̄, Ā ∩ B, Ā ∩ B̄,
A ∪ B, Ā ∪ B, A ∪ B̄, Ā ∪ B̄, A∆B, A∆B, Ω
19
P(E) = P(A ∪ B) = P(A) + P(B) − P(A ∩ B) =
24
2
P(F) = P(A ∩ B̄) + P(Ā ∩ B) = P(E) − P(A ∩ B) =
3
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
A = (E1 ∩ E2 ∩ E3 ) ∪ (E1 ∩ E2 ∩ E3 ) ∪ (E1 ∩ E2 ∩ E3 )
Soit :
24 10 15 10 12 10 21
P(A) = − + − + − =
100 100 100 100 100 100 100
Soit :
60 40 30 24 15 12 10 58
P(B) = + + −2 + + +3 =
100 100 100 100 100 100 100 100
11
P(C) = 1 − P(A) − P(B) − P(E1 ∩ E2 ∩ E3 ) =
100
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
On a bien sûr p > p > p .
23 Soit P(A) la probabilité de gain du joueur A au début du jeu et examinons
ce qu’elle devient après les deux premières parties. Si A gagne les deux parties,
cette probabilité est devenue égale à 1, et à 0 s’il les a perdues. S’il gagne une seule
partie elle est inchangée. On a donc la relation :
P(A) = 1 × p2 + 0 × q2 + P(A) × pq + P(A) × qp
D’où on déduit :
p2 p2
P(A) = = 2
1 − 2pq p + q2
Par conséquent :
q2
P(B) = 1 − P(A) =
p2 + q2
A 1
p
A
p q
B P(A)
P(A)
A P(A)
q p
B
© Dunod. La photocopie non autorisée est un délit.
q
B 0
Figure 1.2
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
n
22r
2r
2n
2r
2
Pour n = 2 et r = 1 par exemple, cette probabilité vaut ·
3
27 On note A l’événement « la lettre est dans le quatrième tiroir » et B l’évé-
nement « la lettre n’est pas dans les trois premiers tiroirs ». La définition de la
probabilité conditionnelle conduit à :
P(A ∩ B)
P(A|B) =
P(B)
Chaque tiroir a la même probabilité de contenir la lettre, si celle-ci est dans l’un
1
d’entre eux, donc P(A ∩ B) = p × . On calcule ensuite P(B) = P(A ∩ B) + P(Ā ∩ B)
4
avec bien sûr P(Ā ∩ B) = 1 − p. Ainsi :
p/4 p
P(A|B) = =
p/4 + 1 − p 4 − 3p
P(U1 |U1 ∪ U3 ) = = =
P(U1 ) + P(U3 ) 1/3 + 1/3 2
On voit ainsi que les deux probabilités sont distinctes. L’information du tirage
d’une boule noire implique bien sûr la présence d’une boule noire mais ne se
confond pas avec cette dernière information. Ceci démontre la nécessité d’une très
grande rigueur dans la définition d’un événement et l’aide que peut apporter la
formalisation dans le calcul d’une probabilité.
20 TD Statistique et probabilités
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
calculant par :
2
P(A2 |O1 ) = P(O2 |O1 )P(A2 |O1 ∩ O2 ) = 0,60 × = 0,40
3
2 4
P(B2 |O1 ) = P(O2 |O1 )P(B2 |O1 ∩ O2 ) = 0,40 × =
3 15
P(A2 ) = P(A1 )P(A2 |A1 ) + P(B1 )P(A2 |B1 ) + P(O1 )P(A2 |O1 )
= 0,95 × 0,40 + 0,10 × 0,45 + 0,40 × 0,15 = 0,485
On obtient de la même façon P(B2 ) = 0,465, ce qui montre que les abstentionnistes
apporteront la victoire au candidat A.
30 Notons MI (resp. BI) l’événement « le gérant est mal (resp. bien) informé » et
M l’événement « la valeur a monté ». Les hypothèses formulées se traduisent par
les probabilités P(BI) = 0,2, P(M|BI) = 0,8 et P(M|MI) = 0,5. On obtient alors par
application de la formule de Bayes :
P(MI ∩ M) P(MI)P(M|MI)
P(MI|M) = =
P(M) P(MI)P(M|MI) + P(BI)P(M|BI)
0,8 × 0,5 5
= =
0,8 × 0,5 + 0,2 × 0,8 7
P(Ā ∩ G) P(Ā)P(G|Ā) p 2p
P(Ā|G) = = = =
P(G) P(A)P(G|A) + P(Ā)P(G|Ā) (1 − p)/2 + p p+1
Chaque résultat d’une expérience aléatoire est codé au moyen d’une application qui, si
elle permet d’associer une probabilité à chacune de ses valeurs numériques discrètes, sera
appelée variable aléatoire discrète. La loi de cette variable aléatoire est alors déterminée
par les probabilités de toutes ses valeurs possibles. Elle est souvent caractérisée par les
deux premiers moments qui sont l’espérance, caractéristique de valeur centrale, et la
variance, caractéristique de dispersion autour de cette valeur centrale. Nous présenterons
les principales lois de probabilité discrètes.
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
1.4 Moments d’une v.a. discrète
Espérance mathématique
Définition. On appelle espérance mathématique de la v.a. X la quantité, si elle existe :
E(X) = pi xi
i∈N
Propriétés. Si on ajoute une constante à une v.a., il en est de même pour son
espérance :
E(X + a) = E(X) + a ∀a ∈ R
Si on multiplie une v.a. par une constante, il en est de même pour son espérance :
E(aX) = aE(X) ∀a ∈ R
On résume ces trois propriétés en disant que l’opérateur espérance est linéaire :
Variance
Il s’agit d’un indicateur mesurant la dispersion des valeurs xi autour de E(X) :
V(X) = pi [xi − E(X)]2
i∈N
On note encore cette quantité V(X) = σ2X , σX désignant alors l’écart type de la v.a. X.
Propriétés. Par définition :
V(X) ≥ 0
TD • ri e é toire dis r te 23
V(X + a) = V(X)
V(aX) = a2 V(X)
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
V(X + Y) = V(X) + V(Y)
∗
Le moment centré d’ordre r ∈ N est :
µr (X) = pi [xi − E(X)]r = E [X − E(X)]r
i∈N
Soit a ∈ R un point fixé. On appelle loi de Dirac la loi de la v.a. certaine X, c’est-à-dire
qui est constante, avec X(ω) = a quel que soit le résultat ω de l’épreuve. Ainsi :
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
On écrit X B(n, p) avec E(X) = np et V(X) = npq. Si X1 B(n1 , p) et
X2 B(n2 , p), les v.a. X1 et X2 étant indépendantes, alors X1 + X2 B(n1 + n2 , p).
On effectue n tirages sans remise dans une urne contenant N objets dont NA objets
A et on note X le nombre d’objets A tirés. Pour tout k tel que 0 ≤ k ≤ n :
NA N − NA
k n−k
PX (X = k) =
N
n
La loi hypergéométrique s’écrit symboliquement X H(N, n, NA ), de moments :
N−n
E(X) = np, V(X) = npq
N−1
ayant posé p = P(A) = NA /N et q = 1 − p = 1 − NA /N.
Une v.a. X suit une loi de Poisson de paramètre λ > 0 si c’est une variable à valeurs
entières, X(Ω) = N, avec pour k ∈ N :
λk
PX (X = k) = e−λ
k!
On utilise l’écriture symbolique X P (λ) et le calcul des moments donne
E(X) = V(X) = λ. Si deux variables suivent des lois de Poisson et sont indépen-
dantes, X P (λ) et Y P (µ), alors leur somme suit aussi une loi de Poisson :
X + Y P (λ + µ).
PX (X = k) = (1 − p)k−1 p
1 q
où p = P(A) avec E(X) = et V(X) = 2 , q = 1 − p.
p p
TD • ri e é toire dis r te 25
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
n nq
avec comme moments E(Y) = et V(Y) = 2 , q = 1 – p ·
p p
Vrai Faux
1. Une variable aléatoire est une valeur numérique.
2. Toute application de P (Ω) dans N est une variable aléatoire
discrète.
3. L’espérance mathématique d’une v.a. discrète est la valeur
qu’elle prend le plus fréquemment.
8. Si X et Y sont deux v.a. indépendantes qui admettent une variance, on sait que
V(X + Y) = V(X) + V(Y). Dans quel cas peut-on avoir la relation V(X − Y) =
V(X) − V(Y)?
9. Un examen comporte n questions qu’un candidat tire au hasard dans le pro-
gramme, avec remise. On note X la v.a. qui représente le nombre de questions
tirées dont il connaît la réponse et Y celle qui représente le nombre de celles dont
il ignore la réponse. Si p est la proportion de questions du programme que ce
candidat connaît, calculer V(X), V(Y) puis V(X + Y). Que remarque-t-on?
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
Loi de probabilité
10. On considère une urne contenant une boule blanche et deux boules noires
identiques. On effectue deux tirages successifs dans cette urne, la première
boule tirée étant remplacée par une boule de couleur différente. On demande
de construire l’ensemble fondamental Ω associé à cette épreuve aléatoire, si on
tient compte de l’ordre des tirages, et de déterminer la probabilité de chacun des
événements élémentaires. En déduire la loi de probabilité de la v.a. X qui représente
le nombre de boules noires tirées.
11. Une urne contient six boules dont quatre blanches et deux noires. On extrait
une boule de l’urne, puis on la remet et on effectue ensuite des tirages sans remise
jusqu’à obtention d’une boule de même couleur. Déterminer la loi de probabilité
du nombre X de tirages après remise de la boule tirée initialement.
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
28 TD Statistique et probabilités
Loi du maximum
16. Dans une urne qui contient N boules numérotées de 1 à N, on en extrait avec
remise n. Déterminer la loi de probabilité de la v.a. X égale au plus grand des n
numéros tirés.
Analyse de l’énoncé et conseils. Les tirages étant avec remise sont indépendants. Il est
facile de voir que X peut prendre toutes les valeurs entières de 1 à N. Pour déterminer
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
la probabilité d’un entier k donné, il est conseillé de calculer d’abord la probabilité de
l’événement X ≤ k puis de remplacer k par k − 1.
17. La v.a. X représente le chiffre obtenu après le lancer d’un dé à six faces
numérotées de 1 à 6. Déterminer la loi de probabilité de la v.a. Y = X (7 − X) puis
calculer E(Y) et V(Y). On désigne par Y1 , . . . , Yn les valeurs observées à l’issue de
n lancers indépendants. Déterminer la loi de probabilité de la v.a. Mn égale à la
plus grande de ces valeurs.
Lois usuelles
18. On désigne par X la v.a. qui représente le nombre de boules rouges obtenues
après cinq tirages avec remise dans une urne qui contient deux boules rouges et
six boules blanches. Déterminer sa loi de probabilité puis calculer E(X) et V(X).
Analyse de l’énoncé et conseils. Il est facile de reconnaître ici une loi usuelle dont les
moments sont donnés par le cours.
19. On désigne par X la v.a. qui représente le nombre de boules blanches obtenues
après trois tirages sans remise dans une urne qui contient deux boules noires et
huit boules blanches. Déterminer sa loi de probabilité puis calculer E(X) et V(X).
1 Faux. Une variable aléatoire est une application qui à un événement fait
correspondre un nombre.
2 Vrai. Si on prend comme tribu A = P (Ω), toute application X est une v.a.
puisque X−1 (x) ∈ P (Ω) pour tout x réel.
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
3 Faux. C’est simplement la moyenne en probabilité de toutes ses valeurs pos-
sibles et ne correspond d’ailleurs pas forcément à l’une des valeurs qu’elle peut
prendre. Par exemple, si X est la v.a. qui code 0 le résultat pile et 1 le résultat face
d’un lancer de pièce de monnaie :
1 1 1
E(X) = 0 × PX (X = 0) + 1 × PX (X = 1) = 0 × +1× =
2 2 2
La valeur moyenne en probabilité de X est 1/2, bien que X ne prenne jamais cette
valeur.
4 Vrai. La seule condition est bien sûr que l’espérance de chacune de ces deux
variables existe.
5 Faux. Une espérance commune n’a aucune incidence sur la valeur de la
variance. Considérons par exemple les deux distributions suivantes :
X 4 8 12 Y −8 6 66
1/4 1/4 1/2 1/2 1/3 1/6
Elles ont comme valeurs moyennes :
E(X) = 1 + 2 + 6 = 9 et E(Y) = −4 + 2 + 11 = 9
donc même centre de distribution. Par contre :
E X2 = 4 + 16 + 72 = 92 et E Y2 = 32 + 12 + 726 = 770
d’où V(X) = 11 et V(Y) = 689, valeur très supérieure qui indique une dispersion
de Y autour de sa moyenne beaucoup plus grande que celle de X.
© Dunod. La photocopie non autorisée est un délit.
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
une réponse tirée étant p et les tirages étant indépendants,
puisque avec remise.
On en déduit comme résultat du cours que V(X) = np 1 − p . De même, puisqu’il
y a une probabilité 1 − p que le candidat
ne connaisse pas une
réponse,
la v.a. Y
suit une loi binômiale B n, 1 − p et on a aussi V (Y) = np 1 − p . Bien entendu
on a toujours X + Y = n, la somme de ces deux variables n’étant pas aléatoire, avec
donc V(X + Y) = 0. La somme des variances n’est pas égale à la variance de la
somme de ces deux v.a. qui ne sont pas indépendantes, leur somme étant d’ailleurs
constante, donc de variance nulle.
7
P (X = 1) = P (BN) + P (NB) =
9
2
P (X = 2) = P (NN) =
9
11 Si la boule tirée initialement est blanche, comme il n’y a que deux noires, il
y aura au maximum trois tirages. Nous noterons Bi (resp. Ni ) l’événement « avoir
tiré une boule blanche (resp. noire) au i-ème tirage », avec 0 ≤ i ≤ 5. La loi de X,
conditionnellement à B0 , se détermine par :
4 10
P (X = 1|B0 ) = P (B1 ) = =
6 15
2 4 4
P (X = 2|B0 ) = P (N1 B2 ) = × =
6 5 15
2 1 4 1
P (X = 3|B0 ) = P (N1 N2 B3 ) = × × =
6 5 4 15
TD • ri e é toire dis r te 31
Notons au passage que la somme de ces probabilités conditionnelles est bien égale
à 1.
Si la boule tirée initialement est noire, il peut y avoir cette fois jusqu’à cinq tirages
avant d’obtenir une noire, puisqu’il y a quatre blanches. La loi conditionnelle est
définie par :
2 5
P (X = 1|N0 ) = P (N1 ) = =
6 15
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
4 2 4
P (X = 2|N0 ) = P (B1 N2 ) = × =
6 5 15
4 3 2 3
P (X = 3|N0 ) = P (B1 B2 N3 ) = × × =
6 5 4 15
4 3 2 2 2
P (X = 4|N0 ) = P (B1 B2 B3 N4 ) = × × × =
6 5 4 3 15
4 3 2 1 2 1
P (X = 5|N0 ) = P (B1 B2 B3 B4 N5 ) = × × × × =
6 5 4 3 2 15
2 10 1 5 5 2 4 1 4 4
soit P (X = 1) = × + × = , P (X = 2) = × + × = ,
3 15 3 15 9 3 15 3 15 15
2 1 1 3 1 1 2 2
P (X = 3) = × + × = , P (X = 4) = × = et P (X = 5) =
3 15 3 15 9 3 15 45
1 1 1
× = . On vérifie à nouveau que la somme de ces probabilités est égale à 1.
3 15 45
1 1 2 21
E(G) = 2
× 204−2 + 3 × 204−3 + 4 × 204−4 − 100 =
2 2 2 8
N−1
E (G) = aNP (X ≥ N) + [ax − b (N − x)] P (X = x)
x=0
32 TD Statistique et probabilités
Tous les entiers x de {0, 1, . . . , n} ont la même probabilité, c’est-à-dire que X suit
une loi uniforme discrète, avec P (X = x) = 1/ (n + 1). On obtient donc :
n
N−1
(a + b) x − bN
1
E (G) = aN +
x=N
n+1 n+1
x=0
aN (n − N + 1) N (N − 1) bN2
= + (a + b) −
n+1 2 (n + 1) n+1
N [(2n + 1) a − b − (a + b) N]
=
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
2 (n + 1)
Cette valeur est maximum quand le numérateur h (N) est maximum, avec h (N) =
(2n + 1) a − b
(2n + 1) a − b − 2 (a + b) N qui s’annule pour N = et une dérivée
2 (a + b)
seconde h (N) = −2 (a + b) < 0. La commande optimum correspond donc bien à
cette valeur de N.
Pour n = 3, on doit donc trouver une valeur de N telle que (1 − 1/N)3 soit proche
de 0,25, ce qui correspond à N voisin de 2,7, donc le nombre de boîtes est l’entier
le plus proche N0 = 3.
X 1 2 3 4 5 6
Y 6 10 12 12 10 6
La loi de X étant la loi uniforme discrète sur les entiers {1, 2, 3, 4, 5, 6}, il en est de
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
même de la loi de Y sur les entiers {6, 10, 12}. On obtient alors aisément :
1 28
E (X) = (6 + 10 + 12) =
3 3
2 1 280 56
E X = (36 + 100 + 144) = V(X) =
3 30 9
La variable Mn peut prendre aussi les valeurs 6, 10 ou 12. Pour que Mn soit égale
à 6, il faut que toutes les variables Yi aient pris la valeur 6, d’où :
n
n
1
P (Mn = 6) = P (Yi = 6) =
3
i=1
Si Mn est égale à 12, c’est que l’un des événements Yi = 12 est réalisé, le complé-
mentaire étant tous les événements Yi < 12 sont réalisés, soit :
n n n
2
P (Mn = 12) = P (Yi = 12) = 1 − P (Yi ≤ 10) = 1 −
3
i=1 i=1
18 Les tirages étant avec remise sont indépendants et donc X suit une loi
binômiale
de paramètres n = 5 et p = 2/8 avec E (X) = np = 5/4 et V(X) =
np 1 − p = 15/16.
34 TD Statistique et probabilités
1 7
P (X = 0) = 0 , P (X = 1) = , P (X = 2) = P (X = 3) =
15 15
8 12 8 2 7 28
avec E (X) = 3 × = et V(X) = 3 × × × = ·
10 5 10 10 9 75
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
Variable
aléatoire
continue 3
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
On associe aux résultats d’une expérience aléatoire un ensemble de valeurs qui forment un
(ou plusieurs) intervalle(s) réel(s). Si on peut calculer la probabilité de tous les intervalles
qui sont inclus dans cet ensemble, l’application qui réalise ce codage se nomme variable
aléatoire (v.a.) continue. Sa loi de probabilité est généralement définie par une densité qui
sera la dérivée de la fonction de répartition. Le calcul des moments s’effectue à l’aide de
cette densité par une intégration.
On appelle v.a. réelle définie sur (Ω, A) une application X : Ω → R telle que pour
© Dunod. La photocopie non autorisée est un délit.
Cette condition est vérifiée si pour tout réel x, on a X−1 (]−∞, x[) ∈ A.
Elle est déterminée par la fonction de répartition (f.r.) F, définie pour tout x réel
par :
F(x) = PX (X < x) = P X−1 (]−∞, x[) = P {ω ∈ Ω/X(ω) < x}
36 TD Statistique et probabilités
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
1.4 Loi continue
Si la fonction F est continue, on dit que X est une variable aléatoire réelle continue.
Dans ce cas, pour tout réel x, PX (X = x) = 0, et on dit que la loi est diffuse.
Dans le cas où la fonction F admet une dérivée f , celle-ci est appelée densité
de probabilité de la v.a. X, de loi qualifiée d’absolument continue. La f.r. est alors
déterminée par l’intégrale :
x
F(x) = f (t) dt
−∞
Espérance mathématique
Elle est définie par :
+∞
E(X) = xf (x) dx
−∞
Variance
Elle est définie par :
+∞
2
V(X) = E [X − E(X)] = [x − E(X)]2 f (x) dx = E X2 − E2 (X) = σ2 (X)
−∞
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
Si X et Y sont deux v.a. indépendantes admettant une variance :
Une v.a. X suit une loi uniforme si sa densité est constante sur un intervalle [a, b] :
1 si x ∈ [a, b]
f (x) = b − a
0 sinon
© Dunod. La photocopie non autorisée est un délit.
b+a (b − a)2
E(X) = et V(X) =
2 12
38 TD Statistique et probabilités
La loi exponentielle de paramètre θ > 0 est celle d’une variable positive de densité :
θe−θx si 0 ≤ x
f (x) =
0 si x < 0
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
x
x
F(x) = θ e−θt dt = −e−θt 0 = 1 − e−θx
0
1 (x − m)2
f (x) = √ exp −
σ 2π 2σ2
Une v.a. X de loi gamma de paramètres p > 0 et θ > 0 est positive, de densité :
θp −θx p−1
f (x) = e x si x ≥ 0
Γ( p)
La loi du khi-deux à n degrés de liberté, notée χ2n , est la loi γ(n/2, 1/2) où n est un
entier positif. Ses moments se déduisent de ceux de la loi gamma :
n/2 n/2
E χ2n = = n et V χ2n = = 2n
1/2 1/4
Si X χ2n et Y χ2m sont des v.a. indépendantes, alors X + Y χ2n+m .
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
Notons une propriété importante qui peut servir de définition de cette loi : si
X1 , . . . , Xn sont des v.a. indépendantes et de même loi N(0, 1), alors X12 + · · · + Xn2
suit une loi du khi-deux à n degrés de liberté.
Soit U une√v.a. de loi N(0, 1) et Y une autre v.a. indépendante de loi χ2n . Le
rapport U/ Y/n suit une loi de Student à n degrés de liberté, notée Tn . Comme
le numérateur U suit une loi symétrique par rapport à 0, il en est de même de Tn ,
n
avec E(Tn ) = 0 pour n > 1. On obtient aussi V(Tn ) = pour n > 2.
n−2
Si U et V sont deux v.a. indépendantes de lois respectives χ2n et χ2m , alors le rapport
(U/n) / (V/m) suit une loi de Fisher-Snedecor à n et m degrés de liberté, notée
F(n, m).
Vrai Faux
1. La f.r. d’une loi absolument continue est strictement croissante
sur l’ensemble des nombres réels x tels que F (x) > 0.
© Dunod. La photocopie non autorisée est un délit.
7. Comment déterminer si la loi de probabilité d’une v.a. réelle X est continue (ou
diffuse), mixte ou absolument continue, connaissant sa fonction de répartition F?
8. Si une loi est définie par une densité, indiquer comment on peut étudier
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
l’existence de ses moments centrés.
Fonction de répartition
Déterminer la constante k pour que f soit la densité d’une loi dont on précisera la
fonction de répartition.
Analyse de l’énoncé et conseils. Pour qu’une fonction soit une densité, il faut qu’elle
soit positive et d’intégrale égale à 1. C’est cette dernière condition qui va permettre de
calculer précisément la valeur de la constante k. On détermine ensuite la f.r. en intégrant
la densité de −∞ à x, en choisissant x dans chacun des intervalles où l’expression de
cette densité reste la même.
Loi de Pareto
10. Une v.a. X suit une loi de Pareto de densité f définie par :
k si x ≥ x0
f (x) = x3
0 sinon
où x0 est une constante positive. Déterminer la constante k pour que f soit bien une
densité et préciser la fonction de répartition de X.
Loi symétrique
Déterminer la f.r. de X, puis indiquer sans calculs les valeurs de P (X > 1) et E (X).
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
Analyse de l’énoncé et conseils. La densité se présente sous la forme usuelle d’une
fonction qui est non nulle seulement sur un intervalle fini, le support de la loi. La
f.r. sera donc nulle avant l’origine de cet intervalle, puisqu’il n’y a aucune masse de
probabilité, et vaudra 1 au-delà de l’extrémité du support puisque toute la masse de
probabilité sera située à gauche du point considéré. Si on remarque une symétrie de la
densité par rapport au centre de l’intervalle, celui-ci sera centre de symétrie de la loi,
c’est-à-dire sera à la fois médiane et moyenne de la loi.
Calcul de moments
Analyse de l’énoncé et conseils. Le calcul des moments se fait par intégration, sans
difficultés particulières dans le cas d’une densité finie sur un intervalle
fini. Pour le
calcul de la variance, il est presque toujours préférable de calculer E X2 puis d’utiliser
la formule développée.
© Dunod. La photocopie non autorisée est un délit.
Loi de Laplace
Analyse de l’énoncé et conseils. Le principe est le même que dans l’exercice précé-
dent mais il s’agit ici d’intégrales généralisées dont il faut examiner la convergence,
puisqu’on intègre sur tout R. On pourra ici simplifier le calcul par la recherche d’un
centre de symétrie de la loi.