TD Statistiques

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 41

Notion

de probabilité 1
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666

Si on veut formaliser un problème dans lequel le hasard intervient, on doit construire un


modèle probabiliste, choisi en fonction du but que l’on poursuit. Ce modèle est constitué d’un
ensemble fondamental, d’une tribu d’événements et d’une probabilité. Le choix de l’ensemble
fondamental est très important pour le calcul ultérieur des probabilités des événements.
Nous introduirons aussi les notions de probabilité conditionnelle et d’indépendance. La
formule de Bayes est souvent très utile pour le calcul de probabilités conditionnelles.

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.

2. Algèbre et tribu d’événements


 
Le couple Ω, P (Ω) s’appelle un espace probabilisable. Même si Ω est fini, le cardinal
de P (Ω) peut être un nombre très grand et dans ce cas on est amené alors à
ne considérer qu’une famille restreinte A de parties de Ω, A ⊂P (Ω). Pour que
le résultat des opérations ensemblistes (union, intersection, complémentaire) soit
encore un événement, il est nécessaire que la famille d’événements qui a été retenue
soit fermée, ou stable, vis-à-vis de ces opérations, c’est-à-dire qu’il soit bien un
2 TD Statistique et probabilités

élément de la famille. De plus, les événements « certain », Ω, et « impossible », ∅,


doivent également appartenir à cet ensemble. Ainsi, on associera à une épreuve
aléatoire un ensemble non vide de parties de Ω, noté A, qui vérifiera :

C1 pour tout A ∈ A, alors Ā ∈ A;

C2 pour tout A ∈ A et tout B ∈ A, alors A ∪ B ∈ A.

Il y a fermeture pour le complémentaire et l’union. Cet ensemble A s’appelle une


algèbre de parties de Ω. Bien entendu, grâce aux lois de Morgan, on a une définition

www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
équivalente en remplaçant la condition C2 par :

C2 pour tout A ∈ A et tout B ∈ A, alors A ∩ B ∈ A.

 Propriétés d’une algèbre


P1 La famille étant non vide, on en conclut que :

∅ ∈ A et Ω ∈ A

P2 Si Aj ∈ A pour 1 ≤ j ≤ n, on démontre par récurrence que :

n

Aj ∈ A
j=1

P3 Si Aj ∈ A pour 1 ≤ j ≤ n, on démontre également par passage au complé-


mentaire que :
n

Aj ∈ A
j=1

Cependant, certaines expériences peuvent se dérouler indéfiniment et on a donc


besoin de renforcer la propriété P2 de fermeture pour l’union finie par une condition
de fermeture pour l’union dénombrable, soit :

C3 Si An ∈ A pour tout n ∈ N, alors :



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

propriété dite de σ-additivité.


Une probabilité est donc une application qui à un événement va associer un nombre
compris entre 0 et 1. Le triplet (Ω, A, P) s’appelle un espace probabilisé.

 Propriétés
P1 L’événement impossible est de probabilité nulle :

P(∅) = 0

P2 La probabilité de l’événement complémentaire d’un événement quelconque


A s’obtient par :

P(Ā) = 1 − P(A)

P3 Si un événement en implique un autre, sa probabilité est plus petite :

A ⊂ B ⇒ P(A) ≤ P(B)

P4 La probabilité de l’union de deux événements s’obtient par la formule de


Poincaré :
© Dunod. La photocopie non autorisée est un délit.

P(A ∪ B) = P(A) + P(B) − P(A ∩ 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)

La formule de définition de la probabilité conditionnelle peut aussi s’écrire, si


P(A) > 0 :

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 :

P(A1 ∩ A2 ∩ . . . ∩ An ) = P(A1 )P(A2 |A1 )P(A3 |A1 ∩ A2 ) . . .


P(An |A1 ∩ A2 ∩ . . . ∩ An−1 )
n
 k−1

 
= P(A1 ) P Ak | Ai
k=2 i=1

5. Théorème de Bayes

Un système complet d’événements est une partition de Ω en événements {A1 , . . . , An }


de probabilités strictement positives, P(Ai ) > 0 pour
 1 ≤ i ≤ n, et incompatibles
deux à deux, i.e. avec Ai ∩ Aj = ∅ pour i  = j et ni=1 P(Ai ) = 1. On suppose que
les probabilités des événements inclus dans chacun des Ai sont connues et on va
donc décomposer un événement quelconque B sur ce système :
 n  n
 
B=B∩Ω=B∩ Ai = (Ai ∩ B)
i=1 i=1

On aboutit ainsi à la formule de la probabilité totale :

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 :

P(Ai ∩ B) P(Ai )P(B|Ai )


P(Ai |B) = = n
P(B) 
P(Ai )P(B|Ai )
i=1

résultat appelé formule de Bayes ou parfois théorème de Bayes.


TD • otio de ro i ité 5

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)

La probabilité de réalisation simultanée de deux événements indépendants est


égale au produit des probabilités que chacun de ces événements se produise
séparément. En conséquence, si P(B) > 0 :

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

7. On lance deux pièces de monnaie parfaitement identiques et on note les trois


résultats possibles PP, FF et PF où la lettre P (resp. F) désigne le résultat pile (resp.
face). L’événement élémentaire PF est-il de probabilité 1/3?
8. Un roi sanguinaire a imaginé le jeu suivant : il fait arrêter quelques-uns de ses

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

11. On lance simultanément deux dés numérotés de 1 à 6. Déterminer l’ensemble


fondamental Ω dans les cas suivants :
a) Les deux dés sont distincts (par exemple un rouge et un bleu).
b) Les deux dés sont identiques.
c) Les deux dés sont identiques et on s’intéresse seulement à la parité du résultat.

Analyse de l’énoncé et conseils. L’ensemble fondamental est déterminé à chaque fois


par la manière dont un résultat élémentaire va être noté.
TD • otio de ro i ité 7

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.

Analyse de l’énoncé et conseils. Comme dans l’exercice précédent, il faut se poser la


question de savoir ce qui caractérise un événement élémentaire.

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.

Analyse de l’énoncé et conseils. Chaque événement élémentaire est spécifié de façon


différente selon les cas.

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?

Analyse de l’énoncé et conseils. Si un schéma ne peut en aucun cas remplacer une


démonstration, la représentation des événements E et F à partir de A, B et C sera une
aide précieuse pour déterminer leur décomposition en atomes. Ces derniers sont des
événements qui s’expriment sous la forme A ∩ B ∩ C̄, Ā ∩ B̄ ∩ C . . .
© Dunod. La photocopie non autorisée est un délit.

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}.

Analyse de l’énoncé et conseils. Les algèbres finies comportent 2k éléments, avec k

www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
variant de 1 à card Ω.

18. À l’aide des opérations d’union, d’intersection et de passage au complémen-


taire, construire à partir de deux sous-ensembles quelconques A et B de Ω toutes les
parties possibles de cet ensemble fondamental. Montrer qu’il s’agit d’une algèbre
d’événements.

Analyse de l’énoncé et conseils. Il faut considérer la partition de Ω que l’on peut


former à partir des atomes (cf. exercice 14, page précédente).

Tribu d’événements

19. Soit Ω un ensemble infini non dénombrable et C l’ensemble des parties A de


Ω telles que A ou bien Ā est dénombrable. Montrer que C est une σ-algèbre ou
tribu d’événements.

Analyse de l’énoncé et conseils. Il faut vérifier les propriétés caractéristiques d’une


tribu et utiliser le fait qu’un ensemble inclus dans un ensemble dénombrable est lui-
même dénombrable.

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 ».

Analyse de l’énoncé et conseils. C’est une application directe de la formule de


Poincaré.

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

l’événement « la réponse est oui à la i−ème question » sur un bulletin prélevé au


hasard parmi les 100. On demande d’exprimer à l’aide des Ei les trois événements
suivants, puis de calculer leur probabilité : sur le bulletin prélevé, on a obtenu deux
oui et un non, un oui et deux non, trois non.

Analyse de l’énoncé et conseils. Il faut décomposer chaque événement considéré en


événements incompatibles et utiliser une formule souvent utile dans ce type d’exercice :
P(A ∩ B̄) = P(A) − P(A ∩ B).

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?

Analyse de l’énoncé et conseils. On construit l’ensemble fondamental le plus simple


décrivant l’ensemble des résultats possibles, de telle sorte qu’il y ait équiprobabilité des
événements élémentaires. Ayant écrit l’événement considéré à l’aide de ces événements
élémentaires, le calcul de sa probabilité se fait sans difficulté.

23. Deux joueurs A et B participent à un jeu avec des probabilités respectives de


victoire à chaque partie p et q = 1 − p. Le gagnant est celui qui le premier obtient
deux victoires de plus que l’autre. Quelle est la probabilité de gain de chaque
joueur?

Analyse de l’énoncé et conseils. Il est conseillé de faire un arbre du déroulement


des deux premières parties et de marquer à l’extrémité des quatre branches la nouvelle
valeur de la probabilité de gain du joueur A par exemple.

Problèmes de dénombrement
© Dunod. La photocopie non autorisée est un délit.

24. On jette trois dés identiques numérotés de 1 à 6. Calculer la probabilité


d’observer les résultats suivants.
a) Trois fois le même chiffre.
b) Deux fois le même chiffre et un autre différent.
c) Trois chiffres différents.

Analyse de l’énoncé et conseils. Ayant construit l’ensemble fondamental où il y


a équiprobabilité des événements élémentaires, on écrit, en utilisant par exemple les
lettres de l’alphabet, la forme générale du résultat considéré pour calculer ensuite le
nombre de résultats différents de cette forme.
10 TD Statistique et probabilités

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).

Analyse de l’énoncé et conseils. Voir exercice précédent. Il s’agit de problèmes


combinatoires délicats qui demandent beaucoup d’attention pour bien déterminer tous
les résultats différents ayant la même forme.

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?

Analyse de l’énoncé et conseils. C’est une simple application de la définition d’une


probabilité conditionnelle. Il faut cependant bien noter que p est la probabilité que la
lettre soit dans le secrétaire et que, si elle y est, tous les tiroirs ont la même probabilité
de la contenir.

28. On considère trois urnes U1 , U2 et U3 qui contiennent respectivement deux


boules noires, deux boules blanches et une blanche et une noire. On vous présente
l’une de ces trois urnes tirée au hasard ; quelle est la probabilité que ce soit U1 :
si vous savez que l’urne contient au moins une boule noire?
si vous tirez une boule noire?

Analyse de l’énoncé et conseils. Il s’agit encore du calcul d’une probabilité condi-


tionnelle où il faut seulement être attentif à la définition de l’événement par lequel on
conditionne.

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

a) Quelle est la probabilité pour qu’un abstentionniste du premier tour vote


pour A? pour B?
b) D’après ce sondage, quel candidat a la plus forte probabilité d’être élu?

Analyse de l’énoncé et conseils. Les résultats du premier tour se traduisent en termes


de probabilités et les éléments du sondage en termes de probabilités conditionnelles
au vote du premier tour. On doit ensuite calculer les probabilités conditionnelles à
l’abstention au premier tour et en déduire la probabilité du vote au second tour, pour

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.

Analyse de l’énoncé et conseils. C’est une application directe du théorème de Bayes.

31. Dans la coupe de France de football, une équipe E de première division


estime qu’elle gagnera si elle rencontre une équipe de division inférieure et qu’elle
a une chance sur deux de gagner si c’est une équipe de première division. Sachant
que la probabilité de rencontrer une équipe de division inférieure est p , calculer la
probabilité que E ait rencontré une équipe de division inférieure, sachant qu’elle
a remporté son match.

Analyse de l’énoncé et conseils. Après avoir traduit en termes de probabilités les


informations fournies dans l’énoncé, on applique la formule de Bayes.
© Dunod. La photocopie non autorisée est un délit.

1  Vrai. L’ensemble Ω dépend évidemment de l’expérience considérée, mais aussi


du choix de celui qui construit le modèle, et par là présente donc un certain arbi-
traire. L’ensemble fondamental naturel associé à un jet de dé est Ω = {1, 2, 3, 4, 5, 6},
maissi on ne s’intéresse qu’à la parité du résultat, on peut retenir également
Ω = {1, 3, 5} , {2, 4, 6} .
12 TD Statistique et probabilités

2  Faux. Il suffit que P(A ∩ B) = 0, ce qui est différent de A ∩ B = ∅. Soit par


exemple Ω = {a, b, c} avec P({a}) = P({b}) = 1/2 et P({c}) = 0 ; les deux événements
A = {a, c} et B = {b, c} ne sont pas disjoints car {a, c} ∩ {b, c} = {c} et pourtant
P(A ∪ B) = P(Ω) = 1 = P(A) + P(B).
3  Faux. La probabilité de tirer une boule rouge au deuxième tirage sans remise
2 1 1
dans une urne qui contient deux noires et une rouge est P(A) = × = alors
3 2 3
que si l’événement B = « tirer une boule rouge au premier tirage » est réalisé, on a
bien sûr P(A|B) = 0.

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.

5  Vrai. Si les événements A et B sont indépendants, on obtient :


P(A ∩ B̄) = P(A) − P(A ∩ B) = P(A) − P(A)P(B)
= P(A) [1 − P(B)] = P(A)P(B̄)

donc les événements A et B̄ sont indépendants. De même :

P(Ā ∩ B̄) = P(B̄) − P(A ∩ B̄) = P(B̄) − P(A)P(B̄)

= P(B̄) [1 − P(A)] = P(Ā)P(B̄)

donc Ā et B̄ sont aussi indépendants.

6  Faux. En raison de l’équiprobabilité : P(A) = P(B) = 1/2 et P(A∩B) = P({a}) =


1/4 = P(A)P(B), donc les événements A et B sont indépendants.

7  L’événement noté PF peut être obtenu de deux façons différentes, le résultat


pile par exemple pouvant apparaître sur l’une ou l’autre des deux pièces ; sa pro-
babilité est donc 2/4. Les événements PP et FF par contre ne peuvent être obtenus
que d’une seule façon (leur probabilité est 1/4) ; il n’y a donc pas équiprobabilité
des résultats possibles retenus. Ceci peut être source d’erreur dans le calcul des
probabilités et il vaut mieux retenir ici l’ensemble fondamental Ω = {P, F}2 , c’est-
à-dire l’ensemble des couples ordonnés, chaque élément du couple étant associé à
une pièce particulière, même si les pièces sont identiques.

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

9  Il suffit d’appliquer la formule de Bayes et de remarquer que A ⊂ A ∪ B :


P(A) P(A)
P(A|A ∪ B) = = ≥ P(A)
P(A ∪ B) P(A) + P(B) − P(A ∩ B)

Savoir que A ou B est déjà réalisé augmente la probabilité de A.


Si A et B sont réalisés, l’événement A l’est bien sûr et on peut vérifier que
P(A|A ∩ B) = 1.

www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
En appliquant à nouveau la formule de Bayes :

P(Ā ∩ B̄) P(A ∪¯ B) 1 − P(A ∪ B) P(B) − P(A ∩ B)


P(B̄|Ā) = = = =1−
P(Ā) P(Ā) 1 − P(A) 1 − P(A)

Si A et B sont indépendants, on a vu dans l’exercice 5, page 5, que Ā et B̄ sont aussi


indépendants, ce que l’on retrouve ici en obtenant dans ce cas P(B̄|Ā) = P(B̄).

10  Par hypothèse, il y a équiprobabilité sur Ω = {FF, FG, GF, GG}.


a) On conditionne ici par l’événement A = {FF, FG, GF} et la probabilité demandée
se calcule par :

P(FF) 1/4 1
P(FF|A) = = =
P(A) 3/4 3

b) La différence avec le cas précédent peut ne pas apparaître immédiatement car


l’événement B = « une fille vient ouvrir » implique évidemment que l’un au moins
des enfants est une fille. Mais il y a un élément supplémentaire d’information
qui va renforcer cette probabilité conditionnelle : la fille s’est déplacée pour venir
ouvrir. Si on admet que fille et garçon ont la même curiosité de venir ouvrir, on
obtient ici :
1 1 2
P(B) = P (FG) + P (GF) + P (FF) = < P (A)
2 2 4
et donc
© Dunod. La photocopie non autorisée est un délit.

P(FF) 1/4
P(FF|B) = = = 1/2 > P(FF|A)
P(B) 2/4

11  a) Les deux dés étant distincts, un événement élémentaire est représenté


par un couple ordonné ω = (x1 , x2 ) où x1 (resp. x2 ) représente le chiffre obtenu sur
le dé rouge (resp. bleu). Ainsi Ω = E2 avec E = {1, 2, 3, 4, 5, 6} et card Ω = 36.
b) Les dés étant identiques, l’ensemble fondamental est constitué par les couples
6×5 6×7
non ordonnés d’éléments de E, avec ici card Ω = 62 − = = 21.
2 2
c) Si on note I (resp. P) un résultat impair (resp. pair) sur un dé, l’ensemble
fondamental se réduit ici à Ω = {IP, PP, II} soit card Ω = 3.
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
TD • otio de ro i ité 15

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) Il n’y a que l’algèbre élémentaire A = {∅, Ω}.

b) Il n’y a que l’algèbre


 élémentaire A = {∅, Ω} et l’algèbre la plus complète
P (Ω) = ∅, {a}, {b} , Ω .

c) On peut construire ici cinq


 algèbres, de la plus élémentaire  A1 = {∅, Ω} à
la plus complète P (Ω) = ∅, {a} , {b},{c}, {a, b} , {b, c}, {a, c} , Ω, en passant par
les algèbres
 à quatre éléments A2 = ∅, {a}, {b, c} , Ω , A3 = ∅, {b}, {a, c} , Ω et
A4 = ∅, {c}, {a, b} , Ω .

18  L’algèbre A est engendrée par la partition de Ω constituée des quatre atomes


formés à partir de A et B, soit Π = {A ∩ B, A ∩ B̄, Ā ∩ B, Ā ∩ B̄}. Elle comporte 24 = 16
éléments :
© Dunod. La photocopie non autorisée est un délit.


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  L’ensemble C est non vide car il contient Ω, puisque Ω̄ = ∅ est dénombrable


(card ∅ = 0). Par ailleurs, il est par définition fermé pour le passage au complé-
mentaire. Enfin, soit An ∈ C pour tout entier n ; si An est dénombrable pour tout n,
alors il en est de même de l’union dénombrable ∪n∈N An qui est alors un élément
de C. S’il existe un entier n0 tel que An0 n’est pas dénombrable, c’est donc que son
complémentaire l’est, et par conséquent ∪n∈N An = ∩n∈N An ⊂ An0 est dénombrable.
Dans tous les cas il y a fermeture pour l’union dénombrable, ce qui finit de prouver
que C est une tribu.
16 TD Statistique et probabilités

20  Les événements considérés sont E = A ∪ B et F = (A ∩ B̄) ∪ (Ā ∩ B) dont les


probabilités se calculent par :

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

21  Le premier événement s’écrit :

www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
A = (E1 ∩ E2 ∩ E3 ) ∪ (E1 ∩ E2 ∩ E3 ) ∪ (E1 ∩ E2 ∩ E3 )

Sa probabilité se calcule à partir de :

P(E1 ∩ E2 ∩ E3 ) = P(E1 ∩ E2 ) − P(E1 ∩ E2 ∩ E3 )

Soit :
     
24 10 15 10 12 10 21
P(A) = − + − + − =
100 100 100 100 100 100 100

Le deuxième événement s’écrit :

B = (E1 ∩ E2 ∩ E3 ) ∪ (E1 ∩ E2 ∩ E3 ) ∪ (E1 ∩ E2 ∩ E3 )

Sa probabilité se calcule à partir de :

P(E1 ∩ E2 ∩ E3 ) = P[E1 ∩ (E2 ∪ E3 )] = P(E1 ) − P [E1 ∩ (E2 ∪ E3 )]


= P(E1 ) − P(E1 ∩ E2 ) − P(E1 ∩ E3 ) + P(E1 ∩ E2 ∩ E3 )

Soit :
 
60 40 30 24 15 12 10 58
P(B) = + + −2 + + +3 =
100 100 100 100 100 100 100 100

Le troisième événement s’écrit C = E1 ∩ E2 ∩ E3 , de probabilité :

11
P(C) = 1 − P(A) − P(B) − P(E1 ∩ E2 ∩ E3 ) =
100

22  a) Si on note J (resp. F) l’événement « l’étudiant fournit une réponse juste


(resp. fausse) », l’événement considéré correspond à trois ou quatre réponses justes,
soit :

E = (FJJJ) ∪ (JFJJ) ∪ (JJFJ) ∪ (JJJF) ∪ (JJJJ)

Comme il y a équiprobabilité sur l’ensemble fondamental Ω = {J, F}4 et indépen-


dance des choix à chaque question, la probabilité demandée est :
 3  4
2 1 1 1
p = P(E) = 4 + =
3 3 3 9
TD • otio de ro i ité 17

b) S’il n’y a que deux réponses possibles, cette probabilité devient :


   4
1 1 3 1 5
p = 4 + =
2 2 2 16
Avec quatre réponses possibles :
 3  4
3 1 1 13
p = 4 + =
4 4 4 256

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

24  Il y a équiprobabilité des événements élémentaires de l’ensemble fondamen-


tal Ω = {1, 2, 3, 4, 5, 6}3 de cardinal 63 . La probabilité d’un événement quelconque
cardA
A se calcule donc par P (A) = ·
cardΩ
a) L’événement considéré est de la forme aaa, où il y a six choix possibles pour le
chiffre a. Sa probabilité est donc :
6 1
P (aaa) = 3
=
6 36
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
TD • otio de ro i ité 19

26  Chaque ensemble de 2r gants


 pris
 au hasard parmi les 2n gants contenus dans
 2n
le tiroir a la même probabilité 1 . Pour qu’aucune paire ne soit appareillée, il
2r
faut
 que
 les 2r gants aient été choisis parmi les n paires diférentes, ce qui correspond
n
à possibilités. Mais, chacun de ces gants peut être soit le droit, soit le gauche,
2r  
n
soit un total de 22r choix dépareillés. La probabilité demandée est donc :
2r
 

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

Notons que p/4 < P(A|B) < p avec P(A|B) = 0 si p = 0 et P(A|B) = 1 si p = 1.

28  Avec des notations évidentes, la première probabilité s’écrit :


P(U1 ) 1/3 1
© Dunod. La photocopie non autorisée est un délit.

P(U1 |U1 ∪ U3 ) = = =
P(U1 ) + P(U3 ) 1/3 + 1/3 2

La deuxième probabilité demandée s’écrit :

P(U1 ∩ N) P(U1 )P(N|U1 )


P(U1 |N) = =
P(N) P(U1)P(N|U1) + P(U3)P(N|U3)
1 × 1/3 2
= =
1 × 1/3 + 1/2 × 1/3 3

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

29  Soit Ai (resp. Bi ), i = 1,2, l’événement « voter pour le candidat A (resp. B)


au i-ème tour » et Oi l’événement « s’abstenir au i-ème tour ». Les informations
fournies dans l’énoncé se traduisent par les probabilités suivantes :

P(A1 ) = 0,40 P(B1 ) = 0,45 P(O1 ) = 0,15


P(B2 |A1 ) = 0,05 P(A2 |B1 ) = 0,10 P(O2 |O1 ) = 2/3
P(A2 |O1 ∩ O2 ) = 0,60 P(B2 |O1 ∩ O2 ) = 0,40

a) Les événements demandés s’écrivent A2 |O1 et B2 |O1 , leurs probabilités se

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

b) Calculons par exemple :

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

31  Soit A l’événement « l’équipe E a rencontré une équipe de première division »


et G l’événement « l’équipe E a gagné son match ». Par hypothèse P(Ā) = p,
P(A) = 1 − p, P(G|A) = 1/2 et P(G|Ā) = 1. La formule de Bayes permet alors
d’obtenir :

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

Le résultat est une fonction croissante de p, de la valeur 0 pour p = 0 à la valeur 1


pour p = 1.
Variable
aléatoire
discrète 2
www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666

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.

1. Variable aléatoire réelle discrète


1.1 Définition
On appelle v.a. discrète définie sur (Ω, A) une application X : Ω → R telle que
X(Ω) est dénombrable, i.e. en correspondance bijective avec N, et telle que pour
tout x réel :
X−1 (x) = {ω ∈ Ω/X(ω) = x} ∈ A
© Dunod. La photocopie non autorisée est un délit.

ce qui exprime tout simplement que X−1 (x) est un événement.

1.2 Loi de probabilité


La probabilité notée PX , définie sur Ω = X(Ω) et définie par :
 
PX (X = x) = P X−1 (x) = P {ω ∈ Ω/X(ω) = x}
s’appelle la probabilité image de P par X. L’ensemble Ω étant dénombrable, il existe
une bijection permettant de représenter ses éléments par l’ensemble des xi , i ∈ N.
La loi de probabilité est alors définie par les probabilités individuelles :
 
pi = PX (X = xi ) = P X−1 (xi ) , i ∈ N
On appelle alors distribution ou loi de probabilité de X l’ensemble des couples
(xi , pi )i∈N .
22 TD Statistique et probabilités

1.3 Fonction de répartition

On appelle fonction de répartition de la v.a. X, la fonction F définie pour x réel par :


 
F(x) = PX {X < x} = pi /xi < x

Cette valeur représente la probabilité de toutes les réalisations strictement infé-


rieures au réel x.

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

L’espérance d’une somme de deux v.a. est la somme des espérances :

E(X + Y) = E(X) + E(Y)

On résume ces trois propriétés en disant que l’opérateur espérance est linéaire :

E(λX + µY) = λE(X) + µE(Y) ∀λ ∈ R, ∀µ ∈ R

 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

lorsque cette quantité existe. Elle s’écrit aussi :


 
V(X) = E [X − E(X)]2 = E X2 − E2 (X)

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

Pour tout réel a :

V(X + a) = V(X)

Pour tout réel a :

V(aX) = a2 V(X)

Si X et Y sont deux v.a. indépendantes, alors :

www.scholarvox.com:ENCG Settat:531909928:88826941:196.92.3.8:1574327666
V(X + Y) = V(X) + V(Y)

On définit la covariance de deux v.a. X et Y par Cov(X, Y) = E(XY) − E(X)E(Y) et


on a, dans le cas général :

V(X + Y) = V(X) + V(Y) + 2 Cov(X, Y)

 Moments non centrés et centrés


On appelle moment non centré d’ordre r ∈ N∗ la quantité, lorsqu’elle existe :

mr (X) = pi xri = E(Xr )
i∈N


Le moment centré d’ordre r ∈ N est :

µr (X) = pi [xi − E(X)]r = E [X − E(X)]r
i∈N

2. Lois usuelles discrètes


2.1 Loi de Dirac

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 :

X(Ω) = {a} et PX (X = a) = P {ω ∈ Ω/X(ω) = a} = P(Ω) = 1


© Dunod. La photocopie non autorisée est un délit.

Bien entendu, on obtient comme moments E(X) = a et V(X) = 0.

2.2 Loi de Bernoulli

On appelle v.a. indicatrice de l’événement A de A, la v.a. définie par X = 1A :



1 si ω ∈ A
X(ω) = 1A (ω) =
0 si ω ∈ Ā

Ainsi X(Ω) = {0, 1} avec PX (X = 0) = P(Ā) = 1 − P(A) = q et PX (X = 1) =


P(A) = p. On dit que X suit une loi de Bernoulli de paramètre p, ce qu’on écrit
X  B(1, p), de moments E(X) = p et V(X) = pq.
24 TD Statistique et probabilités

2.3 Loi binômiale

On effectue n épreuves successives indépendantes où on observe à chaque fois la


réalisation ou non d’un certain événement A, et on note le nombre X de réalisations
de A. On définit ainsi une v.a. X qui suit une loi binômiale de paramètres n et
p = P(A), caractérisée par X(Ω) = {0, 1, . . . , n} et, pour k ∈ X(Ω), par :
 
n k
PX (X = k) = p (1 − p)n−k
k

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).

2.4 Loi hypergéométrique

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.

2.5 Loi de Poisson

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).

2.6 Loi géométrique ou de Pascal

On effectue des épreuves successives indépendantes jusqu’à la réalisation d’un


événement particulier A et on note X le nombre d’épreuves effectuées ; pour k ∈ N∗ :

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

2.7 Loi binômiale négative

On effectue des épreuves successives indépendantes jusqu’à ce que n événements


A soient réalisés et on note Y le nombre d’épreuves effectuées. Pour tout entier
y≥n:
 
y−1 n
PY (Y = y) = p (1 − p)y−n où p = P(A)
n−1

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.

4. L’espérance mathématique d’une somme de deux v.a. discrètes


est toujours la somme de leurs espérances.

5. Si deux v.a. ont la même espérance, alors elles ont la même


variance.
6. La variance d’une somme de deux v.a. discrètes est toujours la
somme de leurs variances.
© Dunod. La photocopie non autorisée est un délit.

7. Une urne contient trois billes numérotées 1, 2, 3, celle portant le nº 1 étant la


seule en métal. On retient donc
 sur l’ensemble fondamental Ω = {1, 2, 3} la tribu
associée A = ∅, {1}, {2, 3}, Ω . Si on extrait une bille de cette urne au moyen d’un
aimant, déterminer la probabilité P associée à cette expérience. On considère alors
l’application identité X sur Ω et l’application Y définie par Y (ω) = 1 pour tout ω
de Ω. Établir que P(X = Y) = 1 et que pourtant on ne peut pas en conclure que X
et Y ont la même loi de probabilité.
26 TD Statistique et probabilités

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.

Analyse de l’énoncé et conseils. Dans tout problème de tirages successifs, il est


important d’établir s’ils sont indépendants ou non. Pour la construction de l’ensemble
fondamental associé, il est recommandé de toujours tenir compte de l’ordre des tirages,
même dans le cas où cela n’a aucune influence sur les événements considérés, car cela
facilite généralement le calcul des probabilités de ceux-ci. La loi de probabilité d’une
v.a. discrète X se déduit des probabilités des événements élémentaires, en déterminant
pour toutes ses valeurs possibles x l’ensemble X−1 (x) des événements élémentaires
auxquels correspond cette même valeur x.

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.

Analyse de l’énoncé et conseils. Comme dans l’exercice précédent, on note que la


composition de l’urne évolue au cours des tirages qui sont sans remise, donc dépen-
dants. Pour déterminer la loi de X, il faut d’abord déterminer l’ensemble de ses valeurs
possibles et ensuite leurs probabilités. Pour cela, il est conseillé de distinguer deux cas
selon le résultat du tirage préliminaire, c’est-à-dire de déterminer la loi conditionnelle,
puis de regrouper ces deux cas en appliquant la formule de la probabilité totale vue au
chapitre précédent.
© Dunod. La photocopie non autorisée est un délit.

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.

Analyse de l’énoncé et conseils. La loi de Y se déduit de celle de X en calculant la


valeur obtenue pour chaque valeur possible de X. Pour déterminer ensuite la loi du
maximum, il faut exprimer l’événement Mn = k à l’aide d’événements portant sur les Yi ,
en faisant parfois intervenir l’événement complémentaire et en se rappelant que toutes
les v.a. Yi sont indépendantes et de même loi. Par ailleurs, il est conseillé de commencer
par les valeurs de k qui correspondent aux événements les plus simples à exprimer.

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).

Analyse de l’énoncé et conseils. Voir exercice précédent.


TD • ri e é toire dis r te 29

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.

6  Faux. La variance d’une somme de deux v.a. indépendantes est égale à la


somme de leurs variances, mais le résultat n’est pas vrai en général pour deux
variables quelconques, contrairement à ce qui se produit pour l’espérance.
7  Seule la pièce en métal est attirée par l’aimant et on a donc P ({1}) = 1 et
P ({2, 3}) = 0. Par ailleurs :
 
P(X = Y) = P {ω ∈ Ω/X(ω) = Y(ω)} = P({1}) = 1
donc ces deux applications sont égales avec une probabilité égale à 1 (événement
certain). L’application Y est constante, avec Y−1 (1) = Ω, donc c’est une variable
aléatoire certaine : P(Y = 1) = 1. Cependant, on ne peut pas en conclure que la loi
de X est la même, puisque X n’est pas une variable aléatoire et que cette notion n’a
donc pas de sens. En effet, X−1 (2) = {2} ∈/ A, donc l’application X n’est pas une
v.a. et on ne peut donc pas lui associer une loi de probabilité.
30 TD Statistique et probabilités

8  Si on pose Z = X − Y, on peut écrire X = Y + Z et la relation proposée s’écrit


alors V(Z) = V(X) −V(Y), ce qui est la même chose que V(X) = V(Y) +V(Z). Cette
relation sera donc vérifiée en particulier si les variables Y et Z sont indépendantes. Il
ne faut surtout pas lire cette relation sous la forme « variance d’une différence égale
à la différence des variances » car c’est simplement un jeu d’écriture consistant à
écrire sous une autre forme la relation (qui elle est vraie) « variance d’une somme
de deux v.a. indépendantes égale à la somme des variances ».
 
9  La v.a. X suit une loi binômiale B n, p , la probabilité que le candidat connaisse

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.

10  La composition initiale de l’urne est {B, N, N} et selon que la première


boule tirée sera B ou N, les compositions respectives avant le second tirage seront
{N, N, N} ou {B, B, N}. Dans le premier cas, seul le résultat (BN) est possible, alors
que dans le second cas on peut avoir (NB) ou (NN). Ceci correspond donc à
l’ensemble fondamental Ω = {(BN) , (NB) , (NN)}. Les tirages sont bien sûr dépen-
dants ici puisque la composition de l’urne dépend du tirage précédent. Pour le
calcul des probabilités des événements élémentaires, nous allons noter Bi (resp.
Ni ) l’événement « avoir tiré une boule blanche (resp. noire) au i-ème tirage », avec
1 1
i = 1 ou 2. On obtient alors aisément P (BN) = P (B1 ) P (N2 |B1 ) = × 1 = ,
3 3
2 2 4 2 1 2
P (NB) = P (N1 ) P (B2 |N1 ) = × = et P (NN) = P (N1 ) P (N2 |N1 ) = × = .
3 3 9 3 3 9
L’ensemble fondamental nous indique que X ne peut prendre comme valeurs que
1 ou 2, avec X−1 (1) = {(BN) , (NB)} et X−1 (2) = {(NN)} et par conséquent :

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

La loi de X se déduit de la formule de la probabilité totale en décomposant


l’événement (X = x) sur B0 et N0 , avec pour x ∈ X (Ω) = {1, 2, 3, 4, 5} :

P (X = x) = P (B0 ) P (X = x|B0 ) + P (N0 ) P (X = x|N0 )

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

12  Les valeurs possibles de X sont 2, 3 et 4, avec un gain qui sera associé


seulement aux résultats correspondants PP, FPP et FFPP ou PFPP de probabilités
1 1 1
respectives 2 , 3 et 4 . On obtient donc comme espérance de gain, en tenant
2 2 2
© Dunod. La photocopie non autorisée est un délit.

compte de la mise initiale de 100 euros :

1 1 2 21
E(G) = 2
× 204−2 + 3 × 204−3 + 4 × 204−4 − 100 =
2 2 2 8

13  Si X ≥ N, le nombre de voitures vendues est X, ce qui correspond à un gain


pour le garagiste de valeur G = aN. Si X < N, le garagiste vendra X voitures et il
lui en restera N − X, ce qui correspond à un gain G = aX − b (N − X). L’expression
de l’espérance du gain est donc définie à partir de la loi de X par :

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.

14  Les probabilités pi = P (X = i) pour i = 0, 1, 2 sont bien sûr liées par


p0 + p1 + p2 = 1. On donne d’autre part E (X) = p1 + 2p2 = 1. Enfin, par
  3
E X2 = V(X) + E2 (X) = = p1 + 4p2 , on déduit p2 = 1/4, p1 = 1/2 et p0 = 1/4.
2
15  L’absence de mémoire de l’enfant se traduit par une indépendance des
tentatives successives qui ont à chaque fois la même probabilité 1/N de réussir. Ces
tentatives s’effectuant jusqu’à la découverte du jouet, il s’agit d’une loi géométrique
de paramètre p = 1/N, soit pour tout entier strictement positif k :
 
1 k−1 1
P (X = k) = 1 −
N N
et une espérance E (X) = N.
Le jouet est trouvé à l’issue de n tentatives avec une probabiité qui se calcule par :
n n    
 1  1 k−1 1 n
P (X ≤ n) = P (X = k) = 1− =1− 1−
N N N
k=1 k=1

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.

16  L’événement X ≤ k exprime qu’à chaque tirage on a obtenu une boule de


l’ensemble {1, 2, . . . , k} et, en raison de l’indépendance des tirages :
 n
k
P (X ≤ k) =
N
On en déduit alors par différence :
 n  n
k k−1
P (X = k) = P (X ≤ k) − P (X ≤ k − 1) = −
N N
pour 2 ≤ k ≤ N, avec P (X = 1) = (1/N)n .
TD • ri e é toire dis r te 33

17  Le plus simple est de déterminer les valeurs de Y à partir du tableau des


valeurs possibles de X :

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

La probabilité du dernier événement Mn = 10 pourrait se déduire des probabilités


précédentes puisque la somme de ces valeurs doit être égale à 1, mais cette méthode
est vivement déconseillée car elle enlève justement la possibilité de détection d’une
erreur en faisant la somme des probabilités individuelles dont on sait qu’elle doit
être égale à 1. On exprime donc l’événement Mn = 10 qui signifie que tous les
événements Yi ≤ 10 sont réalisés, mais pas l’événement tous les Yi sont égaux à 6,
soit :
 
 n n 
P (Mn = 10) = P (Yi ≤ 10) (Yi = 6)
 
i=1 i=1
 n   n 
 
=P (Yi ≤ 10) − P (Yi = 6)
i=1 i=1
 n  n
2 1
= −
3 3

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

19  On reconnaît le schéma de la loi hypergéométrique de paramètres N = 10,


n = 3 et NA = 8, soit d’après les résultats du cours :

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.

1. Variable aléatoire réelle continue


1.1 Définition

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.

tout intervalle I ⊂ R on ait :

X−1 (I) = {ω ∈ Ω/X(ω) ∈ I} ∈ A

Cette condition est vérifiée si pour tout réel x, on a X−1 (]−∞, x[) ∈ A.

1.2 Loi de probabilité

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

1.3 Propriétés de la fonction de répartition

Elle est croissante au sens large et prend ses valeurs entre 0 et 1 :

0 ≤ F(x) ≤ 1 avec lim F(x) = 0 et lim F(x) = 1


x→−∞ x→+∞

Elle est continue à gauche :

lim F(x − h) = F(x)


h→0+

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.

1.5 Loi absolument continue

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
−∞

Une densité est positive et intégrable sur R, d’intégrale égale à 1 :


 +∞
f (t) dt = 1
−∞

La probabilité d’un intervalle s’obtient en intégrant la densité sur cet intervalle :


 x2
PX {X ∈ [x1 , x2 ]} = f (t) dt
x1

1.6 Moments d’une v.a. absolument continue

 Espérance mathématique
Elle est définie par :
 +∞
E(X) = xf (x) dx
−∞

lorsque cette intégrale généralisée existe. Pour tout réel a :

E(X + a) = E(X) + a et E(aX) = aE(X)

Si X et Y sont deux v.a. qui admettent une espérance :

E(X + Y) = E(X) + E(Y)


TD • ri e é toire o ti e 37

 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)
−∞

lorsque cette intégrale généralisée existe. Pour tout réel a :

V(X + a) = V(X) et V(aX) = a2 V(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 :

V(X + Y) = V(X) + V(Y)

 Moments non centrés et centrés


Le moment non centré d’ordre r ∈ N∗ de X est la quantité, lorsqu’elle existe :
 +∞
mr (X) = E(Xr ) = xr f (x) dx
−∞

Le moment centré d’ordre r ∈ N∗ de X est la quantité, lorsqu’elle existe :


 +∞
µr (X) = E [X − E(X)]r = [x − E(X)]r f (x) dx
−∞

2. Lois usuelles continues


2.1 Loi uniforme

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.

On écrit X  U ([a, b]). Sa fonction de répartition est définie par :




0 si x < a

x − a
F(x) = si a ≤ x < b

 b−a


1 si b ≤ x

Elle admet pour moments :

b+a (b − a)2
E(X) = et V(X) =
2 12
38 TD Statistique et probabilités

2.2 Loi exponentielle

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

On écrit X  E(θ). Sa f.r. est nulle pour x ≤ 0, et pour 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

Ses moments sont :


1 1
E(X) = et V(X) =
θ θ2

2.3 Loi normale ou de Laplace-Gauss

C’est la loi d’une variable aléatoire X à valeurs dans R, de densité :

1 (x − m)2
f (x) = √ exp −
σ 2π 2σ2

On note X  N(m, σ) avec E(X) = m et V(X) = σ2 .


Si X  N(m1 , σ1 ) et Y  N(m2 , σ2 ) sont des v.a. indépendantes, alors :
  
X + Y  N m1 + m2 , σ21 + σ22 .

2.4 Loi gamma

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 fonction gamma est définie pour tout p > 0 par :


 +∞
Γ( p) = e−x xp−1 dx
0

On écrit X  γ( p, θ), de moments :


p p
E(X) = et V(X) =
θ θ2
La v.a. Y = θX est de loi γ( p, 1), notée γ( p), de moments E(Y) = V(Y) = p.
Si X  γ( p, θ) et Y  γ(q, θ) sont des v.a. indépendantes, alors X + Y  γ( p + q, θ).
TD • ri e é toire o ti e 39

2.5 Loi du khi-deux

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.

2.6 Loi de Student

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

2.7 Loi de Fisher-Snedecor

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.

2. Si une loi est symétrique par rapport à l’origine, c’est-à-dire si


F (−x) = 1 − F (x) ou f (−x) = f (x), alors son espérance est nulle.
3. Si les v.a. X et Y suivent des lois normales, alors X + Y suit aussi
une loi normale.
4. Si une loi admet une variance, alors elle admet aussi une espé-
rance.
5. Si une v.a. X est telle que P (X = x) = 0 pour tout x réel, alors
elle admet une densité.
6. Si on définit la v.a. Y = g (X) à l’aide d’une fonction continue
g, alors on peut déterminer sa loi à partir de celle de X, même si g
n’est pas injective.
40 TD Statistique et probabilités

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

9. Soit f la fonction définie par :



k (1 − x) si 0 ≤ x ≤ 1
f (x) =
0 sinon

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.

Analyse de l’énoncé et conseils. Voir exercice précédent.


TD • ri e é toire o ti e 41

Loi symétrique

11. Soit X une v.a. de densité :



 3x (2 − x) si 0 ≤ x ≤ 2
f (x) = 4

0 sinon

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

12. Soit X une v.a. de densité :



 2x si 0 ≤ x ≤ θ
f (x) = θ2

0 sinon

où θ est un nombre positif donné. Déterminer la f.r. F de X puis calculer E (X) et


V(X).

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

13. Soit X une v.a. de densité :


1 −|x−θ|
f (x) = e
2
où θ est un nombre réel donné. Calculer E (X) et V(X).

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.

Vous aimerez peut-être aussi