UNIVERSITE MOHAMMED V RABAT ‫جامعة محمد الخامس الرباط‬

FACULTE DES SCIENCES JURIDIQUES,

ECONOMIQUES ET SOCIALES ‫كلية العلوم القانونية واالقتصادية‬
RABAT AGDAL ‫واالجتماعية‬
‫اكدال‬

DEPARTEMENT DES SCIENCES ECONOMIQUES

FILIERE : SCIENCES ECONOMIQUES ET GESTION

PROBABILITES

ADIL EL MARHOUM

Année Universitaire 2020 – 2021

1
 COURS DE PROBABILITES ADIL EL MARHOUM

INTRODUCTION

La théorie des probabilités est constamment utilisée en analyse statistique. Elle permet
notamment de déterminer statistiquement la probabilité d'un événement qui ne peut pas être
testé directement.
Les probabilités mathématiques sont largement utilisées en physique, en biologie, en sciences
sociales ainsi que dans l'industrie et le commerce. Elles font l'objet d'applications dans des
domaines aussi variés que la génétique, la mécanique quantique ou les assurances.
Probabilités, ou théorie des probabilités, branche des mathématiques qui s'attache à mesurer
ou à déterminer quantitativement la probabilité qu'a un événement ou une expérience d'aboutir
à un résultat donné. Cette théorie est fondée sur l'étude des permutations et des combinaisons.
Elle constitue la base de tous les travaux en statistiques.
Historique
On attribue en général à Blaise Pascal et à Pierre de Fermat l'invention au XVIIe siècle d'une
première théorie des probabilités appliquée aux jeux de hasard, même si Jérôme Cardan s'était
déjà penché sur la question dès le XVIe siècle. Cinquante ans plus tard, dans son ouvrage
posthume Ars conjectandi (1713), Jacques Bernoulli systématisa le calcul des probabilités, en
énonçant des théorèmes prometteurs tels que l'additivité des probabilités. Au même moment,
en Angleterre, Abraham de Moivre introduisit la notion de loi normale dans son œuvre
Doctrine of Chances.
Le XIXe siècle fut marqué par la publication en 1814 de la Théorie analytique des
probabilités de Laplace, dans lequel la théorie des probabilités est appliquée à la mécanique
et aux statistiques. Cet ouvrage eut une influence considérable sur tous les mathématiciens de
ce siècle. Avec les travaux de Darwin et du statisticien Quételet, la vision probabiliste du
monde s'affirma encore davantage, englobant tous les domaines de la science.
Le calcul des probabilités est certainement l’une des branches les plus récentes des
mathématiques, bien qu’il ait en fait trois siècles et demi d’existence. Après s’être cantonné
dans l’étude des jeux de hasard, il s’est introduit dans presque toutes les branches de l’activité
scientifique, aussi bien dans l’analyse (théorie du potentiel), l’économie, la génétique (lois de
Mendel), la physique corpusculaire (toutes les théories statistiques) que dans la psychologie
et l’informatique, dont la source est l’étude de la quantité d’information, donnée probabiliste
s’il en est. Il est rare de trouver un tel exemple de « recouvrement » dans le domaine
scientifique. On peut, sans paradoxe, soutenir que toutes les mathématiques anciennes sont
un cas particulier du calcul des probabilités, le certain étant de l’aléatoire dont la réalisation
a une probabilité égale à 1.

Le calcul des probabilités est né de l’étude des jeux de hasard. Ce dernier mot, transmis par
l’Espagne, vient d’Arabie. L’arabe az-zahr , « dé à jouer », s’est transformé en azar , « hasard »
(et souvent « revers ») en espagnol. La base philologique, si l’on peut dire, du calcul des
probabilités est donc le jeu (pile ou face, jeu de roulette, cartes). Pascal et le chevalier de Méré
sont certainement les premiers à avoir voulu introduire le quantitatif dans ces études et à les
mathématiser. On essaye aujourd’hui de réduire l’importance de ce point de départ en cherchant
un fondement axiomatique et en enseignant le calcul des probabilités sans parler de hasard (à

2
 COURS DE PROBABILITES ADIL EL MARHOUM

peine ose-t-on parler d’aléa). Il n’en est pas moins vrai que, sans l’activité des joueurs, le calcul
des probabilités n’aurait sûrement pas vu le jour. Depuis le XVIIe siècle, de nombreux
mathématiciens ont apporté une très importante contribution au développement de cette
science : parmi les plus marquants, citons Laplace, dont le tome VII des Œuvres complètes est
consacré au calcul des probabilités, et Denis Poisson, Carl Friedrich Gauss, Henri Poincaré,
Émile Borel, Maurice Fréchet, Paul Levy, A. N. Kolmogorov et A. Khintchine.

3
 COURS DE PROBABILITES ADIL EL MARHOUM

ANALYSE COMBINATOIRE

I. INTRODUCTION
L'analyse combinatoire, fondée sur des formules de permutations et de combinaisons, possède
d'importantes applications dans de nombreuses branches des mathématiques, comme par
exemple dans la théorie des probabilités et en statistiques, où elles peuvent servir à compter le
nombre d'arrangements possibles des éléments d'un système.

Au cours de ce chapitre nous définirons pour commencer la notion de disposition ordonnée et

disposition non ordonnée. Ensuite nous étudierons les différentes dispositions à savoir les
permutations, les arrangements et les combinaisons.

II. DISPOSITIONS
Soient deux éléments a et b :

• Si (a , b)  (b , a) alors on parle de disposition ordonnée.

• Si (a , b)  (b , a) alors on parle de disposition non ordonnée.

III. PERMUTATIONS
Une permutation est une disposition ordonnée. Le nombre de permutations que l’on peut faire
avec n éléments est :

Pn = n ! = n  (n-1)  (n-2)  …  2  1

Exemple :

Le nombre de permutations que l’on peut faire avec trois éléments a, b, c est :

P3 = 3 ! = 3  2  1 = 6

Ces 6 permutations sont : (a,b,c), (a,c,b), (b,a,c), (b,c,a), (c,a,b), et (c,b,a).

IV. ARRANGEMENTS
Un arrangement de p éléments choisis parmi n éléments est une disposition ordonnée de p de
ces n éléments. On distingue les arrangements avec répétitions et les arrangements sans
répétitions.

4.1. Arrangements sans répétitions

C’est le nombre d’arrangements que l’on peut faire avec p éléments choisis parmi n éléments,
chacun d’eux ne peut figurer qu’une seule fois dans le même arrangement.

4
 COURS DE PROBABILITES ADIL EL MARHOUM

Le nombre d’arrangements sans répétitions est :

n!
=
p
A n
(n − p )!

Exemple :

Le nombre d’arrangements sans répétitions que l’on peut faire avec deux éléments choisis parmi
trois éléments a, b, c est :

3! 3  2 1
= = =6
2
A 3
(3 − 2)! 1

Ces 6 arrangements sont : (a,b), (b,a), (a,c), (c,a), (b,c), et (c,b).

4.2. Arrangements avec répétitions

C’est le nombre d’arrangements que l’on peut faire avec p éléments choisis parmi n éléments,
chacun d’eux peut figurer plusieurs fois dans le même arrangement.

Le nombre d’arrangements avec répétitions est : np

Exemple :

Le nombre d’arrangements avec répétitions que l’on peut faire avec deux éléments choisis
parmi trois éléments a, b, c est : 32 = 9

Ces 9 arrangements sont : (a,a), (a,b), (b,a), (a,c), (c,a), (b,b), (b,c), (c,b) et (c,c).

V. COMBINAISONS
Une combinaison de p éléments choisis parmi n éléments est une disposition non ordonnée de
p de ces n éléments. On distingue les combinaisons avec répétitions et les combinaisons sans
répétitions.

5.1. Combinaisons sans répétitions

C’est le nombre de combinaisons que l’on peut faire avec p éléments choisis parmi n éléments,
chacun d’eux ne peut figurer qu’une seule fois dans la même combinaison.

Le nombre de combinaisons sans répétitions est :

n!
=
p
C n
p!  (n − p )!

Exemple :

5
 COURS DE PROBABILITES ADIL EL MARHOUM

Le nombre de combinaisons sans répétitions que l’on peut faire avec deux éléments choisis
parmi trois éléments a, b, c est :

3!
= =3
2
C 3
2!  1!

Ces 3 combinaisons sont : (a,b), (a,c), et (b,c).

5.2. Combinaisons avec répétitions

C’est le nombre de combinaisons que l’on peut faire avec p éléments choisis parmi n éléments,
chacun d’eux peut figurer plusieurs fois dans la même combinaison.

Le nombre de combinaisons avec répétitions est :

(n + p − 1)!
= C n + p −1 =
p p
K n
p!  (n − 1)!

Exemple :

Le nombre de combinaisons avec répétitions que l’on peut faire avec deux éléments choisis
parmi trois éléments a, b, c est :

4!
K =C = C4 = =6
2 2 2
3 3+ 2−1
2!  2!

Ces 6 combinaisons sont : (a,a), (a,b), (a,c), (b,b), (b,c), et (c,c).

6
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICES : ANALYSE COMBINATOIRE

EXERCICE 1
Sur une étagère d'un meuble, de combien de façons différentes peut-on placer sur une même
rangée six vers de couleurs différentes ?

EXERCICE 2
Dans un jeu de loto on doit choisir une combinaison de 6 nombres différents parmi 24 nombres
différents. Combien de combinaisons peut-on former si :

a) l'ordre n'est pas important ?

b) l'ordre est important ?

EXERCICE 3
Combien de nombres de 4 chiffres peut-on former avec les 10 chiffres 0, 1, 2, …, 9 si :

a) les chiffres peuvent se répéter ;

b) les chiffres peuvent se répéter et le nombre est divisible par 5 ;
c) les chiffres ne peuvent se répéter et le nombre est divisible par 2 ;
d) les chiffres ne peuvent se répéter et le nombre est pair ;
e) les chiffres ne peuvent se répéter et le nombre ne contient que des chiffres impairs.

EXERCICE 4
Quatre hommes et trois femmes se présentent à un guichet bancaire.

a) il y a combien de façon de servir ces personnes abstraction faite de leur sexe ?

b) il y a combien de façon de servir ces personnes si les femmes doivent être servies en premier
?
c) il y a combien de façon de servir ces personnes si les hommes et les femmes sont servis
alternativement ?

EXERCICE 5
Avec un alphabet de 26 lettres, combien peut-on écrire de mots différents de 7 lettres, une lettre
ne pouvant figurer qu'une fois dans le même mot ?

EXERCICE 6
Un championnat sportif groupe 20 équipes. Chaque match oppose deux équipes. Chaque équipe
doit, pendant la saison, rencontrer chacune des 19 autres équipes, une fois sur son propre terrain,
une fois sur le terrain de l'adversaire.

7
 COURS DE PROBABILITES ADIL EL MARHOUM

Combien de rencontres faut-il organiser au total ?

EXERCICE 7
Quatre hommes et trois femmes vont s'asseoir sur un banc de 7 places. De combien de façons
différentes ces personnes peuvent s'asseoir si les femmes occupent que les places paires ?

EXERCICE 8
On désire ranger sur une étagère quatre livres de mathématiques, six livres de statistiques et
trois livres de gestion. Combien d'arrangement y a-t-il si :

a) les livres de chaque spécialité doivent être groupés ensemble ?

b) les livres de gestion seulement doivent être groupés ensemble ?

EXERCICE 9
On désire former un groupe de 3 filles et 4 garçons choisis parmi un groupe de 5 filles et 8
garçons. De combien de façons différentes peut-on former ce groupe sachant que :

a) n'importe quel garçon ou fille peut être choisi ?

b) une fille particulière doit obligatoirement faire partie du groupe à former ?
c) Deux garçons particuliers ne peuvent être choisis ?

EXERCICE 10
Combien de mots de 3 consonnes différentes et 3 voyelles différentes peut-on former avec 7
consonnes et 5 voyelles ? les mots n'ont pas nécessairement un sens.

8
 COURS DE PROBABILITES ADIL EL MARHOUM

CALCUL DE PROBABILITES

I. INTRODUCTION
Au cours de ce chapitre nous définirons pour commencer la notion d'xpérience aléatoire et
d'événement aléatoire. Ensuite nous étudierons la notion de probabilité : définition et propriétés.
Nous présenterons aussi la notion d'exclusivité, la probabilité conditionnelle et la notion
d'indépendance. Enfin, nous terminerons le chapitre par le théorème de bayes.

II. DEFINITIONS
2.1. Notion d’aléatoire
La définition de la probabilité est liée aux notions d’expérience aléatoire et d’événement
aléatoire.

• Une expérience est dite aléatoire lorsqu’on ne peut en prévoir exactement le résultat, du fait
que tous les facteurs qui déterminent ce résultat ne sont pas maîtrisés.

• Un événement aléatoire est un événement qui peut se réaliser ou ne pas se réaliser au cours
d’une expérience aléatoire.

Exemple :

Le jet d’un dé numéroté de 1 à 6 est une expérience aléatoire car le résultat du jet est
imprévisible. L’événement avoir une face paire du dé est un événement aléatoire car le résultat
du jet peut être impair comme il peut être pair.

Le choix d’une personne dans un groupe d’individus contenant des hommes et des femmes est
une expérience aléatoire car le résultat du choix est imprévisible. L’événement choisir une
femme est un événement aléatoire car la personne choisie peut être une femme comme elle peut
être un homme.

2.2. Définition classique de la probabilité

Si au cours d’une expérience aléatoire on peut dénombrer tous les résultats possibles, et si parmi
ces résultats on peut dénombrer tous les résultats favorables à la réalisation d’un événement
aléatoire quelconque A, on définit classiquement la probabilité de l’événement A comme étant
le rapport du nombre de résultats favorables au nombre de résultats possibles.

Nombre de résultats favorables

p( A) =
Nombre de résultats possibles

Il faut noter que tous les résultats possibles doivent avoir la même chance de réalisation.

Cette définition montre que la probabilité est toujours comprise entre 0 et 1.

9
 COURS DE PROBABILITES ADIL EL MARHOUM

0p1
La probabilité de tout événement qui doit nécessairement se réaliser au cours d’une expérience
aléatoire est égale à 1, il s’agit d’un événement certain.

P(événement certain) = 1

La probabilité de tout événement qui ne peut pas se réaliser au cours d’une expérience aléatoire
est nulle, il s’agit d’un événement impossible.

P(événement impossible) = 0

Exemple :

Dans une urne contenant 20 boules blanches, 15 boules noires, 15 boules rouges et 10 boules
vertes on choisie de façon aléatoire une boule.

Le tirage de la boule est une expérience aléatoire car le résultat du tirage est imprévisible.
L’événement choisir une boule blanche est un événement aléatoire car la boule tirée peut être
blanche comme elle peut être d’une autre couleur.

Le nombre de boules pouvant être choisies est 60 car l’urne contient au total 60 boules. Le
nombre de boules favorables à l’événement « boule blanche » est 20 car l’urne contient 20
boules blanches. La probabilité de tirer une boule blanche est donc :

20
p= = 0,33
60

III. NOTION D’EXCLUSIVITE

3.1. Événements exclusifs
Deux événements aléatoires associés à une même expérience aléatoire sont dits exclusifs ou
incompatibles s’ils ne peuvent pas se réaliser simultanément.

Si deux événements aléatoires A et B sont exclusifs alors :

p(A ou B) = p(A) + p(B) et p(A et B) = 0

Si deux événements aléatoires A et B ne sont pas exclusifs alors :

p(A ou B) = p(A) + p(B) – p(A et B)

3.2. Événements mutuellement exclusifs

Plusieurs événements aléatoires associés à une même expérience aléatoire sont dits
mutuellement exclusifs ou mutuellement incompatibles s’ils sont exclusifs deux à deux.

10
 COURS DE PROBABILITES ADIL EL MARHOUM

Si k événements A1, A2, …, Ak sont mutuellement exclusifs alors :

p(A1 ou A2 ou … ou Ak) = p(A1) + p(A2) + … + p(Ak)

Si trois événements aléatoires A, B, et C ne sont pas mutuellement exclusifs alors :

p(A ou B ou C) = p(A) + p(B) + p(C) – p(A et B) – p(A et C) – p(B et C) + p(A et B et C)

Cette formule peut être généralisée à plusieurs événements non exclusifs, on l'appelle égalité
de Poincaré :

n
p( A1ouA2 ou  ouAn ) =  p( A ) −  p( A etA ) +  p( A etA etA )
i =1
i i j i j k

Dans cette égalité les différents S qui figurent portent sur toutes les combinaisons
possibles des indices différant les uns des autres.

3.3. Evénements complémentaires

Plusieurs événements aléatoires associés à une même expérience aléatoire sont dits totalement
exclusifs ou complémentaires s’ils sont exclusifs deux à deux et si l’un d’eux doit
nécessairement se réaliser.

Si k événements A1, A2, …, Ak sont complémentaires alors :

p(A1 ou A2 ou … ou Ak) = p(A1) + p(A2) + … + p(Ak) = 1

Exemple :

Dans un jeu de cartes contenant 13 cartes de cœur, 13 cartes carreau, 13 cartes pique et 13 cartes
trèfles on choisie de façon aléatoire une carte. Les 13 cartes de chaque couleur sont les cartes
As, 2, 3, 4, 5, 6, 7, 8, 9, 10, valet, dame, roi.

Soient les événements :

13 1
• A : tirer une carte cœur p(A) = =
52 4
13 1
• B : tirer une carte carreau p(B) = =
52 4
13 1
• C : tirer une carte pique p(C) = =
52 4
13 1
• D : tirer une carte trèfle p(D) = =
52 4
4 1
• E : tirer une carte As p(E) = =
52 13

11
 COURS DE PROBABILITES ADIL EL MARHOUM

4 1
• F : tirer une carte dame p(F) = =
52 13

* Probabilité de tirer une carte cœur ou carreau :

Les événements A et B sont exclusifs :

1 1 1
p(A ou B) = p(A) + p(B) = + =
4 4 2

* Probabilité de tirer une carte cœur ou As :

les événements A et E ne sont pas exclusifs car on peut avoir A et E simultanément c’est le cas
où on tire une carte As de cœur.

1
p(As de cœur) = p(A et E) =
52

1 1 1 16 4
p(A ou E) = p(A) + p(E) – p(A et E) = + − = =
4 13 52 52 13

* Probabilité de tirer une carte cœur ou carreau ou pique :

les événements A, B, et C sont mutuellement exclusifs :

1 1 1 3
p(A ou B ou C) = p(A) + p(B) + p(C) = + + =
4 4 4 4

* Probabilité de tirer une carte cœur ou carreau ou dame :

les événements A, B, et F ne sont pas mutuellement exclusifs :

p(A ou B ou F) = p(A) + p(B) + p(F) – p(A et B) – p(A et F) – p(B et F) + p(A et B et F)

1 1 1 1 1 28 7
p(A ou B ou F) = + + −0− − +0= =
4 4 13 52 52 52 13

IV. NOTION D’INDEPENDANCE

4.1. Probabilité conditionnelle

Considérons le cas de plusieurs expériences aléatoires simultanées ou successives.

Soient deux événements aléatoires A et B non nécessairement exclusifs.

La probabilité conditionnelle de l’événement A sous la condition B, est la probabilité de

réalisation de l’événement A sachant que l’événement B est déjà réalisé. Elle est désignée par :

12
 COURS DE PROBABILITES ADIL EL MARHOUM

p(A et B)
p( A / B ) =
p( B )

Soient deux événements aléatoires A et B non nécessairement exclusifs.

La probabilité conditionnelle de l’événement B sous la condition A, est la probabilité de

réalisation de l’événement B sachant que l’événement A est déjà réalisé. Elle est désignée par :

p(A et B)
p( B / A) =
p( A)

Cette définition conduit à la formule de probabilité composée :

P(A et B) = p(A)  p(B/A) = p(B)  p(A/B)

On peut généraliser cette formule à plusieurs événements. Ainsi pour trois événements A, B, et
C:

P(A et B et C) = p(A)  p(B/A)  p(C/A et B)

Exemple :

Dans une urne contenant 20 boules blanches, 15 boules noires, 15 boules rouges et 10 boules
vertes on choisie de façon aléatoire deux boules successives. Quelle est la probabilité que les
deux boules tirées soient blanches ?

Soient A l’événement « première boule tirée est blanche » et B l’événement « deuxième boule
tirée est blanche ».
p(A) est la probabilité de tirer au premier tirage une boule blanche :

20
p(A) = = 0,33
60

p(B/A) est la probabilité de tirer au deuxième tirage une boule blanche sachant que la première
boule tirée est blanche.

Au deuxième tirage l’urne contient donc 59 boules dont 19 sont blanches car on a déjà tiré une
boule blanche. On a donc :

19
p(B/A) = = 0,32
59

P(A et B) = p(A)  p(B/A) = 0,33  0,32 = 0,1056

Si on tire successivement trois boules, la probabilité que les trois boules soient vertes est :

13
 COURS DE PROBABILITES ADIL EL MARHOUM

10 9 8
p=   = 0,0035
60 59 58

4.2. Evénements indépendants

Deux événements A et B sont indépendants si la probabilité de voir se réaliser l’événement A
ne dépend pas de la réalisation ou de la non réalisation de l’événement B. La probabilité de voir
se réaliser l’événement B ne dépend pas de la réalisation ou de la non réalisation de l’événement
A.

p(A) = p(A/B) = p(A/non B)

p(B) = p(B/A) = p(B/non A)

Deux événements A et B sont donc indépendants si :

p(A et B) = p(A)  p(B)

Plusieurs événements A1, A2, …, Ak sont indépendants si :

p(A1 et A2 et … et Ak) = p(A1)  p(A2)  …  p(Ak)

L'indépendance de plusieurs événements deux à deux n'entraîne pas nécessairement

l'indépendance de l'ensemble des événements.

Exemple :

On lance deux dés parfaitement homogènes numérotés de 1 à 6. Soient :

L’événement A : résultat du premier dé est impair ;

L’événement B : résultat du deuxième dé est impair ;
L’événement A : la somme des deux résultats est impaire.

3 1 3 1 18 1
p(A) = = p(B) = = p(C) = =
6 2 6 2 36 2

• Indépendance de A et B :

1 1 1
p(A et B) = p(A)  p(B/A) =  = = p(A)  p(B)
2 2 4

A et B sont donc indépendants.

• Indépendance de A et C :

1 1 1
p(A et C) = p(A)  p(C/A) =  = = p(A)  p(C)
2 2 4

14
 COURS DE PROBABILITES ADIL EL MARHOUM

A et C sont donc indépendants.

• Indépendance de B et C :

1 1 1
p(B et C) = p(B)  p(C/B) =  = = p(B)  p(C)
2 2 4

B et C sont donc indépendants.

• Indépendance de A, B, et C :

p(A et B et C) = 0 car la somme de deux résultats impairs ne peut pas être impaire.

p(A et B et C)  p(A)  p(B)  p(C)

A, B, et C sont donc dépendants.

V. THEOREME DE BAYSE
Soient E1, E2, …, Ek, une série de k événements aléatoires totalement exclusifs. À chacun de
ces événements correspond une information initiale qui permet d’évaluer à priori les
probabilités p(E1), p(E2), …, p(Ek).

p(E1) + p(E2) + … + p(Ek) = 1

Soit A un événement quelconque pour lequel on connaît à priori les probabilités conditionnelles
p(A/E1), p(A/E2), …, p(A/Ek).

Les événements E1, E2, Ek étant complémentaires, l’événement A doit se réaliser

nécessairement avec E1 ou E2 ou ... ou Ek.

p(A) = p[(A et E1) ou (A et E2) ou … ou (A et Ek)]

p(A) = p(A et E1) + p(A et E2) + … + p(A et Ek)

Par définition de la probabilité conditionnelle :

p(A et Ei) = p(Ei)  p(A/Ei) (i = 1 à k)

La probabilité de l’événement A est donc :

P(A) = p(E1)  p(A/E1) + p(E2)  p(A/E2) + … + p(Ek)  p(A/Ek)

k
p( A) =  p( Ei )  p( A / Ei )
i =1

15
 COURS DE PROBABILITES ADIL EL MARHOUM

Le théorème de bayes permet de calculer les probabilités conditionnelles à postériori p(E1/A),

p(E2/A), …, p(Ek/A).

Par définition de la probabilité conditionnelle :

p( A et Ei )
p( Ei / A) =
p( A)

p ( E i )  p ( A / Ei )
p( Ei / A) = k

 p( E )  p( A / E )
i =1
i i

Exemple :

Le tableau suivant donne la description de 400 étudiants d’une école selon le niveau d’études
et l’option étudiée.

Niveau option Gestion Informatique Total

1ère année 80 60 140
2ème année 75 40 100
3ème année 50 30 90
4ème année 45 20 70
Total 250 150 400

On a choisi au hasard un étudiant de l’école, il est inscrit en gestion, quelle est la probabilité
qu’il soit inscrit en 1ère année, en 2ème année, en 3ème année, en 4ème année ?

Désignons par N1, N2, N3, et N4 les événements « niveau 1ère année », « niveau 2ème année »,
« niveau 3ème année », et « niveau 4ème année ».

Ces 4 événements sont complémentaires :

140 90
p( N 1 ) = = 0,35 p( N 3 ) = = 0,225
400 400

100 70
p( N 2 ) = = 0,25 p( N 4 ) = = 0,175
400 400

Désignons par G l’événement « étudiant inscrit en gestion.

• Probabilité qu’un étudiant de la première année soit inscrit en gestion :

80
p (G / N 1 ) = = 0,32
250

• Probabilité qu’un étudiant de la deuxième année soit inscrit en gestion :

16
 COURS DE PROBABILITES ADIL EL MARHOUM

75
p (G / N 2 ) = = 0,30
250

• Probabilité qu’un étudiant de la troisième année soit inscrit en gestion :

50
p (G / N 3 ) = = 0,20
250

• Probabilité qu’un étudiant de la quatrième année soit inscrit en gestion :

45
p (G / N 4 ) = = 0,18
250

La probabilité à postériori qu’un étudiant inscrit en gestion soit inscrit en 1ère année est :

p ( N 1 )  p (G / N 1 )
p( N 1 / G ) =
p ( N 1 )  p (G / N 1 ) + p ( N 2 )  p (G / N 2 ) + p ( N 3 )  p (G / N 3 ) + p ( N 4 )  p ( G / N 4 )

0,35  0,32
p( N 1 / G ) = = 0,4250
0,35  0,32 + 0,25  0,30 + 0,225 0,20 + 0,175 0,18

La probabilité à postériori qu’un étudiant inscrit en gestion soit inscrit en 2ème année est :

p ( N 2 )  p (G / N 2 )
p( N 2 / G ) =
p ( N 1 )  p ( G / N 1 ) + p ( N 2 )  p (G / N 2 ) + p ( N 3 )  p ( G / N 3 ) + p ( N 4 )  p ( G / N 4 )

0,25  0,30
p( N 2 / G ) = = 0,2846
0,35  0,32 + 0,25  0,30 + 0,225 0,20 + 0,175 0,18

La probabilité à postériori qu’un étudiant inscrit en gestion soit inscrit en 3ème année est :

p ( N 3 )  p (G / N 3 )
p( N 3 / G ) =
p ( N 1 )  p (G / N 1 ) + p ( N 2 )  p (G / N 2 ) + p ( N 3 )  p ( G / N 3 ) + p ( N 4 )  p (G / N 4 )

0,225 0,20
p( N 3 / G ) = = 0,1708
0,35  0,32 + 0,25  0,30 + 0,225 0,20 + 0,175 0,18

La probabilité à postériori qu’un étudiant inscrit en gestion soit inscrit en 4ème année est :

17
COURS DE PROBABILITES ADIL EL MARHOUM

p ( N 4 )  p (G / N 4 )
p( N 4 / G ) =
p ( N 1 )  p ( G / N 1 ) + p ( N 2 )  p (G / N 2 ) + p ( N 3 )  p ( G / N 3 ) + p ( N 4 )  p ( G / N 4 )

0,175 0,18
p( N 4 / G ) = = 0,1195
0,35  0,32 + 0,25  0,30 + 0,225 0,20 + 0,175 0,18

18
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICES : CALCUL DE PROBABILITES

EXERCICE 1
Expliquer pourquoi doit-il y avoir une erreur dans chacune des phrases suivantes :

a) La probabilité qu'il pleuve demain est 0,67 et la probabilité qu'il pleuve ou qu'il neige est
0,55.
b) La probabilité qu'un étudiant réussisse son examen de statistique est 0,82 et la probabilité
qu'il réussisse son examen de statistique et mathématique est 0,86.
c) Les probabilités qu'une secrétaire fasse 0; 1; 2; 3; 4; plus de 4 erreurs lors d'un travail de
dactylographie sont respectivement 0,12; 0,25; 0,36; 0,14; 0,09; et 0,07.

EXERCICE 2
Selon le dernier recensement 55 % de la population sont analphabètes et 51 % de la population
sont de sexe féminin. Parmi les femmes, 68 % sont analphabètes.

Calculer la probabilité d'être :

a) Une femme analphabète.

b) Une femme non analphabète.
c) Un homme analphabète.
d) Un homme non analphabète.
e) Une personne est choisie au hasard parmi les analphabètes, quelle est la probabilité qu'elle
soit une femme ?

EXERCICE 3
On forme un comité de 5 membres choisis au hasard parmi 8 personnes dont 3 femmes et 5
hommes.

a) Quelle est la probabilité pour que les trois femmes soient choisies ?
b) Quelle est la probabilité pour que l'une des femmes, au moins, soit choisie ?
c) Quelle est la probabilité pour qu'aucune femme ne soit choisie ?

EXERCICE 4
Un portefeuille comprend 3 actions et 2 obligations.

a) On tire successivement et sans remise 2 titres. Quelle est la probabilité d'avoir une action et
une obligation ?
b) On tire dans le portefeuille un titre et on note sa catégorie. Si c'est une action on la remet
dans le portefeuille sinon on ne la remet pas. On effectue un second tirage. Quelle est la
probabilité d'avoir une action et une obligation ?

19
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICE 5
Une course réunit 15 chevaux est organisé au cours d'une fête. Le public est invité à donner le
tiercé gagnant (numéros des trois premiers chevaux).

Pour une personne qui parierait tout à fait au hasard, quelle est la probabilité de donner le
résultat exact :

a) dans l'ordre (numéros des trois premiers chevaux classés dans l'ordre exact de leurs arrivées)
?
b) dans le désordre (numéros des trois premiers chevaux classés dans un ordre différent) ?

EXERCICE 6
Trois familles comprennent respectivement 2 garçons et 1 fille; 1 garçon et 1 fille; 1 garçon et
2 filles. Si on choisit au hasard et indépendamment un enfant de chaque famille, quelle est la
probabilité que le groupe des trois enfants ainsi constitué réunisse au moins 1 garçon et 1 fille?

EXERCICE 7
Soit A, l'événement tel qu'une famille a des enfants des deux sexes, et B, l'événement tel qu'une
famille a au plus 1 garçon.

a) Montrer que A et B sont des événements indépendants si une famille a 3 enfants.

b) Montrer que A et B sont des événements dépendants si une famille a 2 enfants.

EXERCICE 8
Dans une population de 10000 personnes, il y a 45 % de fumeurs et 35 % sont atteintes de
bronchite. De plus, 65% des personnes atteintes de bronchite sont des fumeurs.

Calculer la probabilité pour qu'une personne choisie au hasard dans cette population soit :

a) Un fumeur bronchiteux.
b) Un bronchiteux non fumeur.
c) Calculer la probabilité pour qu'une personne choisie au hasard parmi les fumeurs soit
atteinte de bronchite.

EXERCICE 9
Sur 60 postulants à l'entrée dans un établissement 40 sont du Sud.

Si 20 postulants sont sélectionnés au hasard, calculer la probabilité pour que :

a) 10 sélectionnés sont du Sud.

b) Pas plus de 2 sélectionnés du Sud.

EXERCICE 10
20
 COURS DE PROBABILITES ADIL EL MARHOUM

Pour juger de l'efficacité d'une campagne publicitaire ayant porté sur un produit, on a sondé
1500 personnes, 1000 dans la région du Nord et 500 dans la région du Sud. Les résultats sont :

Régions Connaissent le Connaissent le Ne

produit et le produit et ne le connaissent
consomment consomment pas pas le
produit
Nord 80 150 770
Sud 50 130 320

EXERCICE 11
Un avion de guerre passe au-dessus de 3 batteries. Chaque batterie a une chance sur trois
d'abattre l'avion. quelle est la probabilité que l'avion soit abattu ?

EXERCICE 12
Une usine s'adresse à deux fournisseurs A et B pour l'approvisionnement d'un composant
électronique. Le contrôle de conformité effectué sur un échantillon aléatoire de composants
électroniques a donné la répartition suivante du nombre de défauts :

Fournisseur Répartition du nombre de défauts

0 défaut 1 défaut 2 défauts Total
A 60 % 35 % 5% 100 %
B 65 % 25 % 10 % 100 %

Sachant que 70 % des composants sont achetés à A et 30 % à B :

a) Calculer la probabilité pour qu'un composant ne présente aucun défaut.

b) Calculer la probabilité pour qu'un composant tiré aléatoirement et ne présentant aucun
défaut, provienne de B.

EXERCICE 13
Un chercheur en marketing doit évaluer l'efficacité de l'utilisation et de la connaissance du nom
d'un produit. Une étude de marché a montré que le produit occupe 10 % du marché et que 95
% des personnes ayant déjà achetés ce produit se rappellent le nom du produit, alors que
seulement 20 % des non acheteurs le reconnaissent.

Une personne est choisie d'une manière aléatoire parmi le groupe des consommateurs.

a) Quelle est la probabilité à priori acceptable que la personne choisie soit un acheteur du
produit ?
b) Sachant que la personne reconnaît le nom du produit, quelle est la probabilité à posteriori
qu'elle fasse partie des acheteurs du produit ?
c) Sachant que la personne ne reconnaît pas le nom du produit, quelle est la probabilité à
posteriori qu'elle fasse partie des acheteurs du produit ?

21
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICE 14
Dans une île déserte, un pirate enterre à quelques mètres de distance deux sacs d'un trésor. Le
sac en jute contient 20 pièces d'or et 30 pièces d'argent. Le sac en cuir contient 20 pièces d'or
et 20 pièces d'argent. Malheureusement pour lui il finit sa vie en prison sans avoir pu récupérer
son trésor. Plus tard, un aventurier débarque sur cette île et creuse le sol au hasard. La fortune
lui sourit puisqu'il trouve un des deux sacs. Il y plonge la main et en sort une pièce d'or. qu'elle
est la probabilité qu'il s'agisse du sac en cuir ?

EXERCICE 15
Les étudiants d'une école sont répartis en trois groupes de 30 %; 34 %; et 36 %. Le taux
d'absentéisme est respectivement de 4 %; 2 %; et 7 %. Un étudiant choisi au hasard s'est révélé
de bonne assiduité. Calculer la probabilité que cet étudiant appartienne au groupe 1.

22
 COURS DE PROBABILITES ADIL EL MARHOUM

NOTION DE VARIABLES ALEATOIRES

I. INTRODUCTION
Au cours de ce chapitre nous définirons pour commencer la notion de variable aléatoire. Ensuite
nous étudierons les différents cas à savoir le cas discret, le cas continu, le cas de couple de
variables aléatoires discrètes et continues. Les caractéristiques des variables aléatoires seront
aussi traitées au cours de ce chapitre, nous définirons la notion d'espérance mathématique, la
variance, la covariance et la corrélation. Enfin, nous terminerons le chapitre par l'inégalité de
Biénaymé Tchebycheff.

II. DEFINITION
Une variable aléatoire X est une variable associée à une expérience ou à un groupe
d'expériences aléatoires et servant à caractériser le résultat de cette expérience ou de ce groupe
d'expériences.

On distingue les variables aléatoires discontinues ou discrètes et les variables aléatoires

continues.

III. VARIABLE ALEATOIRE DISCONTINUE

3.1. Définition
Une variable aléatoire est discrète si elle varie de façon discontinue, la variable ne peut prendre
que des valeurs entières.

Exemple :

• Soit X la variable aléatoire qui caractérise le résultat de l'expérience aléatoire "jet d'un dé
homogène".

X est une variable aléatoire discrète, elle peut prendre les valeurs entières 1, 2, 3, 4, 5, et 6.

• Soit X la variable aléatoire qui caractérise le nombre de garçons dans une famille de quatre
enfants.

X est une variable aléatoire discrète, elle peut prendre les valeurs entières 0, 1, 2, 3, et 4.

3.2. Distribution de probabilité

À chacune des valeurs x que peut prendre une variable aléatoire X, correspond une probabilité
p(x), c'est la probabilité que la variable aléatoire X prenne la valeur x :

p(x) = p(X = x)

23
 COURS DE PROBABILITES ADIL EL MARHOUM

l'ensemble des valeurs admissibles x et des probabilités correspondantes p(x) constitue une
distribution de probabilité discontinue. La relation entre x et p(x) est appelée loi de probabilité.

Pour toutes les distributions de probabilités dont les valeurs x correspondent à des événements
complémentaires, le total des probabilités est égal à 1.

 p ( x) = 1
La distribution cumulée des probabilités est appelée fonction de répartition :

x
F(x) = p(X  x) =  p( x)
0  F(x)  1

Exemple :

• Soit X la variable aléatoire qui caractérise le résultat de l'expérience aléatoire "jet d'un dé
homogène".

X est une variable aléatoire discrète, elle peut prendre les valeurs entières 1, 2, 3, 4, 5, et 6 avec
la probabilité constante 1/6.

Distribution de probabilité de X

x p(x) F(x)
1 1/6 1/6
2 1/6 2/6
3 1/6 3/6
4 1/6 4/6
5 1/6 5/6
6 1/6 6/6
Total 1

• Soit X la variable aléatoire qui caractérise le nombre de garçons dans une famille de quatre
enfants.

X est une variable aléatoire discrète, elle peut prendre les valeurs entières 0, 1, 2, 3, et 4.

La probabilité pour qu'un enfant soit un garçon est 1/2.

La probabilité pour qu'un enfant soit une fille est 1/2.

P(0) est la probabilité que les quatre enfants soient des filles. Il y a une seule possibilité :

1 1 1 1 1 4
p(0) =    = ( ) = 0,0625
2 2 2 2 2

24
 COURS DE PROBABILITES ADIL EL MARHOUM

P(1) est la probabilité que un seul enfant soit un garçon. Ce garçon peut correspondre au premier
enfant, ou au deuxième , ou au troisième ou au quatrième. Il y a donc quatre possibilités :

1 1 1 1 1
p(1) = 4     = 4  ( ) 4 = 0,25
2 2 2 2 2

P(2) est la probabilité que deux enfants soient des garçons. Ces deux garçon peuvent
correspondre au premier et deuxième enfants, ou au premier et troisième enfants ou au premier
et quatrième enfants, ou au deuxième et troisième enfants ou au deuxième et quatrième enfants
, ou au troisième et quatrième enfants. Il y a donc six possibilités :

1 1 1 1 1
p(2) = 6     = 6  ( ) 4 = 0,375
2 2 2 2 2

P(3) est la probabilité que trois enfants soient des garçon. Ces trois garçons peuvent
correspondre au premier et deuxième et troisième enfants, ou au premier et deuxième et
quatrième enfants ou au premier et troisième et quatrième enfants ou au deuxième et troisième
et quatrième enfants. Il y a donc quatre possibilités :

1 1 1 1 1
p(3) = 4     = 4  ( ) 4 = 0,25
2 2 2 2 2

P(4) est la probabilité que les quatre enfants soient des garçons. Il y a une seule possibilité :

1 1 1 1 1 4
p(4) =    = ( ) = 0,0625
2 2 2 2 2

Distribution de probabilité de X

x p(x) F(x)
0 0,0625 0,0625
1 0,2500 0,3125
2 0,3750 0,6875
3 0,2500 0,9375
4 0,0625 1
Total 1

IV. VARIABLE ALEATOIRE CONTINUE

Une variable aléatoire est continue si elle prend n'importe quelle valeur réelle appartenant à un
intervalle donné.

Exemple :

Le poids est une variable aléatoire continue.

La taille est une variable aléatoire continue.

25
 COURS DE PROBABILITES ADIL EL MARHOUM

Un intervalle continu contient une infinité de valeurs. La probabilité d'obtenir exactement un

résultat donné est généralement nulle, bien que ce résultat ne soit pas strictement impossible.

p ( X = x)  0

La notion de distribution de probabilité n'a donc plus de sens dans le cas continu. Par contre la
fonction de répartition conserve toute sa signification.

Pour une variable aléatoire continue, on calcule la probabilité d'observer une valeur comprise
dans un intervalle donné [x ; x+x].

p(x  X  x+x) = p(X  x+x) - p(X  x) = F(x+x) - F(x)

Cette probabilité tend vers p(x) quand x tend vers 0.

lim p( x  X  x + x) = lim F ( x + x) − F ( x)

x →0 x →0

F ( x + x) − F ( x) F dF
lim = lim x = dx = F ' ( x) = f ( x)
x →0 x x →0

La fonction f(x), dérivée de la fonction de répartition F(x), est appelée fonction de densité de
probabilité.

L'ensemble des valeurs admissibles pour une variable aléatoire continue et la fonction de
densité de probabilité correspondante est définissent une distribution de probabilité théorique
continue.

Le produit f(x)dx est appelé élément de probabilité, c'est l'équivalent de la probabilité p(x) pour
une variable aléatoire discontinue.

Pour une variable aléatoire continue, le cumul de la fonction de densité de probabilité est égal
à1:
+

 f ( x)dx = 1
−

x
F(x) =  f ( x)dx
−

b
P(a  X  b) = F(b) - F(a) =  f ( x)dx
a

Exemple :

26
 COURS DE PROBABILITES ADIL EL MARHOUM

Soit une variable aléatoire continue X définie par la fonction de densité de probabilité :

k si 0  x  1
f ( x) = 
0 sinon

Pour déterminer la constante k, il faut :

+

 f ( x)dx = 1
−
1

 k  dx = 1
0

1
kx ] =1
0

k =1

1 si 0  x  1
f (x) = 
0 sinon

On en déduit par intégration la fonction de répartition F(x) :

Si x < 0 :
x 0
F(x) = 
−
f ( x)dx =  0  dx = 0
−

Si 0  x  1 :
x 0 x
F(x) =  f ( x)dx =  0  dx +  1  dx = x
− − 0

Si x > 1 :
x 0 1 x
F(x) = 
−
f ( x)dx = 
−
 
0  dx + 1  dx + 0  dx = 1
0 1

0 si x  0

F (x) = x si 0  x  1
1 si x  1


V. COUPLE DE VARIABLES ALEATOIRES

Dans de nombreux cas, les résultats des expériences aléatoires peuvent être caractérisés par
deux variables aléatoires X et Y. on parle alors de couple de variables aléatoires (X , Y). Ces

27
 COURS DE PROBABILITES ADIL EL MARHOUM

deux variables peuvent être toutes les deux discrètes, ou toutes les deux continues ou l'une
discontinue et l'autre continue.

5.1. Couple de variables aléatoires discontinues

Dans le cas d'un couple de variables aléatoires discontinues (X , Y), les valeurs respectives de
x de X et y de Y sont des valeurs entières. À chaque couple de valeurs (x,y) correspond une
probabilité p(x,y), c'est la probabilité d'observer simultanément la valeur x pour X et la valeur
y pour Y.

p(X=x et Y=y) = p(x,y)

L'ensemble des valeurs admissibles (x,y) et des probabilités correspondantes p(x,y) forme une
distribution de probabilité discontinue à deux variables.

La fonction de répartition est définie par :

F(x,y) = p( X  x et Y  y)

La distribution de probabilité discontinue à deux variables se présente sous forme d'un tableau
à deux entrées.

X Y y1 y2  yj  yp p(x)
x1 p(x1, y1) p(x1, y2)  p(x1, yj)  p(x1, yp) p(x1)
x2 p(x2, y1) p(x2, y2)  p(x2, yj)  p(x2, yp) p(x2)
. . . . . . . .
. . . . . . . .
. . . . . . . .
Xi p(xi, y1) p(xi, y2)  p(xi, yj)  p(xi, yp) p(xi)
. . . . . . . .
. . . . . . . .
. . . . . . . .
xk p(xk, y1) p(xk, y2)  p(xk, yj)  p(xk, yp) p(xk)
p(y) p(y1) p(y2)  p(yj)  p(yp) 1

k est le nombre de valeurs possibles de la variable aléatoire X.

p est le nombre de valeurs possibles de la variable aléatoire Y.

• Probabilités conjointes

p(xi , yj) est dite probabilité conjointe. C'est la probabilité d'obtenir la valeur x et la valeur y en
même temps.

• Probabilités marginales
p

 p( x , y
j =1
i j) = p( xi )

28
 COURS DE PROBABILITES ADIL EL MARHOUM

p(xi) est dite probabilité marginale de X. C'est la probabilité d'obtenir la valeur x i quelque soit
la valeur de Y.

 p( x , y
i =1
i j) = p( y j )

p(yj) est dite probabilité marginale de Y. C'est la probabilité d'obtenir la valeur yj quelque soit
la valeur de X.

Le cumul de toutes les probabilités conjointes p(xi , yj) est égal à 1.

k p k p


i =1 j =1
p( xi , y j ) = 
i =1
p( xi ) =  p( y
j =1
j) =1

Par extension de la notion d'indépendance de deux événements aléatoires, deux variables

aléatoires discontinues sont indépendantes, si pour tout couple de valeurs (x,y) :

p(x,y) = p(x)  p(y)

Exemple :

Dans une urne contenant 4 boules blanches, 6 boules noires et 10 boules rouges, on prélève au
hasard et avec remise 3 boules.

Soient la variable aléatoire X qui représente le nombre de boules blanches obtenues, et la

variable aléatoire Y qui représente le nombre de boules noires obtenues.

P(0 et 0) est la probabilité que les trois boules tirées soient rouges, les prélèvements sont
indépendants (tirage avec remise), on peut donc écrire :

10 10 10
p(0;0) =   = 0,125
20 20 20

P(0 et 1) est la probabilité que deux boules tirées soient rouges et une noire, il y a trois
possibilités, on peut donc écrire :

10 10 6
p(0;1) = 3    = 0,225
20 20 20

P(0 et 2) est la probabilité que deux boules tirées soient noires et une rouge, il y a trois
possibilités, on peut donc écrire :

10 6 6
p(0;2) = 3    = 0,135
20 20 20

P(0 et 3) est la probabilité que les trois boules tirées soient noires, on peut donc écrire :

29
 COURS DE PROBABILITES ADIL EL MARHOUM

6 6 6
p(0;3) =   = 0,027
20 20 20

P(1 et 0) est la probabilité que deux boules tirées soient rouges et une blanche, il y a trois
possibilités, on peut donc écrire :

10 10 4
p(1;0) = 3    = 0,15
20 20 20

P(1 et 1) est la probabilité qu'une boule tirée soit blanche, et une noire et une rouge, il y a six
possibilités, on peut donc écrire :

4 6 10
p(1;1) = 6    = 0,18
20 20 20

P(1 et 2) est la probabilité que deux boules tirées soient noires et une blanche, il y a trois
possibilités, on peut donc écrire :

4 6 6
p(1;2) = 3    = 0,054
20 20 20

P(1 et 3) est la probabilité que trois boules tirées soient noires et une blanche, ce qui est
impossible car on tire que trois boules. On peut donc écrire :

P(1;3) = 0

P(2 et 0) est la probabilité que deux boules tirées soient blanches et une rouge, il y a trois
possibilités, on peut donc écrire :

4 4 10
p(2;0) = 3    = 0,06
20 20 20

P(2 et 1) est la probabilité qu'une boule tirée soit noire, et deux blanches, il y a trois possibilités,
on peut donc écrire :

4 4 6
p(2;1) = 3    = 0,036
20 20 20

P(2 et 2) est la probabilité que deux boules tirées soient noires et deux blanches, ce qui est
impossible car on tire que trois boules. On peut donc écrire :

P(2;2) = 0

P(2 et 3) est la probabilité que trois boules tirées soient noires et deux blanches, ce qui est
impossible car on tire que trois boules. On peut donc écrire :

P(2;3) = 0

30
 COURS DE PROBABILITES ADIL EL MARHOUM

P(3 et 0) est la probabilité que les trois boules tirées soient blanches, on peut donc écrire :

4 4 4
p(3;0) =   = 0,008
20 20 20

P(3 et 1) est la probabilité que trois boules tirées soient blanches et une noire, ce qui est
impossible car on tire que trois boules. On peut donc écrire :

P(3;1) = 0

P(3 et 2) est la probabilité que trois boules tirées soient blanches et deux noires, ce qui est
impossible car on tire que trois boules. On peut donc écrire :

P(3;2) = 0

P(3 et 3) est la probabilité que trois boules tirées soient noires et trois blanches, ce qui est
impossible car on tire que trois boules. On peut donc écrire :

P(3;3) = 0

La distribution de probabilités du couple de variables aléatoires (X,Y) est :

X Y 0 1 2 3 p(x)
0 0,125 0,225 0,135 0,027 0,512
1 0,15 0,18 0,054 0 0,384
2 0,06 0,036 0 0 0,096
3 0,008 0 0 0 0,008
p(y) 0,343 0,441 0,189 0,027 1

5.2. Couple de variables aléatoires continues

Un couple de variables aléatoires est continu si les deux variables X et Y sont continues, c'est
à dire elles peuvent prendre n'importe quelle valeur réelle appartenant à un intervalle donné.

Un intervalle continu contient une infinité de valeurs. La probabilité d'obtenir exactement un

résultat donné est généralement nulle, bien que ce résultat ne soit pas strictement impossible.

p( X = x et Y = y) = p( x, y)  0

La notion de distribution de probabilité n'a donc plus de sens dans le cas continu. Par contre la
fonction de répartition conserve toute sa signification.

Pour un couple de variables aléatoires continues, on calcule la probabilité d'observer des valeurs
comprise dans des intervalles donnés [x ; x+x] pour X et [y ; y+y] pour Y.

p(x  X  x+x et y  Y  y+y) = p(X  x+x et Y  y+y) - p(X  x et Y  y)

p(x  X  x+x et y  Y  y+y) = F(x+x , y+y) - F(x , y)

31
 COURS DE PROBABILITES ADIL EL MARHOUM

Cette probabilité tend vers p(x,y) quand x et y tendent tous les deux vers 0.

lim p( x  X  x + x et
x →0
y  Y  y + y) = lim F ( x + x, y + y) − F ( x, y)
x →0
y →0 y →0

F ( x + x, y + y ) − F ( x, y ) d 2 F
lim = = F ' ( x, y ) = f ( x, y )
x →0 xy dxdy
y →0

La fonction f(x,y), dérivée de la fonction de répartition F(x,y), est appelée fonction de densité
de probabilité à deux variables.

L'ensemble des valeurs admissibles (x,y) et la fonction de densité de probabilité correspondante

f(x,y) définissent une distribution de probabilité théorique continue à deux variables.

Le produit f(x,y)dxdy est appelé élément de probabilité, c'est l'équivalent de la probabilité

p(x,y) pour un couple de variables aléatoires discontinues.

Pour une variable aléatoire continue, le cumul de la fonction de densité de probabilité est égal
à1:
++

  f ( x, y)dxdy = 1
− − 

x y
F(x,y) =   f ( x, y)dxdy
− − 

En intégrant la fonction de densité de probabilité par rapport à l'une des variables, on obtient
les fonctions de densité marginales :
+ +
f ( x) =  f ( x, y)dy
−
f ( y) =  f ( x, y)dx
−

Par extension de la notion d'indépendance de deux événements aléatoires, deux variables

aléatoires continues sont indépendantes, si pour tout couple de valeurs (x,y) :

f(x,y) = f(x)  f(y)

Exemple :

Soit un couple de variables aléatoires continues (X,Y) définie par la fonction de densité de
probabilité :

32
 COURS DE PROBABILITES ADIL EL MARHOUM

k si 0  x  1 et 0  y  1
f ( x, y ) = 
0 sinon

Pour déterminer la constante k, il faut :

++

  f ( x, y)dxdy = 1
− − 

1 1

  k  dxdy = 1
0 0

 kx] dy = 1
1

0
0

 kdy = 1
0

1
ky] = 10

k =1

1 si 0  x  1 et 0  y  1
f ( x, y ) = 
0 sinon

On en déduit par intégration la fonction de répartition F(x) :

Si x < 0 et y < 0 :
x y x y
F(x,y) = 
− − 
f ( x, y )dxdy =   0  dxdy = 0
− − 

Si 0  x  1 et 0  y  1 :
x y x y x
F(x,y) = 
−−
f ( x, y )dxdy = 
0 0

1  dxdy = ydx = xy
0

Si x > 1 et y >1 :
x y 1 1
F(x,y) =   f ( x, y)dxdy =   1  dxdy = 1
−− 0 0

33
 COURS DE PROBABILITES ADIL EL MARHOUM

0 si x  0 et y  0

F ( x, y ) = xy si 0  x  1 et 0  y  1
1 si x  1 et y  1


VI. CARACTERISTIQUES D'UNE VARIABLE ALEATOIRE

6.1. Espérance mathématique
6.1.1. Définition

On appelle espérance mathématique la valeur moyenne de la variable, elle remplace la moyenne

arithmétique dans le cas d'une variable statistique.

Cas discrèt Cas continu

E( X ) =  x  p ( x) E( X ) =
+

 x  f ( x)dx
−

Exemple :

• Soit X la variable aléatoire qui caractérise le nombre de garçons dans une famille de quatre
enfants.

Distribution de probabilité de X

x p(x) F(x)
0 0,0625 0,0625
1 0,2500 0,3125
2 0,3750 0,6875
3 0,2500 0,9375
4 0,0625 1
Total 1

E( X ) =  x  p( x) = 0  0,0625+ 1 0,25 + 2  0,375 + 3  0,25 + 4  0,0625

E( X ) = 2

Dans une famille de quatre enfants on doit s'attendre à avoir deux garçons.

Exemple :

Soit une variable aléatoire continue X définie par la fonction de densité de probabilité :

1 si 0  x  1
f (x) = 
0 sinon

34
 COURS DE PROBABILITES ADIL EL MARHOUM

1
1
E ( X ) =  x  dx =
x² = 1
]
0 2 2
0

6.1.2. Propriétés

• L'espérance d'une fonction d'une variable X est :

Cas discrèt Cas continu

+

E ( g ( X )) =  g ( x)  p ( x)
E ( g ( X )) =  g ( x)  f ( x)dx
−

Exemple :

Cas discrèt Cas continu

E ( X ²) =  x ²  p ( x) E ( X ²) =
+

 x²  f ( x)dx
−

• L'espérance d'une constante est la constante :

E(a) = a

• L'espérance d'une transformation linéaire est la transformation linéaire de l'espérance :

E (ax + b) =  (ax + b)  p( x) =  axp( x) +  bp( x)

E (ax + b) = a  xp( x) + b p( x)
E (ax + b) = aE( X ) + b

• L'espérance d'une somme est la somme des espérances :

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

• L'espérance d'une différence est la différence des espérances :

E(X - Y) = E(X) - E(Y)

• L'espérance d'un produit est le produit des espérances si les variables sont indépendantes :

35
 COURS DE PROBABILITES ADIL EL MARHOUM

E(X  Y) = E(X)  E(Y)

6.2. Variance et écart-type

6.2.1. Définition

Comme pour la moyenne, la variance d'une variable aléatoire conserve la même définition
que la variance d'une variable statistique. C'est l'espérance mathématique des carrés des écarts
par rapport à l'espérance.

• Cas discret

V(X) = E[(X - E(X))²] =  ( x − E( X ))²  p( x)

• Cas continu
+
V(X) = E[(X - E(X))²] =  ( x − E ( X ))²  f ( x)dx
−

L'écart-type est égale à la racine carrée de la variance :

 = V (X )

La variance est calculé à partir de la formule développée suivante :

V(X) = E[(X - E(X))²] = E[X² - 2XE(X) + E(X)²]

V(X) = E(X²) - 2 E(X) E(X) + E(X)²

V(X) = E(X²) - E(X)²

La variance est donc égale à la différence entre l'espérance mathématique des carrés et le carré
de l'espérance mathématique.

Exemple :

• Soit X la variable aléatoire qui caractérise le nombre de garçons dans une famille de quatre
enfants.

Distribution de probabilité de X

x p(x) F(x)
0 0,0625 0,0625
1 0,2500 0,3125
2 0,3750 0,6875
3 0,2500 0,9375
4 0,0625 1
Total 1

36
 COURS DE PROBABILITES ADIL EL MARHOUM

E( X ) =  x  p( x) = 0  0,0625+ 1 0,25 + 2  0,375 + 3  0,25 + 4  0,0625= 2

E ( X ²) =  x²  p( x) = 0²  0,0625+ 1²  0,25 + 2²  0,375 + 3²  0,25 + 4²  0,0625= 5
V(X) = E(X²) - E(X)² = 5 - 2² = 1

l'écart-type est la racine carré de 1 :

 = 1 =1

Exemple :

Soit une variable aléatoire continue X définie par la fonction de densité de probabilité :

1 si 0  x  1
f (x) = 
0 sinon

1
1
E ( X ) =  x  dx =
x² = 1
] 2
0 2 0

1
1
E ( X ²) =  x ²  dx =
x3 = 1
]
0 3 3 0

1 1 1
V ( X ) = E ( X ²) − E ( X )² = − =
3 4 12

1
=
12

6.2.2. Propriétés

• La variance d'une constante est nulle :

V(a) = 0

• La variance d'une transformation linéaire est :

37
 COURS DE PROBABILITES ADIL EL MARHOUM

V (aX + b) = E[((aX + b) − E (aX + b))²]

V (aX + b) = E[(aX + b − aE( X ) − b)²]

V (aX + b) = E[a ²( X − E ( X ))²]

V (aX + b) = a ²V ( X )

• La variance d'une somme est la somme des variances si les variables sont indépendantes :

V(X + Y) = E[((X + Y) - E(X+Y))²]

V(X + Y) = E[(X + Y - E(X) - E(Y))²]

V(X + Y) = E[((X-E(X)) + (Y-E(Y)))²]

V(X + Y) = E[(X-E(X))² + 2 (X-E(X)) (Y-E(Y)) + (Y-E(Y))²]

V(X + Y) = E[(X-E(X))²] + 2 E[(X-E(X)) (Y-E(Y))] + E[(Y-E(Y))²]

Si X et Y sont indépendantes, on peut écrire :

E[(X-E(X)) (Y-E(Y))] = E(X-E(X)) E(Y-E(Y)) = 0

V(X + Y) = E[(X-E(X))²] + E[(Y-E(Y))²]

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

• La variance d'une différence est la somme des variances si les variables sont
indépendantes :

V(X - Y) = E[((X - Y) - E(X-Y))²]

V(X - Y) = E[(X - Y - E(X) + E(Y))²]

V(X - Y) = E[((X-E(X)) - (Y-E(Y)))²]

V(X - Y) = E[(X-E(X))² - 2 (X-E(X)) (Y-E(Y)) + (Y-E(Y))²]

V(X - Y) = E[(X-E(X))²] - 2 E[(X-E(X)) (Y-E(Y))] + E[(Y-E(Y))²]

Si X et Y sont indépendantes, on peut écrire :

E[(X-E(X)) (Y-E(Y))] = E(X-E(X)) E(Y-E(Y)) = 0

V(X - Y) = E[(X-E(X))²] + E[(Y-E(Y))²]

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

38
 COURS DE PROBABILITES ADIL EL MARHOUM

• Variable centrée réduite

Une variable aléatoire est dite centrée si son espérance mathématique est nulle, elle est dite
réduite si son écart-type est égal à 1.

Toute variable aléatoire peut être transformée en une variable centrée réduite par le
X − E( X )
changement de variable .


6.3. Covariance d'un couple de variables aléatoires

6.3.1. Définition

La covariance d'un couple de variables aléatoires conserve la même définition que la

covariance de deux variables statistiques. Elle permet d'étudier le sens de la relation entre
deux variables. C'est l'espérance mathématique des produits des écarts par rapport aux
espérances.

• Cas discret

COV(X , Y) = E[(X - E(X) (Y - E(Y))] =  ( x − E( X )  ( y − E(Y ))  p( x, y)

• Cas continu
++
COV(X , Y) = E[(X - E(X) (Y - E(Y))] =   ( x − E ( X )  ( y − E (Y ))  f ( x, y)dxdy
−−

La covariance est calculé à partir de la formule développée suivante :

COV(X , Y) = E[(X - E(X) (Y - E(Y))] = E[XY - XE(Y) - E(X)Y + E(X)E(Y)]

COV(X , Y) = E(XY) - E(X) E(Y) - E(X) E(Y) + E(X) E(Y)

COV(X , Y) = E(XY) - E(X) E(Y)

La covariance est donc égale à la différence entre l'espérance mathématique des produits et le
produit des espérances mathématiques.

E ( XY ) =  x  y  p( x, y) dans le cas discret.

++
E ( XY ) =   xy  f ( x, y)dxdy dans le cas continu.
−− 

La relation entre deux variables aléatoires est croissante ou décroissante selon que la
covariance est positive ou négative.

39
 COURS DE PROBABILITES ADIL EL MARHOUM

Exemple :

Soit la distribution de probabilités du couple de variables aléatoires (X,Y) suivante :

X Y 0 1 2 3 p(x)
0 0,125 0,225 0,135 0,027 0,512
1 0,15 0,18 0,054 0 0,384
2 0,06 0,036 0 0 0,096
3 0,008 0 0 0 0,008
p(y) 0,343 0,441 0,189 0,027 1

COV(X , Y) = E(XY) - E(X) E(Y)

E( X ) =  xp( x) = 0  0,512 + 1 0,384 + 2  0,096 + 3  0,008 = 0,6

E (Y ) =  yp( y) = 0  0,343 + 1 0,441+ 2  0,189 + 3  0,027 = 0,9
E ( XY ) =  x  y  p( x, y)
E ( XY ) = 0  0  0,125 + 0  1  0,225 + 0  2  0,135 + 0  3  0,027 + 1
+ 1  0  0,15 + 1  1  0,18 + 1  2  0,054 + 1  3  0
+ 2  0  0,06 + 2  1  0,036 + 2  2  0 + 2  3  0
+ 3  0  0,008 + 3  1  0 + 3  2  0 + 3  3  0

E(XY) = 0,36

COV(X , Y) = E(XY) - E(X) E(Y) = 0,36 - 0,60,9 = - 0,18

Exemple :

Soit un couple de variables aléatoires continues (X,Y) définie par la fonction de densité de
probabilité :

1 si 0  x  1 et 0  y  1
f ( x, y ) = 
0 sinon

1 1
f ( x) = 
0

f ( x, y )dy = dy = 1
0

1 1
f ( y) = 
0

f ( x, y )dx = dx = 1
0

40
 COURS DE PROBABILITES ADIL EL MARHOUM

1
1
E ( X ) =  x  dx =
x² = 1
]
0 2 2 0

1
1
y² = 1

E (Y ) = y  dy = ]
0 2 2 0

++
E ( XY ) =   xy  f ( x, y)dxdy
− − 

1 1 1
1 1
E ( XY ) =   xy  dxdy =  2 xdx = 4
0 0 0

1 1 1
COV ( X , Y ) = E ( XY ) − E ( X ) E (Y ) = −  =0
4 2 2

6.3.2. propriétés

• La covariance de deux variables aléatoires indépendantes est nulle :

COV(X , Y) = E(XY) - E(X) E(Y) = E(X) E(Y) - E(X) E(Y) = 0

• Covariance des transformations linéaires :

Soient : X' = aX + b et Y' = cY + d (a, b, c, et d sont des constantes

quelconques).

COV(X' , Y') = E[(X'-E(X')) (Y'-E(Y'))]

COV(X' , Y') = E[((aX+b)-E(aX+b)) ((cY+d)-E(cY+d))]

COV(X' , Y') = E[(aX-aE(X)) (cY-cE(Y))]

COV(X' , Y') = ac E[(X-E(X)) (Y-E(Y))]

COV(X' , Y') = ac COV(X , Y)

• On peut démonter que la covariance en valeur absolue est inférieure ou égale au produit
des écart-types :

COV ( X , Y )  V ( X )  V (Y )

6.4. Coefficient de corrélation linéaire

41
 COURS DE PROBABILITES ADIL EL MARHOUM

6.4.1. Définition

Le coefficient de corrélation linéaire, désigné par r, a pour objet de mesurer l'intensité de la

relation linéaire entre deux variables X et Y.

COV ( X , Y )
r=
V ( X )  V (Y )

Cette définition montre que le coefficient de corrélation linéaire possède le même signe que la
covariance et qu'il est toujours compris entre -1 et 1.

-1  r  1

La corrélation linéaire est forte lorsque le coefficient de corrélation est proche de 1 ou de -1.

• R = 1 : dans ce cas, on parle de corrélation linéaire croissante parfaite ou de dépendance

fonctionnelle.

• R = -1 : dans ce cas, on parle de corrélation linéaire décroissante parfaite ou de

dépendance fonctionnelle.

• R = 0 : dans ce cas, il n'y a aucune dépendance linéaire entre les deux variables, on parle
de corrélation linéaire nulle.

• -1 < r < 0 : dans ce cas les deux variables varient en sens inverse, la corrélation est faible
ou forte selon que le coefficient de corrélation est proche de 0 ou de -1.

• 0 < r < 1 : dans ce cas les deux variables varient dans le même sens, la corrélation est
faible ou forte selon que le coefficient de corrélation est proche de 0 ou de 1.

Exemple :

Soit la distribution de probabilité à deux variables suivante :

X Y 1 2 p(x)
1 0 1/4 1/4
2 1/2 0 1/2
3 0 1/4 1/4
p(y) 1/2 1/2 1

 xp( x) = 1  4 + 2  2 + 3  4 = 2
1 1 1
E( X ) =

 x² p( x) = 1²  4 + 2²  2 + 3²  4 = 2
1 1 1 9
E ( X ²) =

9 1
V ( X ) = E ( X ²) − E ( X )² = −4=
2 2

42
 COURS DE PROBABILITES ADIL EL MARHOUM

 yp( y) = 1  2 + 2  2 = 2
1 1 3
E (Y ) =

 y ² p( y) = 1²  2 + 2²  2 = 2
1 1 5
E (Y ²) =

5 9 1
V (Y ) = E (Y ²) − E (Y )² = − =
2 4 4

 xy  p( x, y) = 1  1  0 + 1  2  4 + 2  1  2 + 2  2  0 + 3  1  0 + 3  2  4 = 3
1 1 1
E ( XY ) =

3
COV ( X , Y ) = E ( XY ) − E ( X ) E (Y ) = 3 − 2  =0
2

COV ( X , Y )
r= =0
V ( X )  V (Y )

Deux variables non indépendantes peuvent avoir un coefficient de corrélation linéaire nul.

6.4.2. Propriétés

• Transformations linéaires

Soient : X' = aX + b et Y' = cY + d (a, b, c, et d sont des constantes

quelconques).
COV ( X ' , Y ' )
r( X ' ,Y ' ) =
V ( X ' )  V (Y ' )

acCOV ( X , Y )
r( X ' ,Y ' ) =
a ²V ( X )  c ²V (Y )

r ( X ' , Y ' ) = r ( X , Y )

Les transformations linéaires ne modifient pas l'intensité de la relation linéaire mais elles
peuvent changer le sens de cette relation.

VII. INEGALITE DE BIENAYME TCHEBYCHEFF

Cette inégalité concerne des probabilités relatives à des écarts par rapport à l'espérance
mathématique supérieurs à deux fois l'écart-type, c'est à dire à des écarts centrés réduits
X − E( X )
.


43
 COURS DE PROBABILITES ADIL EL MARHOUM

Quelque soit la variable aléatoire X, la probabilité d'un intervalle [E(X)-k , E(X)+] a pour
1
borne inférieure 1 − .
k²

V (X ) =  ( x − E( X ))² p( x) E(X)-k  x  E(X)+

On peut décomposer la variance en trois somme :

V ( X ) = S1 + S 2 + S 3

avec :

• S1 =  ( x − E( X ))² p( x) x < E(X)-k

• S2 =  ( x − E( X ))² p( x) E(X)-k  x  E(X)+

• S3 =  ( x − E( X ))² p( x) x > E(X)+

V ( X ) = S1 + S 2 + S 3

V ( X )  S1 + S 3

• Pour S1 x < E(X) - k

x - E(X) < - k

(x - E(X))² > k²²

 ( x − E( X ))² p ( x)   k ² ² p ( x)
1 1

S1  k ² ²  p ( x)
1

• Pour S3 x > E(X) + k

x - E(X) > k

(x - E(X))² > k²²

 ( x − E( X ))² p ( x)   k ² ² p ( x)
3 3

S 3  k ² ²  p ( x)
3

V ( X )  S1 + S 3

44
 COURS DE PROBABILITES ADIL EL MARHOUM

V ( X )  k ² ²  p ( x) + k ² ² p ( x)
1 3

V ( X )  k ² ²  (  p ( x) +  p ( x))
1 3

 p ( x) +  p ( x) = 1 −  p
1 3 2 ( x)

On note : p 2 ( x) =p

p 2 ( x) = p( E ( X ) − k  X  E ( X ) + k

Or V ( X ) =  ²

On a donc :
 ²  k ² ²  (1 − p )

1  k ²  (1 − p )

1
1− p
k²

1
p 1−
k²

L'inégalité de Biénaymé Tchebycheff est donc :

1
p( E ( X ) − k  X  E ( X ) + k )  1 −
k²

45
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICES : VARIABLES ALEATOIRES

EXERCICE 1
Une usine employant 30 personnes dont 4 ingénieurs, 10 techniciens et 16 ouvriers. On en
choisit de façon successive 3 employés.

a) Calculer la probabilité d'avoir un employé de chaque catégorie professionnelle.

b) Soit la variable aléatoire X qui représente le nombre d'ingénieurs choisis. Donner la loi de
probabilité de X.

EXERCICE 2
Pour vendre un article, un producteur décide de lancer une campagne publicitaire par insertion
de photos dans des journaux spécialisés. Le nombre d'articles vendus après une parution est une
variable aléatoire dont la loi de probabilité est la suivante :

Nombre d'articles Probabilité

0 0,525
100 0,350
200 0,125

Le producteur fait 50 parutions indépendamment les uns des autres. Soit X le nombre d'articles
vendus grâce à cette publicité. Calculer l'espérance et la variance de X.

EXERCICE 3
4 étudiants dont aucun n'a étudié les sujets du cours passent un examen en deux questions. La
question 1 a 4 réponses indiquées dont une seule est juste. La question 2 en a 5.

Soit la variable aléatoire X qui désigne le nombre d'étudiants qui ont au moins une réponse
correcte.

a) Quelle est l'espérance du nombre d'étudiant qui ont au moins une réponse correcte ?
b) Calculer la probabilité que 2 étudiants au moins aient au moins une réponse correcte.

EXERCICE 4
Dans un groupe de 10 ménages, le revenu annuel est distribué ainsi (les unités sont les mêmes
pour mari et femme) :

Ménage 1 2 3 4 5 6 7 8 9 10
Revenu du 10 15 15 10 10 15 20 15 20 20
mari
Revenu de 5 15 10 10 10 5 10 10 15 10
la femme

46
 COURS DE PROBABILITES ADIL EL MARHOUM

Un ménage est choisi au hasard, soit X le revenu du mari et Y le revenu de la femme.

a) Donner la loi de probabilité du couple (X, Y), en déduire les lois marginales de X et de Y.
b) Calculer le coefficient de corrélation linéaire entre X et Y.
c) On note S le revenu total du ménage et W le revenu total du ménage après impôt avec :

S=X+Y et W = 0,6 X + 0,8 Y

Donner la loi de probabilité du couple (S, W).

EXERCICE 5
On est au réez de chaussée d'un immeuble de 8 étages. Combien de temps penser vous pouvoir
attendre, en moyenne, un ascenseur qui ne se trouve pas au réez de chaussée, qui peut se trouver
à n'importe quel étage avec la même probabilité et qui met 5 secondes pour passer d'un étage à
l'autre, son démarrage et son arrêt sont instantanés. Chiffrer l'écart type de votre temps d'attente.

EXERCICE 6
Pour une demande aléatoire X de denrées périssables, un grossiste commande y tonnes de
denrées chaque jour. La loi de probabilité de X est la suivante :

Demande en 0 1 2 3 4 5 6
tonnes : x
probabilités 0,02 0,15 0,25 0,30 0,15 0,10 0,03

1)
a) Calculer la probabilité que le grossiste vende moins de 3 tonnes de denrées dans la journée.
b) Calculer le nombre moyen de tonnes vendues chaque jour.
c) Calculer l'écart type.

2) Le grossiste gagne 5000 dh par tonne vendue et perd 2000 dh par tonne non vendue. Soit la
variable aléatoire G dont les valeurs sont égales au bénéfice pour une commande y.

a) Construire un tableau donnant les valeurs de G pour une commande y = 0, 1, 2, 3, 4, 5, 6

tonnes ainsi que les probabilités associées.
b) Calculer l'espérance de G pour les mêmes valeurs de Y.

EXERCICE 7
2 comprimés sont choisis au hasard dans un flacon contenant 3 aspirines, 2 sédatifs et 4 laxatifs.
Si X et Y représentent respectivement le nombre d'aspirines et le nombre de sédatifs obtenus,
déterminer la loi de probabilité du couple (X, Y).

EXERCICE 8

47
 COURS DE PROBABILITES ADIL EL MARHOUM

Déterminer la loi de probabilité de la variable aléatoire, nombre de garçons d'une famille de 4

enfants.

EXERCICE 9
Le nombre de gâteaux qu'un pâtissier peut vendre en un jour quelconque est une variable
aléatoire ayant la distribution de probabilité suivante :

x 0 1 2 3 4 5
P(x) 1/6 1/6 1/6 1/6 1/6 1/6

Ce pâtissier sait qu'il y a un profit de 10 dh pour chaque gâteau vendu et une perte de 4 dh pour
chaque gâteau non vendu.

En supposant que chaque gâteau ne peut être vendu que le jour où il a été préparé :

a) Quel est le profit auquel doit s'attendre le pâtissier en un jour où il a préparé 5 gâteaux ?
b) Que serait ce profit attendu si le pâtissier avait préparé 3 gâteaux uniquement ?

EXERCICE 10
On étudie la durée X des communications téléphoniques dont la densité est :

0 si x  0
f ( x) =  -k x
a e si x  0

5
a) Sachant que k = quelle valeur faut-il donner à a pour que f(x) soit une densité de
6
probabilité ?
b) Donner la fonction de répartition de X.
c) Quelle est la probabilité pour qu'une communication dure plus de 3 minutes ?
d) Quelle est la probabilité pour qu'une communication ait une durée entre 3 et 6 minutes ?
e) Si on ne connaît pas k, quelle valeur faudrait-il lui donner pour que la probabilité d'une
communication supérieure à 3 minutes soit égale à 0,1 ?

EXERCICE 11
Soit X une variable aléatoire représentant le nombre d'heures de vie d'une ampoule électrique.
Supposons que X soit distribué avec la fonction de densité de probabilité suivante :

x
1 −1000
f ( x) = e pour x > 0
1000

Trouver la durée de vie attendue d'une telle ampoule.

EXERCICE 12

48
 COURS DE PROBABILITES ADIL EL MARHOUM

Soit la variable aléatoire continue définie par la fonction de répartition suivante :

F(x) = k x² si 0  x  4

a) Déterminer la valeur de k et la fonction de densité de probabilité de X.

b) Déterminer l'espérance mathématique et l'écart type de X.
c) Calculer la probabilité : p(1  x  3).

EXERCICE 13
Soit la fonction de densité de probabilité suivante :

0 si x0
 ax
 si 0  x  2
2

f ( x) = a si 2  x  3
a
 (5 − x) si 3  x  5
2
0 si x  5

a) Déterminer la constante a, la moyenne et la médiane de cette distribution.

b) Déterminer la valeur de x0 telle que : p(x < x0) = 0,95

EXERCICE 14
La quantité réelle x de café (en grammes) qu'une machine peut mettre dans des boites pouvant
contenir 230 grammes, est une variable aléatoire dont la fonction de densité de probabilité est
donnée par :

0 pour x  227,5
1

f (x) =  pour 227,5  x  232,5
5

0 pour x  232,5

Trouver les probabilités qu'une boite de 230 grammes remplie par cette machine contienne :

a) Au plus 228,65 grammes de café.

b) 229,34 à 231,66 grammes de café.
c) Au moins 229,85 grammes de café.

EXERCICE 15
Soit la fonction de densité de probabilité suivante :

f ( x) = ax + bx² si 0  x  1

49
 COURS DE PROBABILITES ADIL EL MARHOUM

a) Déterminer a et b pour que X soit une variable aléatoire dont l'espérance mathématique est
2
égale à .
3
b) Calculer l'écart type de X.

50
 COURS DE PROBABILITES ADIL EL MARHOUM

LOIS THEORIQUES DISCRETES

I. INTRODUCTION
Le but des lois théoriques est la description des phénomènes statistiques dont le but de calculer
la probabilité de certains événements et donc d'avoir une certaine représentation de l'avenir.

Nous étudierons au cours de ce chapitre les lois de probabilités les plus courantes qui vont nous
permettre la description d'un phénomène aléatoire déterminé. Nous présenterons ainsi la loi de
bernoulli, la loi binomiale, la loi polynomiale, la loi hypergéométrique, la loi hypergéométrique
généralisée, et la loi de poisson.

II. LOI DE BERNOULLI

La loi de bernoulli intervient dans le cas d'une seule expérience aléatoire à laquelle on associe
un événement aléatoire quelconque.

La réalisation de l'événement au cours de cette expérience est appelée succès et la probabilité

de réalisation est dite probabilité de succès, désignée par p. Par contre la non réalisation de
l'événement est appelée échec et la probabilité de non réalisation est dite probabilité d'échec,
désignée par q.

q=1-p
La variable aléatoire X qui caractérise le nombre de succès au cours d'une seule expérience
aléatoire est appelée variable de bernoulli, elle prend les valeurs entières 0 et 1 avec les
probabilités respectives q et p.

Loi de probabilité d'une variable bernoulli

x p(x)
0 q
1 P
Total 1

Les caractéristiques d'une variable bernoulli sont :

• Espérance mathématique

E(X) =  xp( x) = 0  q + 1  p = p
• Variance

E(X²) =  x² p( x) = 0²  q + 1²  p = p
V(X) = E(X²) - E(X)² = p - p² = p (1 - p) = pq

51
 COURS DE PROBABILITES ADIL EL MARHOUM

Exemple :

On lance une pièce de monnaie une seule fois. Soit X la variable aléatoire qui caractérise le
noumbre de pile obtenus. X est une variable de bernoulli, elle prend les valeurs entières 0 et 1
avec la probabilité constante 0,5.

Loi de probabilité de X

x p(x)
0 0,5
1 0,5
Total 1

III. LOI BINOMIALE

3.1. Définition
La loi binomiale intervient dans le cas de plusieurs expériences aléatoires identiques et
indépendantes aux quelles on associe un événement aléatoire quelconque.

La réalisation de l'événement au cours de chacune des expériences est appelée succès et la

probabilité de réalisation est dite probabilité de succès, désignée par p. Par contre la non
réalisation de l'événement est appelée échec et la probabilité de non réalisation est dite
probabilité d'échec, désignée par q.

q=1-p
les probabilités p et q restent constantes au cours d'une suite d'expériences aléatoires. C'est le
cas des prélèvements d'individus au hasard dans une populations infinie ou le prélèvement
d'individus dans une population finie, lorsque les individus sont remis en place au fur et à
mesure des prélèvements.

La variable aléatoire X qui caractérise le nombre de succès au cours de n expériences aléatoires

indépendantes est appelée variable binomiale, elle prend les valeurs entières de 0 à n.

La probabilité d'obtenir x succès et donc (n-x) échecs au cours de n expériences aléatoires

indépendantes est, pour x = 0, 1, ..., n :

p x q n− x
x
p ( x) = C n

La loi binomiale dépend de deux paramètres :

• n = nombre d'expériences aléatoires indépendantes ;

• p = probabilité de succès au cours de chacune des n expériences aléatoires, p doit rester
constante.

52
 COURS DE PROBABILITES ADIL EL MARHOUM

Une variable aléatoire X qui sui une loi binomiale de paramètres n et p, est désignée par :

X = B(n , p)

3.2. Caractéristiques d'une variable binomiale

La variable bernoulli est un cas particulier de la loi binomiale, elle correspond à la loi binomiale
de paramètres 1 et p.

Une variable binomiale de paramètres n et p, peut être considérée comme étant la somme de n
variables de bernoulli identiques et indépendantes de même paramètre p.

X = B(n , p)

X = X1 + X2 + … + Xn

Avec Xi (i=1 à n) est une variable bernoulli tel que :

E(Xi) = p et V(Xi) = pq

• Espérance mathématique

En appliquant la propriété de l'espérance d'une somme on peut écrire :

E(X) = E(X1 + X2 + … + Xn)

E(X) = E(X1) + E(X2) + … + E(Xn)

E(X) = p + p + … + p

E(X) = np

• Variance et écart-type

En appliquant la propriété de la variance d'une somme de variables aléatoires indépendantes on

peut écrire :

V(X) = V(X1 + X2 + … + Xn)

V(X) = V(X1) + V(X2) + … + V(Xn)

V(X) = pq + pq + … + pq

V(X) = npq

L'écart-type :  = npq

53
 COURS DE PROBABILITES ADIL EL MARHOUM

Exemple :

Dans un lot important de piéces, dont 10 % sont défectueuses, on prélève un échantillon de 20

pièces. Quelle est la probabilité d'obtenir plus de deux pièces défectueuse ?

On définit la variable aléatoire X comme étant le nombre de pièces défectueuses qu'on peut
obtenir dans l'échantillon. La variable X peut prendre les valeurs entières de 0 à 20.

La population des pièces peut être considérée comme une population pratiquement infinie. La
probabilité de succès, c'est à dire la probabilité qu'une pièce choisie soit défectueuse, est
constante et égale à 0,1. La variable aléatoire X suit donc une loi binomiale de paramètre 20 et
0,1.

X = B(20 ; 0,1)

La probabilité d'avoir plus de deux pièces défectueuses dans l'échantillon est :

P(X > 2) = 1 - p(X  2) = 1 - p(0) - p(1) - p(2)

0 1 2
p( X  2) = 1 − C 20
0,10  0,9 20 − C 20
0,11  0,919 − C 20
0,12  0,918

p( X  2) = 1 − 0,1501− 0,2702 − 0,2852 = 0,2945

L'espérance mathématique :

E(X) = np = 20  0,1 = 2 pièces défectueuses.

Dans un échantillon de 20 pièces, on peut s'attendre à avoir deux pièces défectueuses.

La variance :

V(X) = npq = 20  0,1  0,9 = 1,8

3.3. Propriétés

• Additivité

La somme de deux ou plusieurs variables binomiales indépendantes de même paramètres p est

elle-même une variable binomiale.

X1 = B(n1 , p) X2 = B(n2 , p) … Xk = B(nk , p)

X1 + X2 + … + Xk = B(n1 + n2 + … + nk , p)

• Formule de récurrence

En effectuant le rapport de deux probabilités successives, on obtient :

54
 COURS DE PROBABILITES ADIL EL MARHOUM

p(n − x)
p( x + 1) = p ( x)
q( x + 1)

Exemple :

Soit la distribution binomiale de paramètres 4 et 1/6.

X = B(4 , 1/6)

La distribution de cette variable est telle que, pour x = 0, 1, 2, 3, 4 :

p x q 4− x
x
p ( x) = C 4

Les probabilités p(x) peuvent être calculées par récurrence de la manière suivante :

5
p (0) = ( ) 4 = 0,4823
6

1
4
p (1) = 6  0,4823 = 0,3858
5
1
6

1
3
p ( 2) = 6  0,3858 = 0,1157
5
2
6

1
2
p (3) = 6  0,1157 = 0,0154
5
3
6

1
1
p ( 4) = 6  0,0154 = 0008
5
4
6

Distribution de la variable B(4 , 1/6)

x p(x)
0 0,4823
1 0,3858
2 0,1157
3 0,0154
4 0,0008

55
 COURS DE PROBABILITES ADIL EL MARHOUM

Total 1

• Les distributions binomiales sont symétriques lorsque p = q = 1/2, la dissymétrie est d'autant
plus grande que p et q sont plus différents de 1/2.

Exemple :

Distribution de la variable B(4 , 1/2)

x p(x)
0 0,0625
1 0,2500
2 0,3750
3 0,2500
4 0,0625
Total 1

• Table de la loi binomiale

Pour le calcul de p(x), il existe des tables d'usages qui donnent ces calculs. Ces tables dépendent
des paramètres n et p.

IV. LOI POLYNOMIALE

La loi polynomiale est une généralisation de la loi binomiale. elle intervient dans le cas de
plusieurs expériences aléatoires identiques et indépendantes aux quelles on associe k
événements aléatoires complémentaires quelconques. Les probabilités de succès respectives
des k événements sont désignées par p1, p2, …, et pk.

p
i =1
i =1

La réalisation de l'événement au cours de chacune des expériences est appelée succès et la

probabilité de réalisation est dite probabilité de succès, désignée par p. Par contre la non
réalisation de l'événement est appelée échec et la probabilité de non réalisation est dite
probabilité d'échec, désignée par q.
q=1-p
les probabilités de succès pi (i =1 à k) restent constantes au cours d'une suite d'expériences
aléatoires.

Les variables aléatoires X1, X2, …, Xk désignent respectivement les nombres de succès au cours
de n expériences aléatoires indépendantes pour chacun des k événements. Chaque variable
aléatoire Xi peut prendre les valeurs entières de 0 à n. Ces variables sont telles que :

x
i =1
i =n

56
 COURS DE PROBABILITES ADIL EL MARHOUM

La probabilité d'obtenir x1 succès pour l'événement 1, et x2 succès pour l'événement 2, …, et xk

succès pour l'événement k au cours de n expériences aléatoires indépendantes est :

n!
p( x1 , x 2 , , x k ) =
x x x
p1 1 p 2 2  p k k
x1! x 2 !   x k !

Exemple :

On lance quatre fois de suite un dé parfaitement homogène. On désigne par la variable aléatoire
X1 le nombre de faces 1 obtenues, par X2 le nombre de faces 2 obtenues et par X3 le nombre de
faces supérieures ou égales à 3.

La distribution de probabilité relative à ces trois variables est une distributions à deux variables,
puisque la troisième variable est entièrement déterminée par la valeur des deux autres :

X3 = 4 - X1 - X2

Ces trois variables peuvent être représentées par une loi polynomiale de probabilités respectives
1/6, 1/6, et 4/6.

Les différentes probabilités peuvent être calculées à l'aide de la relation :

4! 1 1 4
p( x1 , x 2 , x3 ) = ( ) x1 ( ) x2 ( ) x3
x1! x 2 !   x k ! 6 6 6

4! 1 1 4
p(0,0,4) = ( ) 0 ( ) 0 ( ) 4 = 0,1975
0! 0! 4! 6 6 6

4! 1 1 4
p(2,1,1) = ( ) 2 ( )1 ( )1 = 0,0370
2! 1! 1! 6 6 6

On obtient ainsi la distribution de probabilité du couple (X1 , X2) :

X1 X2 0 1 2 3 4 p(x1)
0 0,1976 0,1975 0,0741 0,0123 0,0008 0,4823
1 0,1975 0,1482 0,0370 0,0031 0 0,3858
2 0,0741 0,0370 0,0046 0 0 0,1157
3 0,0123 0,0031 0 0 0 0,0154
4 0,0008 0 0 0 0 0,0008
p(x2) 0,4823 0,3858 0,1157 0,0154 0,0008 1

V. LOI HYPERGEOMETRIQUE
5.1. Définition

57
 COURS DE PROBABILITES ADIL EL MARHOUM

La loi hypergéométrique intervient dans le cas de plusieurs expériences aléatoires dépendantes

aux quelles on associe un caractère étudié quelconque.

la probabilité de succès varie d'une expérience aléatoire à l'autre. C'est le cas des prélèvements
d'individus au hasard dans une populations finie, lorsque les individus ne sont pas remis en
place au fur et à mesure des prélèvements.

Désignons par N l'effectif total de la population dans laquelle on prélève au hasard et sans
remise n individus. La population est composée d'individus qui possèdent la caractère étudié,
le nombre de ces individus sera désigné par n1. n2 désigne le nombre d'individus de la population
qui ne possèdent pas le caractère étudié.

N = n1 + n2

La variable aléatoire X, qui caractérise le nombre d'individus prélevés qui possèdent la caractère
étudié, est appelée variable hypergéométrique, elle prend les valeurs entières de 0 à n.

La probabilité d'obtenir x individus possédant le caractère étudié parmi les n individus prélevés
et donc (n-x) individus ne possédant pas le caractère étudié est, pour x = 0, 1, ..., n :

x n− x

p ( x) =
C C
n1 n2
n
C N

La loi hypergéométrique dépend de trois paramètres :

• N = effectif total de la population ;

• n1 = nombre d'individus de la population qui possèdent le caractère étudié ;
• n = nombre d'individus prélevés sans remise.

Une variable aléatoire X qui sui une loi hypergéométrique de paramètres N, n1, et n est désignée
par :

X = H(N, n1 , n)

5.2. Caractéristiques d'une variable hypergéométrique

les distributions hypergéométriques possèdent des propriétés semblables à celles des
distributions binomiales.

La proportion des individus de la population qui possèdent le caractère étudié est :

n1
p=
N

La proportion des individus de la population qui ne possèdent pas le caractère étudié est :

n2
q=
N

58
 COURS DE PROBABILITES ADIL EL MARHOUM

• Espérance mathématique : E(X) = np

• Variance et écart-type : V(X) = npq et  = npq

Exemple :

Dans une population de 40 personnes, dont 6 personnes sont originaires du Sud, 14 du Nord,
12 de l'Est et 8 de l'Ouest, on choisit au hasard un échantillon de 4 personnes.

La variable aléatoire X désigne le nombre d'individus de l'échantillon qui sont originaire du

Nord.

La population étant finie et les prélèvements s'effectuent sans remise, la variable X suit donc
une loi hypergéométrique de paramètres :

• N = effectif total de la population = 40

• n1 = nombre d'individus de la population qui sont originaires du Nord = 14
• n = nombre d'individus prélevés sans remise = 4

X = H(40, 14, 4)

La distribution de cette variable est telle que, pour x = 0, 1, 2, 3, 4 :

0 4

p ( 0) =
C C
14 26
= 0,1636
4
C 40

1 3

p (1) =
C C
14 26
= 0,3983
4
C 40

2 2

p ( 2) =
C C
14 26
= 0,3236
4
C 40

3 1

p (3) =
C C
14 26
= 0,1036
4
C 40

4 0

p ( 4) =
C C
14 26
= 0,0110
4
C 40

59
 COURS DE PROBABILITES ADIL EL MARHOUM

Distribution de probabilité de X

x p(x)
0 0,1636
1 0,3983
2 0,3236
3 0,1036
4 0,0110
Total 1

La proportion des individus de la population qui sont originaires du Nord est :

14
p= = 0,35
40

La proportion des individus de la population qui ne sont pas originaires du Nord est :

26
q= = 0,65
40

• Espérance mathématique : E(X) = np = 4  0,35 = 1,4

• Variance et écart-type : V(X) = npq = 40,350,65 = 0,91

• Ecart-type :  = npq = 0,91 = 0,95

5.3. Approximation de la loi hypergéométrique par la loi binomiale

x n− x

Dès que l'effectif N de la population devient important, le calcul de p ( x) =

C C
n1 n2
devient
n
C N
fastidieux. On peut démonter dans ce cas que lorsque l'effectif de la population (N) tend vers
l'infini et la proportion des individus possédant le caractère étudié (p) est constante ou tend vers
une constante, la loi hypergéométrique tend vers une loi binomiale de paramètre n et p. On peut
dans ce cas effectuer les calculs de probabilités de façon approximatives à l'aide de la formule
de la loi binomiale. En pratique, l'approximation est satisfaisante dés que la proportion des
individus prélevés est inférieure à 5 %.

n
 0,05 ou N  20 n
N

Exemple :

Soit la variable hypergéométrique H(100, 30, 4)

60
 COURS DE PROBABILITES ADIL EL MARHOUM

La distribution de cette variable est telle que, pour x = 0, 1, 2, 3, 4 :

x 4− x

p ( x) =
C C 30 70
4
C 100

Distribution de probabilité de X = H(100, 30, 4)

x p(x)
0 0,2338
1 0,4188
2 0,2679
3 0,0725
4 0,0070
Total 1

La distribution de cette variable peut être calculée à l'aide de l'approximation par la loi
binomiale de paramètres 4 et 0,3. Les probabilités approximatives sont telle que, pour x = 0, 1,
2, 3, 4 :

0,3 x  0,7 4− x
x
p ( x) = C 4

Distribution de probabilité de X = B(4 ; 0,3)

x p(x)
0 0,2401
1 0,4116
2 0,2646
3 0,0756
4 0,0081
Total 1

On constate que l'approximation est satisfaisante.

VI. LOI HYPERGEOMETRIQUE GENERALISEE

La loi hypergéométrique généralisée est une généralisation de la loi hypergéométrique. elle
intervient dans le cas de plusieurs expériences aléatoires dépendantes aux quelles on associe k
caractères étudiés. C'est le cas des prélèvements d'individus au hasard dans une population finie,
lorsque les individus ne sont pas remis en place au fur et à mesure des prélèvements.

Désignons par N l'effectif total de la population dans laquelle on prélève au hasard et sans
remise n individus. La population est composée d'individus qui possèdent le 1er caractère étudié,
le nombre de ces individus sera désigné par n1. n2 désigne le nombre d'individus de la population
qui possèdent le 2ème caractère étudié, …, nk désigne le nombre d'individus de la population qui
possèdent le kème caractère étudié.

61
 COURS DE PROBABILITES ADIL EL MARHOUM

N = n1 + n2 + … + nk

Les variables aléatoires X1, X2, …, Xk désignent respectivement les nombres d'individus
prélevés qui possèdent le 1er caractère, le 2ème caractère, …, et le kème caractère. Chaque variable
aléatoire Xi peut prendre les valeurs entières de 0 à n. Ces variables sont telles que :

x
i =1
i =n

La probabilité d'obtenir x1 individus possédant le 1er caractère, et x2 individus possédant le 2ème

caractère, …, et xk individus possédant le kème caractère parmi les n individus prélevés est :
x1 x2 xk

p( x1 , x 2 ,  , x k )=
C  C  C n1 n2 nk
n
C N

Exemple :

Dans une population de 40 personnes, dont 6 personnes sont originaires du Sud, 14 du Nord,
12 de l'Est et 8 de l'Ouest, on choisit au hasard un échantillon de 4 personnes.

Quelle est la probabilité d'avoir une personne de chaque région ?

Les variables aléatoires X1, X2, X3 et X4 désignent respectivement les nombres d'individus
prélevés du Sud, du Nord, de l'Est et de l'Ouest. Chaque variable aléatoire Xi peut prendre les
valeurs entières de 0 à 4. Ces variables suivent une loi hypergéométrique généralisée.

La probabilité d'obtenir x1 individus du Sud, et x2 individus du Nord, et x3 individus de l'Est ,

et x4 individus de l'Ouest est :
x1 x2 x3 x4

p( x1 , x 2 , x3 , x 4 )=
C C C C6 14 12 8
4
C 40

La probabilité d'avoir une personne de chaque région est donc :

1 1 1 1

p(1,1,1,1) =
C C C C
6 14 12 8
= 0,0882
4
C 40

VI. LOI DE POISSON

POISSON SIMÉON DENIS (1781-1840). Mathématicien français dont les travaux portent
sur les intégrales définies, la théorie électromagnétique et le calcul des probabilités.
C’est dans l’ouvrage Recherches sur la probabilité des jugements ... (1837), qui est un livre
important sur le calcul des probabilités, qu’apparaît pour la première fois la distribution de
Poisson, ou loi de Poisson des grands nombres. Obtenue initialement comme une
approximation de la loi binomiale, elle est devenue fondamentale dans de très nombreux
problèmes.

62
 COURS DE PROBABILITES ADIL EL MARHOUM

6.1. Définition
La loi de poisson intervient pour des phénomènes statistiques dont le nombre de réalisation
varie de 0 à l'infini et dont la fréquence moyenne de réalisation est connue.

Exemple :

Nombre d'appels reçus par un standard téléphonique.

Nombre d'accidents de la circulation.
Nombre de visiteur d'un centre commercial.

La variable aléatoire X qui caractérise le nombre de réalisations de ce phénomène est appelée

variable de poisson, elle prend les valeurs entières 0,1, 2, …etc.

La probabilité d'obtenir x réalisations est, pour x = 0, 1, 2, ... :

e −m  m x
p ( x) =
x!

La loi binomiale dépend d'un seul paramètre :

• m = fréquence moyenne du phénomène étudié.

Une variable aléatoire X qui sui une loi de poisson de paramètre m est désignée par :

X = P(m)

Exemple :

Un port a les moyens techniques de recevoir au maximum 4 bateaux pétroliers par jour. Le reste
est envoyé vers un autres port. Quelle est la probabilité qu'un jour donnée, le port ne puisse
recevoir tous les bateaux qui se présentent, si on sait qu'en moyenne 3 bateaux se présentent par
jour.

Désignons par la variable aléatoire X, le nombre de bateaux qui se présentent un jour donnée.
X suit une loi de poisson de paramètre 3.

X = P(3)

La probabilité qu'un jour donnée, le port ne puisse recevoir tous les bateaux qui se présentent
est :

P(X > 4) = 1 - p(X  4) = 1 - p(0) - p(1) - p(2) - p(3) - p(4)

63
 COURS DE PROBABILITES ADIL EL MARHOUM

e −3  3 0 e −3  31 e −3  3 2 e −3  33 e −3  3 4
p( X  4) = 1 − − − − −
0! 1! 2! 3! 4!

p( X  4) = 1 − 0,0498 − 0,1494 − 0,2240 − 0,2240 − 0,1680 = 0,1840

6.2. Caractéristiques d'une variable binomiale

On peut démontrer que l'espérance mathématique d'une variable de poisson est égale à sa
variance est égale au paramètre m :

E(X) = V(X) = m

6.3. Propriété d'additivité

La somme de deux ou plusieurs variables de poisson indépendantes de paramètres respectives
m1, m2, …, mk est elle-même une variable de poisson de paramètre la somme des paramètres
mi .

X1 = P(m1) X2 = P(m2) … Xk = P(mk)

X1 + X2 + … + Xk = P(m1 + m2 + … + mk)

6.4. Formule de récurrence

En effectuant le rapport de deux probabilités successives, on obtient :

m
p( x + 1) = p( x) 
x +1

Exemple :

Soit la distribution de poisson de paramètre 3.

X = P(3)

La distribution de cette variable est telle que, pour x = 0, 1, 2, 3, 4, …

e −3  3 x
p( x) =
x!

Les probabilités p(x) peuvent être calculées par récurrence de la manière suivante :

p(0) = e-3 = 0,0498

64
 COURS DE PROBABILITES ADIL EL MARHOUM

3
p (1) = 0,0498 = 0,1494
1

3
p ( 2) = 0,1494 = 0,2240
2

3
p (3) = 0,2240 = 0,2240
3

3
p ( 4) = 0,2240 = 0,1680
4

6.5. Table de la loi de poisson

Pour le calcul de p(x), il existe des tables d'usages qui donnent ces calculs. Ces tables dépendent
du paramètre mp.

6.6. Approximation de la loi binomiale par la loi de poisson

Dès que le paramètre n de la loi binomiale devient grand, le calcul de p( x) = C n p x q n− x devient

x

fastidieux. On peut démonter dans ce cas que lorsque le nombre d'expériences indépendantes
(n) tend vers l'infini et la probabilité de succès tend vers zéro de telle sorte que le produit np
tend vers une constante, la loi binomiale de paramètre n et p tend vers une loi de poisson de
paramètre np. On peut dans ce cas effectuer les calculs de probabilités de façon approximatives
à l'aide de la formule de la loi de poisson. En pratique, l'approximation est satisfaisante lorsque
la probabilité p est inférieure à 0,1 et le produit np est inférieur à 5.

Exemple :

Une machine fabrique des ampoules avec une proportion d'ampoules défectueuses de 5 %. Pour
contrôler la qualité des ampoules, on a prélevé au hasard, dans un lot important d'ampoules, un
échantillon de 20 ampoules.

Quelle est la probabilité que sur les 20 ampoules prélées, on ait plus d'une ampoule défectueuse
?

Désignons par la variable aléatoire X, le nombre d'ampoules défectueuses dans l'échantillon.

La variable X peut prendre les valeurs entières de 0 à 20.

La population des ampoules peut être considérée comme une population pratiquement infinie.
La probabilité de succès, c'est à dire la probabilité qu'une ampoule choisie soit défectueuse, est
constante et égale à 0,05. La variable aléatoire X suit donc une loi binomiale de paramètre 20
et 0,05.
X = B(20 ; 0,05)

La probabilité d'avoir plus d'une ampoule défectueuse dans l'échantillon est :

65
 COURS DE PROBABILITES ADIL EL MARHOUM

p(X > 1) = p(X  1) = 1 - p(0) - p(1)

0 1
p( X  1) = 1 − C 20
0,050  0,9520 − C 20
0,051  0,9519

p( X  1) = 1 − 0,3585 − 0,3774 = 0,2641

La probabilité d'avoir plus d'une ampoule défectueuse dans l'échantillon peut être calculée de
façon approximative à l'aide de la loi de poisson de paramètre 200,05 = 1, puisque la
probabilité p est inférieure à 0,1 (0,05) et le produit np est inférieur à 5 (200,05 = 1) :

p(X > 1) = p(X  1) = 1 - p(0) - p(1)

e −1  10 e −1  11
p( X  1) = 1 − −
0! 1!

p( X  1) = 1 − 0,3679 − 0,3679 = 0,2642

On constate que l'approximation est très satisfaisante.

66
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICES :LOIS THEORIQUES DISCRETES

EXERCICE 1
Dans un portefeuille comprend 20 actions et 30 obligations, on prélève 7 titres au hasard. Quelle
est la probabilité d'obtenir 4 actions dans le cas :

a) d'un tirage sans remise ;

b) d'un tirage avec remise.

EXERCICE 2
Dans une urne contenant 20 boules blanches et 30 boules noires, on prélève 7 boules au hasard
et sans remise. Dans une seconde urne contenant 100 boules blanches et 150 boules noires, on
prélève également 7 boules au hasard et sans remise. Quelle est la probabilité qu'il y ait plus de
boules blanches que de boules noires pour l'ensemble des 14 boules prélevées ?

EXERCICE 3
Des chambres à air sont produites en série et 5 % ont des défauts. Un garagiste en achète 10.

a) Quelle est la probabilité que les 10 soient en bon état ?

b) On suppose qu'il annule sa commande si plus de 2 articles ont des défauts. Quelle est la
probabilité qu'il annule sa commande ?

EXERCICE 4
Un lot important de pièces fabriquées contient 1 % de pièces défectueuses. Quelle est la
probabilité d'avoir dans un échantillon de 10 pièces exactement 2 pièces défectueuses en
utilisant :

a) la loi binomiale ;
b) l'approximation par la loi de poisson.

EXERCICE 5
Un contrôle rigoureux des ampoules électriques fournies par un atelier a permis de constater
que sur 14760 ampoules, il y avait 738 ampoules défectueuses.

Soit X le nombre des ampoules défectueuses figurant dans un lot de 60 ampoules.

a) Indiquer la loi de probabilité de X. par quelle autre loi peut-on l'approcher ?

b) Quelle est la probabilité d'avoir plus de 3 ampoules défectueuses dans un lot de 60
ampoules ?
c) Quelle est la probabilité d'avoir 78 ampoules bonnes dans un lot de 80 ampoules ?

67
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICE 6
30 étudiants dont aucun n'a étudié les sujets du cours passent un examen en deux questions. La
question 1 a 4 réponses indiquées dont une seule est juste. La question 2 en a 5.

Soit la variable aléatoire X qui désigne le nombre d'étudiants qui ont au moins une réponse
correcte.

c) Quelle est l'espérance du nombre d'étudiant qui ont au moins une réponse correcte ?
d) Calculer la probabilité que la moitié au moins de la classe aient au moins une réponse
correcte.

EXERCICE 7
Une compagnie d'assurance assure une flotte de 1000 navires de valeur unitaire 1000000 de
dirhams. Seul le risque de perte totale du navire est pris en compte, la probabilité d'un tel
événement est évaluée à 0,01 pour un navire et pour une année. Les frais de gestion représentent
20 % du montant des primes payées.

a) Quelle doit être la valeur de la prime annuelle pour un navire si la compagnie désire
avoir une probabilité égale à 0,7 de réaliser des bénéfices ?
b) Déterminer l'espérance mathématique et l'écart type du bénéfice.

EXERCICE 8
Un satellite de télédétection effectue 6 passages par mois au-dessus d'une région donnée. Les
photos réalisées lors des différents passages peuvent être inutilisables, du fait notamment de la
présence d'une couverture nuageuse.

Quelle doit être la probabilité d'obtenir une photo valable lors d'un passage donné pour que la
probabilité d'avoir au moins une photo valable par mois soit de 0,9 ?

EXERCICE 9
Un étudiant doit passer un examen, il a dix sujets à apprendre, il n'en apprend que trois. Sachant
qu'on lui posera deux questions :

a) Calculer la probabilité pour que les sujets posés soient parmi les trois sujets appris.
b) Combien aurait-il dû au minimum apprendre de sujets pour que cette probabilité soit
supérieure ou égale à 0,5 ?

EXERCICE 10
Une société achète des lots importants d'un composant électronique. La décision d'accepter ou
de refuser ces lots est basée sur un échantillon de 20 pièces choisies au hasard, s'il y a une ou
plusieurs pièces défectueuses parmi les 20 pièces examinées le lot est refusé, autrement il est
accepté.
On considère un lot important ayant 1 % de pièces défectueuses, calculer la probabilité de
refuser ce lot.

68
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICE 11
Une compagnie d'assurance automobile gère 1000 polices. On admet que chaque automobiliste
a une probabilité de 0,2 d'avoir un accident durant l'année. Soit X la variable aléatoire qui
désigne le nombre d'accidents enregistrés.

a) Déterminer la loi de X et donner ses paramètres.

b) Calculer l'espérance mathématique et l'écart type de X.
c) Par quelle loi peut-on approcher la loi de X ?
d) Chaque accident coûte à la compagnie 400 dirhams ; soit la variable aléatoire Y qui
désigne le coût annuel total. Déterminer la loi de Y et calculer son espérance
mathématique et son écart type.
e) Quelle prime faut-il faire payer à chaque assuré pour que la compagnie ait 95 % de
chances de réaliser un bénéfice ?

EXERCICE 12
Un appareil électronique utilise 20 transistors identiques dans sa fabrication. On admet que ces
transistors sont les seules sources de panne de l'appareil. La probabilité qu'un transistor soit
défectueux est de 0,1. Dès qu'un appareil contient au moins deux transistors défectueux, il
tombe en panne.

a) Quelle est la probabilité qu'un appareil tombe en panne ?

b) Jugeant l'appareil précédant peu rentable, on en construit un autre dont la probabilité de
tomber en panne est égale à 0,2. Sur un lot de 2000 appareils, quel est le nombre
d'appareils en panne auquel doit-on s'attendre ? et avec quel écart type ?

EXERCICE 13
Il a été constaté que le nombre de bateaux qui mouillent dans un port est de 90 bateaux par
mois. Calculer la probabilité que :

a) Aucun bateau ne mouille pendant 1 jour.

b) Le nombre de bateaux qui mouillent est au moins égal à 3 pendant un jour.

EXERCICE 14
Une usine possède un restaurant d'entreprise qui assure chaque jour 2 services. Chacun des 900
employés de l'usine se présente indifféremment à l'un ou à l'autre des services avec une
probabilité de 0,5. Par ailleurs les choix de 2 employés sont indépendants.

1) Quelle est la probabilité que le nombre de personnes se présentant au premier service

soit supérieur à 500 ?
2) De quel nombre de places faut-il disposer dans le restaurant pour que la probabilité de
pouvoir répondre à la demande aux deux services soit supérieure à 95 %.
3) Le nombre total des repas à servir chaque jour est une variable aléatoire ; chaque
employé a chaque jour une probabilité de 0,1 de prendre son repas à l'usine.

69
 COURS DE PROBABILITES ADIL EL MARHOUM

a) Quelle est l'espérance mathématique de cette variable ?

b) Combien de repas convient-il de préparer pour que la probabilité de satisfaire la
demande soit supérieure à 99 % ?

EXERCICE 15
Une compagnie d'assurance a organisé la gestion d'un certain type de risque sur la base d'une
distinction géographique qui reflète une différence dans l'intensité de ce risque.

Pour la région du Nord, on peut considérer que le nombre de sinistres enregistrés au cours d'une
semaine suit une loi de Poisson de paramètre égal à 3. Pour la région du sud totalement
indépendante de la région du Nord, le nombre hebdomadaire de sinistres suit une loi de Poisson
de paramètre égal à 2.

a) Quelle est la probabilité que pour une semaine donnée, la compagnie ait à indemniser 4
sinistres ?
b) Le coût moyen de l'indemnisation d'un sinistre est de l'ordre de 25000 dirhams. Calculer
la probabilité que pour une semaine donnée, la compagnie doit débourser plus de
150000 dirhams.
c) Pour une semaine donnée, calculer la probabilité d'avoir à indemniser le même nombre
de sinistres dans chaque région, ce nombre commun étant inférieur à 3.

EXERCICE 16
Un mensuel lance une campagne publicitaire, pour susciter de nouveaux abonnements, en
envoyant un spécimen gratuit à des personnes susceptibles de s'abonner.

La probabilité pour que l'envoi d'un spécimen entraîne un abonnement est égale à 0,3.

a) Sachant que le coût publicitaire par personne est de 2 dirhams et que le gain brut
escompté pour un abonnement est de 12 dirhams, calculer l'espérance mathématique du
gain pour un envoi de 10000 spécimens.
b) Calculer la probabilité que l'envoi de 10 spécimens donne plus de 5 abonnements.

EXERCICE 17
Les chances d'effectuer la vente d'un certain produit lors d'une sollicitation téléphonique sont
évaluées à 5 %. Au cours de 2 heures, une agence spécialisée dans la vente de ce produit place
180 appels.

a) Combien de ventes peut-elle espérer obtenir au cours de 2 heures ?

b) Quelle est la probabilité qu'elle réussisse plus de 10 ventes ?

70
 COURS DE PROBABILITES ADIL EL MARHOUM

LOIS THEORIQUES CONTINUES

I. INTRODUCTION
Le but des lois théoriques est la description des phénomènes statistiques
Nous étudierons au cours de ce chapitre les lois de probabilités continues les plus courantes.
Nous présenterons ainsi la loi Normale dont le principal but est de calculer la probabilité de
certains événements et donc d'avoir une certaine représentation des phénomènes. La loi Khi
deux de pearson, la loi de Student et la loi de Fisher qui ont un rôle très important dans les
problèmes d'estimation et les tests d'hypothèses.

II. LOI NORMALE

2.1. Définition
La loi normale est la loi continue la plus importante et la plus utilisée dans le calcul de
probabilité. Elle est aussi appelée loi de LAPLACE GAUSS.

Laplace, Pierre Simon (1749-1827). Les réalisations scientifiques majeures de Laplace

concernent la mécanique céleste et le calcul des probabilités. Dans sa Théorie analytique des
probabilités (1812), qui contient des calculs très élaborés d'approximation de grands nombres,
Laplace indiqua les principes et les applications de la géométrie du hasard. Il fut à l'origine
de la loi de Laplace-Gauss, ou loi normale, très utilisée en probabilités.
On appelle variable normale toute variable aléatoire continue X définie dans l'intervalle
− ,+ par la fonction de densité de probabilité suivante :
1 x−m
1 − ( )²
f ( x) = e 2 
 2

m et  sont des paramètres quelconques qui représentent respectivement la moyenne et l'écart

type de la variable.

On peut vérifier que :

+

 f ( x)dx = 1
−

La loi normale dépend de deux paramètres m et .Une variable aléatoire X qui suit une loi
normale de paramètres m et  est désignée par :

X = N(m , )

2.2. Loi normale réduite

71
 COURS DE PROBABILITES ADIL EL MARHOUM

On appelle variable normale réduite toute variable aléatoire normale U de paramètres m = 0 et

 = 1.

U = N(0 , 1)

Une variable normale réduite est définie par la fonction de densité de probabilité suivante :

u²
1 −
f (u ) = e 2
2

Toute variable normale X de paramètres m et  peut être transformée en une variable normale
réduite par le changement de variable suivant :

X −m
U=


2.3. Forme de la loi normale

La représentation graphique de la fonction de densité de probabilité d'une variable normale est
une courbe en forme de cloche symétrique par rapport à la moyenne m et caractérisée par
1
l'existence d'un maximum en x = 0 et f(x) = .
 2

En particulier la loi normale réduite est symétrique par rapport à l'axe des abscisses et
1
caractérisée par l'existence d'un maximum en u = 0 et f(u) =  0,40 .
2

La fonction de répartition correspond à l'aire comprise entre cette courbe et l'axe des abscisses.

2.4. Détermination pratique des probabilités

Pour le calcul de probabilités sans utiliser la fonction de densité, des tables de la loi normale
réduite ont été élaborées. On distingue deux tables de la loi normale réduite, relatives l'une à la
fonction de densité de probabilité et l'autre à la fonction de répartition. En raison de la symétrie
de la distribution, ces tables sont limitées aux valeurs positives de u.

72
 COURS DE PROBABILITES ADIL EL MARHOUM

X −m
Par le changement de variable U = toutes les variables normales se ramènent à la loi

normale réduite.

2.4.1. Table de la fonction de densité de probabilité

Cette table donne les valeurs f(u) pour des valeurs positives u d'une variable normale réduite.
En raison de la symétrie de f(u), on peut déduire les valeurs f(u) pour les valeurs négatives de
u:

f(-u) = f(u).

Pour une variable normale quelconque X de paramètre m et  :

x−m
f( )
f ( x) =  =
f (u )
 

Pour lire une valeur f(u) dans la table, il suffit de lire l'intersection entre la ligne correspondante
à la valeur de u et la colonne correspondante au deuxième chiffre après la virgule de u.

73
 COURS DE PROBABILITES ADIL EL MARHOUM

TABLE DE LA FONCTION DE DENSITE DE LA LOI NORMALE REDUITE

u 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,3989 0,3989 0,3989 0,3988 0,3986 0,3984 0,3982 0,3980 0,3977 0,3973
0,1 0,3970 0,3965 0,3961 0,3956 0,3951 0,3945 0,3939 0,3932 0,3925 0,3918
0,2 0,3910 0,3902 0,3894 0,3885 0,3876 0,3867 0,3857 0,3847 0,3836 0,3825
0,3 0,3814 0,3802 0,3790 0,3778 0,3765 0,3752 0,3739 0,3725 0,3712 0,3697
0,4 0,3683 0,3668 0,3653 0,3637 0,3621 0,3605 0,3589 0,3572 0,3555 0,3538
0,5 0,3521 0,3503 0,3485 0,3467 0,3448 0,3429 0,3410 0,3391 0,3372 0,3352
0,6 0,3332 0,3312 0,3292 0,3271 0,3251 0,3230 0,3209 0,3187 0,3166 0,3144
0,7 0,3123 0,3101 0,3079 0,3056 0,3034 0,3011 0,2989 0,2966 0,2943 0,2920
0,8 0,2897 0,2874 0,2850 0,2827 0,2803 0,2780 0,2756 0,2732 0,2709 0,2685
0,9 0,2661 0,2637 0,2613 0,2589 0,2565 0,2541 0,2516 0,2492 0,2468 0,2444
1,0 0,2420 0,2396 0,2371 0,2347 0,2323 0,2299 0,2275 0,2251 0,2227 0,2203
1,1 0,2179 0,2155 0,2131 0,2107 0,2083 0,2059 0,2036 0,2012 0,1989 0,1965
1,2 0,1942 0,1919 0,1895 0,1872 0,1849 0,1826 0,1804 0,1781 0,1758 0,1736
1,3 0,1714 0,1691 0,1669 0,1647 0,1626 0,1604 0,1582 0,1561 0,1539 0,1518
1,4 0,1497 0,1476 0,1456 0,1435 0,1415 0,1394 0,1374 0,1354 0,1334 0,1315
1,5 0,1295 0,1276 0,1257 0,1238 0,1219 0,1200 0,1182 0,1163 0,1145 0,1127
1,6 0,1109 0,1092 0,1074 0,1057 0,1040 0,1023 0,1006 0,09893 0,09728 0,09566
1,7 0,09405 0,09246 0,09089 0,08933 0,08780 0,08628 0,08478 0,08329 0,08183 0,08038
1,8 0,07895 0,07754 0,07614 0,07477 0,07341 0,07206 0,07074 0,06943 0,06814 0,06687
1,9 0,06562 0,06438 0,06316 0,06195 0,06077 0,05959 0,05844 0,05730 0,05618 0,05508
2,0 0,05399 0,05292 0,05186 0,05082 0,04980 0,04879 0,04780 0,04682 0,04586 0,04491
2,1 0,04398 0,04307 0,04217 0,04128 0,04041 0,03955 0,03871 0,03788 0,03706 0,03626
2,2 0,03547 0,03470 0,03394 0,03319 0,03246 0,03174 0,03103 0,03034 0,02965 0,02898
2,3 0,02833 0,02768 0,02705 0,02643 0,02582 0,02522 0,02463 0,02406 0,02349 0,02294
2,4 0,02239 0,02186 0,02134 0,02083 0,02033 0,01984 0,01936 0,01888 0,01842 0,01797
2,5 0,01753 0,01709 0,01667 0,01625 0,01585 0,01545 0,01506 0,01468 0,01431 0,01394
2,6 0,01358 0,01323 0,01289 0,01256 0,01223 0,01191 0,01160 0,01130 0,01100 0,01071
2,7 0,01042 0,01014 0,00987 0,00961 0,00935 0,00909 0,00885 0,00861 0,00837 0,00814
2,8 0,00792 0,00770 0,00748 0,00727 0,00707 0,00687 0,00668 0,00649 0,00631 0,00613
2,9 0,00595 0,00578 0,00562 0,00545 0,00530 0,00514 0,00499 0,00485 0,00471 0,00457
3,0 0,00443 0,00430 0,00417 0,00405 0,00393 0,00381 0,00370 0,00358 0,00348 0,00337
3,1 0,00327 0,00317 0,00307 0,00298 0,00288 0,00279 0,00271 0,00262 0,00254 0,00246
3,2 0,00238 0,00231 0,00224 0,00216 0,00210 0,00203 0,00196 0,00190 0,00184 0,00178
3,3 0,00172 0,00167 0,00161 0,00156 0,00151 0,00146 0,00141 0,00136 0,00132 0,00127
3,4 0,00123 0,00119 0,00115 0,00111 0,00107 0,00104 0,00100 0,00097 0,00094 0,00090
3,5 0,00087 0,00084 0,00081 0,00079 0,00076 0,00073 0,00071 0,00068 0,00066 0,00063
3,6 0,00061 0,00059 0,00057 0,00055 0,00053 0,00051 0,00049 0,00047 0,00046 0,00044
3,7 0,00042 0,00041 0,00039 0,00038 0,00037 0,00035 0,00034 0,00033 0,00031 0,00030
3,8 0,00029 0,00028 0,00027 0,00026 0,00025 0,00024 0,00023 0,00022 0,00021 0,00021
3,9 0,00020 0,00019 0,00018 0,00018 0,00017 0,00016 0,00016 0,00015 0,00014 0,00014

Exemple :

La valeur de f(2,25) correspond à l'intersection entre la ligne correspondante à 2,2 et la colonne

correspondante à 0,05, on peut lire la valeur 0,03174.

f(-3,14) = f(3,14) = 0,00288

2.4.2. Table de la fonction de répartition

74
 COURS DE PROBABILITES ADIL EL MARHOUM

Cette table donne les valeurs F(u) pour des valeurs positives u d'une variable normale réduite.
En raison de la symétrie de f(u), on peut déduire les valeurs F(u) pour les valeurs négatives de
u:

F(-u) = p(U  -u) = p(U > u) = 1 - p(U  u) = 1 - F(u)

F(-u) = 1 - F(u)

Pour une variable normale quelconque X de paramètre m et  :

X −m x−m
F ( x) = p( X  x) = p(  ) = p(U  u ) = F (u )
 

F(x) = F(u)

Pour lire une valeur F(u) dans la table, il suffit de lire l'intersection entre la ligne correspondante
à la valeur de u et la colonne correspondante au deuxième chiffre après la virgule de u.

75
 COURS DE PROBABILITES ADIL EL MARHOUM

TABLE DE LA FONCTION DE REPARTITION DE LA LOI NORMALE REDUITE

u 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 05359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 05753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 06141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 06517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 06879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 07224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 07549
0,7 0,7580 0,7611 0,7642 0,7673 0,7703 0,7734 0,7764 0,7794 0,7823 07852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 08133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 08389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 08621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 08830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 090147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99897 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99992 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997

Exemple :

La valeur de F(1,36) correspond à l'intersection entre la ligne correspondante à 1,3 et la colonne

correspondante à 0,06, on peut lire la valeur 0,91309.

F(-2,24) = 1 - F(2,24) = 1 - 0,98745 = 0,01255

Exemple :

76
 COURS DE PROBABILITES ADIL EL MARHOUM

Pour qu'une pièce fabriquée par une machine soit utilisable, sa longueur doit être comprise entre
14,7 et 15,3 cm, sinon elle est rejetée. Sachant que la longueur de cette pièce est une variable
normale de paramètres 15 cm et 0,2 cm, quelle proportion de pièces peuvent être rejetées.

Si on désigne par la variable X la longueur des pièces, X suit une loi normale :

X = N(15 ; 0,2)

La probabilité de rejet d'une pièce est :

p (rejet ) = 1 − p(accepter)

p (accepter) = p(14,7  X  15,3) = p ( X  15,3) − p ( X  14,7)

p (accepter) = F (15,3) − F (14,7)

15,3 − 15 14,7 − 15
p (accepter) = F ( ) − F( ) = F (1,50) − F (−1,50)
0,2 0,2

p (accepter) = F (1,50) − (1 − F (1,50)) = 2  F (1,50) − 1

p (accepter) = 2  0,93319− 1 = 0,86638

p (rejet ) = 1 − 0,86638= 0,13362

Chaque pièce a une probabilité de 0,13362 d'être rejetée ou il y a un risque de rejet de 13% des
pièces fabriquées.

2.5. Propriété d'additivité

La somme de deux ou plusieurs variables normales indépendantes est une variable normale de
moyenne la somme des moyennes et d'écart type la racine carrée de la somme des variances des
variables initiales.

Soient X1, X2, …,Xn n variables normales de paramètres respectivement m1, m2, …, mn et 1,
2, …,n.

X 1 + X 2 +  + X n = N (m1 + m2 +  + mn ,  1 ² +  2 ² +  +  n ² )

Exemple :

Pour se rendre à son travail un ouvrier prend deux bus. La durée du trajet du premier bus est
une variable normale de paramètres 27 minutes et 5 minutes. La durée du trajet du deuxième
bus est une variable normale de paramètres 30 minutes et 2 minutes. Quelle est la probabilité
que cet ouvrier n'arrive pas en retard s'il dispose d'une heure ?

77
 COURS DE PROBABILITES ADIL EL MARHOUM

• Désignons par X1 La durée du trajet du premier bus : X1 = N(27 ; 5).

• Désignons par X2 La durée du trajet du deuxième bus : X2 = N(30 ; 2).
• Désignons par X la durée totale des deux trajets : X = X1 + X2.

La variable X est la somme de deux variables normales indépendantes, elle suit donc une loi
normale :

X = N(30+27 ; 5² + 2² ) = N(57 ; 5,4)

Pour ne pas arriver en retard la durée totale des deux trajets ne doit pas dépasser 60 minutes.

X − 57 60 − 57
p( X  60) = p(  ) = p(U  0,56)
5,4 5,4)

p( X  60) = F (0,56) = 0,7123

L'ouvrier a donc 71% de chance de ne pas arriver en retard ou il a un risque de 29 % d'arriver

en retard.

2.6. Le théorème central limite

Le théorème central limite est une généralisation de la propriété d'additivité. Toute somme de
variables aléatoires indépendantes tend à suivre une loi normale quelles que soient les lois de
probabilités suivies par ces variables.

Quels que soient les variables aléatoires indépendantes X1, X2, …, Xn de moyennes
respectivement m1, m2, …, mn et d'écarts type respectivement 1, 2, …, n. La somme de ces
variables tend à suivre une loi normale de moyenne la somme des moyennes et d'écart type la
racine carrée de la somme des variances des variables initiales.

X 1 + X 2 +  + X n = N (m1 + m2 +  + mn ,  1 ² +  2 ² +  +  n ² )

Exemple :

Une caisse d'assurance maladie reçoit 120 personnes pour l'obtention de remboursements. On
suppose que la somme à rembourser à chaque personne est une variable aléatoire de moyenne
1000 dirhams et d'écart type 600 dirhams. La caisse dispose de 130000 dirhams. Quelle est le
risque que cette somme ne soit pas suffisante pour rembourser toutes les personnes ?

Désignons par Xi (i = 1 à 120) la somme à rembourser à chaque personne.

Désignons par X la somme totale que la caisse doit payer aux 120 personnes.

X = X1 + X2 + … + X121

D'après le théorème central limite, on peut affirmer que X suit une loi normale moyenne la
somme des moyennes et d'écart type la racine carrée de la somme des variances.

X = N (120  1000; 120  600² ) = N (120000;6572,67)

78
 COURS DE PROBABILITES ADIL EL MARHOUM

La somme de 130000 dh ne sera pas suffisante si la somme totale à rembourser aux 120
personnes dépasse 130000 dh :

X − 120000 130000− 120000

p( X  130000) = 1 − p( X  130000) = 1 − p(  )
6572,67 6572,67

p( X  130000) = 1 − p(U  1,52) = 1 − F (1,52) = 1 − 0,93574= 0,0643

Il y a donc un risque de 6,5 % que la somme de 130000 dirhams ne soit pas suffisante pour
rembourser toutes les personnes.

2.7. Approximation de la loi binomiale par la loi normale

Parfois les problèmes relatifs à la loi binomiales se rapportent aux calculs de probabilités dans
un ou plusieurs intervalles donnés :

p(X < x) p(X > x) ou p(x1 < X x2)

La recherche de ces probabilités est souvent longue, car il faut déterminer individuellement et
d'additionner les différentes probabilités p(X = x).

p(X < 10) = p(0)+p(1)+p(2)+p(3)+p(4)+p(5)+p(6)+p(7)+p(8)+p(9)

Lorsque le paramètre n de la loi binomiale est grand et les probabilités de succès p et d'échec q
ne sont pas trop petites, on peut effectuer ce calcul d'une manière approchée à l'aide de la loi
normale de paramètres np et npq .

En pratique l'approximation est satisfaisante lorsque les produits np et nq sont supérieurs à 5 :

B(n ; p)  N(np ; npq )

Pour améliorer la qualité de l'approximation de la loi binomiale, qui est discrète, par la loi
normale, qui est continue, on introduit généralement une correction de continuité de 0,5. Les
différentes probabilités deviennent :

• p(X < x - 0,5) au leu de p(X < x)

• p(X > x + 0,5) au leu de p(X > x)
• p(x1 - 0,5 < X < x2 + 0,5) au lieu de p(x1 < X < x2)

Exemple :

On suppose que la probabilité qu'un étudiant réussisse un examen est de 0,8. Quelle est la
probabilité qu'au moins 75 étudiants parmi 100 étudiants réussissent l'examen ?

Désignons par X le nombre d'étudiants qui réussissent l'examen.

79
 COURS DE PROBABILITES ADIL EL MARHOUM

X est une variable discrète qui prend les valeurs entières de 0 à 100. Elle suit une loi binomiale
de paramètres 100 et 0,8.

X = B(100 ; 0,8)

La probabilité qu'au moins 75 étudiants parmi 100 étudiants réussissent l'examen est :

p(X  75)

Les produits np et nq sont respectivement 1000,8 = 80 et 1000,2 = 20, ils sont supérieurs à
5. On peut donc effectuer le calcul de cette probabilité d'une manière approchée à l'aide de la
loi normale de paramètres np = 80 et npq = 4.

X = B(100 ; 0,8)  N(80 ; 4)

Pour améliorer la qualité de l'approximation on introduit la correction de continuité, la

probabilité p(X  75) devient :

p(X  75 + 0,5) = 1 - p(X < 75,5)

X − 80 75,5 − 80
p( X  75,5) = 1 − p(  ) = 1 − p(U  −1,13)
4 4

p( X  75,5) = 1 − F (−1,13) = F (1,13) = 0,8708

p(X  75)  0,8708

La probabilité qu'au moins 75 étudiants parmi 100 étudiants réussissent l'examen est à peu près
0,8708.

Le calcul exact à partir de la loi binomiale donne un résultat de 0,8686. On constate que
l'approximation est très satisfaisante.

III. LOIS DERIVEES DE LA LOI NORMALE

Cet ensemble de lois de répartition est particulièrement utile dans la partie de la statistique
appelée l’analyse de variance.

3.1. La loi Khi deux de Pearson

3.1.1. Définition
On appelle variable Khi deux de pearson, la variable ² qui varie entre 0 et + et définie par
la fonction de densité de probabilité :

80
 COURS DE PROBABILITES ADIL EL MARHOUM

k x
−1 −
f ( x) = c  x 2 e 2

Le paramètre k est une constante entière positive appelée nombre de degrés de liberté, on dit
variable Khi carré à k degré de liberté, désignée par ²à k dl.
+
c est une constante telle que :  f ( x)dx = 1
0

La variable Khi deux de pearson correspond aussi à la somme des carrés de k variables
normales réduites indépendantes.

Soient U1, U2, …, Uk k variables normales réduites indépendantes, on peut démontrer :

²à k dl = U1² + U2² + … + Uk²

3.1.2. Caractéristiques de la loi ²à k dl

On peut démontrer que :

• Espérance mathématique : E(²à k dl) = k

• Variance : V(²à k dl) = 2 k

3.1.3. Propriété d'additivité

La somme de deux ou plusieurs variables Khi carrés indépendantes est une variable Khi carrée.

Soient n variables Khi deux de degrés de liberté respectivement k1, k2, …, kn :

²à k1 dl + ²à k2 dl + … + ²à kn dl = ²à (k1+k2+…+kn) dl

Une variable Khi carré à k degré de liberté peut donc être considéré comme étant la somme de
k variables Khi carré à 1 degré de liberté indépendantes.

3.1.4. Table de la loi Khi deux de Pearson

La table de la loi Khi carré dépend du paramètre k, elle donne les valeurs de ²à k dl pour les
valeurs de la fonction de répartition F(²à k dl).

81
COURS DE PROBABILITES ADIL EL MARHOUM

TABLE DE LA LOI KHI DEUX DE PEARSON

k/p 0,0005 0,001 0,005 0,01 0,025 0,05 0,1 0,2 0,3 0,4
1 0,06393 0,05157 0,04393 0,03157 0,03982 0,02393 0,0158 0,0642 0,148 0,275
2 0,02100 0,02200 0,0100 0,0201 0,0506 0,103 0,211 0,446 0,713 1,02
3 0,0153 0,0243 0,0717 0,115 0,216 0,352 0,584 1,00 1,42 1,87
4 0,0639 0,0908 0,207 0,297 0,484 0,711 1,06 1,65 2,19 2,75
5 0,158 0,210 0,412 0,554 0,831 1,15 1,61 2,34 3,00 3,66
6 0,299 0,381 0,676 0,872 1,24 1,64 2,20 3,07 3,83 4,57
7 0,485 0,598 0,989 1,24 1,69 2,17 2,83 3,82 4,67 5,49
8 0,710 0,857 1,34 1,65 2,18 2,73 3,49 4,59 5,53 6,42
9 0,972 1,15 1,73 2,09 2,70 3,33 4,17 5,38 6,39 7,36
10 1,26 1,48 2,16 2,56 3,25 3,94 4,87 6,18 7,27 8,30
11 1,59 1,83 2,60 3,05 3,82 4,57 5,58 6,99 8,15 9,24
12 1,93 2,21 3,07 3,57 4,40 5,23 6,30 7,81 9,03 10,2
13 2,31 2,62 3,57 4,11 5,01 5,89 7,04 8,63 9,93 11,1
14 2,70 3,04 4,07 4,66 5,63 6,57 7,79 9,47 10,8 12,1
15 3,11 3,48 4,60 5,23 6,26 7,26 8,55 10,3 11,7 13,0
16 3,54 3,94 5,14 5,81 6,91 7,96 9,31 11,2 12,6 14,0
17 3,98 4,42 5,70 6,41 7,56 8,67 10,1 12,0 13,5 14,9
18 4,44 4,90 6,26 7,01 8,23 9,39 10,9 12,9 14,4 15,9
19 4,91 5,41 6,84 7,63 8,91 10,1 11,7 13,7 15,4 16,9
20 5,40 5,92 7,43 8,26 9,59 10,9 12,4 14,6 16,3 17,8
21 5,90 6,45 8,03 8,90 10,3 11,6 13,2 15,4 17,2 18,8
22 6,40 6,98 8,64 9,54 11,0 12,3 14,0 16,3 18,1 19,7
23 6,92 7,53 9,26 10,2 11,7 13,1 14,8 17,2 19,0 20,7
24 7,45 8,08 9,89 10,9 12,4 13,8 15,7 18,1 19,9 21,7
25 7,99 8,65 10,5 11,5 13,1 14,6 16,5 18,9 20,9 22,6
26 8,54 9,22 11,2 12,2 13,8 15,4 17,3 19,8 21,8 23,6
27 9,09 9,80 11,8 12,9 14,6 16,2 18,1 20,7 22,7 24,5
28 9,66 10,4 12,5 13,6 15,3 16,9 18,9 21,6 23,6 25,5
29 10,2 11,0 13,1 14,3 16,0 17,7 19,8 22,5 24,6 26,5
30 10,8 11,6 13,8 15,0 16,8 18,5 20,6 23,4 25,5 27,4

82
 COURS DE PROBABILITES ADIL EL MARHOUM

TABLE DE LA LOI KHI DEUX DE PEARSON (SUITE)

k/p 0,5 0,6 0,7 0,8 0,9 0,95 0,975 0,99 0,995 0,999 0,9995
1 0,455 0,708 1,07 1,64 2,71 3,84 5,02 6,63 7,88 10,8 12,1
2 1,39 1,83 2,41 3,22 4,61 5,99 7,38 9,21 10,6 13,8 15,2
3 2,37 2,95 3,67 4,64 6,25 7,81 9,35 11,3 12,8 16,3 17,7
4 3,36 4,04 4,88 5,99 7,78 9,49 11,1 13,3 14,9 18,5 20,0
5 4,35 5,13 6,06 7,29 9,24 11,1 12,8 15,1 16,7 20,5 22,1
6 5,35 6,21 7,23 8,56 10,6 12,6 14,4 16,8 18,5 22,5 24,1
7 6,35 7,28 8,38 9,80 12,0 14,1 16,0 18,5 20,3 24,3 26,0
8 7,34 8,35 9,52 11,0 13,4 15,5 17,5 20,1 22,0 26,1 27,9
9 8,34 9,41 10,7 12,2 14,7 16,9 19,0 21,7 23,6 27,9 29 ,7
10 9,34 10,5 11,8 13,4 16,0 18,3 20,5 23,2 25,2 29,6 31,4
11 10,3 11,5 12,9 14,6 17,3 19,7 21,9 24,7 26,8 31,3 33,1
12 11,3 12,6 14,0 15,8 18,5 21,0 23,3 26,2 28,3 32,9 34,8
13 12,3 13,6 15,1 17,0 19,8 22,4 24,7 27,7 29,8 34,5 36,5
14 13,3 14,7 16,2 18,2 21,1 23,7 26,1 29,1 31,3 36,1 38,1
15 14,3 15,7 17,3 19,3 22,3 25,0 27,5 30,6 32,8 37,7 39,7
16 15,3 16,8 18,4 20,5 23,5 26,3 28,8 32,0 34,3 39,3 41,3
17 16,3 17,8 19,5 21,6 24,8 27,6 30,2 33,4 35,7 40,8 42,9
18 17,3 18,9 20,6 22,8 26,0 28,9 31,5 34,8 37,2 42,3 44,4
19 18,3 19,9 21,7 23,9 27,2 30,1 32,9 36,2 38,6 43,8 46,0
20 19,3 21,0 22,8 25,0 28,4 31,4 34,2 37,6 40,0 45,3 47,5
21 20,3 22,0 23,9 26,2 29,6 32,7 35,5 38,9 41,4 46,8 49,0
22 21,3 23,0 24,9 27,3 30,8 33,9 36,8 40,3 42,8 48,3 50,5
23 22,3 24,1 26,0 28,4 32,0 35,2 38,1 41,6 44,2 49,7 52,0
24 23,3 25,1 27,1 29,6 33,2 36,4 39,4 43,0 45,6 51,2 53,5
25 24,3 26,1 28,2 30,7 34,4 37,7 40,6 44,3 46,9 52,6 54,9
26 25,3 27,2 29,2 31,8 35,6 38,9 41,9 45,6 48,3 54,1 56,4
27 26,3 28,2 30,3 32,9 36,7 40,1 43,2 47,0 49,6 55,5 57,9
28 27,3 29,2 31,4 34,0 37,9 41,3 44,5 48,3 51,0 56,9 59,3
29 28,3 30,3 32,5 35,1 39,1 42,6 45,7 49,6 52,3 58,3 60,7
30 29,3 31,3 33,5 36,3 40,3 43,8 47,0 50,9 53,7 59,7 62,2

Pour lire une valeur ²à k dl dans la table, il suffit de lire l'intersection entre la colonne
correspondante à la valeur de la probabilité cumulée F(²à k dl) et la ligne correspondante au
degré de liberté k.

Exemple :

La valeur de ²à 10 dl pour une probabilité de 0,95 correspond à l'intersection entre la colonne
correspondante à 0,95 et la ligne correspondante à 10, on peut lire la valeur 18,3.

²0,95 à 10 dl = 18,3

²0,05 à 20 dl = 10,9

3.1.5. Approximation de la loi Khi deux par la loi normale

Une variable Khi carré à k degré de liberté peut donc être considéré comme étant la somme de
k variables Khi carré à 1 degré de liberté indépendantes.

De ce fait, et par application du théorème central limite, on peut affirmer que la loi Khi deux

83
 COURS DE PROBABILITES ADIL EL MARHOUM

tend vers une loi normale de paramètres k et 2k . Ce qui permet de résoudre les problèmes
relatifs aux distributions ² de nombre de degrés de liberté k élevé. L'approximation est
généralement satisfaisante lorsque k est supérieur à 30.

Exemple :

La lecture de la table Khi deux donne :

²0,95 à 30 dl = 43,8 et ²0,05 à 30 dl = 18,5

En utilisant l'approximation de la loi Khi deux par la loi normale de paramètres 30 et 60 .

La lecture de la table de la fonction de répartition de la loi normale réduite montre que la valeur
de u pour F(u) = 0,95 est égale à 1,65.

 ² − 30
U= = 1,65
60

 ² 0,95à 30dl = 1,65  60 + 30

 ² 0,95à 30dl = 42,8

La lecture de la table de la fonction de répartition de la loi normale réduite montre que la valeur
de u pour F(u) = 0,05 est égale à -1,65.

 ² − 30
U= = −1,65
60

 ² 0,95à 30dl = −1,65  60 + 30

 ² 0,95à 30dl = 17,2

On constate que l'approximation est satisfaisante.

3.2. La loi t de Student

3.2.1. Définition
On appelle variable t de Student, la variable t qui varie entre - et + et définie par la fonction
de densité de probabilité :

k +1
t² −
f (t ) = c  (1 + ) 2
k

84
 COURS DE PROBABILITES ADIL EL MARHOUM

Le paramètre k est une constante entière positive appelée nombre de degrés de liberté, on dit
variable t à k degré de liberté, désignée par t à k dl.
+
c est une constante telle que :  f (t )dt = 1
−

La variable t de Student correspond aussi au quotient d’une variable normale réduite par la
racine carrée d'une variable ²à k dl indépendante de la première variable.

Soient U une variable normale réduite et ²à k dl une variable Khi carré à k degrés de liberté,
indépendantes. On peut démontrer :

U
t àkdl =
 ² àkdl
k

3.2.2. Caractéristiques de la loi tà k dl

On peut démontrer que :

• Espérance mathématique : E(t à k dl) = 0

• Variance : V(t à k dl) = k / (k-2) pour k2 > 2.

3.2.3. Table de la loi t de Student

La table de la loi t de Student dépend du paramètre k, elle donne les valeurs de t à k dl pour les
valeurs de la fonction de répartition F(t à k dl).

85
 COURS DE PROBABILITES ADIL EL MARHOUM

TABLE DE LA LOI T DE STUDENT

k/p 0,6 0,7 0,8 0,9 0,95 0,975 0,99 0,995 0,999 0,9995
1 0,325 0,727 1,376 3,078 6,314 12,71 31,82 63,66 318,3 636,6
2 0,289 0,617 1,061 1,886 2,920 4,303 6,965 9,925 22,33 31,60
3 0,277 0,584 0,978 1,638 2,353 3,182 4,541 5,841 10,22 12,94
4 0,271 0,569 0,941 1,533 2,132 2,776 3,747 4,604 7,173 8,610
5 0,267 0,559 0,920 1,476 2,015 2,571 3,365 4,032 5,893 6,859
6 0,265 0,553 0,906 1,440 1,943 2,447 3,143 3,707 5,208 5,959
7 0,263 0,549 0,896 1,415 1,895 2,365 2,998 3,499 4,785 5,405
8 0,262 0,546 0,889 1,397 1,860 2,306 2,896 3,355 4,501 5,041
9 0,261 0,543 0,883 1,383 1,833 2,262 2,821 3,250 4,297 4,781
10 0,260 0,542 0,879 1,372 1,812 2,228 2,764 3,169 4,144 4,587
11 0,260 0,540 0,876 1,363 1,796 2,201 2,718 3,106 4,025 4,437
12 0,259 0,539 0,873 1,356 1,782 2,179 2,681 3,055 3,930 4,318
13 0,259 0,538 0,870 1,350 1,771 2,160 2,650 3,012 3,852 4,221
14 0,258 0,537 0,868 1,345 1,761 2,145 2,624 2,977 3,787 4,140
15 0,258 0,536 0,866 1,341 1,753 2,131 2,602 2,947 3,733 4,073
16 0,258 0,535 0,865 1,337 1,746 2,120 2,583 2,921 3,686 4,015
17 0,257 0,534 0,863 1,333 1,740 2,110 2,567 2,898 3,646 3,965
18 0,257 0,534 0,862 1,330 1,734 2,101 2,552 2,878 3,611 3,922
19 0,257 0,533 0,861 1,328 1,729 2,093 2,539 2,861 3,579 3,883
20 0,257 0,533 0,860 1,325 1,725 2,086 2,528 2,845 3,552 3,850
21 0,257 0,532 0,859 1,323 1,721 2,080 2,518 2,831 3,527 3,819
22 0,256 0,532 0,858 1,321 1,717 2,074 2,508 2,819 3,505 3,792
23 0,256 0,532 0,858 1,319 1,714 2,069 2,500 2,807 3,485 3,767
24 0,256 0,531 0,857 1,318 1,711 2,064 2,492 2,797 3,467 3,745
25 0,256 0,531 0,856 1,316 1,708 2,060 2,485 2,787 3,450 3,725
26 0,256 0,531 0,856 1,315 1,706 2,056 2,479 2,779 3,435 3,707
27 0,256 0,531 0,855 1,314 1,703 2,052 2,473 2,771 3,421 3,690
28 0,256 0,530 0,855 1,313 1,701 2,048 2,467 2,763 3,408 3,674
29 0,256 0,530 0,854 1,311 1,699 2,045 2,462 2,756 3,396 3,659
30 0,256 0,530 0,854 1,310 1,697 2,042 2,457 2,750 3,385 3,646
40 0,255 0,529 0,851 1,303 1,684 2,021 2,423 2,704 3,307 3,551
60 0,254 0,527 0,848 1,296 1,671 2,000 2,390 2,660 3,232 3,460
80 0,254 0,527 0,846 1,292 1,664 1,990 2,374 2,639 3,195 3,415
100 0,254 0,526 0,845 1,290 1,660 1,984 2,365 2,626 3,174 3,389
200 0,254 0,525 0,843 1,286 1,653 1,972 2,345 2,601 3,131 3,339
500 0,253 0,525 0,842 1,283 1,648 1,965 2,334 2,586 3,106 3,310
 0,253 0,524 0,842 1,282 1,645 1,960 2,326 2,576 3,090 3,291

Pour lire une valeur tàkdl dans la table, il suffit de lire l'intersection entre la colonne
correspondante à la valeur de la probabilité cumulée F(tà k dl) et la ligne correspondante au degré
de liberté k.

Exemple :

La valeur de tà 10 dl pour une probabilité de 0,95 correspond à l'intersection entre la colonne

correspondante à 0,95 et la ligne correspondante à 10, on peut lire la valeur 1,812.

t 0,95 à 10 dl = 1,812

t 0,7 à 20 dl = 0,533

3.2.4. Approximation de la loi t de Student par la loi normale

86
 COURS DE PROBABILITES ADIL EL MARHOUM

Lorsque le nombre de degrés de liberté k est très élevé, la loi t de Student tend vers la loi normale
réduite. Ce qui permet de résoudre les problèmes relatifs aux distributions t de nombre de degrés
de liberté k élevé. L'approximation est généralement satisfaisante lorsque k est supérieur à 30.

Exemple :

La lecture de la table t donne :

t 0,95 à 80 dl = 1,664 et t 0,8 à 80 dl = 0,846

En utilisant l'approximation de la loi t par la loi normale réduite, on peut lire dans la table de la
fonction de répartition de la loi normale réduite la valeur de u pour F(u) = 0,95 qui est égale à
1,65.

La lecture de la table de la fonction de répartition de la loi normale réduite montre que la valeur
de u pour F(u) = 0,80 est égale à 0,84.

On constate que l'approximation est satisfaisante.

3.3. La loi F de Fisher Snédécor

3.3.1. Définition
On appelle variable F de Fisher, la variable F qui varie entre 0 et + et définie par la fonction
de densité de probabilité :

k1 k1+ k 2
−1 −
f ( x) = c  x2  (k1 x + k 2 ) 2

Les paramètre k1 et k2 sont deux constantes entières positives appelées nombre de degrés de
liberté, on dit variable F à k1 et k2 degrés de liberté, désignée par F à k1 et k2 dl.
+
c est une constante telle que :  f ( x)dx = 1
0

La variable F de Fisher correspond aussi au quotient de variables Khi deux respectivement à

k1 et k2 degrés de liberté ²à k1 dl et ²à k2 dl indépendantes.

Soient deux variables Khi deux ²à k1 dl et ²à k2 dl indépendantes. On peut démontrer :

 ² àk1dl
Fàk1etk 2 dl = k1
 ² àk 2 dl
k2

87
 COURS DE PROBABILITES ADIL EL MARHOUM

1
Il en résulte que si F est une variable F à k1 et k2 dl, son inverse est une variable F à k2 et k1 dl.
F

3.3.2. Caractéristiques de la loi F à k1 et k2 dl

On peut démontrer que :

k2
• Espérance mathématique : E(F à k1 et k2 dl) = pour k2 > 2.
k2 − 2

2k 2 ²  (k1 + k 2 )
• Variance : V(F à k1 et k2 dl) = pour k2 > 4.
k1 (k 2 − 2)²(k 2 − 4)

3.3.3. Tables de la loi F de Fisher

Il y a plusieurs tables de la loi F de Fisher pour différentes valeurs de la fonction de répartition

F(Fà k1 et k2 dl).

Chaque table de la loi F de Fisher dépend des paramètres k1 et k2, elle donne les valeurs de Fà
k1 et k2 dl pour la valeur de la fonction de répartition F(Fà k1 et k2 dl).

88
COURS DE PROBABILITES ADIL EL MARHOUM

TABLE DE LA LOI F DE FISHER (p = 0,95)

k/p 1 2 3 4 5 6 7 8 9 10 15 20 30 50 100 200 500 

1 161 200 216 225 230 234 237 239 241 242 246 248 250 252 253 254 254 254
2 18,5 19,0 19,2 19,2 19,3 19,3 19,4 19,4 19,4 19,4 19,4 19,4 19,5 19,5 19,5 19,5 19,5 19,5
3 10,1 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,70 8,66 8,62 8,58 8,55 8,54 8,53 8,53
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,86 5,80 5,75 5,70 5,66 5,65 5,64 5,63
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,62 4,56 4,50 4,44 4,41 4,39 4,37 4,37
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 3,94 3,87 3,81 3,75 3,71 3,69 3,68 3,67
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,51 3,44 3,38 3,32 3,27 3,25 3,24 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,22 3,15 3,08 3,02 2,97 2,95 2,94 2,93
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,01 2,94 2,86 2,80 2,76 2,73 2,72 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,85 2,77 2,70 2,64 2,59 2,56 2,55 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,72 2,65 2,57 2,51 2,46 2,43 2,42 2,40
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,62 2,54 2,47 2,40 2,35 2,32 2,31 2,30
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,53 2,46 2,38 2,31 2,26 2,23 2,22 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,46 2,39 2,31 2,24 2,19 2,16 2,14 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,40 2,33 2,25 2,18 2,12 2,10 2,08 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,35 2,28 2,19 2,12 2,07 2,04 2,02 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,31 2,23 2,15 2,08 2,02 1,99 1,97 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,27 2,19 2,11 2,04 1,98 1,95 1,93 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,23 2,16 2,07 2,00 1,94 1,91 1,89 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,20 2,12 2,04 1,97 1,91 1,88 1,86 1,84
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,15 2,07 1,98 1,91 1,85 1,82 1,80 1,78
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,11 2,03 1,94 1,86 1,80 1,77 1,75 1,73
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,07 1,99 1,90 1,82 1,76 1,73 1,71 1,69
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,04 1,96 1,87 1,79 1,73 1,69 1,67 1,65
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,01 1,93 1,84 1,76 1,70 1,66 1,64 1,62
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 1,92 1,84 1,74 1,66 1,59 1,55 1,53 1,51
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,87 1,78 1,69 1,60 1,52 1,48 1,46 1,44
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,84 1,75 1,65 1,56 1,48 1,44 1,41 1,39
80 4,96 3,11 2,72 2,49 2,33 2,21 2,13 2,06 2,00 1,95 1,79 1,70 1,60 1,51 1,43 1,38 1,35 1,32
100 4,94 3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93 1,77 1,68 1,57 1,48 1,39 1,34 1,31 1,28
200 4,89 3,04 2,65 2,42 2,26 2,14 2,06 1,98 1,93 1,88 1,72 1,62 1,52 1,41 1,32 1,26 1,22 1,19
500 4,86 3,01 2,62 2,39 2,23 2,12 2,03 1,96 1,90 1,85 1,69 1,59 1,48 1,38 1,28 1,21 1,16 1,11
 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,67 1,57 1,46 1,35 1,24 1,17 1,11 1,00

89
 COURS DE PROBABILITES ADIL EL MARHOUM

TABLE DE LA LOI F DE FISHER (p = 0,975)

k/p 1 2 3 4 5 6 7 8 9 10 15 20 30 50 100 200 500 

1 648 800 864 900 922 937 948 957 963 969 985 993 1001 1008 1013 1016 1017 1018
2 38,5 39,0 39,2 39,2 39,3 39,3 39,4 39,4 39,4 39,4 39,4 39,4 39,5 39,5 39,5 39,5 39,5 39,5
3 17,4 16,0 15,4 15,1 14,9 14,7 14,6 14,5 14,5 14,4 14,3 14,2 14,1 14,0 14,0 13,9 13,9 13,9
4 12,2 10,6 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,66 8,56 8,46 8,38 8,32 8,29 8,27 8,26
5 10,0 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,43 6,33 6,23 6,14 6,08 6,05 6,03 6,02
6 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,27 5,17 5,07 4,98 4,92 4,88 4,86 4,85
7 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,57 4,47 4,36 4,28 4,21 4,18 4,16 4,14
8 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,10 4,00 3,89 3,81 3,74 3,70 3,68 3,67
9 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,77 3,67 3,56 3,47 3,40 3,37 3,35 3,33
10 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,52 3,42 3,31 3,22 3,15 3,12 3,09 3,08
11 6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,33 3,23 3,12 3,03 2,96 2,92 2,90 2,88
12 6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,18 3,07 2,96 2,87 2,80 2,76 2,74 2,72
13 6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,05 2,95 2,84 2,74 2,67 2,63 2,61 2,60
14 6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 2,95 2,84 2,73 2,64 2,56 2,53 2,50 2,49
15 6,20 4,76 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,86 2,76 2,64 2,55 2,47 2,44 2,41 2,40
16 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,79 2,68 2,57 2,47 2,40 2,36 2,33 2,32
17 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,72 2,62 2,50 2,41 2,33 2,29 2,26 2,25
18 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,67 2,56 2,44 2,35 2,27 2,23 2,20 2,19
19 5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,62 2,51 2,39 2,30 2,22 2,18 2,15 2,13
20 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,57 2,46 2,35 2,25 2,17 2,13 2,10 2,09
22 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,50 2,39 2,27 2,17 2,09 2,05 2,02 2,00
24 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,44 2,33 2,21 2,11 2,02 1,98 1,95 1,94
26 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,39 2,28 2,16 2,05 1,97 1,92 1,90 1,88
28 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,34 2,23 2,11 2,01 1,92 1,88 1,85 1,83
30 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,31 2,20 2,07 1,97 1,88 1,84 1,81 1,79
40 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,18 2,07 1,94 1,83 1,74 1,69 1,66 1,64
50 5,34 3,98 3,39 3,06 2,83 2,67 2,55 2,46 2,38 2,32 2,11 1,99 1,87 1,75 1,66 1,60 1,57 1,55
60 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,06 1,94 1,82 1,70 1,60 1,54 1,51 1,48
80 5,22 3,86 3,28 2,95 2,73 2,57 2,45 2,36 2,28 2,21 2,00 1,88 1,75 1,63 1,53 1,47 1,43 1,40
100 5,18 3,83 3,25 2,92 2,70 2,54 2,42 2,32 2,24 2,18 1,97 1,85 1,71 1,59 1,48 1,42 1,38 1,35
200 5,10 3,76 3,18 2,85 2,63 2,47 2,35 2,26 2,18 2,11 1,90 1,78 1,64 1,51 1,39 1,32 1,27 1,23
500 5,05 3,72 3,14 2,81 2,59 2,43 2,31 2,22 2,14 2,07 1,86 1,74 1,60 1,46 1,34 1,25 1,19 1,14
 5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05 1,83 1,71 1,57 1,43 1,30 1,21 1,13 1,00

Pour lire une valeur Fà k1 et k2 dl dans la table, il suffit de lire l'intersection entre la colonne
correspondante à la valeur de k1 et la ligne correspondante à la valeur de k2.

Exemple :

La valeur de Fà 10 et 15 dl pour une probabilité de 0,95 correspond dans la table de la loi F pour
p=0,95, à l'intersection entre la colonne correspondante à 10 et la ligne correspondante à 15, on
peut lire la valeur 2,54.
F 0,95 à 10 et 15 dl = 2,54

F 0,975 à 15 et 20 dl = 2,57

90
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICES : LOIS THEORIQUES CONTINUES

EXERCICE 1
Le stock journalier d'un produit destiné à un atelier suit une loi normale de moyenne 120
pièces et d'écart type 50 pièces.

a) Calculer la probabilité que le nombre de pièces en stock est compris entre 80 et 160.
b) Calculer la probabilité que le nombre de pièces en stock est supérieur à 200.
c) Calculer la probabilité qu'il y ait rupture de stock.

EXERCICE 2
La longueur d’une pièce fabriquée par une machine est une variable normale de moyenne 15
cm et d’écart type 0,2 cm.

a) Trouver la probabilité de rejet si les dimensions admissibles de la pièce doivent être

comprises entre 14,7 et 15,3 cm.
b) Quelle précision de longueur de la pièce fabriquée peut-on garantir avec une probabilité de
0,95 ?

EXERCICE 3
Le poids réel des boîtes où on a mis des dattes dans une petite unité de conditionnement à
Zagora, suit une distribution normale de moyenne 10 Kg et de variance 0,01. Quelle est la
probabilité qu'une boite achetée au marché pèsera au moins 9,875 Kg ?

EXERCICE 4
Dans une branche industrielle composée de 1600 établissements, on a constaté que la rentabilité
(bénéfice ou perte) suit une loi normale. Par ailleurs on a observé que les 400 entreprises les
plus rentables réalisent un bénéfice supérieur à 2 millions de dirhams et que 800 entreprises
réalisent uniquement des pertes.

Calculer la rentabilité moyenne et l'écart type.

EXERCICE 5
Le lait produit par une usine a une teneur en matières grasses qui suit une loi normale de
moyenne 160 grammes par litre et d'écart type 10 grammes par litre. Les consommateurs
n'acceptent que le lait dont la teneur en matières grasses est comprise entre 135 grammes par
litre et 185 grammes par litre.

Calculer la proportion de la production du lait inacceptable par les consommateurs.

91
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICE 6
Le diamètre intérieur moyen d'un échantillon de 200 rondelles produites par une machine est
égal à 1,275 cm et l'écart type à 0,013 cm. L'usage que l'on fait de ces rondelles nécessite que
le diamètre varie entre 1,260 et 1,290 cm, autrement les rondelles sont considérées comme
défectueuses.

Déterminer la proportion des rondelles défectueuses produites par cette machine en supposant
que le diamètre suit une loi normale.

EXERCICE 7
Une confiture peut être qualifiée de "pure sucre" si elle contient entre 440 et 520 grammes de
sucre par kilogramme de confiture. Un fabricant vérifie 200 pots de confiture de 1 kilogramme
chacun. Il trouve que le poids moyen de sucre est de 480 grammes avec un écart type de 20
grammes. Sachant que le poids en sucre est distribué normalement, calculer le pourcentage de
la production du fabriquant qui ne doit pas porter la mention "pur sucre" en considérant que
l'échantillon des 200 pots est représentatif de la production globale.

EXERCICE 8
Deux entreprises A et B produisent des ampoules électriques dont la durée de vie suit une loi
normale. Les espérances mathématiques et les écarts type sont respectivement de 1150 heures
et 50 heures pour A et de 1200 heures et 80 heures pour B.

En exigeant que la durée de vie des ampoules ne soit pas inférieure à 1050 heures, de quelle
entreprise devrait-on s'approvisionner ?

EXERCICE 9
Pour se rendre à son travail un ouvrier a le choix entre deux chemins A et B. La durée du
parcours exprimée en minutes est une variable aléatoire normale de moyenne et d'écart type
respectivement 27 mn et 5 mn pour le chemin A, et 30 mn et 2 mn pour le chemin B.

À votre avis quel chemin cet ouvrier doit choisir pour ne pas arriver en retard s'il dispose de 30
mn ?

EXERCICE 10
Une machine met du sucre en poudre en sachet. Elle peut être réglée au moyen d’un dispositif
gradué en gramme, tel que lorsque la machine est réglée sur le poids moyen par sachet m, la
probabilité que les sachets pèsent au moins 1 Kg est égale à 98,5 %.

Sachant que le poids par sachet suit une loi normale d’écart type 10 grammes, sur quelle valeur
m faut-il régler le dispositif ?

92
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICE 11
Une machine est réglée pour faire remplir des bouteilles d'un volume moyen de 255 cm3. Si la
distribution des volumes est normale et l'écart type est égal à 4 cm3 :

a) dans quelle proportion des cas le volume sera inférieur à 250 cm3 ?
b) quelle valeur faut-il donner au volume moyen pour que cette proportion soit de 5 % ?

EXERCICE 12
Dans une entreprise, le salaire du personnel suit une loi normale. Sachant que le salaire des trois
quarts du personnel est inférieur à 3000 dh, et que 5 % du personnel perçoivent plus de 8000
dh ; déterminer le salaire moyen et l'écart type.

EXERCICE 13
Dans le cadre de la gestion d’un stock de marchandise, on doit lancer une commande destinée
à couvrir quatre semaines de fourniture d’un produit donné. On admet que la demande
hebdomadaire de ce produit suit une loi normale de moyenne 50 et d’écart type 10.

Combien d’unités doit-on commander pour que la probabilité d’être en rupture de stock soit
inférieure à 1 % si on considère que les demandes des semaines successives sont
indépendantes ?

EXERCICE 14
On suppose que la probabilité de guérir d'une maladie est égale à 0,8.

a) Déterminer la probabilité de voir guérir 75 malades ou plus parmi 100.

b) Déterminer le nombre de malades pour lesquels la probabilité de voir guérir au moins
100 est égale à 0,99.

EXERCICE 15
Trouver la probabilité qu'au moins 70 de 100 moustiques seront tués par un nouvel insecticide
si l'on sait que la probabilité que n'importe quel moustique soit tué est voisine de 0,75.

EXERCICE 16
Si U1 et U2 sont deux variables aléatoires normales centrées, réduites et indépendantes, calculer
:

a) p(U1 > U2)

b) p(U1+2U2 > 5)
c) calculer k tel que p(U1+kU2 > 2) = 0,05

93
 COURS DE PROBABILITES ADIL EL MARHOUM

EXERCICE 17
Une caisse d’assurance maladie reçoit 121 personnes pour l’obtention de remboursements, on
admet que la caisse doit payer, en moyenne, à chaque personne 100 dh avec un écart type de 60
dh.

La caisse dispose de 13000 dh, calculer la probabilité que cette somme soit suffisante.

EXERCICE 18
Au sein d’une population de personnes 4 % mesurent moins de 1,60 m et 12 % plus de 1,80 m.
si on suppose que la taille de ces personnes suit une loi normale, quelle est la taille moyenne de
cette population ainsi que son écart type ?

EXERCICE 19
Quelle est la valeur de la variable aléatoire X si p(X<x) = 0,975 et si la variable aléatoire X
est :

a) une variable normale réduite ;

b) une variable normale de moyenne 10 et d'écart type 2 ;
c) une variable de Student à 15 degrés de liberté ;
d) une variable Khi deux à 15 degrés de liberté ;
e) une variable de Fisher à 15 et 1 degrés de liberté.

94