Département GTR de Béziers

IUT de Montpellier
Université Montpellier II

Génie des Télécommunications et Réseaux

[Link]@[Link]  2000
Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Chapitre I
STATISTIQUES

1. GÉNÉRALITÉS.................................................................................................................................................2
1.1. DÉFINITIONS .................................................................................................................................................2
2. STATISTIQUES À UNE VARIABLE...............................................................................................................2
2.1. PARAMÈTRE DE TENDANCE MOYENNE ............................................................................................................4
2.2. LA MÉDIANE..................................................................................................................................................4
2.3. LE MODE .......................................................................................................................................................4
2.4. PARAMÈTRE DE DISPERSION ...........................................................................................................................4
3. STATISTIQUES À DEUX VARIABLES..........................................................................................................5
3.1. CARACTÉRISTIQUES MARGINALES ..................................................................................................................5
3.2. CARACTÉRISTIQUES CONDITIONNELLES ..........................................................................................................5
3.3. COVARIANCE ................................................................................................................................................5
3.4. COURBES DE RÉGRESSION ..............................................................................................................................6
3.5. MÉTHODE DES MOINDRES CARRÉS ..................................................................................................................6
3.6. RÉGRESSION LINÉAIRE ...................................................................................................................................6
3.7. COEFFICIENT DE CORRÉLATION LINÉAIRE .......................................................................................................7
4. EXERCICES ......................................................................................................................................................7
4.1. DÉMONSTRATIONS DE FORMULES THÉORIQUES ** ..........................................................................................7
4.2. MÉTHODE DES MOINDRES CARRÉS * ...............................................................................................................7
4.3. RÉGRESSION LINÉAIRE * ................................................................................................................................7
4.4. RÉGRESSION AVEC CHANGEMENT DE VARIABLE ** .........................................................................................8
4.5. STATISTIQUE À DEUX VARIABLES **...............................................................................................................8

[Link] - 03/10/00 Page 1 sur 8 Statistiques

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

1. Généralités
La principale application des calculs statistiques au niveau IUT est la méthode des moindres carrés. Pour introduire
cette technique, nous allons étudier dans ce chapitre les univers aléatoires. Dans ces univers, chaque mesure n’est pas
reproductible, les résultats d’une expérience donnée sont sensibles à de nombreuses causes différentes. Par exemple, si
on mesure le nombre de collisions par seconde sur un réseau ethernet, on ne trouvera jamais la même valeur. Elle
dépend du nombre de machines connectées au réseaux, du nombre de trames que chaque machine génère et de
beaucoup d’autres facteurs.
Les paramètres numériques (moyenne, variance, covariance, etc… ) que nous serons amenés à définir, nous permettrons
de caractériser plus précisément les phénomènes aléatoires étudiés.
1.1. Définitions
Les termes employés en statistique sont empruntés au langage utilisé pour le recensement des personnes. On étudie une
population donnée (une partie d’un univers aléatoire) et on s’intéresse à un caractère précis des individus qui la
compose. Le sous-ensemble d’individus sur lequel porte les mesures s’appelle l’échantillon.

On peut faire :
• de l’échantillonnage exhaustif où l’on prend en compte le caractère d’un individu dans la population privée des
individus déjà sondés (tirage sans remise).
• de l’échantillonnage non exhaustif où l’on prélève au hasard un individu dans la population totale à chaque fois
(tirage avec remise).

On recueille pendant cet échantillonnage des données qui peuvent être classées en deux ensembles :
• les données qualitatives qui donnent des informations non vraiment mesurables que l’on range par catégories. Par
exemple, si on étudie le goût du beaujolais nouveau, on peut dire qu’il est bon, qu’il pique, qu’il a goût de banane,
etc…
• les données quantitatives qui ont une valeur numérique que l’on peut mesurer ou compter. On peut distinguer dans
ce cas, les variables discontinues qui prennent leurs valeurs dans un ensemble fini et les variables continues qui
appartiennent à un ensemble infini de valeurs. Par exemple, le nombre d’appels téléphoniques par heure à un
standard est une variable discontinue, alors que la durée de chaque appel est une variable continue.

Dans les paragraphes suivants, nous allons nous intéresser respectivement à un caractère unique puis à deux caractères
simultanément. Nous essayerons enfin de relier deux variables entre elles par une courbe de régression.

2. Statistiques à une variable

Par convention, on notera le nom du paramètre étudié en majuscule et une de ses valeurs en minuscule. Les résultats de
l’échantillonnage sont réunis dans un tableau, en faisant apparaître en face de la valeur du caractère étudié X, l’effectif
n i que l’on a mesuré (soit le nombre de fois que ce caractère est apparut au cours de l’échantillonnage).
Il est parfois utile de rassembler les mesures en classes, c’est à dire de regrouper par intervalles les effectifs, pour avoir
une meilleure appréciation des mesures.
Afin de pouvoir comparer des échantillons différents, on calcule souvent la fréquence relative qui est le rapport entre
l’effectif et le nombre total de mesures N.
ni
fi = avec N = ∑ n i
N i
L’exemple qui suit, montre les différentes représentations graphiques que l’on peut faire. On a relevé la taille des
personnes d’un groupe de 100 étudiants. On a utilisé des intervalles de taille différentes, et on a pris le milieu de chaque
classe comme valeur numérique de la taille.
Classe (début) 1,4 1,6 1,7 1,8 1,85 1,9 2
Classe (fin) 1,6 1,7 1,8 1,85 1,9 2 2,2
Largeur des classes (m) 0,2 0,1 0,1 0,05 0,05 0,1 0,2
Taille des étudiants (m) 1,5 1,65 1,75 1,825 1,875 1,95 2,1 Effectif total
Effectif 6 10 19 30 18 15 2 100
Fréquence 6,00% 10,00% 19,00% 30,00% 18,00% 15,00% 2,00%
Fréquence cumulée 6,00% 16,00% 35,00% 65,00% 83,00% 98,00% 100,00%

[Link] - 03/10/00 Page 2 sur 8 Statistiques

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Diagramme à secteurs

2,1 1,5
1,95 2% 6% 1,65
15% 10%

1,875 1,75
18% 19%

1,825
30%

[Link] - 03/10/00 Page 3 sur 8 Statistiques

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

2.1. Paramètre de tendance moyenne

C’est la moyenne arithmétique des valeurs du caractère étudié.
1
X= ∑ n i . xi
N i
X = ∑ fi . xi
i
Pour notre exemple :
1
X= .(6 * 1,5 + 10 * 1,625+ ...2 * 2,1) = 1,807
100
On peut démontrer que :
a. X + b = a. X + b avec a, b ∈ ℜ
2.2. La médiane
C’est la valeur pour laquelle la fréquence cumulée est de 50 %. Lorsque l'on a des classes, on cherche la classe médiane
(la première pour laquelle la fréquence cumulée est supérieure à 50 %). En supposant que la répartition des valeurs est
uniforme dans la classe, la médiane s'obtient par interpolation linéaire.
Dans notre exemple, la classe 4 est la classe médiane [1,8-1,85[.
La médiane est alors : M = 1,8 + 0,05*(0,5 - 0,35)/0,3 = 1,8250.
2.3. Le mode
C’est le caractère ou la classe de plus haut effectif. Pour l’exemple étudié, la classe modale est aussi ]1,8-1,85].
2.4. Paramètre de dispersion
C’est l’écart-type σ ou la racine carrée de la variance (moyenne quadratique des écarts à la moyenne).
1
Var ( X) = ∑
N i
n i .( x i − X ) 2

1
Var ( X) = ∑ n i .( x 2i − 2. x i . X + X )
2

N i
2
1 2. X X 1
Var ( X) = ∑ n i . x 2i − ∑ . ∑ 1 = ∑ n i . x 2i − 2. X + X
2 2
xi +
N i N i N i N i
1
Var ( X) = ∑ n i . x 2i − X = ∑ f i . x 2i − X
2 2

N i i

σX = Var ( X )

Pour notre exemple :

1
Var ( X) = .(6 * 1,52 + 10 * 1,6252 + ...2 * 2,12 ) − 1,8072 = 0,0145
100
σX = 0,1202
On peut démontrer que :
Var (a. X + b ) = a 2 . Var ( X )
σa .X + b = a . σX

[Link] - 03/10/00 Page 4 sur 8 Statistiques

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

3. Statistiques à deux variables

On étudie simultanément deux caractères X et Y. On rassemble les données dans un tableau à double entrée : la
variable X est indicée petit i, la variable Y petit j. Pour chaque couple (Xi,Yj), on relève l’effectif n ij.

Caractère Y j=1 j=2 j=3 j=4

Caractère X -2 0 3 7 ni* Yi
i=1 -8 141 58 199 -1,42
i=2 -4 567 98 17 682 -1,59
i=3 0 57 320 38 415 0,00
i=4 5 19 165 16 200 3,04
i=5 11 165 80 76 321 2,40
i=6 18 36 36 7,00
n*j 765 660 300 128 1853
Xj -4,44 1,60 5,46 12,22

On définit les valeurs suivantes :

N=∑ ∑n ij et n i* = ∑ n ij et n *j = ∑ n ij
i j j i

3.1. Caractéristiques marginales

Ce sont des calculs qui portent uniquement sur un seul caractère.
1 1
X= ∑
N i
∑ n .x
j
ij i = ∑ n i* . x i
N i
1
∑
2
Var ( X) = n i* . x i2 − X
N i
Pour notre exemple :
1
X= .((199 * ( − 8) + 682 * ( − 4) + ...+ 36 * 18) = 0,4636
1853
1
Var ( X) = .(199 * ( − 8) 2 + 682 * ( − 4) 2 + ...+ 36 * 182 ) − 0,46362 = 42,5012
1852
σX = 6,5193

3.2. Caractéristiques conditionnelles

Les calculs sont fait pour une valeur particulière du deuxième paramètre.
1
X Yj = X j = ∑ n ij . x i
n* j i
3.3. Covariance
De la même façon que l’on a défini la variance pour une variable, on peut définir la covariance ainsi :
1
Cov ( X , Y) = ∑
N i
∑n j
ij .( x i − X ).( y j − Y)

1
Cov ( X , Y) = ∑
N i
∑n j
ij . x i . y j − X. Y

1 1
Cov ( X , Y) = ∑
N j
n * j . X j . y j − X. Y = ∑ n i* . x i . Yi − X. Y
N i
On peut démontrer que :
Cov (a. X + b , c. Y + d ) = a. c. Cov ( X , Y)

[Link] - 03/10/00 Page 5 sur 8 Statistiques

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

3.4. Courbes de régression

Il est parfois intéressant d’essayer de relier les deux caractères entre eux, en cherchant une relation mathématique.
La courbe de variation de la moyenne conditionnelle de Y en fonction de la variable X est appelée la courbe de
régression de Y en X.
Afin de déterminer numériquement cette courbe, il faut calculer les Yi correspondants aux Xi. On obtient ainsi, un
tableau de K points (xi, yi).
Toutes les formules qui vont suivre ne feront pas apparaître les effectifs n ij, n i*, n *j, etc… car ils sont égaux à 1. Les
formules générales peuvent cependant être utilisées lorsque l’on a pas les données sous forme de tableau de points.
3.5. Méthode des moindres carrés
Cette méthode consiste à minimiser la somme du carré des erreurs entre la courbe et les mesures. Si on cherche à faire
coller au mieux la courbe y = f(x) avec les mesures (xi, yi), on définit le nombre :
K K
S = ∑ ( y i − y ) 2 = ∑ ( y i − f ( x i )) 2
i =1 i =1
On détermine les paramètres de f(x) pour que S soit minimum.

1.3

1.2

1.1

0.9

0.8

0.7

0.6

0.5

0.4
0 2 4 6 8 10 12 14 16

3.6. Régression linéaire

Dans ce cas là, f(x) = a.x + b. Il nous faut chercher les valeurs de a et de b qui minimisent S. On les obtient en dérivant
S par rapport à chaque paramètre et en égalant le résultat à zéro.
K
S = ∑ [ y i − (a. x i + b )]2
i =1

∂S K K K K
= 0 = ∑ − 2.( y i − a. x i − b ) ⇒ ∑ b = ∑ y i − a ∑ x i = K. b
∂b i =1 i =1 i =1 i =1
K
1 1
b= ∑
N i
y i − a. ∑ x i = Y − a. X
K i =1
En remplaçant b dans l’équation de départ :
K K
S = ∑ [ y i − a. x i − Y + a. X ] = ∑ [ y i − Y − a.( x i − X )]2
2

i =1 i =1

∂S K K K
= 0 = ∑ − 2.( x i − X ).[ y i − Y − a.( x i − X )] ⇒ ∑ ( x i − X).( y i − Y) = a ∑ ( x i − X) 2
∂a i =1 i =1 i =1
K

∑ (x i − X ).( y i − Y)
Cov ( X , Y)
a= i =1
K
=
∑ (x
Var ( X )
i − X)2
i =1

[Link] - 03/10/00 Page 6 sur 8 Statistiques

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

En résumé :
Cov ( X , Y)
a ==
Var ( X )
b = Y − a. X
3.7. Coefficient de corrélation linéaire
On définit le coefficient de corrélation linéaire de la façon suivante :
Cov ( X , Y)
r=
σX . σY
On peut montrer que plus le coefficient de corrélation r est proche de 1 en valeur absolue, plus la relation linéaire entre
les deux caractères est justifiée.

4. Exercices
4.1. Démonstrations de formules théoriques **
a) Déterminer la moyenne et la variance de la variable U = a.X + b en fonction de la moyenne et la variance de la
variable X ( a ∈ R , b ∈ R ).
*

b) De la même façon, avec U = a.X + b et V = c.Y + d, montrer que : Cov(U,V) = [Link](X,Y).

4.2. Méthode des moindres carrés *
Le tableau suivant donne les résultats obtenus à partir de 10 essais de laboratoire concernant « la charge de rupture d’un
acier » en fonction de sa « teneur en carbone ».
Numéro d'essai Teneur en carbone x Charge de rupture y
(pour 10000) (Kg)

1 72 90
2 60 70
3 68 80
4 66 80
5 64 75
6 62 75
7 64 80
8 70 85
9 62 70
10 74 100
a) Représenter graphiquement les données de ce tableau.
b) Calculer x , y , Var(X), Cov(X,Y).
c) Est-il possible d’envisager une relation linéaire entre X et Y ? Justifier cette réponse à l’aide d’un calcul.
d) Déterminer l’équation de la droite d’ajustement de Y en X par la méthode des moindres carrés.
4.3. Régression linéaire *
Une étude a été faite sur l’évolution du produit national brut et de la consommation privée de 1960 à 1969.
Année Produit National Brut Consommation privée
GF GF
1960 346 209
1961 365 222
1962 390 238
1963 412 255
1964 439 269
1965 460 281
1966 486 294
1967 508 309
1968 533 326
1969 575 350
On associe au PNB la variable P et à la consommation privée la variable C.
a) Tracer la courbe de P en fonction de C.
b) Calculer le coefficient de corrélation linéaire r de la droite de régression de P en C, ainsi que les valeurs de a et b.

[Link] - 03/10/00 Page 7 sur 8 Statistiques

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

4.4. Régression avec changement de variable **

Afin de déterminer la relation qui existe entre la distance nécessaire à l’arrêt d’une voiture D et sa vitesse V, on a
rassemblé les résultats suivants :
Distance D (m) 5,3 14,45 20,21 6,5 38,45 11,23 50,42
Vitesse V (Km/h) 33 49 65 33 79 49 93
a) Représenter graphiquement les 7 points. Quelle est la forme de la courbe ?
b) On défini la variable Z comme la racine carrée de V. Déterminer, par la méthode des moindres carrés, la droite de
régression de Z en D.
c) En déduire la relation entre D et V et calculer la distance nécessaire à l’arrêt d’une voiture lancée à 85 Km/h.
4.5. Statistique à deux variables **
Une enquête réalisée auprès de 2000 ménages a donné les résultats suivants :
Revenus moins de 800F à 1000F à 1200F à 1600F à plus de
Consommation 800 F 1 000 F 1 200 F 1 600 F 2 000 F 2 000 F
moins de 800F 178 141 58
800F à 1000F 43 567 98 17
1000F à 1200F 57 320 38
1200F à 1500F 19 165 16 23
1500F à 1800F 80 76 18
plus de 1800F 36 50
a) On associe au revenus la variable R et à la consommation la variable C. Afin de simplifier les calculs, on
R − 1100 C − 1100
pose X = et Y = . Calculer les valeurs de YX .
100 50
b) Calculer les coefficients de la droite de régression de C en R, en utilisant les propriétés du changement de variable.

[Link] - 03/10/00 Page 8 sur 8 Statistiques

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Chapitre II
PROBABILITES

1. GÉNÉRALITÉS.................................................................................................................................................3

2. ANALYSE COMBINATOIRE ..........................................................................................................................3

2.1. ARRANGEMENTS DE P ÉLÉMENTS PARMI N : ................................ ................................ ................................ ....3
2.2. PERMUTATIONS ................................ ................................ ................................ ................................ ............. 3
2.3. COMBINAISONS DE P ÉLÉMENTS PARMI N : ................................ ................................ ................................ ......3
2.4. FORMULES REMARQUABLES ................................ ................................ ................................ ........................... 4
3. PROBABILITÉS................................................................................................................................................4
3.1. DÉFINITIONS ................................ ................................ ................................ ................................ ................. 4
3.2. PROPRIÉTÉS................................ ................................ ................................ ................................ ................... 4
3.3. PROBABILITÉS CONDITIONNELLES ................................ ................................ ................................ .................. 5
3.4. EVÉNEMENTS INDÉPENDANTS ................................ ................................ ................................ ........................ 5
4. VARIABLES ALÉATOIRES ............................................................................................................................5
4.1. FONCTION DE RÉPARTITION................................ ................................ ................................ ............................ 6
4.2. LOI DE PROBABILITÉ (V.A. DISCRÈTE) ................................ ................................ ................................ ............. 6
4.3. DENSITÉ DE PROBABILITÉ (V.A. CONTINUE) ................................ ................................ ................................ ....6
4.4. ESPÉRANCE MATHÉMATIQUE D ’UNE VARIABLE ALÉATOIRE ................................ ................................ ............. 7
4.5. MOMENTS D’ORDRE Q D’UNE VARIABLE ALÉATOIRE ................................ ................................ ....................... 7
4.6. FONCTION CARACTÉRISTIQUE ................................ ................................ ................................ ........................ 8
4.7. VARIANCE D ’UNE VARIABLE ALÉATOIRE ................................ ................................ ................................ ........8
4.8. ECART TYPE ................................ ................................ ................................ ................................ .................. 8
4.9. INÉGALITÉ DE BIENAYMÉ-TCHEBITCHEV ................................ ................................ ................................ ........8
5. EXERCICES D'ANALYSE COMBINATOIRE ...............................................................................................9
5.1. POKER * ................................ ................................ ................................ ................................ ........................ 9
5.2. NUMÉROTATION * ................................ ................................ ................................ ................................ ......... 9
5.3. GROUPES * ................................ ................................ ................................ ................................ .................... 9
5.4. VERROU * ................................ ................................ ................................ ................................ ..................... 9
5.5. ALPHABET *................................ ................................ ................................ ................................ ................ 10
5.6. LECTURE * ................................ ................................ ................................ ................................ .................. 10
5.7. CONSEIL MUNICIPAL ** ................................ ................................ ................................ ............................... 10
5.8. ETAGÈRES * ................................ ................................ ................................ ................................ ................ 10
5.9. PIRATAGE *................................ ................................ ................................ ................................ ................. 10
[Link] - 03/10/00 Page 1 sur 13 Probabilités
Cours de mathématiques 2ème année IUT, Département GTR, Béziers

6. EXERCICES DE CALCUL DE PROBABILITÉS .........................................................................................10

6.1. JEU DE CARTE ** ................................ ................................ ................................ ................................ ......... 10
6.2. LOTERIE 1 * ................................ ................................ ................................ ................................ ................ 10
6.3. ROULETTE * ................................ ................................ ................................ ................................ ................ 10
6.4. CLAVIER *................................ ................................ ................................ ................................ ................... 10
6.5. TIRAGE 1 *................................ ................................ ................................ ................................ .................. 11
6.6. TIRAGE 2 *................................ ................................ ................................ ................................ .................. 11
6.7. JEU DE DÉS 1 * ................................ ................................ ................................ ................................ ............ 11
6.8. JEU DE DÉS 2 * ................................ ................................ ................................ ................................ ............ 11
6.9. FEUX DE CIRCULATION *................................ ................................ ................................ .............................. 11
6.10. ANNIVERSAIRE **................................ ................................ ................................ ................................ ....11
6.11. PILE OU FACE * ................................ ................................ ................................ ................................ ........ 11
6.12. JEU DE DÉS 3 *................................ ................................ ................................ ................................ ......... 11
6.13. PROBABILITÉS DE RÉUSSITE * ................................ ................................ ................................ ................... 11
6.14. ELECTION * ................................ ................................ ................................ ................................ ............. 11
6.15. CINÉMA * ................................ ................................ ................................ ................................ ................ 11
6.16. CARTE ÉLECTRONIQUE * ................................ ................................ ................................ .......................... 12
6.17. CAMBRIOLAGE *................................ ................................ ................................ ................................ ...... 12
6.18. FABRICATION *................................ ................................ ................................ ................................ ........ 12
6.19. INFORMATIQUE * ................................ ................................ ................................ ................................ .....12
6.20. ENQUÊTE ** ................................ ................................ ................................ ................................ ............ 12
6.21. ETUDE THÉORIQUE ** ................................ ................................ ................................ .............................. 12
6.22. TAPIS VERT * ................................ ................................ ................................ ................................ ........... 12
6.23. JEU DE DÉS 4 ** ................................ ................................ ................................ ................................ ....... 13
6.24. PIÈCE DE MONNAIE *** ................................ ................................ ................................ ............................ 13
6.25. LOTERIE 2 **................................ ................................ ................................ ................................ ........... 13
6.26. JEU COMPLIQUÉ *** ................................ ................................ ................................ ................................ .13
6.27. RÉVISIONS **** ................................ ................................ ................................ ................................ ...... 13
6.28. JEU DE DÉS 4 **** ................................ ................................ ................................ ................................ ...13

[Link] - 03/10/00 Page 2 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

1. Généralités
Dans ce chapitre, nous allons présenter un certain nombre de fonctions mathématiques qui nous permettrons de
modéliser le comportement de variables aléatoires.
Dans un premier temps, nous essayerons de faire des calculs de dénombrement. Par la suite, nous introduirons les
méthodes de calcul de probabilités. Nous définirons enfin, les variables aléatoires et leurs propriétés.

2. Analyse combinatoire
Le but de l’analyse combinatoire est de déterminer le nombre de sous ensembles différents que l’on peut obtenir à
partir d’un ensemble fini E. Le cardinal de E correspond au nombre entier N d’éléments de E. On utilisera la notation
Card(E) = N.
Le produit cartésien de deux ensembles finis E et F est formé des couples (x, y), x ∈ E et y∈ F et l’on a :
Card ( ExF) = Card ( E ) * Card ( F)
Si les ensembles E et F sont distincts (i.e. aucuns éléments en commun), on a :
Card ( E ∩ F) = 0
Card ( E ∪ F) = Card ( E ) + Card ( F)
2.1. Arrangements de p éléments parmi n :
C’est le nombre de parties à p éléments ordonnés obtenues à partir des N éléments de l’ensemble E. Chaque élément
étant utilisé une seule fois (tirage exhaustif sans remise).
Par exemple, si E = {A, B, C}. Il y a 6 arrangements de 2 éléments parmi 3 : AB, BA, AC, CA, BC, CB.

Dans le cas général, pour le premier élément, il y a N choix possibles. Pour le second élément, il ne reste que N-1
possibilités puisque l’on ne peut pas réutiliser deux fois le même élément. Pour le troisième, N-2 choix. Etc... Pour le
pième élément, N-p+1 choix. Soit :
A pn = n.( n − 1).( n − 2)....( n − p + 1)
En utilisant la notation factorielle pour un entier positif n, avec la convention 0! = 1 :
n ! = n.( n − 1). n − 2)....2.1
On obtient si p ≤n :
n!
A pn =
( n − p)!
2.2. Permutations
C’est le nombre d’arrangements de n éléments parmi n :
Per(E) = n!
2.3. Combinaisons de p éléments parmi n :
C’est le nombre de sous ensembles non ordonnés obtenus en prenant p éléments parmi les N de l’ensemble E.
Par exemple , si E = {A, B, C}. Il y a 3 combinaisons de 2 éléments parmi 3 : AB, BC, CA.

Dans le cas général, on détermine le nombre de combinaisons différentes, en partant du nombre d’arrangements de p
éléments parmi n, et en éliminant tout les arrangements qui font intervenir les mêmes éléments (pour ne plus tenir
compte de l’ordre).
Pour chaque arrangement, il y a p! permutations possibles, donc :
A pn
C pn =
p!
n!
C pn =
p !( n − p )!

[Link] - 03/10/00 Page 3 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

2.4. Formules remarquables

A partir de la formule précédente, il est facile de démontrer que :
C 0n = C nn = 1 C pn = C nn − p
et
C1n = C nn − 1 = n C pn = C pn − 1 + C pn −− 11
La construction du triangle de Pascal est alors immédiate :
n\p 0 1 2 3 4
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1

Ce tableau indique la valeur du nombre de combinaisons de p éléments parmi n.

On peut également démontrer par récurrence la formule du binôme :
k= n
(a + b ) n = ∑ C kn . a k . b n − k
k =0
En utilisant le triangle de Pascal, il est facile de trouver les coefficients d’un développement :
(a + b ) 4 = a 4 + 4. a 3 . b + 6. a 2 . b 2 + 4. a. b 3 + b 4
Une autre formule intéressante est obtenue en faisant a = b = 1 dans la formule précédante :
k =n
2 n = ∑ C kn
k =0

3. Probabilités
3.1. Définitions
On appelle événement l’un des résultats possibles d’une expérience. Le calcul d’une probabilité permet de déterminer
la confiance que l’on a de voir apparaître l’événement choisi, au cours de l’expérience.
Si l’événement est certain d’apparaître, on va lui affecter la probabilité 1. Si il est impossible que cet événement
survienne, on lui donnera la probabilité 0. La probabilité d’un événement quelconque appartiendra donc à l’intervalle
[0, 1] !!!

On va noter :
• ∅ L’événement impossible et Pr ob ( ∅ ) = 0
• Ω L’événement certain et Pr ob (Ω ) = 1
• L’événement A ∪ B est réalisé si l’événement A ou l’événement B sont réalisés.
• L’événement A ∩ B est réalisé si l’événement A et l’événement B sont réalisés simultanément.
• Deux événements sont incompatibles si :
Pr ob (A ∩ B) = 0
• Deux événements sont équiprobables s’ils ont la même probabilité :
Pr ob (A ) = Pr ob ( B)
• Si A est un événement, A est l’événement contraire tel que :
Pr ob (A ∪ A ) = 1
Pr ob (A ∩ A ) = 0
• Une relation évidente intéressante :
Pr ob (A ∩ B) + Pr ob (A ∩ B) = Pr ob(A )
3.2. Propriétés
Si on note Card( Ω), le nombre de tous les événements possibles de l’expérience et Card(A) le nombre de cas où
l’événement A est réalisé, alors on peut écrire :
Card (A )
Pr ob (A ) =
Card (Ω )

[Link] - 03/10/00 Page 4 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

En raisonnant en termes d’ensemble, on peut écrire la relation :

C D

On peut dé finir :
A = C ∪ D et B = D ∪ E
On a alors :
D = A ∩ B et C ∪ D ∪ E = A ∪ B
Card(A) + Card(B) = Card( C ∪ D) + Card ( D ∪ E)
C, D et E sont distinc s, donc :
Card(A) + Card(B) = Card( C) + Card ( D) + Card ( D) + Card(E)
Card(A) + Card(B) = Card(C ∪ D ∪ E ) + Card ( D) = Card(A ∪ B) + Card (A ∩ B)
En divisant par Card( Ω ) , on obtient :
Prob(A) + Prob(B) = Prob(A ∪ B) + Prob (A ∩ B)
Si les événements sont incompatibles :
Pr ob (A ∪ B) = Pr ob (A ) + Pr ob ( B)
Pour l’événement A et sont contraire :
Pr ob (A ∪ A ) = Pr ob (A ) + Pr ob ( A ) = Pr ob (Ω ) = 1
3.3. Probabilités conditionnelles
On s’intéresse au problème de déterminer la probabilité d’obtenir l’événement A sachant que l’événement B est arrivé.
On note cet événement A / B.
Le nombre de cas où A / B arrive est égal à Card ( A ∩ B) , le nombre de tous les cas possibles étant Card(B) (tous les
événements où B se produit). On arrive donc à la relation :
Pr ob (A ∩ B)
Pr ob (A / B) =
Pr ob ( B)
3.4. Evénements indépendants
On dit que deux événements sont indépendants, si Prob(A / B) ne dépend pas de Prob(B). Soit si Prob(A / B) = Prob(A).
Donc :
Pr ob (A ∩ B) = Pr ob (A ). Pr ob ( B)

4. Variables aléatoires
En faisant correspondre une valeur numérique réelle à un événement , on crée une variable aléatoire. On utilisera
l’abréviation v.a. pour variable aléatoire et on notera par une lettre majuscule le nom de la variable, par une lettre
minuscule une de ses valeurs possibles.
Il existe deux grandes classes de variables aléatoires :
• Les variables discrètes qui prennent des valeurs dans un ensemble fini ou infini dénombrable . Elles peuvent prendre
deux fois la même valeur par exemple.
• Les variables continues qui peuvent prendre n'importe qu'elle valeur réelle dans un intervalle .

[Link] - 03/10/00 Page 5 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

4.1. Fonction de répartition

La fonction de répartition est la fonction suivante :
F( x ) = Pr ob ( X ≤ x )
On peut trouver dans certains ouvrages, une définition légèrement différente qui utilise le signe d’infériorité stricte.
Cela engendre que de faibles modifications, mais il faut y être attentif !!!
C’est une fonction positive et croissante , qui prend ses valeurs dans l’intervalle [0, 1].
On a évidemment, car X > x et X ≤x sont deux événements contraires :
F( x ) = 1 − Pr ob ( X > x )
Une autre relation à retenir :
F(a) − F( b ) = Pr ob ( b < X ≤a)
4.2. Loi de probabilité (v.a. discrète)
La loi de probabilité de la variable aléatoire X définie pour tout x appartenant au domaine de définition de X, est la
fonction de x suivante :
p ( x ) = Pr ob( X = x )
Cette fonction est parfois appelée distribution de la variable aléatoire X. C’est une fonction discontinue qui est souvent
représenté par un diagramme à bâtons. La relation entre p(x) et F(x) est la suivante :
x
F( x ) = ∑ p( x
k =− ∞
k )
La fonction de répartition est une courbe en escalier :
Loi de probabilité p(x)=Prob(X=x) Fonction de répartition F(x)=Prob(X<=x)
0.2 1

0.18 0.9

0.16 0.8

0.14 0.7

0.12 0.6

0.1 0.5

0.08 0.4

0.06 0.3

0.04 0.2

0.02 0.1

0 0
0 5 10 15 0 5 10 15

On peut vérifier que p(x) est une ldp par la relation :

+∞

∑ p( x
k =− ∞
k ) =1

4.3. Densité de probabilité (v.a. continue)

La densité de probabilité est la dérivée de la fonction de répartition :
dF( x )
f ( x) =
dx
C’est une fonction continue. La relation entre f(x) et F(x) est la suivante :
F( x ) =
On peut trouver une représentation physique de f(x) par la relation suivante
z
x

−∞
f ( u). du
:
f ( x). dx = F( x + dx ) − F( x ) = Pr ob ( X ≤ x + dx ) − Pr ob ( X ≤ x )
f ( x). dx = Pr ob ( x < X ≤ x + dx )

[Link] - 03/10/00 Page 6 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

L’aire entre la courbe de densité de probabilité et l’axe des x sur un intervalle [a, b] est la probabilité
Pr ob (a ≤ X ≤ b ) .
Densité de probabilité f(x)
0.07

0.06

0.05
Prob(-1<X<10)
0.04

0.03

0.02

0.01

0
-15 -10 -5 0 5 10 15 20

On peut vérifier que f(x) est une ddp par la relation :

z
+∞

f ( x). dx = 1
−∞
La densité de probabilité de la variable Y = ϕ( X ) est donnée par la formule générale :
f (ϕ − 1 ( y))
g ( y) =
det J
J est le Jacobien de la transformation :
δy 1 δy n
... ...
δx 1 δx1
... ...
det J =
... ...
δy 1 δy n
... ...
δx n δx n
4.4. Espérance mathématique d’une variable aléatoire
L’espérance mathématique d’une variable aléatoire X est, si elle existe, la moyenne arithmétique de ses valeurs
possibles pondérée par les probabilités correspondantes.
• Cas discret :
+∞
E( X) = ∑x
k= − ∞
k . p( x k )
• Cas continu :

On peut démontrer les propriétés suivantes :

E( X) = z +∞

−∞
x. f ( x). dx

E (a. X + b ) = a. E ( X) + b avec a, b ∈ ℜ
E ( X + Y) = E ( X ) + E ( Y)
Si les variables sont indépendantes:
E( X. Y) = E( X ). E (Y)
4.5. Moments d’ordre q d’une variable aléatoire
Pour un nombre entier q supérieur à un, on définit le moment d’ordre q de la manière suivante :
µ q ( X) = E( X q )

[Link] - 03/10/00 Page 7 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

4.6. Fonction caractéristique

Jean Baptiste Joseph Fourier est né Auxerre le 21 mars 1768. Il est mort à Paris le 16 Mai 1830.

La fonction caractéristique est la transformée de Fourier de la loi de probabilité de X :

ϕ X ( f ) = E(e ) ifX

Une propriété intéressante des dérivées de la fonction caractéristique permet de calculer les moments d’ordre q :

l q
q
d
ϕ X (f ) = i q . E( X q ) = i q . µ q ( X)
df q f =0

4.7. Variance d’une variable aléatoire

La variance est définie comme l’espérance de la variable aléatoire centrée élevée au carrée :
Var ( X) = E ([ X − E ( X )]2 )
Les propriétés remarquables sont les suivantes :
Var (a. X + b) = a 2 . Var ( X ) avec a, b ∈ ℜ
Var ( X) = E ( X 2 ) − E ( X ) 2 = µ 2 ( X ) − µ12 ( X )
Si les variables sont indépendantes :
Var ( X + Y) = Var ( X ) + Var (Y)
4.8. Ecart type
L’écart type σ est la racine carrée de la variance :
σX = Var ( X )
4.9. Inégalité de Bienaymé-Tchebitchev

Irénée-Jules Bienaymé est né à Paris 28 Août 1796. Il est mort à Paris le 19 Octobre 1878.

Pafnuty Lvovich Chebyshev est né à Okatovo 16 Mai 1821. Il est mort à St Petersburg le 8 Décembre 1894.

Cette inégalité sert à déterminer un encadrement des valeurs de la v.a. en fonction d’un seuil de probabilité .

[Link] - 03/10/00 Page 8 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Si on cherche à déterminer la probabilité que x − µ ≥ α , c’est à dire connaître le nombre de fois que la v.a. X
dépasse µ + α ou qu’elle soit inférieure à µ − α :

10

8 µ+ α
7

5 µ
4

2 µ− α
1

0
0 20 40 60 80 100

On peut calculer la variance de X :

σ2X = z +∞

−∞
( x − µ X ) 2 . f ( x ). dx = z ( x − µ X ) 2 . f ( x ). dx +
x− µ ≥ α
z
µ+ α

µ− α
( x − µ X ) 2 . f ( x ). dx

σ2X ≥ z
x− µ ≥α
( x − µ X ) 2 . f ( x ). dx ≥ α 2 . z
x− µ ≥α
f ( x). dx

σ2X
⇒ Pr ob( X − µ X ≥ α ) ≤
α2
Soit encore :
X − µX 1
Pr ob ( ≥ λ) ≤ 2
σX λ
1
L’encadrement recherché est donc λσ
. X − µ X < X < λσ
. X + µ X avec une probabilité de 1 − .
λ2

5. Exercices d'analyse combinatoire

5.1. Poker *
Calculer le nombre de possibilités de chaque main de 5 cartes du jeu de poker (quinte fluch, carré, full, couleur, quinte,
brelan, 2 paires, une paire).
5.2. Numérotation *
Combien de nombre ont deux chiffres 7 entre 0 et 9999 ? Combien ne commencent pas par 0 ?
5.3. Groupes *
Un atelier comprend 15 ouvriers, 7 hommes et 8 femmes. On choisi de faire des groupes de 5.
a) Combien de groupes différents peut-on former ?
b) Combien de groupes comportant 3 hommes seulement ?
5.4. Verrou *
Un verrou à combinaisons est ouvert en faisant un tour à droite vers l’indexe A, un tour à gauche vers l’indexe B, un
tour à droite vers l’indexe C. A, B, C ne sont pas nécessairement différents. Combien peut-on fabriquer de verrous
différents si A, B, C sont sélectionnés parmi les chiffres de 0 à 9 ?

[Link] - 03/10/00 Page 9 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

5.5. Alphabet *
En considérant les lettres de l’alphabet :
a) Combien peut-on former de mots de trois lettres ?
b) Combien y en a-t-il constitués de deux consonnes et une voyelle ?
c) De trois consonnes ?
d) d’au moins une voyelle ?
5.6. Lecture *
Parmi un groupe de 20 personnes, 10 lisent une revue A, 8 lisent le journal B et 3 lisent les deux. De combien de façons
différentes peut-on choisir 5 personnes parmi 20 si :
a) Chacune des 5 personnes lit au moins une revue ?
b) Trois d’entre elles lisent la revue A, les autres le journal B, chacune d’elles ne lisant qu’une seule revue ?
c) Trois d’entre elles au moins lisent la revue A ? (de deux façons différentes)
5.7. Conseil municipal **
Le conseil municipal d’un petit village est composé de 5 femmes et 5 hommes.
a) Au début d’une réunion, toutes les personnes se serrent la main. Combien de poignées de mains seront échangées ?
b) On décide de faire asseoir les conseillers autour de la table de réunion en plaçant alternativement une femme à coté
d’un homme. Combien il y a-t-il de possibilités différentes (on ne tient compte que de la position relative des
conseillers les uns par rapport aux autres) ?
c) Les places autour de la table sont maintenant numérotées. Même question.
5.8. Etagères *
Une étagère comporte 10 livres différents. Parmi ceux-ci, 3 tomes d’une même collection.
a) De combien de façons peut-on ranger cette étagère en ayant les trois tomes l’un à coté de l’autre ?
b) Même question mais dans l’ordre.
5.9. Piratage *
Un pirate s’est débrouillé pour connaître la taille du mot de passe du super-utilisateur d’un serveur de fichiers : 8
caractères exactement. Sachant qu’un caractère est codé sur 7 bits et que le test d’un mot de passe dure 0.1 ms.
a) Combien de temps le pirate mettra-t-il a trouver le bon code au pire des cas ?
b) Le pirate connaît deux caractères du code mais pas leurs emplacement. Même question.

6. Exercices de calcul de probabilités

6.1. Jeu de carte **
On prend trois cartes, une blanche d’un coté et rouge, une blanche des deux cotés et une rouge des deux cotés. On tire
une carte parmi les trois et on note sa couleur. Quelle est la probabilité de voir la même couleur au dos de la carte ?
6.2. Loterie 1 *
Dans une loterie où les billets sont numérotés de 0 à 999999, quelle est la probabilité pour que les six chiffres d’un billet
pris au hasard soient tous différents ?
6.3. Roulette *
Une roulette de casino comprend 16 numéros rouges, 16 noirs et un vert. A la fin de 10 parties consécutives, le rouges
et sorti 7 fois, le noir 2 fois et le vert 1 fois.
a) Quelle est la probabilité de cet événement ?
b) Quelle est la probabilité que le rouge sorte 10 fois sur 10 ?
6.4. Clavier *
Un clavier comporte 57 touches dont 34 caractères et 10 chiffres. On suppose que la probabilité de frapper une touche
est la même quelle que soit la touche.
a) Quelle est la probabilité pour qu’en frappant successivement sur 5 touches, la personne frappe une suite de 5 lettres
?
b) Quelle est la probabilité de frapper le mot « clavier » ?

[Link] - 03/10/00 Page 10 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

6.5. Tirage 1 *
a) Une urne contient 20 boules (8 rouges, 3 jaunes et 9 bleus). 3 boules sont tirées simultanément. Quelle est la
probabilité de tirer 3 boules rouges ?
b) Seulement 1 jaune sur les 3 ?
c) 1 jaune au moins ?
6.6. Tirage 2 *
Dans une boite contenant 2 jetons rouges et 2 jaunes, quelle est la probabilité de tirer 2 jetons jaunes d’un coup ?
6.7. Jeu de dés 1 *
Un dé est lancé 6 fois. Quelle est la probabilité d’obtenir un 1, deux 2 et 3 trois ?
6.8. Jeu de dés 2 *
Une paire de dés est lancée 6 fois.
a) Quelle est la probabilité d’obtenir un total de 9 exactement 2 fois ?
b) Quelle est la probabilité d’obtenir un total de 9 au moins deux fois ?
6.9. Feux de circulation *
Un conducteur rencontre 4 feux de la circulation, chaque feu pouvant être soit rouge soit vert avec la même probabilité.
Quelle est la probabilité, pour le conducteur, d’être arrêté par le 3 ème feu ?
6.10. Anniversaire **
Déterminer la probabilité que sur un groupe de 35 personnes, il y ai au moins deux personnes qui fêtent leurs
anniversaires le même jour (on négligera le cas des années bissextiles).
6.11. Pile ou face *
a) Dans un jeu de pile ou face avec une pièce parfaite, quelle est la probabilité de faire pile lorsqu’on joue une fois ?
b) Même question si on joue deux fois ?
6.12. Jeu de dés 3 *
A et B jouent aux dés (un chacun). Celui qui fait un chiffre plus élevé que l’autre a gagné. Si il y a égalité le coup est
nul.
a) Quelle est la probabilité pour que A gagne ?
b) Pour qu’il ne gagne pas ?
c) Pour que A gagne sachant que B a fait 4 ?
6.13. Probabilités de réussite *
Sur un groupe de 500 personnes, 200 ont réussi les 2 parties d'un problème, 100 seulement la première et 50 seulement
la seconde. On note A l’événement « réussir la 1ère partie » et B « réussir la 2ème partie ».
a) Calculer la probabilité de A.
b) Calculer la probabilité de réussir la 2ème partie sachant que l’on a réussi la première.
6.14. Election *
On forme un comité de 4 membres choisis au hasard parmi 7 personnes dont deux frères.
a) Quelle est la probabilité pour que les deux frères soient choisis ?
b) Pour que l’un d’eux au moins le soit ?
c) Pour qu’aucun des deux soit choisi ?
6.15. Cinéma *
Un cinéma prévoit un spectacle différent chaque jour de l’année, dont 73 films policiers. Quelle est la probabilité pour
qu’une personne rentrant un jour au hasard assiste à :
a) Un film policier ?
b) Monsieur Dupont va 1 fois par mois au cinéma. Quelle est la probabilité pour qu’il assiste à un film policier et un
seul durant l’année ?
c) 12 films non policiers ?
d) Au moins 2 films policiers ?
e) 4 films non policiers seulement ?

[Link] - 03/10/00 Page 11 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

6.16. Carte électronique *

On fabrique une carte en utilisant deux composants discrets. On a pu déterminer les probabilités suivantes:
• Prob(Le composant A fonctionne) = 80 %.
• Prob(Les composants A et B sont en panne) = 10 %.
• Prob(Le composant B seulement est hors service) = 20 %.
a) Quelle est la Probabilité que le composant A soit en panne sachant que B l’est aussi ?
b) Quelle est la Probabilité que le composant A seulement soit en panne ?
c) Expliciter l’événement: « au moins un des deux composant est hors service » ? En déduire la probabilité que la
carte fonctionne.
6.17. Cambriolage *
Une société de gardiennage protège des résidences contre le cambriolage par des alarmes. Leur expérience montre que:
• La probabilité que l’alarme se déclenche s'il y a cambriolage est de 95 %.
• La probabilité que l’alarme sonne sans qu’il y ait cambriolage est de 1 %.
• La probabilité d’avoir un cambriolage dans la journée est de 0.7 %.
a) Expliciter les différents événements et leurs probabilités.
b) Calculer la probabilité que l’alarme sonne dans la journée.
c) Déterminer la probabilité qu’il y ait vraiment un cambriolage si l’alarme se déclenche.
d) Les événements « l’alarme sonne » et « il y a cambriolage » sont ils indépendants ?
6.18. Fabrication *
Deux usines fabriquent les mêmes pièces. La première en produit 30 % avec 20 % de défauts. La seconde n’a que 8 %
de défauts par pièce.
a) Quel est le pourcentage de pièces bonnes sur l’ensemble du marché, supposé alimenté par les deux usines ?
b) Parmi les pièces ayant un défaut, quel pourcentage provient de la première usine ?
c) On achète un pièce bonne. Quelle est la probabilité pour qu’elle provienne de la deuxième usine ?
6.19. Informatique *
Un département informatique possède un réseau connecté à 3 serveurs de fichiers. En une journée, la probabilité pour
que le serveur A soit en panne est de 5 %, 1 % pour le serveur B et 10 % pour le serveur C. Quelle est la probabilité
d’avoir au cours d’une journée :
a) n serveur inutilisables ?
b) Deux serveurs en panne seulement ?
c) Aucunes défaillances ?
6.20. Enquête **
On fait une enquête sur la voie publique pour connaître les réactions des gens sur l’achat éventuel d’une voiture. On
interroge 250 personnes, 200 hommes et 50 femmes. 120 hommes et 10 femmes sont acheteurs. Soit H l’événement «
être un homme », et A l’événement « être acheteur ».
On réinterroge une des 250 personnes :
a) Déduire d’après l’énoncé Prob(A), Prob(H), Prob( H ∩ A ), Prob( H ∩ A ), Prob( H / A ), Prob( H / A ).
b) Les événements « être un homme » et « être acheteur » sont-ils indépendants ?
6.21. Etude théorique **
La fonction de répartition d’une v.a. X est :
R| 0 x ≤− 1
F( x ) = S a + [Link]( x ) − 1 ≤x < 1
|T 1 x≥1
a) Déterminer a et b.
b) Calculer E(X) et Var(X).
6.22. Tapis vert *
Le jeu tapis vert fonctionne de la manière suivante : 4 cartes d’un jeu de 32 sont retournées, une dans chaque couleur
(cœ ur, carreau, pique et trèfle). Le joueur gagne 1000 F si il obtient un carré, 30 F si il a 3 cartes équivalentes et 2 F si il
en a deux.
a) Calculer la probabilité de chaque cas.
b) Quelle est l’espérance de la v.a. X égale au gain en franc du joueur ?

[Link] - 03/10/00 Page 12 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

6.23. Jeu de dés 4 **

On lance un dé parfaitement équilibré jusqu'à obtenir le 6. P i est la probabilité d’obtenir le 6 au bout de i coups.
a) Calculer P i.
∞
b) Vérifier que ∑P
i=1
i = 1.
c) Calculer E(I).
6.24. Pièce de monnaie ***
Une pièce de monnaie est jetée 4 fois. Soit X la v.a. « nombre d’apparition de faces » et Y la v.a. « plus grande longueur
de la file de faces adjacentes ».
a) A l’aide d’un diagramme en arbre construire l’espace des événements.
b) Calculer E(X) et Var(X).
c) Calculer E(Y) et Var(Y).
d) Déterminer Pr ob ( X = x i ∩ Y = y j ) .
e) Calculer Cov(X,Y).
6.25. Loterie 2 **
On considère une roue de loterie divisée en x secteurs égaux. Un secteur est rouge, 3 sont blancs et les autres bleus
( x ≥ 4 ). Un joueur fait tourner la roue et regarde la couleur obtenue : Si elle est rouge, il gagne 4 F ; si elle est
blanche, il perd 2 F ; Si elle est bleue, il rejoue et dans ce deuxième tirage, le rouge lui fait gagner 6 F, le blanc perdre 1
F. En cas de nouveau bleu il ne gagne ni ne perd rien.
a) Etablir la loi de probabilité de X en fonction de x.
b) Déterminer E(X).
c) Déterminer x pour que E(X) = 0.
d) Déterminer x pour que E(X) soit maximale.
6.26. Jeu compliqué ***
On dispose d’une urne contenant 1/3 de boules noires et 2/3 de boules blanches, d’une cible. On considère le jeu suivant
: le joueur tire sur la cible ; Si il l’atteint, il a gagné ; Sinon, il prend une boule dans l’urne. Si elle est noire, il a perdu ;
Si elle est blanche, il retire sur la cible. On reprend ensuite les mêmes règles.
Soit p la probabilité que le joueur atteigne la cible. On note les événements suivants :
• An = « Le joueur gagne à l’issue du n ième tir ».
• Bn = « Le joueur perd à l’issue du n ième tir ».
• A = « Le joueur gagne ».
• B = « Le joueur perd ».
• C = « La partie ne s’arrête pas ».
a) Calculer en fonction de p les probabilités de An et Bn.
b) Calculer les probabilités de A, B, C.
c) Etudier en fonction de p, le fait que le joueur ait plus ou moins de chances de gagner à ce jeu (étude de Prob(A) -
Prob(B)).
6.27. Révisions ****
Les étudiants ont 20 textes a réviser pour l’oral d’anglais. Un candidat tire 3 textes au hasard et parmi ces trois sujets,
choisit celui qu’il veut traiter. Si l’étudiant n’a révisé que 12 textes et si on appelle X la v.a. égale au nombre de textes
révisés parmi les trois tirés. Déterminer la loi de probabilité de X, sa moyenne.
Un étudiant fort en probabilités cherche a déterminer le nombre minimal n de textes qu’il pourrait réviser pour avoir au
moins 80 % de chance de réviser un texte dans les trois qu’il tire lors de l’oral. Expliquer la méthode qu’il utilise et
calculer n.
6.28. Jeu de dés 4 ****
On jette n fois de suite un dé à 6 faces. Comment peut-on choisir n pour que le nombre de 6 obtenus soit compris entre
0 et n/3 avec une probabilité au moins égale à 90 % ? On pourra utiliser la v.a. X i qui vaut 1 si on a tiré un 6 au i ème coup
n
et 0 sinon. En utilisant l’inégalité de Bienaymé-Tchébychev sur la somme S = ∑X
i =1
i .

[Link] - 03/10/00 Page 13 sur 13 Probabilités

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Chapitre III
MODELES
PROBABILISTES

1. GÉNÉRALITÉS.................................................................................................................................................2

2. MODÈLES DE DISTRIBUTIONS DISCRÈTES..............................................................................................2

2.1. V. A. DE BERNOULLI ................................ ................................ ................................ ................................ .......2
2.2. LOI BINOMIALE ................................ ................................ ................................ ................................ .............. 2
2.3. LOI HYPERGÉOMÉTRIQUE ................................ ................................ ................................ ............................... 3
2.4. LOI DE POISSON ................................ ................................ ................................ ................................ ............. 3
Processus de Poisson ...........................................................................................................................................3
Loi de distribution ................................................................................................................................................3
2.5. APPROXIMATIONS ................................ ................................ ................................ ................................ .......... 5
3. MODÈLES DE DISTRIBUTIONS CONTINUES.............................................................................................5
3.1. LOI UNIFORME ................................ ................................ ................................ ................................ ............... 5
3.2. LOI NORMALE ................................ ................................ ................................ ................................ ................ 5
3.3. LOI DU KHI - DEUX ................................ ................................ ................................ ................................ .......... 8
3.4. THÉORÈME CENTRAL-L IMIT ................................ ................................ ................................ .......................... 9
3.5. APPROXIMATIONS ................................ ................................ ................................ ................................ ........ 10
4. EXERCICES ....................................................................................................................................................10
4.1. AUTOMOBILISTES * ................................ ................................ ................................ ................................ .....10
4.2. BIBLIOTHÈQUE * ................................ ................................ ................................ ................................ ......... 10
4.3. LES LAPINS ** ................................ ................................ ................................ ................................ ............. 10
4.4. LE SANG * ................................ ................................ ................................ ................................ ................... 10
4.5. TIRAGES *** ................................ ................................ ................................ ................................ ............... 10
4.6. TÉLÉPHONE *** ................................ ................................ ................................ ................................ .......... 11

[Link] - 03/10/00 Page 1 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

1. Généralités
Nous allons présenter ici quelques modèles mathématiques de distribution les plus utilisées. Les résultats obtenus ne
seront pas tous démontrés car ils font appel à des calculs mathématiques d’un niveau supérieur à celui des étudiants IUT
en général. On prendra alors ce chapitre comme un formulaire de base sur les modèles probabilistes.

2. Modèles de distributions discrètes

2.1. v.a. de Bernoulli

James Bernoulli est né à Bâle le 27 Décembre 1654. Il est mort le 16 Août 1705.

Une variable aléatoire de Bernouilli ne peut prendre que deux valeurs distinctes . Chacune ayant une probabilité
constante et complémentaire de l’autre.
En cas de succès de l’expérience (avec la probabilité p), la variable prend la valeur 1. En cas d’échec (avec la
probabilité q = 1 - p), la variable prend la valeur 0.
L’espérance et la variance de cette variable aléatoire sont donc :
E ( X ) = 0. q + 1. p = p
Var ( X) = E ( X 2 ) − E ( X ) 2 = 02 . q + 12 . p − p 2 = p − p 2 = p. q
2.2. Loi binomiale
La variable aléatoire binomiale d’ordre n, B, est définie comme la somme de n variables aléatoires de Bernouilli
indépendantes. Elle aura comme valeur, le nombre de succès réalisés sur les n essais de l’expérience. Donc B ∈ [0, n ] .
b
Puisqu’il existe C n façons d’obtenir b succès sur n essais avec la probabilité p b . q n − b (les événements étants
indépendants). La loi de probabilité est donc :
Pr ob ( B = b) = C bn . p b . q n − b
Loi Binomiale n=10 p=10 % Loi Binomiale n=10 p=20 %
0.4 0.4

0.3 0.3

0.2 0.2

0.1 0.1

0 0
0 5 10 0 5 10
Loi Binomiale n=10 p=30 % Loi Binomiale n=10 p=40 %
0.4 0.4

0.3 0.3

0.2 0.2

0.1 0.1

0 0
0 5 10 0 5 10

[Link] - 03/10/00 Page 2 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

On trouve alors :
E ( B) = n. p
Var ( B) = n. p. q
2.3. Loi hypergéométrique
Si le tirage est exhaustif, sans remise, les probabilités de succès et d’échec ne sont plus constantes.
Si dans ce cas, on définit :
• n comme le nombre de résultats possibles de l’expérience.
• p comme la proportion de succès , n.p étant le nombre de succès possibles ( n. p ∈ N ).
• q comme la proportion d’échecs , n.q = n.(1 - p) étant le nombre d’échecs possibles ( n. q ∈ N ).
• x comme étant le nombre d’essais ( x ≤n. p et x ≤n. q ).
Le nombre de résultats possible sur les x essais est Card ( Ω ) = C n . Le nombre de façons d’avoir h succès exactement
x

h x− h
est C n .p . C n .q . La loi de distribution de la variable aléatoire H (nombre de succès de l’expérience) est :

C hn.p . C xn.−qh
Pr ob ( H = h ) =
C xn
On trouve alors :
E ( H ) = x. p
n− x
Var ( H ) = x. p. q .
n− 1
2.4. Loi de Poisson

Siméon Denis Poisson est né à Pithviers le 21 Juin 1781. Il est mort à Paris le 25 Avril 1840.

Processus de Poisson
Le processus de Poisson correspond à la réalisation dans le temps d’événements aléatoires répondants aux hypothèses
suivantes :

• La probabilité de réalisation d’un événement pendant un temps ∆t est proportionnelle à la durée de cette période :
α. ∆t .
• Elle est indépendante du nombre d’événements qui se sont produits antérieurement et reste constante sur ∆t.
• La probabilité d’avoir deux réalisations successives pendant ∆t est négligeable.
Loi de distribution
Si on enregistre au cours du temps τ, le nombre d’événements P provenant d’un processus de Poisson de constante de
proportionnalité α, on définit une v.a. de Poisson de paramètre λ = α . τ .
Afin de déterminer la loi de distribution de P, on va utiliser la notation Pr ob p ( t ) pour écrire la probabilité d’avoir
enregistré p événements au temps t. La définition du processus de Poisson donne donc :
Pr ob 1 ( ∆t ) = α. ∆t et Pr ob 0 ( ∆t ) = 1 − α. ∆t

[Link] - 03/10/00 Page 3 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

La probabilité d’avoir au temps t + ∆t, aucun événement est donnée par la formule :
Pr ob 0 ( t + ∆t ) = Pr ob 0 ( t ). Pr ob 0 ( ∆t )
Pr ob 0 ( t + ∆t ) = Pr ob 0 ( t ).(1 − α . ∆t )
Pr ob 0 ( t + ∆t ) − Pr ob 0 ( t ) = − α. ∆t. Pr ob p ( t )
Pr ob 0 ( t + ∆t ) − Pr ob 0 ( t ) d
= − α .Pr ob 0 ( t ) = Pr ob 0 ( t )
∆t dt
On trouve donc :
Prob 0 ( t ) = A . e − α .t
A est obte nu pour t = 0 : Prob 0 (0) = 0 ⇒ A = 1
Prob 0 ( t ) = e − α .t
Si p ≥ 1 , pour avoir p réalisations au temps t + ∆t, deux possibilités existent :
• p événements sur t et 0 sur ∆t.
• p - 1 événements sur t et 1 sur ∆t.

Pr ob p ( t + ∆t ) = Pr ob p ( t ).Pr ob 0 ( ∆t ) + Pr ob p − 1 ( t ).Pr ob 1 ( ∆t )
Pr ob p ( t + ∆t ) = Pr ob p ( t ).(1 − α . ∆t ) + Pr ob p − 1 ( t ). α. ∆t
Pr ob p ( t + ∆t ) − Pr ob p ( t ) = Pr ob p − 1 ( t ) − Pr ob p ( t ) . α . ∆t
Pr ob p ( t + ∆t ) − Pr ob p ( t ) d
= α . Pr ob p − 1 ( t ) − Pr ob p ( t ) = Pr ob p ( t )
∆t dt
On démontre alors par récurrence la relation :
(α . t ) p
Pr ob p ( t ) = e − α .t . avec p ∈ [0,+∞ [
p!
donc si λ = α . τ :
λp −λ
Pr ob ( P = p) = e .
p!
Loi de Poisson l=2 Loi de Poisson l=5

0.2 0.2

0.1 0.1

0 0
0 5 10 0 5 10 15
Loi de Poisson l=10 Loi de Poisson l=20

0.2 0.2

0.1 0.1

0 0
0 10 20 10 20 30

On trouve alors :
E( P) = λ
Var ( P ) = λ

[Link] - 03/10/00 Page 4 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

2.5. Approximations
Dans certaines conditions sur les paramètres, les lois peuvent être approximées les unes par les autres.
Loi Hypergéométrique (n ,x , p) Loi Binomiale (n, p)
C hn.p . C xn.−qh
Pr ob ( H = h ) =
C xn Pr ob ( B = b) = C bn . p b . q n − b
10x < n
E ( H ) = x. p E ( B) = n. p
n >> 1
n− x Var ( B) = n. p. q
Var ( H ) = x. p. q .
n− 1
Loi Binomiale (n, p) Loi de Poisson (n.p)

p < 10% λp
Pr ob ( B = b) = C bn . p b . q n − b Pr ob ( P = p) = e − λ.
p!
E ( B) = n. p n > 50
E( P) = λ
Var ( B) = n. p. q n.p < 5
Var ( P ) = λ

3. Modèles de distributions continues

3.1. Loi uniforme
Si une variable aléatoire U, définie sur un intervalle [a, b], a une probabilité constante d’apparaître, alors elle suit une
b
loi uniforme. Comme ∫f ( u).du = 1 , on trouve donc :
a

1
f ( u) =
b− a
a+ b
E( U) =
2
(b − a)2
Var ( U) =
12
Fonction de répartition d'une loi uniforme sur [0,1]

0.8

0.6

0.4

0.2

0 0.2 0.4 0.6 0.8 1

3.2. Loi normale

Pierre Simon Laplace est né à Beaumont-en-Auge en Normandie le 23 Mars 1749. Il est mort à Paris le 5 Mars 1827.

[Link] - 03/10/00 Page 5 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Johann Carl Friedrich Gauss est né le 30 Avril 1777 à Brunswick (Allemagne). Il est mort le 23 Février 1855 à
Göttingen, Hanovre.

Cette loi est définie par sa densité de probabilité de la façon suivante :

( g − µ) 2
1 −
f (g ) = e 2 .σ2
σ. 2. π
E(G ) = µ
Var (G ) = σ2
Loi normale (mu=0,sigma=0.75,1,1.25)
0.6

0.5

0.4

0.3

0.2

0.1

0
-6 -4 -2 0 2 4 6

(G − µ)
La variable centrée réduite Z = a les propriétés suivantes :
σ
2
1 − z2
f ( z) = e
2. π
E ( Z) = 0
Var ( Z) = 1
La fonction de répartition d’une loi normale n’est exprimable analytiquement. On utilise pour les calculs, un tableau de
valeurs comme celui ci-dessous. La fonction erf(z) utilisée en traitement du signal peut également être employée :
1 z
F( z ) = [1+ . erf ( )] =
2 2
1
2. π z z

−∞
e
−
u2
2
. du

[Link] - 03/10/00 Page 6 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Fonction de répartition d'une v.a. NCR f(z)

1

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
-3 -2 -1 0 1 2 3

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 50,00% 50,40% 50,80% 51,20% 51,60% 51,99% 52,39% 52,79% 53,19% 53,59%
0,1 53,98% 54,38% 54,78% 55,17% 55,57% 55,96% 56,36% 56,75% 57,14% 57,53%
0,2 57,93% 58,32% 58,71% 59,10% 59,48% 59,87% 60,26% 60,64% 61,03% 61,41%
0,3 61,79% 62,17% 62,55% 62,93% 63,31% 63,68% 64,06% 64,43% 64,80% 65,17%
0,4 65,54% 65,91% 66,28% 66,64% 67,00% 67,36% 67,72% 68,08% 68,44% 68,79%
0,5 69,15% 69,50% 69,85% 70,19% 70,54% 70,88% 71,23% 71,57% 71,90% 72,24%
0,6 72,57% 72,91% 73,24% 73,57% 73,89% 74,22% 74,54% 74,86% 75,17% 75,49%
0,7 75,80% 76,11% 76,42% 76,73% 77,04% 77,34% 77,64% 77,94% 78,23% 78,52%
0,8 78,81% 79,10% 79,39% 79,67% 79,95% 80,23% 80,51% 80,78% 81,06% 81,33%
0,9 81,59% 81,86% 82,12% 82,38% 82,64% 82,89% 83,15% 83,40% 83,65% 83,89%
1 84,13% 84,38% 84,61% 84,85% 85,08% 85,31% 85,54% 85,77% 85,99% 86,21%
1,1 86,43% 86,65% 86,86% 87,08% 87,29% 87,49% 87,70% 87,90% 88,10% 88,30%
1,2 88,49% 88,69% 88,88% 89,07% 89,25% 89,44% 89,62% 89,80% 89,97% 90,15%
1,3 90,32% 90,49% 90,66% 90,82% 90,99% 91,15% 91,31% 91,47% 91,62% 91,77%
1,4 91,92% 92,07% 92,22% 92,36% 92,51% 92,65% 92,79% 92,92% 93,06% 93,19%
1,5 93,32% 93,45% 93,57% 93,70% 93,82% 93,94% 94,06% 94,18% 94,29% 94,41%
1,6 94,52% 94,63% 94,74% 94,84% 94,95% 95,05% 95,15% 95,25% 95,35% 95,45%
1,7 95,54% 95,64% 95,73% 95,82% 95,91% 95,99% 96,08% 96,16% 96,25% 96,33%
1,8 96,41% 96,49% 96,56% 96,64% 96,71% 96,78% 96,86% 96,93% 96,99% 97,06%
1,9 97,13% 97,19% 97,26% 97,32% 97,38% 97,44% 97,50% 97,56% 97,61% 97,67%
2 97,72% 97,78% 97,83% 97,88% 97,93% 97,98% 98,03% 98,08% 98,12% 98,17%
2,1 98,21% 98,26% 98,30% 98,34% 98,38% 98,42% 98,46% 98,50% 98,54% 98,57%
2,2 98,61% 98,64% 98,68% 98,71% 98,75% 98,78% 98,81% 98,84% 98,87% 98,90%
2,3 98,93% 98,96% 98,98% 99,01% 99,04% 99,06% 99,09% 99,11% 99,13% 99,16%
2,4 99,18% 99,20% 99,22% 99,25% 99,27% 99,29% 99,31% 99,32% 99,34% 99,36%
2,5 99,38% 99,40% 99,41% 99,43% 99,45% 99,46% 99,48% 99,49% 99,51% 99,52%
2,6 99,53% 99,55% 99,56% 99,57% 99,59% 99,60% 99,61% 99,62% 99,63% 99,64%
2,7 99,65% 99,66% 99,67% 99,68% 99,69% 99,70% 99,71% 99,72% 99,73% 99,74%
2,8 99,74% 99,75% 99,76% 99,77% 99,77% 99,78% 99,79% 99,79% 99,80% 99,81%
2,9 99,81% 99,82% 99,82% 99,83% 99,84% 99,84% 99,85% 99,85% 99,86% 99,86%
3 99,87% 99,87% 99,87% 99,88% 99,88% 99,89% 99,89% 99,89% 99,90% 99,90%

[Link] - 03/10/00 Page 7 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

3.3. Loi du khi-deux

La variable aléatoire du khi-deux à ν degrés de liberté, est définie comme la somme des carrés de ν v.a. normales
centrées réduites indépendantes :
ν
χ2 = ∑ Z2i
i =1
On peut démontrer alors que :
ν χ2
−1 −
(χ )
2 2
.e 2
f ( χ2 ) = ν
ν
2 . Γ( )
2
2
E( χ ) = ν
2

Var ( χ2 ) = 2. ν
Loi du Khi-deux nu={2,3,4,5}
0.5

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 5 10 15

[Link] - 03/10/00 Page 8 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Cette loi est également tabulée, la valeur de khi-deux telle que Pr ob ( χ > x ) = α est donnée dans le tableau suivant :
2

v \ alpha 30% 20% 15% 10% 5% 2% 1%

1 1,0742 1,6424 2,0722 2,7055 3,8415 5,4119 6,6349
2 2,4079 3,2189 3,7942 4,6052 5,9915 7,8241 9,2104
3 3,6649 4,6416 5,3170 6,2514 7,8147 9,8374 11,3449
4 4,8784 5,9886 6,7449 7,7794 9,4877 11,6678 13,2767
5 6,0644 7,2893 8,1152 9,2363 11,0705 13,3882 15,0863
6 7,2311 8,5581 9,4461 10,6446 12,5916 15,0332 16,8119
7 8,3834 9,8032 10,7479 12,0170 14,0671 16,6224 18,4753
8 9,5245 11,0301 12,0271 13,3616 15,5073 18,1682 20,0902
9 10,6564 12,2421 13,2880 14,6837 16,9190 19,6790 21,6660
10 11,7807 13,4420 14,5339 15,9872 18,3070 21,1608 23,2093
11 12,8987 14,6314 15,7671 17,2750 19,6752 22,6179 24,7250
12 14,0111 15,8120 16,9893 18,5493 21,0261 24,0539 26,2170
13 15,1187 16,9848 18,2020 19,8119 22,3620 25,4715 27,6882
14 16,2221 18,1508 19,4062 21,0641 23,6848 26,8727 29,1412
15 17,3217 19,3107 20,6030 22,3071 24,9958 28,2595 30,5780
16 18,4179 20,4651 21,7931 23,5418 26,2962 29,6332 31,9999
17 19,5110 21,6146 22,9770 24,7690 27,5871 30,9950 33,4087
18 20,6014 22,7595 24,1555 25,9894 28,8693 32,3462 34,8052
19 21,6891 23,9004 25,3289 27,2036 30,1435 33,6874 36,1908
20 22,7745 25,0375 26,4976 28,4120 31,4104 35,0196 37,5663
21 23,8578 26,1711 27,6620 29,6151 32,6706 36,3434 38,9322
22 24,9390 27,3015 28,8224 30,8133 33,9245 37,6595 40,2894
23 26,0184 28,4288 29,9792 32,0069 35,1725 38,9683 41,6383
24 27,0960 29,5533 31,1325 33,1962 36,4150 40,2703 42,9798
25 28,1719 30,6752 32,2825 34,3816 37,6525 41,5660 44,3140
26 29,2463 31,7946 33,4295 35,5632 38,8851 42,8558 45,6416
27 30,3193 32,9117 34,5736 36,7412 40,1133 44,1399 46,9628
28 31,3909 34,0266 35,7150 37,9159 41,3372 45,4188 48,2782
29 32,4612 35,1394 36,8538 39,0875 42,5569 46,6926 49,5878
30 33,5302 36,2502 37,9902 40,2560 43,7730 47,9618 50,8922

Pour les valeurs de ν comprises entre 30 et 100, la variable y = 2. χ2 − 2. ν − 1 suit une loi normale centrée
réduite. Pour ν supérieur à 100, il suffit d’appliquer le théorème central-limit.
3.4. Théorème Central-Limit
Soit une suite ( X i ) de v.a. indépendantes de même loi de distribution, avec E ( X ) = µ et Var(X) = σX
2

1 N
∑ (X − µX )
N i =1 i
La v.a. Y = converge vers une v.a. normale centrée réduite quand N → + ∞ .
σX
N
On peut écrire Y de la façon suivante :
N

∑ (X i − µX )
Y= i =1

σX . N

[Link] - 03/10/00 Page 9 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

3.5. Approximations
En utilisant le théorème précédant pour un échantillon de n éléments. Quand n → + ∞ , on a :
Loi Binomiale (n, p) Loi Normale ( n. p , n. p. q )
Pr ob ( B = b) = C bn . p b . q n − b
E ( B) = n. p n . p .q > 10
Var ( B) = n. p. q
Loi de Poisson ( λ ) Loi Normale ( λ, λ )
λ p
Pr ob ( P = p) = e − λ.
p!
λ> 30
E( P) = λ
Var ( P ) = λ

4. Exercices
4.1. Automobilistes *
Une enquête statistique portant sur 10000 automobilistes débutants a révélé que 10 d’entre eux avaient provoqué un
accident mortel dans leur première année de conduite. On choisit 100 débutants au hasard, et on désigne par X le
nombre d’entre eux ont provoqué un accident mortel dans leur première année de conduite.
a) A l’aide de quelle loi de probabilité peut-on étudier X ?
b) Calculer Prob(X = 0) et Prob(X = 2).
4.2. Bibliothèque *
Dans une bibliothèque se trouvent 10 livres en langues étrangères : 5 en anglais, 2 en allemand et 3 en russe. On prélève
au hasard 5 de ces livres. Calculer la probabilité de chacun des événements suivants :
a) 3 livres sont en anglais , 2 en russe.
b) 3 livres sont dans une langue et deux dans une autre.
c) Soit X la variable aléatoire qui, à chaque tirage associe le nombre de volumes en russe prélevés. Déterminer la loi
de probabilité et l’espérance de X.
4.3. Les lapins **
En général, un couple de lapins met au monde une portée de neuf lapereaux, comprenant deux lapereaux noirs, trois
blancs et quatre tachetés. On suppose que six lapereaux s’échappent et que chaque lapereau a la même envie de prendre
la clef des champs. Soit X la variable aléatoire qui, à chaque groupe de six lapereaux échappés associe le nombre de
lapereaux blancs qui en font partie.
a) Déterminer la loi de probabilité de X et définir sa fonction de répartition.
b) Calculer l’espérance de X, sa variance.
4.4. Le sang *
Le sang humain possède la caractéristique appelée facteur rhésus. Pour chacun des deux sexes la probabilité pour qu’un
français soit R+ est de 85 % et de 15 % pour R-.
a) La formation des couples est indépendante du facteur rhésus. Calculer la probabilité de chaque cas possible.
b) Pour les couples où l’homme est R+ et la femme R-, 8 % des naissances nécessitent un traitement spécial du
nouveau né. Déterminer la probabilité p pour qu’un enfant né de parents français doive subir ce traitement.
c) Dans une maternité, il y a en moyenne 20 naissances par semaine. Quelle est la probabilité d’avoir k nouveau-nés
devant subir le traitement? A.N. k = 0 et k = 1.
d) Un enfant né a subit le traitement. Quelle est la probabilité pour qu’un second enfant né dans la même semaine, ait
également à subir le traitement spécial ?
4.5. Tirages ***
Une urne contient 3 boules numérotées 1, 2, 3. On effectue une suite de 100 tirages indépendants avec remise. On note
100
Xi le numéro de la boule tirée lors du ième tirage. Soit S = ∑X
i =1
i , indiquer le plus petit nombre s que l’on peut trouver

tel que : Pr ob[ 200 − s ≤S ≤ 200 + s] ≥ 90%

a) Au moyen de l’inégalité de Bienaymé-Tchébychev.
b) Au moyen du théorème de la limite centrale.
[Link] - 03/10/00 Page 10 sur 11 Modèles probabilistes
Cours de mathématiques 2ème année IUT, Département GTR, Béziers

4.6. Téléphone ***

Dans une société, les employés d’un bâtiment A ont souvent besoin d’appeler au téléphone un bâtiment B. Le bâtiment
A a 300 employés et on constate qu’aux heures d’affluence chacun d’entre eux veut téléphoner en moyenne 3 minutes
par heures au bâtiment B. Quel nombre minimum de lignes téléphoniques faut-il établir entre A et B pour qu’un
employé de A ait une probabilité inférieure ou égale à 2.5 % de ne pas avoir une ligne à sa disposition. On effectuera
une approximation par une loi normale.

[Link] - 03/10/00 Page 11 sur 11 Modèles probabilistes

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Chapitre IV
AJUSTEMENTS ET
ESTIMATIONS

1. GÉNÉRALITÉS.................................................................................................................................................2

2. AJUSTEMENTS ................................................................................................................................................2
2.1. FRÉQUENCES ET PROBABILITÉS ......................................................................................................................2
2.2. VARIABLES STATISTIQUES ET VARIABLES ALÉATOIRES ....................................................................................2
2.3. AJUSTEMENTS D’UNE LOI DE DISTRIBUTION STATISTIQUE À UNE LOI DE PROBABILITÉ .......................................2
2.4. DROITE DE HENRI ..........................................................................................................................................2
2.5. TEST DU KHI- DEUX ........................................................................................................................................2
3. ESTIMATIONS..................................................................................................................................................3
3.1. MOYENNE D’UN ÉCHANTILLON ......................................................................................................................3
3.2. VARIANCE D’UN ÉCHANTILLON ......................................................................................................................3
3.3. TEST DE STUDENT .........................................................................................................................................4
3.4. TEST DE SNEDECOR .......................................................................................................................................4
4. EXERCICES D'AJUSTEMENTS .....................................................................................................................4
4.1. LINGOTS D' OR ** ...........................................................................................................................................4
4.2. AVIONS * ......................................................................................................................................................4
4.3. MAGASIN D' OUTILS * .....................................................................................................................................4
5. EXERCICES D'ESTIMATIONS.......................................................................................................................5
5.1. PIÈCES MÉCANIQUES * ...................................................................................................................................5
5.2. MACHINE * ...................................................................................................................................................5
5.3. LOI NORMALE * .............................................................................................................................................5
5.4. ΠUFS FRAIS * ................................................................................................................................................5
5.5. BILLES D' ACIER **.........................................................................................................................................5

[Link] - 03/10/00 Page 1 sur 5 Ajustements et estimations

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

1. Généralités
Ce chapitre fait appel à tous les résultats obtenus précédemment.
Nous étudierons dans un premier temps les ajustements, c’est à dire les méthodes permettant de vérifier qu’une
population d’un univers aléatoire donné a les mêmes propriétés qu’un modèle de distribution. C’est à partir de là que
nous pourrons prédire le comportement de cette population.
La seconde partie traite du problème de trouver la meilleure façon de calculer les paramètres du modèle à partir des
valeurs de l’échantillon.

2. Ajustements
2.1. Fréquences et probabilités
Lorsque l’on cherche à caractériser un événement aléatoire à l’aide d’un échantillon de N valeurs, on assimile la
fréquence observée de cet événement à sa probabilité. En effet la fréquence est le rapport entre l’effectif observé pour
une classe donnée et l’effectif total, alors que la probabilité est le rapport entre le nombre de cas favorable à
l’événement donné et le nombre de cas total.
Cette approximation est d’autant meilleure que l’échantillon est important, mais on ne pourra jamais en déduire une
égalité entre fréquence et probabilité.
2.2. Variables statistiques et variables aléatoires
En faisant le rapprochement précédant, on en vient tout naturellement à faire la même assimilation entre les valeurs de
la variable statistique observée et les valeurs de la v.a..
2.3. Ajustements d’une loi de distribution statistique à une loi de probabilité
En faisant le relevé des fréquences observées de notre variable statistique, on essaie rechercher la loi de probabilité qui
soit la plus proche. Lorsque l’on désire vérifier une hypothèse donnée, on a le choix entre les méthodes graphiques et
les méthodes numériques.
2.4. Droite de Henri
Pour vérifier l’ajustement d’une observation à la loi Normale, on peut tracer la courbe de fréquence cumulée sur du
papier Gausso-Arithmétique. Si la courbe obtenue se rapproche d’une droite l’ajustement est possible.
Le paramètre µ est trouvé à l’intersection de l’axe des x et de la valeur cumulée 50 %. En faisant la différence des
intersections de l’axe des x et des valeurs cumulées 15.9 % et 84.1 %, on trouve deux fois la valeur du paramètre σ.
2.5. Test du khi-deux
Le test du khi-deux est un test purement numérique et bien plus précis que les vérifications graphiques. Il est valable
pour n’importe quelle loi de distribution. Il suffit de calculer la valeur suivante :
Nc
( n i − N. p i ) 2
χ2 = ∑ N. p
i=1 i
• n i est l’effectif observé pour une classe donnée. Afin que le test soit efficace, n i doit être supérieur à 5 % de N. On
peut faire des regroupements des classes extrêmes pour vérifier cette contrainte.
• pi est la valeur théorique de la probabilité pour la classe donnée.
• Nc est le nombre de classes utilisées pour le test.

Karl Pearson est né le 27 Mars 1857 à Londres. Il est mort le 27 Avril 1936.

K. Pearson a démontré que cette valeur suit une loi du khi-deux à :

• Nc - 1 degrés de liberté si l’on connaît tous les paramètres de la loi de probabilité que l’on cherche à ajuster.
• Nc -1 - k degrés de liberté s’il a fallut estimer k paramètres de cette loi.
En fixant un seuil α de possibilités d’échec du test, on peut conclure favorablement lorsque la valeur calculée est
inférieure la valeur limite χ max telle que F( χ max ) = 1 − α .
2 2

[Link] - 03/10/00 Page 2 sur 5 Ajustements et estimations

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Exemple :
On a lancé 200 fois une pièce et on a relevé 115 fois la face pile. La pièce est elle truquée ? Vérifier cela par un test du
khi-deux au seuil 5 % puis 1 %. Conclusions.

La loi théorique que l’on va chercher à ajuster est simplement : Prob(face) = Prob(pile) = 0.5.
(115 − 200.0,5) 2 (85 − 200.0,5) 2
Calculons donc la valeur de χ = + = 4.5 .
2
200.0,5 200.0,5
On regarde dans une table de la loi du khi-deux à (2 -1) degrés de liberté, la valeur limite χ max pour un seuil de 5 % est
2

3.8415. Dans ce cas là, le test est négatif. La pièce est peut-être truquée.
Pour un seuil de 1 % d’erreur, on trouve χ max = 6.6349 . Le test est cette fois positif. On ne peut donc pas conclure
2

avec certitude que la pièce est truquée dans ce cas puisque la marge d’erreur est plus faible !!!

3. Estimations
Lorsque l’on cherche à déterminer un paramètre d’une population P inconnue, on mesure la variable X sur un
échantillon de N valeurs. On estime le paramètre a de la population par la valeur Â, calculée à partir des N échantillons.
 est un estimateur sans biais si E(Â) = a.
Il converge en moyenne quadratique vers a, lorsque Var(Â) tend vers 0 quand N tend vers l’infini.
3.1. Moyenne d’un échantillon
1 N
$ =
L’estimation de la moyenne µ de la population P se fait en calculant X ∑ x i . En effet :
N i =1
$)=E 1
∑
N
OPLM=
1 N
∑ E( x i ) =
N. µ
=µ
E( X
N i =1
x
Qi
N N i =1 N
La variance est :

$ ) = 1 Var FG x I
J N. σ σ2
N N 2
1
Var ( X
N
∑
H K N
2
= ∑ Var ( x ) =
i =1 N
i 2
i =1
i 2
=
N
X$ est un estimateur sans biais de µ et converge en moyenne quadratique.
3.2. Variance d’un échantillon
1 N
$
Si on estime la variance σ de la population P par S =
2 2
∑
N i =1
( x i − X$ ) 2 , on trouve :

∑ b x − µg = ∑ d x − X$ + X$ − µi = ∑ d x − X$ i + ∑ d X$ − µi − 2.( X$ − µ). ∑ d x − X$ i
N N 2 N 2 N 2 N
2
i i i i
i =1 i =1 i =1 i =1 i =1

∑ dx i
N
Comme $ =0
− X
i
i =1

1 N
b
g = N1 ∑ d x − X$ i + N1 ∑ d X$ − µi
N N

∑ xi − µ
2 2 2
i
N i =1 i =1 i =1

N. d X
$ − µi 2

= ∑ d x − Xi + = S$ + d X$ − µi
N
1 $ 2
2
i
N i =1 N
Soit encore :
1
E (S$ 2 ) = E
LM∑ ( x − µ) OP − E ( X$ − µ)
N
2 2
=
1 N
∑ $)
Var ( x i ) − Var ( X
N N i =1
i
Q N i =1

$ N. σ2 σ2 N − 1 2
E (S ) =
2
− = .σ
N N N

[Link] - 03/10/00 Page 3 sur 5 Ajustements et estimations

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

On peut montrer également que :

2.( N − 1). σ4
Var (S$ 2 ) =
N2
S$ 2 est un estimateur biaisé de σ2 et converge en moyenne quadratique.
La meilleure estimation de la variance est donc :
N $2 1 N
S$ *2 =
N− 1
.S = ∑ ( x i − X$ ) 2
N − 1 i =1
3.3. Test de Student
Etant donné deux échantillons de taille N1 et N2 pris dans des populations quelconques, et en estimant leur moyenne par
X 1 et X 2 , le test de Student propose de vérifier que ces deux échantillons ont bien la même moyenne.
On peut montrer que la variable T suit une loi de Student à N1 + N2 - 2 degrés de liberté :

T=
dX − X i
1 2
. N1 + N 2 − 2
N1 + N 2
.( N 1. S12 + N 2 . S 22 )
N 1. N 2
Si la valeur T est inférieure à la valeur limite Tmax fixée par le seuil α tel que F( Tmax ) = 1 − α , on peut conclure que
les moyennes des deux échantillons sont égales.
3.4. Test de Snedecor
GEORGE W. SNEDECOR (1881-1974).
Ce test permet de vérifier l’égalité des variances de deux échantillons Gaussiens (loi normale).
La variable F suit une loi de Fisher-Snedecor à N1 - 1 et N2 -1 degrés de liberté :
N 1 . S12
N −1
F= 1 2
N 2 .S2
N2 − 1
Si la valeur F est inférieure à la valeur limite Fmax fixée par le seuil α tel que F( Fmax ) = 1 − α , on peut conclure que
les variances des deux échantillons sont égales.

4. Exercices d'ajustements
4.1. Lingots d'or **
Un technicien a mesuré le poids des lingots d’acier à la sortie du four.
Poids des lingots (Kg)152 à 154 154 à 156 156 à 158 158 à 160 160 à 162 162 à 164 164 à 166 166 à 168 168 à 170 170 à 172
Effectif 3 5 12 18 24 30 24 18 10 4
a) Tracer la droite de HENRY de cette statistique.
b) Estimer la moyenne et l’écart-type graphiquement.
c) Vérifier numériquement ces valeurs.
d) Faire un test du khi-deux au seuil 5 % pour vérifier que le poids des lingots suit une loi normale.
4.2. Avions *
La durée des vols en caravelle d’AIR-France Paris-Alger a été mesurée et rassemblée dans le tableau suivant :
Durée (heures) 1,9 à 1,95 1,95 à 2 2 à 2,05 2,05 à 2,12,1 à 2,15 2,15 à 2,2 2,2 à 2,25
Nombre 19 19 39 48 87 94 104
Durée (heures) 2,25 à 2,3 2,3 à 2,35 2,35 à 2,42,4 à 2,452,45 à 2,5 2,5 à 2,55
Nombre 92 57 44 28 26 13
a) Quel semble être la loi de probabilité ?
b) Estimer la moyenne et l’écart-type.
c) Faire un test du khi-deux au seuil 5 %.
4.3. Magasin d'outils *
Pendant 100 intervalles de 10 minutes, on a compté le nombre X d’ouvriers se présentant à un magasin pour emprunter
des outils. Vérifier le caractère Poisonnien de la loi de X par un test du khi-deux (ne pas oublier de rassembler les
classes extrêmes).
[Link] - 03/10/00 Page 4 sur 5 Ajustements et estimations
Cours de mathématiques 2ème année IUT, Département GTR, Béziers

X 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 >25
Effectif 1 0 1 2 1 3 5 6 9 10 11 12 8 9 7 5 4 3 1 1 1 0

5. Exercices d'estimations
5.1. Pièces mécaniques *
On mesure les diamètres de pièces mécaniques dans un lot important fabriqué par une même machine. Les valeurs
observées suivent une loi normale de moyenne 10.06 mm et d’écart-type 0.18 mm. Si l’on prélève au hasard dans ce lot
9 pièces, quelle est la probabilité pour que le diamètre moyen de cet échantillon soit :
a) Inférieur à 10 mm ?
b) Supérieur à 10.15 mm ?
5.2. Machine *
Une machine automatique remplit des paquets. Les poids en gramme sur un échantillon de 10 paquets sont :
297 ;300 ;295 ;297 ;300 ;310 ;300 ;295 ;310 ;300.
a) Calculer le poids moyen de l’échantillon et son écart-type.
b) Donner une estimation de l’écart-type de la population.
5.3. Loi normale *
Soit X une v.a. qui suit une loi normale d’écart-type 0.31 et de moyenne m inconnue. On prend un échantillon de 100
valeurs de moyenne . Trouver un intervalle contenant m avec une confiance de 95 %.
5.4. Πufs frais *
Soit p le pourcentage d’œ ufs frais dans la livraison hebdomadaire d’un supermarché. Dans un échantillon de 100 œ ufs
on a constaté que 76 d’entre eux possédaient cette qualité. En déduire l’intervalle de confiance de p à 98 %.
5.5. Billes d'acier **
Dans un contrôle journalier effectué à la sortie d’une chaîne de fabrication de billes d’acier, sur un échantillon de 900
billes il ressort que leur poids suit une loi normale de moyenne 62.33 mg et d’écart-type 6.54 mg.
a) Estimer l’écart-type théorique de la production journalière.
b) Estimer le poids moyen journalier au sein de la production par un intervalle de confiance symétrique au niveau
95%.
c) Quel devrait être la taille de l’échantillon pour situer le poids moyen dans un intervalle symétrique de ±4 mg avec
une sécurité de 95% ?
d) Dans quelle proportion doit évoluer la taille de l’échantillon, si l’on veut un intervalle symétrique deux fois plus
petit ?
e) On dispose d’un lot de 10 billes dont les poids sont en mg : 70 ;61 ;69 ;67 ;60 ;63 ;63 ;66 ;64 ;73. Peut-on
considérer ce lot comme extrait au hasard de la production journalière de l’usine au niveau de confiance 95% ?

[Link] - 03/10/00 Page 5 sur 5 Ajustements et estimations

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

Chapitre V
FILES D’ATTENTE

1. GÉNÉRALITÉS...................................................................................................................................... 2
1.1. PROCESSUS DE NAISSANCE ET DE MORT ............................................................................................... 2
2. FILES À PROCESSUS MARKOVIENS................................................................................................ 3
2.1. CAS D’UN SEUL GUICHET : K = 1 ......................................................................................................... 3
2.2. CAS GÉNÉRAL..................................................................................................................................... 4
2.3. MODÈLE POUR LES RÉSEAUX TÉLÉPHONIQUES ..................................................................................... 5

[Link] - 03/10/00 Page 1 sur 6 Files d’attente

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

1. Généralités
Un phénomène d’attente peut-être représenté comme un nombre aléatoire de « clients » arrivant devant un nombre k de
« guichets » où ils resteront pendant une durée aléatoire. Les clients sont patients et respectent leur ordre d’arrivée (file
FCFS : First Come First Served). La file d’attente est commune à tous les guichets qui sont équivalents.
1.1. Processus de naissance et de mort
On défini ce processus comme une chaîne de Markov dans laquelle, on passe d’un état n à l’état n + 1 avec la
probabilité λ[Link] (processus de naissance) et de l’état n à l‘état n - 1 avec la probabilité µ[Link] (processus de mort).
Pr ob Vie ( n ) ∩ Mort ( n ) (dt ) = (1 − λn . dt ).(1 − µ n . dt ) ≈1 − (µ n + λn ). dt
Pr ob Vie ( n ) ∩ Mort ( n ) (dt ) = (1 − λn . dt ). µ n . dt ≈µ n . dt
Pr ob Vie ( n ) ∩ Mort ( n ) (dt ) = λn . dt.(1 − µ n . dt ) ≈λn . dt
Pr ob Vie ( n ) ∩ Mort ( n ) (dt ) = λn . dt. µ n . dt ≈0
A l’instant t + dt pour n = 0, on aura :
Pr ob ( t + dt ) = Pr ob Vie ( 0)∩ Mort ( 0) (dt ). Pr ob 0 ( t ) + Pr ob Vie (1)∩ Mort (1) (dt ).Pr ob 1 (dt )
Pr ob 0 ( t + dt ) = (1 − λ0 . dt ).Pr ob 0 ( t ) + µ 1 . [Link] ob 1 ( t )
De même pour n > 0 :
Pr ob n ( t + dt ) = Pr ob Vie ( n )∩ Mort ( n ) (dt ).Pr ob n ( t ) + Pr ob Vie ( n − 1)∩ Mort ( n − 1) (dt ).Pr ob n − 1 ( t )
+ Pr ob Vie ( n + 1)∩ Mort ( n + 1) (dt ).Pr ob n + 1 ( t )
Pr ob n ( t + dt ) = (1 − (µ n + λn ). dt ).Pr ob n ( t ) + λn − 1 . [Link] ob n − 1 ( t ) + µ n + 1 . dt. Pr ob n + 1 ( t )

En régime permanent, les probabilités ne sont plus fonction du temps :

P0 = (1 − λ0 ). P0 + µ 1 . P1 ⇒ λ0 . P0 = µ1 . P1
Pn = (1 − (µ n + λn ). dt ). Pn + λn − 1 . dt. Pn − 1 + µ n + 1 . dt. Pn + 1
µ n + 1 . Pn + 1 = (µ n + λn ). Pn − λn − 1 . Pn − 1
n

∏λ i n
. P0 = ∏ ρi . P0
i=0
⇒ Pn + 1 = n

∏µ
i=0
i+ 1
i=0

∞
P0 est obtenu par normalisation ∑P
n= 0
n = 1.

[Link] - 03/10/00 Page 2 sur 6 Files d’attente

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

2. Files à processus Markoviens

Les arrivées suivent un processus de Poisson de paramètre α . La probabilité de voir un nouveau client arriver pendant
la durée dt (cf. ch. III §1.5.2) : Pr ob 1 ( dt ) = α . dt
− β.τ
La durée de service τ suit une loi Exponentielle de paramètre β : γ1 (β, τ) = β. e .
α
On va poser ρ = (mesure du trafic en Erlangs).
β
Il est nécessaire que ρ < k pour ne pas voir la file d’attente s’allonger indéfiniment. On appelle la charge du système,
ρ
la valeur du trafic par guichet : C = < 1 .
k
On va définir les v.a. suivantes :
N est la v.a. égale au nombre de clients dans le système.
O est la v.a. égale au nombre de guichets occupés.
I est la v.a. égale au nombre de guichets inoccupés.
F est la v.a. égale au nombre de clients dans la file d’attente.
On a donc :
N=F+O k=I+O
F = 0 si N ≤ k I = 0 si N ≥ k
Le temps de réponse Tr de la file d’attente est donnée par la formule de Little pour un système en équilibre où il y a N
N
clients en moyenne et où le taux moyen d’arrivées est λ: Tr = .
λ
Le temps de réponse est la somme du temps d’attente Ta et du temps de service Ts.
2.1. Cas d’un seul guichet : k = 1
Soit Nd, le nombre de départ à l’instant dt et Ts le temps de service :
dt dt

Pr ob Nd =1 (dt ) = Pr ob (Ts ≤ dt ) = ∫γ1 (β, τ). dτ = ∫β. e − β.τ . dτ = [− e − β.τ ]0 = 1 − e − β.dt ≈β. dt
dt

0 0
On obtient alors pour i ≥ 0 :
λi = α  n− 1

µ i + 1 = β ⇒ Pn = ∏ ρ. P0 = ρn . P0
ρi = ρ 
i=0

∞ ∞
1
On trouve la valeur de P0 en écrivant que : ∑P
n =0
n = 1 = ∑ ρn . P0 =
n=0
. P ⇒ P0 = 1 − ρ
1− ρ 0
∞ ∞
ρ ρ
E ( N ) = ∑ n. Pn = ∑ n. ρn . P0 = . P0 =
n =0 n =0 (1 − ρ) 2
1− ρ
∞ ∞ ∞
ρ2 ρ2
E ( F) = ∑ ( n − 1). Pn = ∑ ( n − 1). ρn . P0 = ∑ n. ρn + 1 . P0 = 2 . P0 =
n =2 n =2 n =1 (1 − ρ) 1− ρ
1
E (I) = ∑ (1 − n ). Pn = P0 = 1 − ρ
n =0

E( N) 1
E (Tr ) = =
α β− α

[Link] - 03/10/00 Page 3 sur 6 Files d’attente

Cours de mathématiques 2ème année IUT, Département GTR, Béziers
− β.τ
Le temps de service moyen est l’espérance d’une loi γ1 (β, τ) = β. e :
∞ ∞ ∞ ∞
− e − β.τ 
. dτ = [− τ. e ] − ∫−
1 1
E(Ts) = ∫τ. γ1 (β, τ). dτ = ∫β. τ. e − β.τ − β.τ ∞
e − β.τ
. dτ = 0 − 0 +   = 0+ =
 β 0 β β
0
0 0 0
Le temps d’attente moyen est alors :
1 1 α ρ E ( F)
E (Ta) = E (Tr − Ts) = E (Tr ) − E (Ts) = − = = =
β − α β β.(β − α ) β − α α
E (Ta) α ρ C
Le système est efficace pour C ≤75% , car = = = ≤ 3 pour C ≤75% .
E (Ts) β − α 1 − ρ 1 − C
Ta/Ts en fonction de la charge C
40

35

30

25

20

15

10

0
0 0.2 0.4 0.6 0.8 1

2.2. Cas général

On reprend le même raisonnement, mais avec une petite variante :
Si on suppose s guichets occupés, la probabilité de voir un départ après un temps dt est s fois plus importante que
lorsqu’il y a un seul guichet (les guichets fonctionnent indépendamment les uns des autres).
On a toujours P1 = ρ. P0 , donc pour n ≤ k :
ρ n− 1
ρ ρn
µ n = n. β ⇒ ρn = ⇒ Pn = ∏ . P0 = .P
n i=0 i n! 0
et pour n > k :
ρ n− 1
ρ ρn − k ρn
µ n = k. β ⇒ ρn = ⇒ Pn = ∏ . Pk = n − k . Pk = .P
k i= k k k k !. k n − k 0
On trouve la valeur de P0 en écrivant que :
∞ k
ρn ∞
ρn ρ
k− 1 n ∞
ρn ρ
k− 1 n ∞
ρn + k
∑
n =0
Pn = 1 = ∑
n =0 n !
. P0 + ∑
n =k + 1 k
n− k
. k!
. P0 = ∑
n =0 n !
. P0 + ∑ n − k . P0 = ∑
n= k k . k! n=0 n!
. P0 + ∑ n
n =0 k . k !
. P0

ρ
ρ
k− 1 n
ρ k
. P ρ
k− 1 n
ρk . P0 k. ρ
1= ∑ . P0 + 0
. k =∑ . P0 + .
n=0 n! k! ρ n=0 n! k ! ( k − ρ) 2
(1 − ) 2
k
1
P0 = k − 1 n
ρ ρk + 1
∑
n=0 n!
+
( k − 1)!.( k − ρ) 2

[Link] - 03/10/00 Page 4 sur 6 Files d’attente

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

ρ
∞
ρn . P0
∞ ∞
ρn + k . P ρk . P0
E ( F) = ∑ ( n − k). Pn = ∑ ( n − k ). n − k = ∑ n. n 0 = . k
k . k ! n =1 k . k ! k! ρ
n = k+ 1 n= k + 1
(1 − ) 2
k
ρk + 1 . P0
E ( F) =
( k − 1)!.( k − ρ) 2
k
ρn . P0k k
n. ρn . P0 k
ρn . P0 k
ρn . P0
E (I) = ∑ ( k − n ). Pn = k. ∑ − ∑ = k. ∑ − ∑n =1 ( n − 1)!
n =0 n=0 n! n =0 n! n=0 n!
ρn . P0
k− 1
ρk . P0 ρ . P0
k− 1 n k− 1
ρn . P0
E (I) = ( k − ρ). ∑ + = ( k − ρ). ∑ + (1 − ∑ ).( k − ρ)
n=0 n! ( k − 1)! n =0 n! n =0 n!
E(I) = k − ρ
ρk + 1 . P0
E ( N ) = E ( F + k − I) = E ( F) + k − E (I) = + ρ
( k − 1)!.( k − ρ) 2
E( N) 1  ρk . P0 
E (Tr ) = = . 1 + 2 
α β  ( k − 1)!.( k − ρ) 
− βi .τ
Le temps de service moyen est l’espérance de k loi γ 1 (β i , τ) = β i . e en parallèles avec une probabilité ai. La
distribution du temps de service est une loi hyper-exponentielle :
k
( ) = ∑ a i . β i . e − βi . τ
Hγτ
i =1
∞ ∞ k k k
ai 1 k 1
( ). dτ = ∫τ. ∑ a i . βi . e − βi .τ . dτ = ∑ a i . E[ γ1 (βi , τ)] = ∑
E (Ts) = ∫τ. Hγτ = .∑ ai =
0 0 i =1 i =1 i =1 β i β i =1 β
Le temps d’attente moyen est alors :
E( N) 1 1  ρk . P0  1 ρk . P0
E (Ta) = E (Tr ) − E (Ts) = − = . 1 + − 1 = .
α β β  ( k − 1)!.( k − ρ) 2  β ( k − 1)!.( k − ρ)
2

E (Ta) ρk . P0 ( k. C) k . P0 k k . P0 . C k
= = =
E (Ts) ( k − 1)!.( k − ρ) 2 ( k − 1)!.( k − k. C) 2 k !.(1 − C) 2
Le système est efficace pour C ≤75% .
2.3. Modèle pour les réseaux téléphoniques
Lorsque tous les guichets sont occupés, si un client arrive il est rejeté. C’est le modèle utilisé par Erlang pour les
réseaux téléphoniques (k représente le nombre de lignes de l’autocommutateur).
1
Dans ce cas particulier, Pn = 0 pour n > k , on a alors : P0 =
ρn k

∑ n!
n=0
k k
ρ . P0
n k
n. ρ . P0
n k
ρn . P0 k
ρn . P0
E (I) = ∑ ( k − n ). Pn = k. ∑ − ∑ = k. ∑ − ∑n=1 ( n − 1)!
n=0 n=0 n! n=0 n! n =0 n!
ρn . P0
k− 1
E (I) = ( k − ρ). ∑ + k. Pk = ( k − ρ).(1 − Pk ) + k. Pk = k − (1 − Pk ). ρ
n=0 n!
E ( N ) = E ( F) + k − E (I) = (1 − Pk ).ρ

[Link] - 03/10/00 Page 5 sur 6 Files d’attente

Cours de mathématiques 2ème année IUT, Département GTR, Béziers

La probabilité de perte d’un client est donnée par la formule d’Erlang :

ρk ρk
Pk = .P =
k! 0 ρn
k
k !. ∑
n=0 n!

0
Probabilité de perte P(rho,k=10)
10
-1
10
-2
10
-3
10
-4
10
-5
10
-6
10
-7
10
-8
10
-9
10
-10
10
0 2 4 6 8 10

[Link] - 03/10/00 Page 6 sur 6 Files d’attente

99 95 90 85 80 75 70 60 50 40 30 25 20 15 10 5 1

99 95 90 85 80 75 70 60 50 40 30 25 20 15 10 5 1
TP de mathématiques 2ème année 3 heures IUT, Département GTR, Béziers

Travaux Pratiques Math n° 1

Statistiques

1. Introduction :
Les TP ont été développés sous MATLAB (MATrice LABoratory). Une bibliothèque de fonctions statistiques et
probabilités a été développée spécialement pour ces TP. En annexe, vous trouverez quelques rappels sur les
principales fonctions MATLAB utiles...

Vous devez rendre un compte rendu (sous WORD) par binôme, en indiquant à chaque fois les fonctions
MATLAB que vous avez utilisé. Essayez de condenser au maximum la place des graphiques que vous rendez,
c’est à dire jamais une seule figure par page ! ! !

2. Régression linéaire
Le fichier [Link] contient un tableau des points.
a) Charger ce fichier dans votre environnement de travail et vérifier que les variables x et y existent bien.
b) Afficher le nuage de points (x, y). Quelle semble être la relation entre x et y ?
c) Fabriquer une fonction MATLAB qui effectue tous les calculs de la régression linéaire de Y en X.
Déterminer les coefficients a, b, c, d de la relation Y = a.X + b et X = c.Y + d.
d) Tracer les deux droites sur le même graphique que le nuage de points.
e) Comparer le produit a.c et le carré du coefficient de corrélation linéaire r. Démontrer la relation
analytiquement.

3. Approximations
a) Charger le fichier [Link]. Combien il y a-t-il de points ?
b) Calculer les coefficients de la régression linéaire de Y en X.
c) La régression Z = Y² est-elle meilleure ?
d) La régression W = log(Y) est-elle meilleure ?

[Link] - 02/12/98 1 TP de mathématiques

TP de mathématiques 2ème année 3 heures IUT, Département GTR, Béziers

Travaux Pratiques Math n° 2

Probabilités

1. V.a. discrètes : Les lois de probabilité Prob(X = x) = p(x)

a) Loi Binomiale :
a) Quelles sont les valeurs possibles de X ?
b) Quelle relation il y a-t-il entre la position du maximum et les valeurs de n et p ?
(on prendra n = 10, p = 10 %, 20 %, 30 %, 40 %).
c) Calculer Prob(B = 6) pour n = 40 et p = 10 %. Vérifier par le calcul direct.
b) Loi de Poisson :
a) Quelles sont les valeurs possibles de X ?
b) Quelle relation il y a-t-il entre la position du maximum et lambda ?
(on prendra Lambda = 2, 5, 10, 20).
c) Calculer Prob(P = 12) pour Lambda = 10. Vérifier par le calcul direct.

2. V.a. continues : Les densités de probabilité f(x)

a) Loi normale :
a) Quelles sont les valeurs possibles de X ?
b) Que se passe-t-il lorsque mu augmente en ce qui concerne le maximum et l'enveloppe ?
(on prendra mu = -1, 0, 1 et sigma = 1 et x sur l'intervalle [-6, 6]).
c) Que se passe-t-il lorsque sigma augmente en ce qui concerne le maximum et l'enveloppe ?
(on prendra mu = 0 et sigma = 1, 1.5, 2 et x sur l'intervalle [-6, 6]).
d) Calculer la densité de probabilité f(1.52) pour mu = 0 et sigma = 2. Vérifier par le calcul direct.

3. Les fonctions de répartition F(x) = Prob(X <= x)

a) Quelle est la relation entre F(x) et p(x) ?
b) Quelle est la relation entre F(x) et f(x) ?
c) Afficher la fonction de répartition de LB(20,0.4), de LP(10) et de LN(0, 1).
d) Calculer Prob(4 <= B < 10), Prob(8 <= P < 14), Prob(-1 <= N < 1).

[Link] - 02/12/98 2 TP de mathématiques

TP de mathématiques 2ème année 3 heures IUT, Département GTR, Béziers

Travaux Pratiques Math n° 3

Estimations

1. Estimation de la moyenne d'une population

a) La fonction vstat1 génère une v.a.. Est-ce une variable continue ou discontinue ?
b) Fabriquer un échantillon E de 50 valeurs. Estimer la moyenne M de cette v.a..
c) Sur 100 échantillons (repérés par l'indice i) de N = 50 valeurs, estimer la moyenne Mi.
d) Tracer la courbe Mi = f(i).

2. Estimation de la variance d'une population

a) Comparer le résultat de la fonction var(E) et de la fonction MATLAB cov(E). Expliquer.
b) Quelle est la valeur de l'estimation non biaisée de la variance de la population ?
c) L'estimateur M de la moyenne de l'échantillon E peut-être considéré comme une v.a.. Vérifier que lorsque la
taille N de l'échantillon augmente, la variance de M diminue. On prendra successivement des échantillons de
taille 5, 10, 15, 20, 25, 30, 35, 40, 45, 50.

3. Vérification de l'inégalité de Bienaymé-Tchebytchev

On admet que la v.a. a une espérance m de 2.5 et une variance s² de 1.25.
a) Déterminer la probabilité théorique maximum de trouver une valeur de | M - m | supérieure à alpha.m.
b) Vérifier cette inégalité pour 100 échantillons en fonction de N. On pourra calculer les 100 valeurs de
l'estimateur M et faire le compte des valeurs qui vérifient la relation du a). Ensuite comparer le résultat au
calcul théorique.

4. Application
Soit la nouvelle v.a. vstat2.
a) Est-elle continue ou discrète ?
b) Déterminer le nombre N de valeurs minimum de l'échantillon E pour que l'estimation M de la moyenne soit
connue à 1% avec une probabilité d'erreur de 5%. On pourra faire une première estimation sur un
échantillon de 100 valeurs de la moyenne et de la variance pour calculer N.
c) Estimer la moyenne et la variance.

[Link] - 02/12/98 3 TP de mathématiques

TP de mathématiques 2ème année 3 heures IUT, Département GTR, Béziers

Travaux Pratiques Math n° 4

Ajustements

1. Ajustements
a) Charger le fichier [Link]. Il contient trois échantillons, quel est le nombre de valeurs de l'échantillon
x2 ?
b) Quel est le type de variable de cet échantillon ?
c) Tracer la densité de probabilité de cette v.a., sur 20 classes. Quelle est la largeur d'une classe ?
d) Quelle semble être la loi de probabilité théorique ?
e) Tracer la droite de Henri sur 20 classes. En déduire graphiquement la moyenne et la variance.
f) Vérifier ces valeurs par des estimations numériques.

2. Tests du khi-deux
Pour les échantillons x2, x3, x4 :
a) Estimer la moyenne et la variance.
b) Quel est l'effectif observé No sur 10 classes ?
c) Déterminer la loi théorique et l'effectif théorique pour chaque classe (Ne pas oublier de regrouper les valeurs
des classes extrêmes !).
d) Quelle est la valeur théorique maximum du khi-deux au seuil 5 % ? Quelle est la valeur pratique ?
Conclusion.

NB : Définissez le type de variable, et utilisez soit la fonction [No, delta, z, f] = dpc(x,nbclasses) pour
une v.a. continue, soit [No, z, p] = lpd(x) pour une v.a. discrète.

[Link] - 02/12/98 4 TP de mathématiques