PROBABILTES

Module : PROBABILITES/STATISTIQUES

Comité Formation
CELLULE SOUTIEN
 Analyse combinatoire

Synthèse du chapitre 1
Rangement de n objets distincts: permutations possibles
Probabilités : (P1) P(A) ≥ 0 (P2) P(Ω) = 1
(P3) ∀A, B ∈ Ω Rangement de n objets avec k répétitions d’un même objet :
si A∩B = ∅ P(A∪B) = P(A) + P(B) permutations possibles
si A∩B ≠ ∅ P(A∪B) = P(A) + P(B) - P(A∩ B)
Rangement de p objets parmi n :
Probabilités combinatoires :

Additivité des probabilités : Si avec i ≠ j alors sans répétition arrangements possibles

avec répétitions np arrangements possibles

Tirage de p objets parmi n :

Probabilités conditionnelles :
avec P(B)≠ 0
Probabilités composées : (ou règle de Multiplication) Sans remise combinaisons possibles
Formule de PASCAL (application au triangle de Pascal) :

Probabilité totales: Formule du binôme de NEWTON

Formule de Bayes :

Indépendance : A et B indépendants si : P(A ∩ B)= P(A) P(B) et

P(A / B)= P(A)

ENSMR- 1ère année Tronc Commun I. MEDARHRI

 Synthèse du chapitre 2

Variable aléatoire discrète Variable aléatoire continue

+∞
Loi de probabilité : soit l’événement {X = xi}, à xi on associe la Densité de probabilité : x → f (x) telle que ∫−∞ 𝒇(𝒙)𝒅𝒅 = 𝟏 .
fonction masse pi = P(X=xi), alors ∑𝒊 𝒑𝒊 = 𝟏. 𝒃
et 𝑷(𝒂 ≤ 𝑿 ≤ 𝒃) = ∫𝒂 𝒇(𝒙)𝒅𝒅
Représentation : Diagramme en bâtons. 𝒙
Espérance : 𝑬(𝑿) = ∑𝒏𝒊=𝟏 𝒙𝒊 𝑷(𝑿 = 𝒙𝒊 ) = ∑𝒏𝒊=𝟏 𝒙𝒊 𝒑𝒊 Fonction de répartition : 𝑭𝑿 (𝒙) = 𝑷(𝑿 < 𝒙) = ∫−∞ 𝒇(𝒕)𝒅𝒅
𝟐
Variance : 𝑽𝑽𝑽(𝑿) = ∑𝒏𝒊=𝟏�𝒙𝒊 − 𝑬(𝑿)� 𝒑𝒊 = 𝑬�𝑿𝟐 � − �𝑬(𝑿)�
𝟐 Représentation : Histogramme
+∞
Espérance : 𝑬(𝑿) = ∫−∞ 𝒙𝒙(𝒙)𝒅𝒅
+∞ 𝟐
Variance : 𝑽𝑽𝑽(𝑿) = ∫−∞ (𝒙 − 𝑬(𝑿))𝟐 𝒇(𝒙)𝒅𝒅 = 𝑬(𝑿𝟐 )−�𝑬(𝑿)�
Lois Notat Définition Espérance Variance
Opération : E(aX + b) = aE(X) + b
Quelques lois de probabilité discrètes:

Si 1 ≤ i ≤ n si xi = i, si xi = i, V(aX)=a2V(X)
Uniforme

Quelques lois de probabilité continues: ;

𝟏 𝒏+𝟏 𝒏𝟐 − 𝟏
𝑷(𝑿 = 𝒙𝒊 ) = 𝑬(𝑿) = 𝑽(𝑿) = Lois Notat Définition Espérance Variance
𝒏 𝟐 𝟏𝟏
1 𝑠𝑠 𝑆𝑆𝑆𝑆è𝑠 𝟏 𝒂+𝒃 (𝒃 − 𝒂)𝟐
𝑋=� Uniforme 𝑬(𝑿) =
0 𝑠𝑠 𝐸𝐸ℎ𝑒𝑒 U([a,b]) 𝒇(𝒙) = 𝟏 (𝒙) 𝑽(𝑿) =
𝒃 − 𝒂 [𝒂,𝒃] 𝟐 𝟏𝟏
P(X = 0) = q (=1-p)
Bernoulli B (1, p) E(X) = p V(X) = pq 𝜆𝑒 −𝜆𝜆 𝑠𝑠 𝑥 ≥ 0 𝟏 𝟏
P(X =1) = p Exponenti Exp(λ) 𝑓(𝑥 = � 0 𝑠𝑠𝑠𝑠𝑠 𝑬(𝑿) = 𝑽(𝑿) =
𝝀𝟐
𝝀
elle
𝑌 = ∑𝑛𝑖=1 𝑋𝑖
Binomiale B(n, p) avec Xi ~𝑩(𝟏, 𝒑)
𝑷(𝒀 = 𝒌) = 𝑪𝒌𝒏 𝒑𝒌 𝒒𝒏−𝒌
𝟐
Normale N(𝝁, 𝝈 ) 𝒇(𝒙) = 𝟏 𝟏 𝒙−𝝁 𝟐
− � � 𝑬(𝑿) = 𝝁 𝑽(𝑿) = 𝝈𝟐
E(Y) = np V(Y) = npq 𝒆 𝟐 𝝈
𝝈√𝟐𝟐
𝝀𝒌 𝒆−𝝀 𝟏
Poisson P(λ) 𝑷(𝑿 = 𝒌) = E(X) = λ V(X) = λ 𝟏 𝟐
𝒌! 𝒇(𝒛) = 𝒆 −𝟐 𝒛
λ>0 N (0,1) √𝟐𝟐
Normale E(Z) =0 V(Z) =1
𝑷(𝑿 = 𝒌) = 𝒑𝒒 𝒌−𝟏 𝟏 𝒒
Géométriqu Geo(p) 𝑬(𝑿) = 𝑽(𝑿) = 𝟐 réduite 𝑋−𝜇
𝑷 𝒑 𝑍= 𝑒𝑒 𝑋~𝑵(𝝁, 𝝈𝟐 )
e 𝜎

ENSMR – 1ère année Tronc Commun I. MEDARHRI

 Synthèse : Couples de variables aléatoires
Lois conditionnelles
Loi jointe
La loi conditionnelle : de X pour Y fixé est définie par
Loi d’un couple X,Y : pij = P ((X = xi ) et (Y = yj ))
𝑷({𝑿 = 𝒙𝒊 } ∩ {𝒀 = 𝒚𝒋 })
Espérance : E(X+Y) = E(X) + E(Y) quel que soit les relations 𝑷({𝑿 = 𝒙𝒊 } |{𝒀 = 𝒚𝒋 } ) =
entre X et Y. 𝑷(�𝒀 = 𝒚𝒋 �)
d’où : 𝑬(𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏 ) = ∑𝒏𝒊=𝟏 𝑬(𝑿𝒊 )
Variance : V(X + Y) = V(X) + V(Y) + 2 cov (X,Y) Espérance conditionnelle :
Si 𝐸𝑌 (𝑋) désigne l'espérance conditionnelle de X pour Y fixé,
Covariance : Si X et Y sont deux variables aléatoires définies sur l'espérance de X est donnée par :
le même univers Ω, alors : cov(X,Y) = E(XY) - E(X)E(Y)
EY (X) = E (X|Y=y)
Coefficient de corrélation :
𝐜𝐜𝐜(𝐗,𝐘)
𝛒(𝐗, 𝐘) = Variance conditionnelle.
𝛔(𝐗)𝛔(𝐘)
Avec : -1 ≤ 𝛒(𝐗, 𝐘) ≤ 1 Si 𝐸𝑌 (𝑋) désigne l'espérance conditionnelle de X pour Y fixé,
et 𝑉𝑌 (𝑋) la variance conditionnelle de X pour Y fixé, la variance
Indépendance entre variables aléatoires de X est donnée par :

Si X et Y sont deux variables aléatoires définies sur le même

Var (X) = Var (𝐄𝐘 (𝐗)) + E (𝐕𝐘 (𝐗))
univers Ω et indépendantes, alors cov(X,Y) = 0
Si X et Y sont deux variables aléatoires indépendantes, alors :
Loi du couple: P ({X = x i}  {Y = y j}) = P ({X = x i}) × P ({Y = y j}) Théorème central limite
Si 𝑺𝒏 = 𝑿𝟏 + 𝑿𝟐 + ⋯ 𝑿𝒊 + ⋯ + 𝑿𝒏 est la somme de n variables
Espérance : E(XY) = E(X)E(Y)
aléatoires indépendantes et de même loi alors la variable aléatoire
Variance : V(X + Y) = V(X) + V(Y) 𝑺𝒏 −𝒏 𝝁
𝒁𝒏 = suit une loi normale réduite N(0,1) et ceci quel que soit la
d’où : 𝑽(𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏 ) = ∑𝒏𝒊=𝟏 𝑽(𝑿𝒊 ) 𝝈√𝒏
loi de probabilité suivie par les variables aléatoires.

ENSMR- 1ère année Tronc Commun I. MEDARHRI