Chapitre IV Lois Usuelles Discrtes

I. Loi Binomiale

I1. Introduction Soit une suite finie de n expriences obissant aux conditions suivantes Chaque exprience peut entraner la ralisation dun vnement A ou de son contraire A La probabilit de A est la mme pour toutes les expriences et elle est gale p, son complmentaire est q = 1 p Le rsultat dune exprience est indpendant des rsultats des autres expriences

On note Ak : lvnement A se ralise k fois dans une suite de n expriences La probabilit de Ak est la somme de chacune des vnement ; sa probabilit est pkqn-k et elle se ralise de plusieurs manires do :
k P( X = k ) = Cn p k q n k

k = 0,1, 2....n
Dfinition : On dit quune variable alatoire X valeurs dans N suit une loi binomiale si sa loi de probabilit est donne par :
k P( X = k ) = Cn p k q n k

k = 0,1, 2....n
Montrons quil sagit bien dune loi de probabilit

k Cn p k q n k = ( p + q ) n = 1 k =0

Cette loi est note X : B(n , p) ou n et p sont les paramtres de la loi binomiale

I2. Les paramtres de la loi binomiales

X : B(n , p)

Calculons

1) E(X) = E(X) =
=

k =0

kCk p k q n k = n

kC p q
k n k k =1

n k

k k!(n k )p q
n!
k k =1 n

nk

= np

(k 1)!(n k )!p
k =1

(n 1)!

k 1 n k

Posons n 1 = m et k 1 = r alors E(X) = np

r =0 n

m! prqm r r! (m r )!

Or Donc

r =0

m! pr qm r = r! (m r )!

C
r =0

r r m r mp q

= (p + q )m = 1

puisque

q =1-p

E(X) = np

2) La variance
E( X ) =

k =0

k Ck p k q n k n

=k

C p q
k n k r =1

nk

Posons k 1 = r et n 1 = m

E( X ) = np

(r + 1) r!(m r ) p q
m!
k =0

r m r

m m! = np r prqm r + r = 0 r! (m - r)!

r=0

m! pr qm r r! (m - r)!

Or

r r!(m - r)! p q
m!
r =0

r m r

est lesprance mathmatique dune binomiale de

paramtre m et p donc il est gal mp et

(r r!(m - r)! p q
m!
r =0

r m r

)=1

Do E(X) = np(mp + 1) = np((n 1) + 1) = np - np + np V(X) = E(X) E(X) = np - np + np np = np np = np(1 p) =npq V(X) = npq

Exemple : Soit X une variable alatoire qui reprsente le nombre de piles que lon peut obtenir en jetant une pice rgulire 10 fois.

X : B( 10 , 1/2) E(X) = 101/2 = 5 V(X) = 101/21/2 = 2,5 Une urne contenant des boules rouges en proportion . On tire successivement 25 boules en remettant chaque fois la boule tire. Soit Y le nombre de boules rouges obtenues parmi les 25.

Y : B(25 , 1/4 ) E(Y) = 251/4 = 25/4 V(Y) = 251/43/4 = 75/16

I3. Soit X : B(n , p) si n = 1 alors on a X : B(1 , p) cest ce quon appelle loi de Bernouilli. Une loi de Bernouilli est une loi Binomiale avec n = 1

Soit X1 : B(1 , p) et X2 : B(1 , p) alors X = X1 + X2 est une B( 2 , p) En gnralisant une loi Binomiale est la somme de n lois de Bernouilli de mme paramtre p. De cette dfinition, on obtient la proprit suivante : Soit X1 : B(n1 , p) et X2 : B(n2 , p) alors

X = X1 + X2 : B(n1 + n2 , p)

II. La loi hypergomtrique

2.1. Introduction une urne contient N boules dont N1 rouges et N2 non rouges avec N = N1 + N2 . On prlve sans remise ( simultan) un chantillon de n boules de lurne ( n N). Soit X une variable alatoire associant un tel chantillon le nombre de boules rouges obtenues ; la loi de probabilit de X est dfinit
k n CN1 CN k 2 n CN

P( X = k ) =

avec N1 + N2 = N o k, n , N1 et N2 sont des entiers positifs tels que : 0nN 0kn 0 k N1 0 n-k N2

X une variable qui suit une loi hypergomtrique de paramtres N , n , p est note X : H(N , n, P)

II.2. Les paramtres

Calculons E(X) et V(X)

1) E(X)
k n kCN1 C N k 2 n CN k n kC N1 CN k 2 n CN

E( X ) =
k =0

=
k =1

N1 n CN

k k nk N CN1 CN2 k =1 1 k N1 ! n N k !( N k )! CN2 k k =1 1 1 ( N1 1)! n (k 1)!( N k )!CN2 k k =1 1

n
Z N1 1 n CN Z 1 2

N1 = n CN N1 = n CN
posons k 1 = Z

N1 E( X ) = n CN

C
Z =0

n 1

n N1Cn 1 N1C N11 N-1 = = n n CN CN

E( X ) =

N1

( N 1)! (n 1)!( N 1)! nN1 = N! N n !( N n)!

or N1 = Np

Donc E(X) = 2) V(X) :

nNp = np elle est la mme que celle dune loi binomiale N

Calculons :

E(X(X 1)) =

k =0

k (k 1)C C
k N1 n CN

nk N2

k (k 1)C
k =2 n CN

k N1

n C N k 2

N1 ( N1 1) n k (k 1) k n k N ( N 1) CN1 CN2 n CN k =2 1 1

N1 ( N1 1) n ( N1 2)! n = (k 2)!( N k )! CN2 k n CN k =2 1 N1 ( N1 1) n k 2 n k = CN1 2CN2 n CN k =2

Posons k 2 = m E(X(X 1)) =
N1 ( N1 1) n 2 m n 0 CN1 2CN2 m2 n CN m=

E(X(X 1)) =

N1 ( N1 1) n 2 CN 2 n CN
( N 2)! (n 2)!( N n)! N1 ( N1 1)n(n 1) = N! N ( N 1) n !( N n)!

N1 ( N1 1)

Remplaons N1 par NP E(X(X 1)) = NP(NP 1)) x E(X(X 1)) = E(X) E(X) E(X) = E[X(X 1)] + E(X) = V(X) =
= n 1 n np( NP 1)(n 1) x = N 1 N N 1

or :
np( NP 1)(n 1) + np N 1

np( NP 1)(n 1) + np n p N 1

np( NP 1)(n 1) + np( N 1) n p ( N 1) N 1

V(X) =

np[( NP 1)(n 1) + N 1 np( N 1)] N 1

np[ NPn n NP + 1 + N 1 nPN + nP )] N 1 np[ N(1 p ) n(1 P )] = N1 np[ N(1 p ) n(1 P )] np(1 p )( N n ) = = N 1 N 1

Or 1 p = q Dou V(X) = npq

Nn N 1

O le rapport

N n est appel coefficient dexhaustivit N 1

II.3 . Approximation dune loi Hypergomtrique par une loi Binomiale

Rappelant qui si X : B( n , p) Et si Y : H(N , n p)

avec E(X) = np et V(X) = npq avec E(X) = np et V(X) = npq

N n N 1

On constate que la diffrence entre X et Y est au niveau de la variance ; Divisant le numrateur et le dnominateur du coefficient dexhaustivit par N

N n N = 1 n / N N 1 1 1/ N N
Supposant que N est trs grand par rapport n ce qui implique que le rapport : n/N tend vers zro et que le rapport 1/N tend aussi vers zro. Dou
N n tend vers 1 N 1

et V(Y) tend vers npq

Si N est trs grand par rapport n alors : H(N , n p) B(n , p).

Exemple 1 Un concessionnaire vend chaque jour, 5 voitures identiques des particuliers. Sachant que la probabilit pour que ce genre de voitures soit en tat de rouler deux ans aprs est 0,8 ; calculer la probabilit

1) que les 5 voitures soient en tat de rouler deux ans aprs 2) que les 5 voitures soient hors service deux ans plus tard 3) que trois voitures soient hors service 4) que deux voitures au plus soient hors service

Solution

P = 0,8 Soit X le nombre de voitures en tat de rouler deux ans plus tard X : B(5 , 0,8) 1) 2) 3)
5 P ( X = 5) = C5 0,85 0, 255 = 0, 32768

P ( X = 0) = C50 0,80 0, 25 = 0, 00256 P ( X = 2) = C52 0,82 0, 25 2 = 0, 0512

4) P( X 3) = 1 [ P( X = 0) + P( X = 1) + P( X = 2) ]
1 P ( X = 1) = C5 0,810, 251 = 0, 0064

Donc

P( X 3) = 1 [ 0.00256 + 0.0064 + 0.0512] = 0.93984

Exemple 2

Une urne contient 10 boules blanches et 4 noires ; on tire en une seule fois trois boules de lurne ( tirage exhaustif). Soit Y le nombre de boules blanches obtenues 1) Donner la loi de Y 2) Calculer E(Y) et V(Y)

Solution N1 (Rouge) = 6 N2 (noire) = 4 dou N = 10 p = 0,6 et n = 3 le tirage est simultan donc :

1) Y : H(10 , 3 , 0,6) 2) E(X) = np = 30,6 = 1,8

V ( X ) = npq N n 10 3 7 = 3 0, 6 0, 4 = 0, 72 = 0,56 N 1 10 1 9

III. Loi de Poisson

Dfinition : On dit quune variable alatoire X valeurs dans N suit une loi de Poisson de paramtre m, si m tant un rel donn positif, la loi de X est dfinie par :

m !k
On la note P(m)

e = )k = X(P

....... 2, 1, 0 = k

On dmontre que :

e
k =0

mk =1 k!

III.1- Calcul pratique : Prenant

P ( X = k + 1) = e
et

m k +1 (k + 1)!

P( X = k ) = e
Prenant le rapport

mk k!

10

m k +1 e P ( X = k + 1) m (k + 1)! = = k P( X = k ) k +1 m m e k!
m

Ce qui implique

P ( X = k + 1) =
Par exemple X :P(2,2) on a :

m P( X = k ) k +1

P ( X = 0) = e 2,2 0,110803
P ( X = 1) = P ( x = 0)
P ( X = 2) = P( x = 1)

2, 2 0, 243767 1

2, 2 0, 268144 2

P ( X = 3) = P( x = 2)
etc.

2, 2 0,196639 3

III.2- les paramtres 1) E(X)

mk mk m = e k k! k! k =1

E ( X ) = ke
k =1 m

m k 1 = me k k 1 k =1

Posons k 1 = r

E( X) = me

mk k k! r =1
11

or Dou

r =0

mr m m 3 =1+m + + .......... = em r! 2! 3!

E ( X ) = me e = m
2) E(X2)

m m

E ( X ) = k e
k =0 -m

mk mk m = e k k! k! k =1

mk = e k (k 1)! k =1
Posons k 1 = r

E ( X ) = me

mr (r + 1) r! k =0

m m r mr m +e E ( X ) = m re r! r =0 r = 0 r!

Or

re
r =0

mr =m r!

Et Do

mr e m =1 r = 0 r!

E(X) = m(m + 1) = m + m V(X) = E(X) E(X) = m + m m = m Donc E(X) =V(X) = m

III.3- Processus de Poisson

12

Ltude de certains phnomnes alatoires qui sont dit suivre un processus de Poisson, permet dintroduire directement la loi de Poisson. Cest ainsi que le nombre dimpulsions que lon peut enregistrer par unit de temps est une variable alatoire qui suit une loi de Poisson. Lesprance mathmatique qui caractrise ce phnomne est le paramtre quil convient de connatre. Exemple : Le mouvement propre dun compteur mesur pendant 30 secondes est une variable alatoire qui suit une loi de Poisson de paramtre 10. Quelle est la probabilit dobserver un nombre dimpulsions compris dans lintervalle [8 ; 12] lors dun comptage de 30 secondes ? P(8 X 12) = P(X=8) + P(X=9) + P(X=10) + P(X=11) + P(X=12) = 01126 + 0,1251 + 0,1251 + 0,1137 + 0,0948 = 0,57

III.4- Lapproximation dune loi binomiale par une loi de Poisson Soit X une variable alatoire B(n ; P) ; on cherchera la limite de P(X=k) lorsque n tend vers linfini et P tend vers zro ; le produit nP tend vers une valeur finie m, on a : Considrons une loi binomiale Pk = Cnk p k q n k

supposons que n est

grand et p proche de zro et considrons deux termes successifs :

n! Pk = p k q nk k !(n k )! n! Pk 1 = p k 1q n k +1 (k 1)!(n k + 1)!

et prenons le rapport

13

n! Pk p k q nk n k +1 p k !(n k )! = = n! Pk 1 p k 1q n k +1 k q (k 1)!(n k + 1)!

Ce rapport scrire

k 1 1 Pk np n k + 1 np n ) ( = = Pk 1 k nq k q
n tant grand par suite
k 1 0 P tant proche de zro , q est voisin de 1 n

Pk np m = Pk 1 k k

Ecrivons ce rapport pour des valeurs successives de k :

k =1

P1 m = P = mP0 1 P0 1

k=2

P2 m m m2 = P2 = P = P0 1 P1 2 2 2

P3 m m m3 k =3 = P3 = P2 = P0 P2 3 3 23 k=4 P4 m m m4 m4 = P4 = P3 = P0 = P0 P3 4 4 2 3 4 4!

On voit que dans le cas gnral

mk Pk = P0 k!
Ecrivons alors la somme des probabilits qui gale un pour dterminer P0

14

m2 mk Pk = P0 + mP0 + 2! P0 + ..... + k ! + ..... = 1

m2 mk Pk = P0 (1 + m + 2! + .... + k ! + ...) = 1
Or la somme entre parenthse est la srie exponentielle :

m2 mk + .... + + ... = em 1+ m + k! 2!
Donc

P0 e m = 1 P0 = e m
mk k!

On obtient finalement :

P( X = k ) = e
avec m = np

Dans le cas pratique, on utilise ce rsultat chaque fois que p est proche de zro et n grand. Le tableau ci dessous une ide de lapproximation : B(300 , 10-2) P(X=0) P(X=1) P(X=2) P(X=3) P(X=4) P(X=5) P(X=6) P(X=7) P(X=8 0,0490 0,1486 0,2244 0,2252 0,1689 0,1010 0,0501 0,0212 0,0079 P(3) 0,0498 0,1493 0,2240 0,2240 0,1680 0,1008 0,0504 0,0216 0,0081

VI5 Somme de variables de Poisson indpendantes

15

Soit X :P(m1)

et Y : P(m2) et X est indpendant de Y alors

X+Y : P(m1 + m2) Ce rsultat stend un nombre quelconque de variables de Poisson :

P ( m ) = P ( m )
h =1 h h =1 h
EXTRAIT DES TABLES DE LA LOI DE POISSON P () Pr {X = k} =

mk k!

k 0 1 2 3 4 5 6 7 8 9

0,2

0,4

0,6

0,8

1,5

0,848 7 0,163 7 0,016 4 0,001 1

0,670 3 0,268 1 0,053 6 0,007 1 0,000 7 0,000 1

0,548 8 0,329 3 0,098 8 0,019 8 0,003 0 0,0004

0,449 3 0,359 5 0,143 8 0,038 3 0,007 7 0,001 2 0,000 2

0,367 9 0,367 9 0,183 9 0,061 3 0,015 3 0,003 1 0,000 5 0,000 1

0,223 1 0,334 7 0,251 0 0,125 5 0,047 1 0,014 1 0,003 5 0,000 1

0,135 3 0,270 7 0,270 7 0,180 4 0,090 2 0,036 1 0,012 0 0,003 4 0,000 9 0,000 2

k 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

2,5

3,5

4,5

10

0,082 1 0,205 2 0,256 5 0,313 6 0,133 6 0,066 8 0,027 8 0,009 9 0,003 1 0,000 9 0,000 2

0,049 8 0,149 4 0,224 0 0,224 0 0,168 0 0,100 8 0,050 4 0,021 6 0,008 1 0,002 7 0,000 8 0,000 2 0,000 1

0,030 2 0,105 7 0,185 0 0,215 8 0,188 8 0,132 2 0,077 1 0,038 5 0,016 9 0,006 6 0,002 3 0,000 7 0,000 2 0,000 1

0,018 3 0,073 2 0,146 5 0,195 4 0,195 4 0,156 3 0,104 2 0,059 5 0,029 8 0,013 2 0,005 3 0,001 9 0,000 6 0,000 2 0,000 1

0,011 1 0,050 0 0,112 5 0,168 7 0,189 8 0,170 8 0,128 1 0,082 4 0,046 3 0,023 2 0,010 4 0,004 3 0,001 6 0,000 6 0,000 2 0,000 1

0,006 7 0,033 7 0,084 2 0,140 4 0,175 5 0,175 5 0,146 2 0,104 4 0,065 3 0,036 3 0,018 1 0,008 2 0,003 4 0,001 3 0,000 5 0,000 2 0,000 1

0,000 0 0,000 5 0,002 3 0,007 6 0,018 9 0,037 8 0,063 1 0,090 1 0,112 6 0,125 1 0,125 1 0,113 7 0,094 8 0,072 9 0,052 1 0,034 7 0,021 7 0,012 8

16

EXTRAIT DE LA TABLE CUMULEE DE LA LOI DE POISSON P ()

Valeur de Pr {X > k} m = Constante

m k 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 1 2 3 4 5 6 7 8

0,632 0,264 0,080 0,019 0,004 0,001

0,865 0,594 0,323 0,143 0,053 0,017 0,005 0,001

0,950 0,801 0,577 0,353 0,185 0,084 0,034 0,012 0,004 0,001

0,982 0,908 0,762 0,567 0,371 0,215 0,111 0,051 0,021 0,008 0,003 0,001

0,993 0,960 0,875 0,735 0,560 0,384 0,238 0,133 0,068 0,032 0,014 0,005 0,002 0,001

0,998 0,983 0,938 0,849 0,715 0,554 0,394 0,256 0,153 0,084 0,043 0,020 0,009 0,004 0,001

0,999 0,993 0,970 0,918 0,827 0,699 0,550 0,401 0,271 0,170 0,099 0,053 0,027 0,013 0,006 0,002 0,001

0,999 0,997 0,986 0,968 0,900 0,809 0,687 0,547 0,407 0,283 0,184 0,112 0,064 0,034 0,017 0,008 0,004 0,002 0,001

17