Upload
ecohanae
View
218
Download
0
Embed Size (px)
Citation preview
7/31/2019 Chapitre IV Lois Usuelles Discrtes
1/17
1
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 Akest la somme de chacune des vnement ; sa probabilit est pkq
n-k
et elle se ralise de plusieurs manires do :
( )
0,1,2....
k k n k
nP X k C p q
k n
= =
=
Dfinition : On dit quune variable alatoire X valeurs dans N suit une loi binomiale
si sa loi de probabilit est donne par :
( )
0,1,2....
k k n k
nP X k C p q
k n
= =
=
Montrons quil sagit bien dune loi de probabilit
0
( ) 1n
k k n k n
n
k
C p q p q
=
= + =
7/31/2019 Chapitre IV Lois Usuelles Discrtes
2/17
2
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) =
n
1k
knkkn
n
0k
knkkn qpkCqpkC
kn1kn
1k
knkn
1k
qp)!kn()!1k(
)!1n(np
qp)kn(!k
!nk
Posons n 1 = m et k 1 = r alors
E(X) = rmrn
0r
qp)!rm(!r
!mnp
Or
p-1qpuisque1)qp(
qpCqp)!rm(!r
!m
m
m
0r
rmrrm
rmrn
0r
Donc E(X) = np
2) La variancen
1r
knkkn
n
0k
knkkn qpCkqpCk)X(E
Posons k 1 = r et n 1 = m
7/31/2019 Chapitre IV Lois Usuelles Discrtes
3/17
3
m
0r
m
0r
rmrrmr
n
0k
rmr
qpr)!-(mr!
m!rqp
r)!-(mr!
m!rnp
qp)rm(!r
!m)1r(np)X(E
Orm
0r
rmrqpr)!-(mr!
m!r est lesprance mathmatique dune binomiale de
paramtre m et p donc il est gal mp et
m
0r
rmr 1)qpr)!-(mr!
m!(r
Do E(X) = np(mp + 1) = np((n 1) + 1)
= np - np + npV(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
7/31/2019 Chapitre IV Lois Usuelles Discrtes
4/17
4
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)
7/31/2019 Chapitre IV Lois Usuelles Discrtes
5/17
5
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
1 2( )
k n k
N N
n
N
C CP X k
C
= =
avec N1 + N2 = N
o k, n , N1 et N2 sont des entiers positifs tels que :
0 n N 0 k n 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)
7/31/2019 Chapitre IV Lois Usuelles Discrtes
6/17
6
1) E(X)
1 2 1 2
1 2
2
0 1
1
1 1
1 1
1 1 1
1
( )
N
N !
!( )!
N
k n k k n k nN N N N
n nk kN N
k n k
N NnkN
nn k
NnkN
kC C kC C
E X C C
kC C
C N
k NC
C N k N k
= =
=
=
= =
=
=
=
2
1
1 1
( 1)!( 1)!( )!
n
n kNn
kN
N CC k N k
=
posons k 1 = Z
1 2
111
1
0
1 1
1 N-1 1 1
1
11
( )
N C
( 1)!
( 1)!( 1)!( ) or N Np
!
!( )!
nZ n Z
N NnZN
n n
N
n n
N N
NE X C C
C
N C
C C
NN
nNn NE X
N N
n N n
=
=
= =
= = =
Donc E(X) =N
nNp= np elle est la mme que celle dune loi binomiale
2) V(X) :
Calculons :
E(X(X 1)) =1 2
1 2 2
0
( 1)( 1)
nk n k
k n k N NnN N k
n nk N N
k k C C k k C C
C C
=
=
=
7/31/2019 Chapitre IV Lois Usuelles Discrtes
7/17
7
1 2
2
1 2
1 1
2 1 1
1 1 1
2 1
21 12
2
( 1) ( 1)
( 1)
( 1) ( 2)!
( 2)!( )!( 1)
nk n k
N NnkN
nn k
NnkN
nk n k
N NnkN
N N k kC C
C N N
N N NC
C k N k
N NC C
C
=
=
=
=
=
=
Posons k 2 = m
E(X(X 1)) =1 2
221 1
2
0
( 1) n m n mN Nn
mN
N NC C
C
=
E(X(X 1)) =
21 1
2
( 1) nNn
N
N N
CC
1 1
1 1
( 2)!( 1)
( 1) ( 1)( 2)!( )!
! ( 1)
!( )!
NN N
N N n nn N n
N N N
n N n
= =
Remplaons N1 par NP
E(X(X 1)) = NP(NP 1)) x1N
)1n)(1NP(np
N
nx
1N
1n
E(X(X 1)) = E(X) E(X) or :
E(X) = E[X(X 1)] + E(X) = np1N
)1n)(1NP(np
V(X) = pnnp1N
)1n)(1NP(np
1N
)1N(pn)1N(np)1n)(1NP(np
V(X) =[( 1)( 1) 1 ( 1)]
1
np NP n N np N
N
+
1N
)nN)(p1(np
1N
)]P1(n)p1(N[np
1N
)]P1(n)p1(N[np
1N
)]nPnPN1N1NPnNPn[np
7/31/2019 Chapitre IV Lois Usuelles Discrtes
8/17
8
Or 1 p = q
Dou
V(X) =1N
nNnpq
O le rapport1
N n
N
est appel coefficient dexhaustivit
II.3 . Approximation dune loi Hypergomtrique par une loi Binomiale
Rappelant qui si X : B( n , p) avec E(X) = np et V(X) = npq
Et si Y : H(N , n p) avec E(X) = np et V(X) = npq1
N n
N
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
1 /
1 1 1/
N n
n NN
N NN
=
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
1
N n
N
tend vers 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
7/31/2019 Chapitre IV Lois Usuelles Discrtes
9/17
9
1) que les 5 voitures soient en tat de rouler deux ans aprs2) que les 5 voitures soient hors service deux ans plus tard3) que trois voitures soient hors service4) 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)5 5 5 5
5( 5) 0,8 0, 2 0,32768P X C= = =
2)0 0 5
5( 0) 0,8 0, 2 0,00256P X C= = =
3)2 2 5 2
5( 2) 0,8 0, 2 0,0512P X C= = =
4) [ ]( 3) 1 ( 0) ( 1) ( 2)P X P X P X P X = = + = + =
1 1 5 1
5( 1) 0,8 0, 2 0,0064P X C= = =
Donc
[ ]( 3) 1 0.00256 0.0064 0.0512 0.93984P X = + + =
Exemple 2
Une urne contient 10 boules blanches et 4 noires ; on tire en une seule fois trois boulesde lurne ( tirage exhaustif). Soit Y le nombre de boules blanches obtenues
1) Donner la loi de Y2) 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 :
7/31/2019 Chapitre IV Lois Usuelles Discrtes
10/17
10
1) Y : H(10 , 3 , 0,6)2) E(X) = np = 30,6 = 1,8
10 3 7( ) 3 0,6 0,4 0,72 0,56
1 10 1 9
N nV X npq
N
= = = =
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 :
()!
k=0,1,2.......
k
mmPXke
k
==
On la note P(m)
On dmontre que :
0
1!
km
k
me
k
=
=
III.1- Calcul pratique :
Prenant1
( 1)( 1)!
km m
P X k ek
+= + =
+
et
( )!
km m
P X k ek
= =
Prenant le rapport
7/31/2019 Chapitre IV Lois Usuelles Discrtes
11/17
11
1
( 1) ( 1)!
( ) 1
!
km
km
me
P X k mk
mP X k k
e k
+
= + += =
= +
Ce qui implique
( 1) ( )1
mP X k P X k
k= + = =
+
Par exemple
X :P(2,2) on a :
2,2( 0) 0,110803P X e= =
2,2( 1) ( 0) 0,243767
1P X P x= = =
2,2( 2) ( 1) 0,268144
2P X P x= = =
2,2( 3) ( 2) 0,1966393
P X P x= = =
etc.
III.2- les paramtres
1) E(X)
1 1
1
1
( )! !
1
k k
m m
k k
km
k
m mE X ke e kk k
mme k
k
= =
=
= =
=
Posons k 1 = r
1r
km
!k
mkme)X(E
7/31/2019 Chapitre IV Lois Usuelles Discrtes
12/17
12
orm
3
0r
r
e..........!3
m
!2
mm1
!r
m
Dou
( ) m mE X me e m= =
2) E(X2)
=
=
=
=
==
1
m-
10
)!1(e
!
!)(
k
k
k
km
k
km
k
mk
k
mke
k
mekXE
Posons k 1 = r
+=
+=
=
=
=
00
0
!!
)(
!)1()(
r
rm
r
r
m
k
rm
r
me
r
mremXE
r
mrmeXE
Orm
r
mre
r
rm =
=
0 !
Et
=
=
0
1!r
rm
r
me
Do
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
7/31/2019 Chapitre IV Lois Usuelles Discrtes
13/17
13
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 k k n k k nP C p q= supposons que n est
grand et p proche de zro et considrons deux termes successifs :
!
!( )!
k n k
k
n
P p qk n k
=
1 1
1
!
( 1)!( 1)!
k n k
k
nP p q
k n k
+ = +
et prenons le rapport
7/31/2019 Chapitre IV Lois Usuelles Discrtes
14/17
14
1 1
1
!
1!( )!
!
( 1)!( 1)!
k n k
k
k n k
k
n
P p q n k pk n k
nP p q k q
k n k
+
+= =
+
Ce rapport scrire
1
11
1( )k
k
k
P np n k np n
P k nq k q
+
= =
n tant grand1
0k
n
P tant proche de zro , q est voisin de 1
par suite1
k
k
P np m
P k k =
Ecrivons ce rapport pour des valeurs successives de k :
11 0
0
P1
P 1
mk P mP= = =
22
2 1 0
1
P2
P 2 2 2
m m mk P P P= = = =
3
33 2 0
2
P3
P 3 3 2 3
m m mk P P P= = = =
4 4
44 3 0 0
3
P4P 4 4 2 3 4 4!
m m m mk P P P P= = = = =
On voit que dans le cas gnral
0!
k
k
mP P
k=
Ecrivons alors la somme des probabilits qui gale un pour dterminer P0
7/31/2019 Chapitre IV Lois Usuelles Discrtes
15/17
15
2
0 0 0..... ..... 1
2! !
k
k
m mP P mP P
k= + + + + + =
2
0 (1 .... ...) 12! !
k
k
m mP P m
k= + + + + + = Or la somme entre parenthse est la srie exponentielle :
2
1 .... ...2! !
kmm m
m ek
+ + + + + =
Donc 0 01m m
P e P e= =
On obtient finalement :
( )!
km m
P X k ek
= =
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(3)
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
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
7/31/2019 Chapitre IV Lois Usuelles Discrtes
16/17
16
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 :
EXTRAIT DES TABLES DE LA LOI DE POISSON ( )
Pr {X = k} =!
km
ek
k
0,2 0,4 0,6 0,8 1 1,5 2
0
1
2
3
4
5
6
7
8
9
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
2,5 3 3,5 4 4,5 5 10
0
1
2
3
4
5
6
78
9
10
11
12
13
14
15
16
17
0,082 1
0,205 2
0,256 5
0,313 6
0,133 6
0,066 8
0,027 8
0,009 90,003 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 60,008 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 50,016 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 50,029 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 40,046 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 40,065 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 10,112 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
1 1
( ) ( )k k
h h
h h
P m P m= =
=
7/31/2019 Chapitre IV Lois Usuelles Discrtes
17/17
17
EXTRAIT DE LA TABLE CUMULEE DE LA LOI DE POISSON ( )
Valeur de Pr {X > k} m = Constante
mk 1 2 3 4 5 6 7 8
0
12
3
4
5
6
7
8
9
10
11
12
13
14
1516
17
18
0,632
0,2640,080
0,019
0,004
0,001
0,865
0,5940,323
0,143
0,053
0,017
0,005
0,001
0,950
0,8010,577
0,353
0,185
0,084
0,034
0,012
0,004
0,001
0,982
0,9080,762
0,567
0,371
0,215
0,111
0,051
0,021
0,008
0,003
0,001
0,993
0,9600,875
0,735
0,560
0,384
0,238
0,133
0,068
0,032
0,014
0,005
0,002
0,001
0,998
0,9830,938
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
0,9930,970
0,918
0,827
0,699
0,550
0,401
0,271
0,170
0,099
0,053
0,027
0,013
0,006
0,0020,001
0,999
0,9970,986
0,968
0,900
0,809
0,687
0,547
0,407
0,283
0,184
0,112
0,064
0,034
0,017
0,0080,004
0,002
0,001