Loi de Poisson

Exemple : Un centre d’appels reçoit en moyenne 4 appels par minute. On suppose que
le nombre d’appels reçus suit une loi de Poisson.
Quelle est la probabilité que le centre d’appels reçoive exactement 6 appels en une
minute ?
Solution :
La loi de Poisson est définie par la formule :
𝜆𝑘 𝑒 −𝜆
𝑃(𝑋 = 𝑘) =
𝑘!
où :
• 𝜆 est le nombre moyen d’événements (ici, 4 appels par minute),
• ( k ) est le nombre d’événements observés (ici, 6 appels),
• ( e ) est la base du logarithme naturel (environ 2.71828).
46 𝑒 −4
𝑃(𝑋 = 6) =
6!
4096 × 0.0183 74.9568
𝑃(𝑋 = 6) = ≈ ≈ 0.1041
720 720
La probabilité que le centre d’appels reçoive exactement 6 appels en une minute est
donc d’environ 0.1041, soit 10.41%.

Exemple : on considère une population composée d’un grand nombre d’individus

susceptibles de posséder un caractère C. soit p la proportion de ceux qui possèdent ce
caractère. On d’individus possédant le caractère C dans l’échantillon considéré.
1. Indiquer la loi de probabilité de Y
2. Présenter cette loi dans un tableau lorsque la taille de l’échantillon
devient 4 et p=0,5. En déduire la probabilité d’avoir au moins égale à
deux.
Exemple : considérer une distribution de probabilité de poisson avec 𝜆 = 3
a) Écrire la fonction de probabilité de poisson appropriée.
b) Calculer 𝑓(2)
c) Calculer 𝑓(1)
d) Calculer 𝑃(𝑥 ≥ 2)
Solution

Exemple : sachant que le nombre de communication téléphonique reçues par un

« standard » entre 10h et 12h est 108 par heure,
Calculer :
 1. La probabilité qu’entre 11h51 et 11h52, il y ait au moins deux appels
2. La probabilité pour qu’entre 10h32 et 10h34, il y ait moins de trois appels

Solution

Résolvons ce problème étape par étape.

1. D'abord, identifions qu'il s'agit d'un processus de Poisson car :

o Les appels sont indépendants
o Le taux moyen est constant
o On compte des événements sur un intervalle de temps
2. Calculons le paramètre λ pour 1 minute :
o 108 appels/heure = 108/60 = 1,8 appels/minute

Question 1 : Pour 1 minute (11h51-11h52)

• λ = 1,8
• P(X ≥ 2) = 1 - P(X ≤ 1)
• P(X ≤ 1) = P(X = 0) + P(X = 1)

Calculons :

• P(X = 0) = e^(-1,8) × 1,8^0 / 0! = e^(-1,8) ≈ 0,1653

• P(X = 1) = e^(-1,8) × 1,8^1 / 1! = 1,8e^(-1,8) ≈ 0,2975

Donc :

• P(X ≤ 1) = 0,1653 + 0,2975 = 0,4628

• P(X ≥ 2) = 1 - 0,4628 = 0,5372

Question 2 : Pour 2 minutes (10h32-10h34)

• λ = 1,8 × 2 = 3,6 (pour 2 minutes)

• P(X < 3) = P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2)

Calculons :

• P(X = 0) = e^(-3,6) × 3,6^0 / 0! ≈ 0,0273

• P(X = 1) = e^(-3,6) × 3,6^1 / 1! ≈ 0,0983
• P(X = 2) = e^(-3,6) × 3,6^2 / 2! ≈ 0,1770

Donc :

• P(X < 3) = 0,0273 + 0,0983 + 0,1770 = 0,3026

Les réponses sont :

 1. La probabilité d'avoir au moins deux appels entre 11h51 et 11h52 est d'environ
0,5372 soit 53,72%
2. La probabilité d'avoir moins de trois appels entre 10h32 et 10h34 est d'environ
0,3026 soit 30,26%

Loi exponentielle
Exemple: on considère un composant électronique dont la durée de vie suit une loi
exponentielle d’espérance mathématique 10 ans. Déterminer la densité, la fonction de
répartition et l’écart type. Calculer la probabilité qu’un tel composant ait une durée de
vie :
• Supérieure à 5 ans
• Supérieure à 10 ans
• Comprise entre 5 et 10 ans
Un composant électronique de ce type fonctionne déjà depuis 8 ans. Quelle est la
probabilité qu’il fonctionne encore au moins : 5 ans ? 10 ans ? Que remarque- t-on ?
Solution
En résumé, voici les résultats des probabilités calculées :

• Probabilité que la durée de vie soit supérieure à 5 ans : 0.6065.

• Probabilité que la durée de vie soit supérieure à 10 ans : 0.3679.
• Probabilité que la durée de vie soit comprise entre 5 et 10 ans : 0.2386.
• Probabilité qu'il fonctionne encore 5 ans après 8 ans : 0.6065.
• Probabilité qu'il fonctionne encore 10 ans après 8 ans : 0.3679.

Exemple : Sachant que la probabilité pour un individu d’avoir une mauvaise réaction à la suite
de l’injection d’un sérum est de 0,001 ; déterminer la probabilité que sur un contingent de 2.000
personnes vaccinées, il y en ait au plus trois qui supportent mal l’injection.

Solution : Un individu ayant été vacciné peut se comporter de deux façons :

1
- Avoir une mauvaise réaction p =
1000
999
- Avoir une bonne réaction avec la probabilité q =
1000
L’épreuve constituée par l’application du vaccin est répétée n = 2000 fois. Le phénomène obéît
1
ainsi à une loi binomiale B ( , 2000).
1000
1
Le paramètre p est petit : p <
10
Le paramètre (1 – p) est voisin de 1.
Le paramètre n est très grand : n = 2000 > 30
Nous pouvons alors approximer la loi binomiale par une loi de Poisson P(  = n.p)
1
 = 2000* = 2.
1000

−2 2k
Le phénomène peut donc être représenté par la loi P(2). P(X = k) = e
k!
La probabilité pour que 3 personnes au plus réagissent d’une façon non satisfaisante au vaccin
est : p(X  3) = p(X = 0) + p(X = 1) + p(X = 2) + p(X = 3)
 −2 20 −2 21
p(X = 0) = e = 0,13534 p(X = 1) = e = 0,27068
0! 1!
−2 22 −2 23
p(X = 2) = e = 0,27068 p(X = 3) = e = 0,18045
2! 3!
p(X  3) = 0,13534 + 0,27068 + 0,27068 + 0,18045 p(X  3) = 0,85715

Il y a approximativement 86 chances sur 100 pour que trois personnes au plus réagissent d’une
façon anormale au vaccin.

Les lois usuelles continues

Loi uniforme
Exercice
Soit (X) une variable aléatoire continue uniformément répartie sur l’intervalle ([2, 5]).
1. Trouver la fonction de densité de probabilité (f.d.p.) de (X).
2. Calculer la probabilité que (X) prenne une valeur entre 3 et 4.
3. Déterminer l’espérance et la variance de (X).

Solution
1. Fonction de Densité de Probabilité (f.d.p.)
Pour une variable aléatoire continue (X) uniformément répartie sur l’intervalle ([a, b]),
la fonction de densité de probabilité est donnée par :

2. Probabilité que (X) prenne une valeur entre 3 et 4

La probabilité que (X) soit entre 3 et 4 est donnée par l’intégrale de la fonction de
densité de probabilité sur cet intervalle :
Donc, la probabilité que (X) prenne une valeur entre 3 et 4 est 1/3
3. Espérance et Variance
Pour une variable aléatoire continue uniformément répartie sur ([a, b]), l’espérance
(E(X)) et la variance (Var(X)) sont données par :

Donc, l’espérance de (X) est 3.5 et la variance est 0.75

• Loi normale ou loi de Laplace-Gauss

• Loi normale centrée et réduite
Exemple : Soit 𝑇 une variable aléatoire continue de loi normale centrée réduite.
Déterminer les probabilités suivantes :
• P(−1 < 𝑇 < 2), P(−1 ≤ 𝑇 < 1)
• Déterminer ℎ tel que P(|𝑇| ≤ ℎ) = 0,95
• Exprimer en fonction de Π(t) la probabilité P(|𝑇| > 𝑡)
Solution
Exemple : la société d’exploitation forestière THANRY SA dispose de deux ateliers.
On admettra que la production de ces deux ateliers est normale et indépendante. Le
premier a en moyenne une production journalière de 2000 tonnes avec un écart type de
150 tonnes. Le deuxième atelier dispose d’une capacité de production journalière
moyenne de 3000 tonnes avec un écart type de 200 tonnes. Quelle est la probabilité que
la production journalière n’excède pas 5200 tonnes.
Solution
Chapitre échantillonnage
Exemple : une machine fabrique des billes d’un diamètre moyen de 40 m avec un écart-
type d’un mètre. La machine fonctionne plusieurs mois et on considère sa production
N comme infinie. On contrôle la production en prenant au hasard des échantillons de
100/n billes. Soit 𝑋̅ la variable aléatoire qui prend pour valeur la moyenne des
diamètres des billes constituants les divers échantillons.

1- Calculer l’écart-type de la distribution d’échantillonnage des moyennes 𝜎(𝑋̅)

2- Déterminer la loi de probabilité de 𝑋̅
3- Calculer la probabilité que 𝑋̅ prenne une valeur d’au moins de 40 mm

Solution

Je vais résoudre ce problème étape par étape.

Données importantes :

• μ = 40 mm (moyenne de la population)
• σ = 1 mm (écart-type de la population)
• n = 100 (taille de l'échantillon)
• Population considérée comme infinie
• Ȳ = moyenne des échantillons

1. Calcul de l'écart-type de la distribution d'échantillonnage (σȲ)

• Pour une distribution d'échantillonnage des moyennes :

• σȲ = σ/√n
• σȲ = 1/√100
• σȲ = 1/10 = 0,1 mm

2. Loi de probabilité de Ȳ
 • D'après le théorème central limite (TCL) :
• Comme n ≥ 30 et la population est considérée infinie
• Ȳ suit une loi normale N(μ, σ/√n)
• Donc Ȳ ~ N(40, 0,1)

3. Calcul de P(Ȳ ≥ 40)

• On standardise d'abord : Z = (Ȳ - μ)/(σ/√n)

• P(Ȳ ≥ 40) = P(Z ≥ (40 - 40)/0,1)
• P(Ȳ ≥ 40) = P(Z ≥ 0)
• D'après la table de la loi normale centrée réduite :
• P(Z ≥ 0) = 0,5

Les résultats sont :

1. σȲ = 0,1 mm
2. Ȳ suit une loi normale N(40, 0,1)
3. P(Ȳ ≥ 40) = 0,5 soit 50%

Interprétation :

• L'écart-type de la distribution d'échantillonnage (0,1 mm) est plus petit que celui
de la population (1 mm), ce qui montre que les moyennes d'échantillons sont
plus concentrées autour de la moyenne que les valeurs individuelles.
• La distribution suit une loi normale (TCL)
• Il y a 50% de chances que la moyenne d'un échantillon soit supérieure ou égale
à 40 mm, ce qui est logique car 40 mm est la moyenne de la population.

Exemple : une machine fabrique des pièces. Il y a en moyenne 4% de la production qui

est défectueuse. Les pièces sont livrées dans caisses de 1000 sans contrôle. En
supposant la production infinie, quelle est la probabilité qu’une caisse contienne une
proportion des pièces défectueuses qui soit :

a) Supérieure à 2%
b) Inférieure à 5%

Solution

Je vais résoudre ce problème étape par étape.

Données importantes :

• p = 0,04 (4% de pièces défectueuses)

• n = 1000 (taille de l'échantillon/caisse)
• Population considérée comme infinie
• On s'intéresse à la proportion P̂ de pièces défectueuses
 1. Identifions la loi suivie par P̂ :

• D'après le TCL pour les proportions :

• P̂ suit approximativement une loi normale car :
o n est grand (> 30)
o n×p = 1000×0,04 = 40 > 5
o n×(1-p) = 1000×0,96 = 960 > 5
• ̂P ~ N(p, √(p(1-p)/n))
• P̂ ~ N(0,04, √(0,04×0,96/1000))
• P̂ ~ N(0,04, 0,00619)

2. a) Calculons P(P̂ > 0,02)

• On standardise : Z = (P̂ - p)/√(p(1-p)/n)

• P(P̂ > 0,02) = P(Z > (0,02 - 0,04)/0,00619)
• P(P̂ > 0,02) = P(Z > -3,23)
• D'après la table de la loi normale centrée réduite :
• P(Z > -3,23) = 1 - P(Z < -3,23)
• P(Z > -3,23) ≈ 0,9994 soit 99,94%

3. b) Calculons P(P̂ < 0,05)

• On standardise de même :
• P(P̂ < 0,05) = P(Z < (0,05 - 0,04)/0,00619)
• P(P̂ < 0,05) = P(Z < 1,62)
• D'après la table :
• P(Z < 1,62) ≈ 0,9474 soit 94,74%

Les résultats sont : a) P(P̂ > 0,02) ≈ 99,94% b) P(P̂ < 0,05) ≈ 94,74%

Interprétation :

• Il y a environ 99,94% de chances qu'une caisse contienne plus de 2% de pièces

défectueuses
• Il y a environ 94,74% de chances qu'une caisse contienne moins de 5% de pièces
défectueuses
• Ces résultats sont cohérents car la moyenne est de 4%, donc il est très probable
d'avoir entre 2% et 5% de pièces défectueuses dans une caisse.

Echantillonnage à partir d’une population infinie (EASI)

Exemple : Considérer une population finie composée de cinq éléments notés A, B, C,
D et E. Dix échantillons aléatoires simples de taille égale à deux (2) peuvent être
sélectionnés.
a) Énumérer les dix échantillons en commençant avec AB, AC etc.
b) En utilisant la procédure d’échantillonnage aléatoire simple, quelle est la
probabilité pour chaque échantillon de taille deux d’être sélectionner ?
Supposez que le nombre aléatoire 1 correspond à A, le nombre aléatoire 2 correspond
à B etc. Définir l’échantillon aléatoire de taille deux qui sera sélectionné en utilisant les
chiffres 8 0 5 7 5 3 2.
Solution

a) Énumérer les dix échantillons de taille deux

Étant donné une population finie composée de cinq éléments notés A,B,C,D,EA, B, C,
D, EA,B,C,D,E, on peut énumérer les différents échantillons de taille deux en prenant
toutes les combinaisons possibles d'éléments distincts. Cela peut être fait comme suit :

1. AB
2. AC
3. AD
4. AE
5. BC
6. BD
7. BE
8. CD
9. CE
10. DE

Cela donne en tout 10 échantillons distincts.

Pour vérifier que nous n'avons oublié aucun échantillon, nous pouvons calculer le
nombre de combinaisons possible : C(5,2) = 5!/(2!(5-2)!) = (5×4)/(2×1) = 10

b) Probabilité pour chaque échantillon de taille deux d'être sélectionné

Puisque les échantillons sont choisis de manière aléatoire et sans remise, la probabilité
pour chaque échantillon de taille deux d'être sélectionné est égale. Il y a 10 échantillons
possibles, et donc la probabilité d'en sélectionner un en particulier est :

P(un échantillon donné)=1/10

c) Définir l’échantillon aléatoire de taille deux avec les chiffres 8 0 5 7 5 3

2

L'échantillonnage aléatoire simple avec une population de cinq éléments A,B,C,D,EA,

B, C, D, EA,B,C,D,E et un nombre aléatoire de 1 à 5 est effectué en utilisant les chiffres
donnés. Nous devons affecter les chiffres aux lettres de la population de la manière
suivante :

• 1→A
• 2→B
• 3→C
• 4→D
• 5→E

Les chiffres donnés sont : 8, 0, 5, 7, 5, 3, 2. On va examiner chaque chiffre et utiliser la

procédure suivante :
 1. Ignorer les chiffres qui ne correspondent pas aux numéros entre 1 et 5 (c'est-à-
dire 0, 6, 7, 8, etc.).
2. Lorsque nous rencontrons un chiffre valide (entre 1 et 5), nous utilisons ce
chiffre pour déterminer une lettre.
3. Continuer jusqu'à ce que nous ayons trouvé un échantillon de taille deux.

Application des chiffres :

• Le premier chiffre est 8, qui est hors de l'intervalle 1-5, donc on l'ignore.
• Le deuxième chiffre est 0, qui est aussi hors de l'intervalle, donc on l'ignore.
• Le troisième chiffre est 5, donc l'élément sélectionné est EEE.
• Le quatrième chiffre est 7, qui est hors de l'intervalle, donc on l'ignore.
• Le cinquième chiffre est 5, donc l'élément sélectionné est EEE à nouveau (mais
on veut un échantillon de deux éléments distincts).
• Le sixième chiffre est 3, donc l'élément sélectionné est CCC.

Donc, l'échantillon sélectionné est ECECEC.

Conclusion :

L'échantillon aléatoire de taille deux sélectionné avec les chiffres 8, 0, 5, 7, 5, 3, 2 est

ECECEC.

Solution 2

Résolvons cet exercice étape par étape.

a) Énumérons les 10 échantillons possibles de taille 2 :

1. AB
2. AC
3. AD
4. AE
5. BC
6. BD
7. BE
8. CD
9. CE
10. DE

Pour vérifier que nous n'avons oublié aucun échantillon, nous pouvons calculer le
nombre de combinaisons possible : C(5,2) = 5!/(2!(5-2)!) = (5×4)/(2×1) = 10

b) Dans un échantillonnage aléatoire simple, chaque échantillon a la même probabilité

d'être sélectionné. Donc, la probabilité pour chaque échantillon est : P(échantillon) =
1/10 = 0,1 soit 10%

c) Pour la sélection avec les nombres aléatoires 8 0 5 7 5 3 2 :

 • A=1
• B=2
• C=3
• D=4
• E=5

Règles :

• On doit obtenir 2 nombres différents entre 1 et 5

• On lit les nombres de gauche à droite
• On ignore les nombres > 5
• On ignore les répétitions pour le second nombre

Lecture des nombres : 8 0 5 7 5 3 2

• 8 : ignoré (> 5)
• 0 : ignoré (< 1)
• 5 : premier nombre valide → E
• 7 : ignoré (> 5)
• 5 : ignoré (répétition)
• 3 : second nombre valide → C
• 2 : ignoré (on a déjà nos deux nombres)

L'échantillon sélectionné est donc EC (ou CE, car l'ordre n'importe pas dans un
échantillon).

Estimation
Exercice 1: On effectue 100 tirages indépendants dans une population afin de
constituer un échantillon. On veut estimer la valeur moyenne de la variable aléatoire X.

Dans l’échantillon, la moyenne est X = 10 et la variance  e2 = 9,06. Estimer m au seuil

de confiance 95% (seuil de risque 5%).

Solution

1. Données du problème :

• Taille de l'échantillon n = 100

• Moyenne de l'échantillon x̄ = 10
• Variance de l'échantillon s² = 9,06
• Niveau de confiance = 95% (donc α = 0,05)

2. Pour un intervalle de confiance de la moyenne avec grand échantillon (n ≥ 30),

on utilise la formule : [x̄ - z₁₋α/2 × (s/√n) ; x̄ + z₁₋α/2 × (s/√n)]
3. Pour α = 0,05 :

• z₁₋α/2 = z₀.₉₇₅ = 1,96 (valeur de la table de la loi normale centrée réduite)

 4. Calculons l'écart-type s : s = √9,06 = 3,01
5. Application de la formule :

• Marge d'erreur = 1,96 × (3,01/√100)

• Marge d'erreur = 1,96 × (3,01/10)
• Marge d'erreur = 1,96 × 0,301
• Marge d'erreur = 0,59

6. L'intervalle de confiance est donc : [10 - 0,59 ; 10 + 0,59] [9,41 ; 10,59]

On peut donc dire avec un niveau de confiance de 95% que la moyenne m de la

population est comprise entre 9,41 et 10,59.

Estimation par intervalle de confiance d’une proportion ou fréquence.

Exercice : Un sondage effectué sur 200 personnes révèle que 38% des personnes
interrogées ne changent leur brosse à dent qu’une fois par an. Estimer le pourcentage
de la population qui ne change de brosse qu’une fois par an avec respectivement un
risque de 5%, 10%.

Solution

Données :

• Taille de l'échantillon n = 200

• Proportion observée p = 38% = 0,38
• Risques α = 5% et 10%

1. Pour α = 5% :

• z₁₋α/2 = z₀.₉₇₅ = 1,96

La formule de l'intervalle de confiance pour une proportion est :

[p - z₁₋α/2 × √(p(1-p)/n) ; p + z₁₋α/2 × √(p(1-p)/n)]

Calcul :

• √(p(1-p)/n) = √(0,38 × 0,62/200) = √(0,2356/200) = √0,001178 = 0,0343

• Marge d'erreur = 1,96 × 0,0343 = 0,0672

IC à 95% = [0,38 - 0,0672 ; 0,38 + 0,0672] = [0,3128 ; 0,4472] = [31,28% ; 44,72%]

2. Pour α = 10% :

• z₁₋α/2 = z₀.₉₅ = 1,645

Calcul :
 • Même écart-type = 0,0343
• Marge d'erreur = 1,645 × 0,0343 = 0,0564

IC à 90% = [0,38 - 0,0564 ; 0,38 + 0,0564] = [0,3236 ; 0,4364] = [32,36% ; 43,64%]

Conclusion :

• Avec un risque de 5%, on peut estimer que la proportion de la population qui

ne change sa brosse à dents qu'une fois par an est comprise entre 31,28% et
44,72%.
• Avec un risque de 10%, cette proportion est comprise entre 32,36% et 43,64%.

Comme attendu, l'intervalle est plus étroit avec un risque de 10% qu'avec un risque de
5%.

Estimation ponctuelle
Exercise
We want to estimate the probability distribution of the life of car’s engines. 125 engines
are followed and reports the number of kilometers traveled before complete revision.
Denoting by X the number of km traveled, was found in this sample (in thousands of
KM) :

∑ 𝑥𝑖 = 8750

∑(𝑥𝑖 − 𝑥̅ )2 = 28125

1. Assuming that probabilty distribution of X is normal, estimate the

parameters
2. The probability distribution of X is assumed to be that determined by
the calaculation above life of engines. For this, it’s taken in the
manufactue of a new sample 9 engines and operating times abtained
with the new lubricant is over What is the probability distribution of the
average (𝑋̅) of a sample ?

Exercice
On veut estimer la distribution de probabilité de la durée de vie des moteurs de voitures.
125 moteurs sont suivis et rapportent le nombre de kilomètres parcourus avant révision
complète. En désignant par X le nombre de km parcourus, on trouve dans cet
échantillon (en milliers de KM) :
∑ 𝑥𝑖 = 8750
∑(𝑥𝑖 − 𝑥̅ )2 = 28125
 1. En supposant que la distribution de probabilité de X est normale, estimez les
paramètres.
2. La distribution de probabilité de X est supposée être celle déterminée par le
calcul ci-dessus de la durée de vie des moteurs. Pour cela, on prend dans la
fabrication d'un nouvel échantillon 9 moteurs et les temps de fonctionnement
obtenus avec le nouveau lubrifiant sont terminés. Quelle est la distribution de
probabilité de la moyenne (X ̅) d'un échantillon ?
Solution
Construction de l'intervalle de confiance pour la moyenne 𝑚

Exercise
We want to estimate the average drying time of a new painting. This time is a variable
X which is distributed according to a normal distribution. Assuming the known
standard deviation (𝜎 = 10 min ), to estimate the mean m, 25 surfaces of the same size
are be painted and yield an average drying time equal no 65 minutes. Construct a
confidence interval with confidence level 0,95 for the average drying time of the paint.
Exercice
On veut estimer le temps de séchage moyen d'une nouvelle peinture. Ce temps est une
variable X qui est distribuée selon une loi normale. En supposant l'écart-type connu
(σ=10 min), pour estimer la moyenne m, 25 surfaces de même taille sont peintes et
donnent un temps de séchage moyen égal à 65 minutes. Construisez un intervalle de
confiance avec un niveau de confiance de 0,95 pour le temps de séchage moyen de la
peinture.