Cours de probabilité

SEG S2

Mohamed BELAM
Février 2020
Faculté Polydisciplinaire de Khouribga
Université Sultan Moulay Slimane
Plan

1. Prérequis - Dénombrement - Théorie des ensembles

2. Introduction au calcul des probabilités

3. Probabilités conditionnelles

4. Variables aléatoires et lois de probabilités

5. Lois usuelles

1
Prérequis - Dénombrement -
Théorie des ensembles
1) Dénombrement. Analyse combinatoire

1.1. Principe multiplicatif

Propostion
Soit E une expérience qui comporte 2 étapes : la 1ère a p
résultats possibles et la 2ème a q résultats. Alors l’expérience a
p × q résultats possibles.

Exemples
1. On jette un dé 3 fois successives. Combien y-a-t-il de
résultats possibles ?
2. Une urne contient (1R, 1B, 1N, 1V) . On effectue 2
tirages successifs avec remise. Combien y-a-t-il de
résultats possibles ?

2
Propostion
Si une expérience E consiste à répéter n fois de façon
indépendante une même expérience E0 qui a p résultats
possibles, alors le nombre de résultats de E est :

pn = p × p × · · · × p
| {z }
n fois

3
1.2. Permutations sans répétitions

Définition
Si Pn est le nombre de permutations de n éléments alors :

Pn = n!

Exemples
1. On a 3 lettres a, b, c; les permutations sont les
sous-ensembles ordonnés de {a, b, c}.
2. De combien de manière peut-on classer 4 individus ?
3. Une maîtresse de maison doit placer 6 personnes autour
d’une table ronde.
Combien a-t-elle de possibilités ?

4
1.3. Les arrangements sans répétition

Définition
Un arrangement de p éléments parmi n est une disposition
ordonnée sans répétition de p éléments.
(une façon de ranger p éléments pris parmi n en tenant
compte de l’ordre)

Propostion
Le nombre d’arrangement de p éléments parmi n est :
n!
Apn =
(n − p)!

5
Exemples
1. Pour accéder à une banque de données, il faut 4 lettres
différentes. Combien de mots de passe peut-on avoir ?
2. 12 candidats se présentent aux élections d’un conseil
d’administration comportant 8 places différentes.
Combien y-a-t-il de listes possibles ?

6
Exemples
1. Pour accéder à une banque de données, il faut 4 lettres
différentes. Combien de mots de passe peut-on avoir ?
2. 12 candidats se présentent aux élections d’un conseil
d’administration comportant 8 places différentes.
Combien y-a-t-il de listes possibles ?

Remarque
Qu’est-ce qu’un arrangement avec répétition de p éléments
parmi n ?

6
Exemples
1. Pour accéder à une banque de données, il faut 4 lettres
différentes. Combien de mots de passe peut-on avoir ?
2. 12 candidats se présentent aux élections d’un conseil
d’administration comportant 8 places différentes.
Combien y-a-t-il de listes possibles ?

Remarque
Qu’est-ce qu’un arrangement avec répétition de p éléments
parmi n ?
C’est une disposition ordonnée de p éléments parmi n avec
autant de répétition que l’on souhaite.
Le nombre d’arrangements avec répétition est de np .

6
Exemple
Un code PIN est composé de 4 chifres. Combien de codes
peut-on former?

7
1.4. Combinaisons sans répétitions

Définition
Une combinaison de p éléments parmi n est une disposition
non ordonnée de p éléments parmi n. (sous ensembles de p
éléments parmi n )

Remarque
• Arrangement : on tient compte de l’ordre
• Combinaison : on ne tient pas compte de l’ordre.

8
Propostion
Le nombre de combinaisons de p éléments parmi n est :
n!
Cnp =
(n − p)!p!

Exemple
Une urne contient 6 boules numérotées de 1 à 6. On tire 2
boules simultanément. Combien peut-on avoir de possibilitées?

Remarque
On tire p boules parmi n :
• Simultanément =⇒ Cnp .
• Successivement sans remise =⇒ Apn .
• Successivement avec remise =⇒ np .

9
Exemples
1. Pour accéder à une banque de données, il faut 4 lettres.
Combien de mots de passe peut-on avoir ?
2. 12 candidats se présentent aux élections d’un conseil
d’administration comportant 8 places différentes.
Combien y-a-t-il de listes possibles ?

10
Propriétés

∗ Cn0 = Cnn = 1 ; Cnk = Cnn−k ; ∀n ∈ N∗ ; ∀k 6 n

k
∗ Cn+1 = Cnk−1 +Cnk ∀n ∈ N∗ ; ∀k tq 1 6 k 6 n
n
X
n
∗ (a + b) = Cnk ak b n−k ; ∀n ∈ N (formule du binôme)
k=0

11
2) Généralités sur les ensembles

2.1. Définitions et propriétés

Définition
• Un ensemble est une collection d’objets appelés éléments.
• L’ensemble vide ne contient aucun élément : ∅.

Définition
Soit Ω un ensemble. Un ensemble A est un sous ensemble de
Ω ou une partie de si : ∀x ∈ A, x ∈ Ω.
L’ensemble des parties de est notée P (Ω) .

Exemple
Ω = {a, b, c} , P (Ω) =?

12
Soient Ω un ensemble, A, B ∈ P (Ω)
• Appartenance : x ∈ Ω : x un élément de Ω. Le cas
contraire : x ∈/ Ω.
• Inclusion : A ⊂ B ⇐⇒ ∀x ∈ A, x ∈ B. Le cas contraire
: A * B.
• Complémentaire (Ac ou A) : x ∈ A ⇐⇒ x ∈ / A.
• Union A ∪ B : x ∈ A ∪ B ⇐⇒ x ∈ A ou x ∈ B.
• Intersection : A ∩ B : x ∈ A ∩ B ⇐⇒ x ∈ A et x ∈ B.
• Différence : A r B = A ∩ B : x ∈ A r B ⇐⇒ x ∈ A et
x∈/ B.
Remarque
∗ A∪A=A ∗ A∩A=A
∗ A∪∅=A ∗ A∩∅=∅
∗ si A ⊂ B alors A ∪ B = B ∗ si A ⊂ B alors A ∩ B = A
13
Définition
On dit que A et B sont disjoints si et ssi A ∩ B = ∅.

Définition
Soient Ai ∈ P (Ω) , i = 1, ..., n.
On dit que la famille {Ai }i=1,...,n. forment une partition de Ω si
et ssi :
n
[
1) Ai = Ω ; 2) Ai ∩ Aj = ∅ ∀i 6= j.
i=1

14
Propriétés

∗ A∪B =B ∪A ∗ A∩B =B ∩A
∗ A ∪ (B ∩ C ) = (A ∪ B) ∩ (A ∪ C ) ∗ A∩B = A∪B
∗ A ∩ (B ∪ C ) = (A ∩ B) ∪ (A ∩ C ) ∗ A∪B = A∩B

15
2.2. Notion de cardinal
Soit Ω un ensemble fini.
Définition
Pour tout A ∈ P (Ω) , A a également un nombre fini
d’éléments.
Le cardinal de A est le nombre d’éléments de A. On le note :
card (A) .

Propriétés

• card A = card (Ω) − card (A)
• card (A ∪ B) = card (A) + card (B) − card (A ∩ B)
• card (A r B) = card (A) − card (A ∩ B)
• card (∅) = 0

16
Introduction au calcul des
probabilités
1) Expérience aléatoire

Définition
Une expérience aléatoire est une action qui débouche sur
plusieurs résultats possibles qu’on ne peut pas prévoir par
avance. Ces résultas sont appelés éventualités ou
évènements élémentaires.

Définition
L’ensemble de toutes les éventualités est appelé univers, noté :
Ω.
Un évènement A est un ensemble d’éventualités, c’est donc
aussi une partie de l’univers Ω. (A ∈ P (Ω)) .

17
2) Du langage ensembliste à celui des évènements

Vocab. ensembliste Vocabulaire probabiliste

élément ω éventualité ω
sous-ensembe A évènement A
∅ l’évènement impossible
A∪B A ou B est réalisé
A∩B A et B sont réalisés
c
A A l’évènement contraire
ArB =A∩B A et B réalisés : A réalisé et B non réalisé
A∩B =∅ A et B sont incompatibles
A⊂B A implique B

18
Exemple
On jette un dé. exp aléatoire? univers Ω? éventualités ?
On considère :
∗ A l’évènement : tomber sur un nombre impair : A =?
∗ B l’évènement : tomber sur un un nombre 6 4 : B =?
∗ C l’évènement : tomber sur le nombre 6 : C =?
∗ D = A ∩ B : D =?
∗ E l’évènement : tomber sur le nombre 7 : E =?
De plus on on a :
∗ A est l’évènement réalisé quand A ne l’est pas : A =?
∗ A ∪ B =?; A r B =?; B r A =?; C ⊂ A; A ∩ C =?
∗ A, C et D forment une partition de Ω.
19
3) Probabilités sur un ensemble fini

Définition
soit Ω fini,dont les évènements élémentaires sont
équiprobables.

cardA Nbre de cas favorables

P(A) = =
cardΩ Nbre de cas possibles

20
Exemples
1. Une urne contient (1B, 1N) . On fait 2 tirages avec
remise. Quelle est la probabilité d’avoir 2 Noires ?
2. Soit une urne contenant (2V , 3B) .
a) On effectue 2 tirages sans remise, calculer la probabilité
d’avoir 2V exactement, 2B exactement, 1V et 1B.
b) même question avec tirage avec remise.

Propriétés
1. P(A) + P(A) = 1, ∀A ∈ P(Ω).
2. P(A ∪ B) = P(A) + P(B) − P(A ∩ B), ∀A, B ∈ P(Ω).
3. A ⊂ B =⇒ P(A) ≤ P(B).
4. P(Ω) = 1, P(∅) = 0.

21
4) Définition axiomatique

Si Ω est infini, la définition précédente n’est plus valable. Les

fondements de la probabilité mathématique sont dus à
Kolmogorov (1903-1987) en 1933.

Définition
Soit Ω un ensemble fini ou infini dénombrable. On appelle loi
de probabilité sur Ω une application P de P (Ω) dans [0; 1] qui
vérifie : 1) P(Ω) = 1.
2) Pour toute suite d’événements incompatibles (disjoints deux
à deux) A1 , . . . , An , (Ai ∩ Aj = ∅ ∀i 6= j) on a :
!
[ X
P Ai = P (Ai )
i i
22
Remarque
Si Ω est infini non dénombrable on introduit la notion de
σ−algèbre.

Propriétés
1. P(A) + P(A) = 1, ∀A ∈ P(Ω); P(∅) = 0
2. P(A ∪ B) = P(A) + P(B) − P(A ∩ B), ∀A, B ∈ P(Ω).
3. A ⊂ B =⇒ P(A) ≤ P(B).
n  n
S P
4. P Ai 6 P (Ai )
i i

23
4.1. Probabilité sur un ensemble fini
Probabilité uniforme (équiprobabilité) :
Ω = {w1 , . . . , wn } un ensemble fini à n éléments, résultats
d’une expérience aléatoire et A un évènement de Ω.
Supposons que chaque résultat particulier ait les mêmes
chances de se produire. On a :

P (wi ) = ? ∀i = 1, . . . , n
cardA Nbre de cas favorables
P(A) = =
cardΩ Nbre de cas possibles

24
Probabilité quelconque :

Exemple
On jette un dé un grand nombre de fois et on remarque que les
fréquences d’apparition des faces se comportent comme suit :
1 1 2
P(1) = P(3) = P(4) = P(6) = ; P(2) = ; P(5) =
6 9 9

25
4.2. Probabilité sur un ensemble infini
Ω est dénombrable :

Exemple
On jette une pièce de monnaie jusqu’à ce que face apparaisse
et on compte le nombre de fois où on a jeté la pièce.
Ω = {1, 2, . . . , ∞}
La fonction suivante est une fonction de probabilité sur Ω :
1 1 1
P(1) = , P(2) = , . . . , P(n) = n , . . .
2 4 2

26
Ω est continue :
Ω = R, Les événements sont les intervalles et tous les
sous-ensembles de R obtenus en combinant les intervalles par
intersection et réunion.
Définition
On appelle densité de probabilité une fonction f de R dans
R+ , continue par morceaux et d’intégrale 1 :
Z
f (x) > 0, ∀x ∈ R et f (x)dx = 1
R

Etant donnée une densité f de probabilité, on définit une loi

de probabilité sur R en associant à tout événement A
l’intégrale de la densité sur cet événement :
Z
p (A) = f (x)dx
A 27
Exemple
Pour l’expérience aléatoire consistant à tirer au hasard un réel
dans [0, 1], on considère la loi de probabilité continue, de
densité :
(
1 si x ∈ [0; 1] Loi uniformément
f (x) =
0 sinon. répartie sur [0; 1]

28
Probabilités conditionnelles
1) Définition

La connaissance d’une information sur une expérience peut

modifier la probabilité d’un événement.

29
1) Définition

La connaissance d’une information sur une expérience peut

modifier la probabilité d’un événement.

Définition
Soit A et B deux évènements d’un un univers Ω qui est muni
d’une probabilité P tels que P (A) 6= 0. (A ⊂ Ω, et B ⊂ Ω tq
P (A) > 0).
La probabilité conditionnelle de B sous l’hypothèse A est
définie par :

p (B ∩ A)
p (B/A) = pA (B) =
p (A)

29
Remarque
• Le fait de savoir que A est réalisé réduit l’ensemble des
résultats possibles.
• On vérifie qu’elle possède les propriétés d’une probabilité :
→ pA (Ω) = · · ·
→ si les Bi sont disjoints (incompatibles) deux à deux
!
[ X
PA Bi = · · · · · · · · · · · · · · · = PA (Bi )
i i

30
Exemple
On jette une paire de dés. Calculer la probabilité pour :
1) avoir un 2 sachant que la somme est égale à 6.
2) que la somme soit égale à 6, sachant qu’on ait un 2.

31
Soit A = "la somme est égale à 6" B = "au moins l’un des
dés donne 2"
On a : Ω = {(1; 1) , (1; 2) , · · · , (1; 6) , (2; 1) , · · · , (6; 6)} ,
A = {(1; 5); (2; 4); (3; 3); (4; 2); (5; 1)},
B = {(1; 2); (2; 2); · · · ; (6; 2); (2; 1); (2; 3); · · · ; (2; 6)}
et B ∩ A = {(2; 4); (4; 2)}
p(B∩A) p(A∩B)
1) p (B/A) = p(A)
=? 2) p (A/B) = p(B)
=?

32
Soit A = "la somme est égale à 6" B = "au moins l’un des
dés donne 2"
On a : Ω = {(1; 1) , (1; 2) , · · · , (1; 6) , (2; 1) , · · · , (6; 6)} ,
A = {(1; 5); (2; 4); (3; 3); (4; 2); (5; 1)},
B = {(1; 2); (2; 2); · · · ; (6; 2); (2; 1); (2; 3); · · · ; (2; 6)}
et B ∩ A = {(2; 4); (4; 2)}
p(B∩A) p(A∩B)
1) p (B/A) = p(A)
=? 2) p (A/B) = p(B)
=?

Exemple
Soit un jeu de 52. On fait 2 tirages avec remise. Quelle est la
probabilité que la 1ère carte soit un roi rouge et la 2ème un roi
noir ?

32
2) Indépendance

Définition
Soit A et B deux évènements d’un univers Ω qui est muni
d’une probabilité P tels que P (A) > 0 et P (B) > 0, on dit
que A et B sont indépendants si et seulement si
P(B/A) = P(B) ou P(A/B) = P(A).

C’est-à-dire le fait que A est réalisé ou non n’a pas d’influence

sur la probabilité de B.

Propostion
Soient A ⊂ Ω et B ⊂ Ω tels que P (A) > 0 et P (B) > 0.
A et B sont indépendants si et seulement si :

P(A ∩ B) = P(A) × P(B)

33
Attention : indépendants 6= incompatibles.

Exemple
Le tableau suivant donne la répartition de 150 étudiants en
fonction de la langue choisie et de l’activité sportives choisie.
On choisit un étudiant au hasard.

Foot Basket Tennis

Anglais 45 18 27
Espagnol 33 9 18

1) Les deux évènements "étudier en espagnol" et "pratiquer

le foot" sont-ils indépendants?
2) Les deux évènements "étudier en anglais" et "pratiquer le
tennis" sont-ils indépendants?

34
Exercice
Un jeu radiophonique consiste à poser 10 questions à un candi-
dat qui doit choisir parmi 2 réponses dont une seule est juste.
Le candidat perd au bout de 2 réponses fausses.
1) Déterminer la probabilité qu’un candidat qui répond au
hasard puisse gagner ?
2) Quelle est la probabilité qu’un candidat ait perdu au bout
de 5 questions sachant qu’il a perdu ?

35
3) Formule des probabilités totales

Propostion
Soit {Bi }i=1,...,n. une partition de l’univers Ω , c-à-d :
n
[
1) Bi = Ω ; 2) Bi ∩ Bj = ∅ ∀i 6= j
i=1

telle que P (Bi ) > 0 ∀i et soit A un évènement de Ω,

alors on a : n
X
P(A) = P(A/Bi ) × P(Bi ).
i=1

36
Exemple
Une entreprise utilise 3 machines différentes A, B, C pour
fabriquer des pièces. 40 % sont fabriquées par A, 30 % par B
et 30 % par C. La machine A produit 2 % de pièces
défectueuses, B 4 % et C 5 %.
1) On prélève une pièce au hasard. Quelle est la probabilité
qu’elle soit défectueuse.

37
4) Formule de Bayes

Propostion
Soit {Bi }i=1,...,n. une partition de l’univers Ω , telle que
P (Bi ) > 0 ∀i et soit A un évènement de Ω alors on a :

P(A/Bk ) × P(Bk )
P(Bk /A) = Pn .
i=1 P(A/Bi ) × P(Bi )

Exemple
Exemple précédent.
2) On prélève une pièce défectueuse. Quelle est la
probabilité qu’elle vienne de A ?
3) On prélève une pièce saine. Proba.qu’elle vienne de C ?

38
Variables aléatoires et lois de
probabilités
1) Espace probabilisé et loi de probabilité

Définition
Soit Ω un univers (fini ou infini). On appelle espace probabilisé
le triplet (Ω, P (Ω) , p) p étant une probabilité sur P (Ω) .
p est appelée loi de probabilité. On note (Ω, p).

On rencontrera deux types de lois de probabilité :

Lois discrètes : P : Ω → [0, 1] où Ω est fini ou infini
dénombrable c-à-d Ω est une suite (finie ou ∞) d’ évènements
élémentaires que l’on peut noter : Ω = {wi ∈ I } avec I ⊂ N.

Exemples
1) Dans une urne contenant (3B; 4R; 6N), on tire une boule
et on observe sa couleur :
39
 3 4 6
Ω = {B, R, N} , p(B) = , p(R) = , p(N) =
13 13 13

2) On lance une pièce de monnaie 3 fois. On a

Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF } ,

1
p(w ) = 3 , ∀w ∈ Ω
2

Lois continues : p : Ω → [0, 1] est continue si tous les

évènements élémentaires ont une probabilité nulle.

Exemple
Loi uniforme :
d −c
Ω = [a, b]; ∀[c, d] ⊂ [a, b] : p([c, d]) =
b−a
40
2) Variables aléatoires

Définition
On considère un espace probabilisé (Ω, p) .
• Une variable aléatoire est une fonction X de Ω dans R.
• On appelle loi de probabilité de X , la probabilité PX
définie sur l’ensemble des intervalles I de R tq

∀I ⊂ R, PX (I ) = P{w tq X (w ) ∈ I }

Exemple
Soient deux joueurs : Ahmed et Brahim. L’un des deux lance
10dh 20dh
un dé, si 1 ou 6, A −→ B ; si 2,3 ou 5, B −→ A ; si 4, partie
nulle. Soit X le gain de Ahmed.

41
 Exercices
Ex 1 : On lance successivement 2 fois une pièce de monnaie.
Soit la variable aléatoire X représentant le nombre de
faces obtenues après ces 2 lancements.
1) Donner les valeurs de X .
2) Définir la loi de probabilité de X .
Ex 2 : Dans une urne, il y a des boules blanches et rouges. Les
blanches sont en proportion p et les rouges en proportion
q = 1 − p.
Soit X : Nbre de boules rouges obtenues. Donner la loi de
probabilité de X .

42
Fonction de répartition

Définition
Soit X une v.a définie sur un espace probabilisé (Ω, P), on
appelle fonction de répartition de X la fonction F de R dans R
définie par
F (x) = P(X 6 x).

Propriétés
• P(a 6 X 6 b) = F (b) − F (a).
• F est croissante.
• F (x) ∈ [0; 1] ∀x ∈ R, lim F (x) = 1,
x→+∞
lim F (x) = 0
x→−∞

43
3) Variables aléatoires discrètes

Définition
Une variable X est discrète si l’ensemble de ses valeurs est fini
ou ∞ dénombrable.

Définition
La loi de probabilité de X est définie par :
1. les valeurs de X : xi tq i ∈ I , et I ⊂ N.
2. les probabilités des valeurs de X : pi = P (X = xi ) .

xi x1 x2 ··· xn ···
P (X = xi ) p1 p2 ··· pn ···

44
Fonction de répartition
les valeurs de X : X (Ω) = {x1; x2 ; · · · ; xn }
La fonction de répartition F (F (x) = P(X 6 x)) vérifie :
x ∈ ]−∞; x1; [ F (x) = P(∅) = 0.
x ∈ [x1 ; x2 [ F (x) = P(X 6 x) = p1
x ∈ [xi ; xi+1 [ F (x) = P(X 6 x) = p1 + p2 + · · · + pi
x ∈ [xn ; +∞[ F (x) = p1 + p2 + · · · + pn = 1.

pi = F (xi ) − F (xi−1 )

Ainsi si on connait la loi de probabilité de X on déduit sa

fonction de répartition et inversement.
45
Exercice
On lance une pièce de monnaie un certain nombre de fois.
Soit X le nombre de jets nécessaires pour obtenir pile pour la
1ère fois.
1) Quelles valeurs prend X ?
2) Quelle est la loi de probabilité de X ?
3) Déterminer la fonction de répartition

46
4) Variables aléatoires continues

4.1. Fonction densité

Définition
On appelle densité de probabilité une fonction de R dans R+ ,
continue par morceaux et d’intégrale 1 :
Z Z +∞
f (x) > 0, ∀x ∈ R et f (x) dx = f (x) dx = 1.
R −∞

47
Définition
Soit X une variable aléatoire réelle et f une densité de
probabilité sur R. On dit X est une variable aléatoire continue
de densité f si pour tout intervalle [a; b] de R on a :
Z b
P (a 6 X 6 b) = f (x) dx.
a

48
4.2. Fonction de répartition
La fonction de répartition d’une variable aléatoire continue est
dérivable et elle est donnée par :

F 0 (t) = f (t)

La probabilité pour que X soit comprise entre a et b est

représentée par l’aire hachurée sur le graphique.

Propriétés
• La fonction de répartition F est croissante et on a :
Rx
F (x) = P(X 6 x) = −∞ f (t) dt.
• si X (Ω) = R alors lim F (x) = 1, lim F (x) = 0.
x→+∞ x→−∞
Rb
• P(a 6 X 6 b) = a f (x) dx = F (b) − F (a)

49
50
Exemple
On considère la fonction suivante :
(
2x si x ∈ [0; 1]
f (x) =
0 ailleurs

1) Montrer que f est une densité de probabilité et tracer le

graphe de f .
2) Donner la fonction de répartition.
3) Calculer P(0, 5 6 X 6 0, 8).

51
52
Exercice
Soit X la V.A. donnée par sa fonction densité :
(
1 si x ∈ [0; 1]
f (x) = Loi uniforme sur [0; 1]
0 ailleurs

1) Tracer le graphe de f .
2) Donner la fonction de répartition et son graphe.
3) Calculer P( 14 6 X 6 12 ) et P( 21 6 X 6 3).

53
5) Caractéristiques d’une variable aléatoire

5.1. L’espérance

Cas d’une V.A. discrète

Définition
Soit X une V.A. discrète définie sur (Ω, P) tq
X (Ω) = {xi , i ∈ I } , pi = P (X = xi ) . L’espérance de X est
définie par : X
E (X ) = pi .xi .
i∈I

54
 Cas d’une V.A. continue

Définition
Soit X une V.A. continue X : (Ω, P) −→ R définie par sa
fonction densité f . L’espérance de X est définie par :
Z +∞
E (X ) = xf (x) dx.
−∞

55
Exemple
Soient deux joueurs Ahmed et Brahim. L’un des deux lance un
10dh 20dh
dé; si 1 ou 6, A −→ B ; si 2,3 ou 5, B −→ A ; si 4, partie
nulle.
Soit X le gain de Ahmed.
Calculer E (X ) , et donner une conclusion.

Exemple
Soit X la v.a. donnée par sa fonction densité :
(
1 si x ∈ [0; 1]
f (x) = Loi uniforme sur [0; 1]
0 ailleurs

Calculer E (X ) .

56
Propriétés de l’espérance

Propriétés
Soient X : Ω−→ R et Y : Ω−→ R deux variables aléatoire sur
un espace probabilisé (Ω, P) , et α, β ∈ R, on a :
• E (αX + β) = αE (X ) + β
• E (X + Y ) = E (X ) + E (Y )
• E (X − Y ) = E (X ) − E (Y )

57
5.2. La variance - L’écart type

Définition
Soit X une V.A.
 
La variance : V (X ) = E (X − E (X ))2
= E X 2 − (E (X ))2


p
L’écart type : σ (X ) = V (X )

58
 Cas d’une V.A. discrète

Définition
Soit X une V.A. discrète définie sur (Ω, P) tq
X (Ω) = {xi , i ∈ I } , pi = P (X = xi ) . La variance de X est
donnée par :
X
V (X ) = pi .xi2 − (E (X ))2
i∈I
X
= pi . (xi − E (X ))2 .
i∈I

59
 Cas d’une V.A. continue

Définition
Soit X une V.A. continue X : (Ω, P) −→ R définie par sa
fonction densité f . La variance de X est donnée par :
Z +∞
V (X ) = x 2 f (x) dx − (E (X ))2
−∞
Z +∞
= (x − E (X ))2 f (x) dx.
−∞

60
Exercice
Soit X la variable aléatoire définie par sa fonction densité :


 0 si x ∈ ]−∞; 0[ ∪ ]2; +∞[
f (x) = x si x ∈ ]0; 1[

 −x + 2 si x ∈ ]1; 2[

1) Vérifier que f est une densité de probabilité.

2) Donner F la fonction de répartition.
3) Calculer P(X < 1) et P(X < 5).
4) Calculer E (X ) et σ (X ) .

61
Lois usuelles
1) Lois de probabilités discrètes

Dans ce chapitre on va étudier les lois des probabilités les plus

courantes, nous allons fournir ainsi, un catalogue de lois de
probabilité souvent utiles en pratique pour la description d’un
phénomène aléatoire donné. (Ajustement des séries
statistiques, étude des prévisions ...)

62
1.1. Loi de Bernoulli
Définition
On réalise une expérience aléatoire qui a deux résultats
possibles : le succès V , de probabilité p, et l’échec F de
probabilité q = 1 − p. La V.A. :
(
1 si succès
X :
0 si échec

est appelée V.A. de Bernoulli.

xi 0 1
P (X = xi ) 1 − p p 1

63
Propriétés
• Espérance mathématique : E (X ) = p
• Variance : V (X ) = p (1 − p)

64
1.2. Loi Binomiale
C’est une succession de n épreuves de Bernoulli indépendantes.

Définition
On suppose qu’on répète n fois, dans des conditions
identiques, une expérience aléatoire dont l’issue se traduit par
l’apparition ou non d’un événement A de probabilité p,
Soit X le nombre d’apparitions de l’événement A parmi ces n
expériences. On dit que X suit une loi binomiale de
paramètres n et p et notée : B(n; p).

Loi de probabilité
X suit une loi binomiale de paramètres n et p, c-à-d :
X ∼ B(n, p)
65
 • X (Ω) = {0, ..., n}
• P(X = k) = Cnk p k (1 − p)n−k ; ∀k ∈ X (Ω)

n : nb d’épreuves, k : nb de V (succès), p : probabilité du

succès.
Propriétés
• Espérence mathématique : E (X ) = np
• Variance : V (X ) = np (1 − p)

Propostion
Si X1 ∼ B(n1 , p) et X2 ∼ B(n2 , p) sont deux V.A.
indépendants, alors X1 + X2 ∼ B(n1 + n2 , p)

66
Exemple
Loi de probabilité du nombre de garçons dans une famille de
quatre enfants.
 k  4−k  4
1 1 1
P(X = k) = C4k k
= C4 ; ∀k ∈ {0, . . . , 4}
2 2 2

P(X = 0) = · · · ; P(X = 1) = · · · ; P(X = 2) = · · · ;

P(X = 3) = · · · ; P(X = 4) = · · · .

67
Exercice
Une machine à embouteiller peut tomber en panne. La
probabilité d’une panne à chaque emploi est de 0,01. La
machine doit être utilisée 100 fois.
Soit X = nbre de pannes obtenues après 100 utilisations.
1) Quelle est la loi de X ? Calculer P(X = 0), P(X = 1) et
P(X > 4).
2) On estime le coût d’une réparation à 500 Dh. Soit la V.A.
Y représentant la dépense pour les réparations après 100
utilisations. Exprimer Y en fonction de X et calculer
E (Y ) et V (Y ).

68
1.3. Loi de Poisson (loi des phénomènes rares)
Dans de nombreuses situations, on s’intéresse au comptage
d’objets possédant un caractère rare dans un grand ensemble :
bactéries, virus, individus porteurs de gènes particulier ... etc.
On utilise souvent la loi de Poisson pour modéliser ces
situations.
On la rencontre aussi dans des phénomènes de file d’attente à
arrivées indépendantes, c’est la loi du nombre d’individus qui
arrivent pendant un laps de temps donné. C’est aussi la loi du
nombre d’appels téléphoniques pendant un intervalle de temps.
C-à-d suppose que p ≈ 0 et que n −→ +∞ tq np −→ λ. (
Dans la pratique : n > 50 et p < 0, 1).

69
Définition
X est V.A de Poisson de paramètre réel λ > 0 si

λk
X (Ω) = N et P(X = k) = e −λ ∀k ∈ N.
k!
Notation : X ∼ P(λ).

Propriétés
• Espérence mathématique : E (X ) = λ
• Variance : V (X ) = λ.

Propostion
Si X1 et X2 sont 2 variables de poisson X1 ∼ P (λ1 ) et
X2 ∼ P (λ2 ) indépendantes alors X1 + X2 ∼ P (λ1 + λ2 ) .

70
Exemple
Lors d’un sondage portant sur un grand nombre de personnes,
on sait que 2% des personnes interrogées acceptent de ne pas
rester anonymes. Sachant que l’un des sondeurs a interrogé
250 personnes (en les choisissant de manière indépendante),
calculer la probabilité que :
a) ces 250 personnes souhaitent rester anonymes.
b) 3 personnes acceptent de ne pas rester anonymes.
c) plus de 10 personnes acceptent de ne pas rester
anonymes.

71
2) Lois de probabilités continues

2.1. Loi uniforme

La loi uniforme sur un intervalle est la loi des "tirages au
hasard" dans cet intervalle.
Définition
Sur l’intervalle [a; b] la loi uniforme a pour densité :
(
1
b−a
si x ∈ [a; b]
f (t) =
0 ailleurs

72
Propriétés
a+b
• Espérence mathématique : E (X ) = 2
.
(b−a)2
• Variance : V (X ) = 12
.

73
2.2. Loi normale (loi de Gauss-Laplace)
Cette loi joue un rôle fondamental en probabilités et
statistique. De nombreux phénomènes réels peuvent être
décrits par cette loi.
Son rôle principal provient en réalité de ce qu’elle apparaît
comme loi limite de certaines caractéristiques liées à un
échantillon de grande taille.

Définition
La fonction densité d’une V.A normale de paramètres µ et σ,
est donnée par :
1 t−µ
f (t) = √ e − 2σ2 ; µ ∈ R, σ > 0.
σ 2π
Notation : X ∼ N (µ, σ).
74
Propriétés
• Espérence mathématique : E (X ) = µ
• Variance : V (X ) = σ 2 .

Propostion
Si X1 et X2 sont deux variables normales : X1 ∼ N (µ1 , σ1 ) et
X2 ∼ N (µ2 , σ2 ) indépendantes alors

X1 + X2 ∼ N (µ1 + µ2 , σ1 + σ2 ).

75
Propriétés
x−µ
• f (x) = √1 e − 2σ2 ;
σ 2π
• f (x) > 0; ∀x ∈ R,
• f est symétrique p/r à
l’axe d’équ. x = µ ; c-à-d
f (µ + a) = f (µ − a)
∀a ∈ R.
• f possède un maximum
unique en µ, égal à σ√12π ,
• f possède deux points
d’inflexion, en µ − σ et
µ + σ.
R +∞
• −∞ f (x) dx = 1.
76
 Ra
P(X 6 a) = −∞
f (t) dt

P(X > a) = 1 − P(X < a)

Ra
P (b 6 X 6 a) = b f (t) dt
Ra Rb
= −∞ f (t) dt − −∞ f (t) dt
= P(X 6 a) − P(X 6 b)

77
2.2.1 Loi nomale centrée réduite N (0; 1)

Ra
P(X 6 a) = −∞
f (t) dt

P(X > a) = 1 − P(X < a)

P(X 6 −a) = P(X > a) =

1 − P(X 6 a)

78
2.2.2 Loi nomale N (µ; σ)

Propostion
Soit X une V.A. telque X ∼ N (µ, σ), alors la V.A.
Z = X σ−µ ∼ N (0, 1), c-à-d à partir de n’importe quelle loi
normale N (µ, σ), on peut se ramener à la loi N (0, 1).
   
X −µ a−µ a−µ
P (X 6 a) = P 6 =P Z 6
σ σ σ

Remarque
réciproquement : si Z est une V.A. telque Z ∼ N (0, 1), alors
X = σZ + µ ∼ N (µ, σ) c-à-d à partir de la loi normale
centrée réduite N (0, 1) on peut construire n’importe quelle loi
normale N (µ, σ).

79
Exemples
Soit X une V.A. telque X ∼ N (µ, σ); alors :

P (µ − σ 6 X 6 µ + σ) = 0, 684
P (µ − 1, 96σ 6 X 6 µ + 1, 96σ) = 0, 95
P (µ − 2, 58σ 6 X 6 µ + 2, 58σ) = 0, 99

80
3) Tableaux des lois de probabilité usuelles

Lois discrètes

Nom Loi de probabilité E(X) V(X)

Bernoulli P (X = 1) = p;
p p (1 − p)
B (1; p) P (X = 0) = 1 − p
P(X = k) =
Binomiale
Cn p (1 − p)n−k ;
k k
np np (1 − p)
B (n; p)
k ∈ {0, ..., n}
k
Poisson P(X = k) = λk! e −λ ;
λ λ
P(λ) k ∈N

81
Lois continues

Nom Loi
( de probabilité E(X) V(X)
1
Uniforme b−a
si x ∈ [a; b] a+b (b−a)2
f (t) = 2 12
sur [a; b] 0 ailleurs
Normale t−µ
f (t) = √1 e − 2σ2 µ σ2
N (µ, σ) σ 2π

82
4)Approximation des lois de probabilité usuelles

Loi de Proba. Aproximation Conditions

Loi binomiale Loi de Poisson
n > 50 et np < 5
B (n; p) P (np)
Loi de Poisson Loinormale
√  λ > 20
P (λ) N λ; λ
Loi binomiale  Loip
normale 
np(1 − p) > 10
B (n; p) N np; np(1 − p)

83
Exemple
Le président d’un bureau de vote est né un 1er avril. Il décide
de noter le nombre de personnes ayant leur anniversaire le
même jour que lui parmi les 500 premiers votants.
La situation peut être assimilée à une suite de 500 épreuves
1
indépendantes répétées avec une probabilité p = 365 de succès.
Notons X la variable aléatoire qui compte le nombre de
succès. X suit une loi B(500; p), ainsi :
k
P(X = k) = C500 p k (1 − p)500−k
500
Comme 500 > 50 et np = 365 = 1, 37 < 5, ce qui permet
500
l’approximation par la loi de Poisson P (λ) avec λ = np = 365
.

84
Voici une comparaison numérique pour les petites valeurs de k

k 0 1 2 3 4 5
Bin 0, 2537 0, 3484 0, 2388 0, 1089 0, 0372 0, 0101
e −λ λk
k!
0, 2541 0, 3481 0, 2385 0, 1089 0, 0373 0, 0102

85
Exemple
On lance 180 fois un dé à jouer et on note X la variable
aléatoire qui représente le nombre d’apparition du 6. En
utilisant l’approximation normale calculer au millième les
probabilités suivantes : P (X 6 20) ; et P (X > 40)

Cette V.A. suit la loi binomiale

B 180; 16 . On a :

np (1 − p) = 180 × 16 × 65 = 25 > 10;

alors cette loi peut être appoximée par la
loi nomale N (30; 5) .
P (X 6 20) = ..... = 0, 029
P (X > 40) = ..... = 0, 018

86
5)Tableau des valeurs de la loi normale

87
 TABLE STATISTIQUE
Loi normale
Fonction de r´epartition de la loi normale centr´ee réduite

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986

Table pour les grandes valeurs de z

z 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9
F(z) 0,998650 0,999032 0,999313 0,999517 0,999663 0,999767 0,999841 0,999892 0,999928 0,999952
z 4,0 4,1 4,2 4,3 4,4 4,5 4,6 4,7 4,8 4,9
F(z) 0,999968 0,999979 0,999987 0,999991 0,999995 0,999997 0,999998 0,999999 0,999999 1,000000

Nota. La table donne F(z) pour z positif. Pour z négatif, il faut prendre le complément à l’unité de la valeur lue
dans la table. Exemple : F(-1,37) = 1 - F(1,37) =1 - 0,9147 = 0,0853.