Analyse combinatoire :

Chapitre
2
dénombrements

L’analyse combinatoire est l’étude mathématique de la manière de ranger des objets. Dans
ce chapitre nous allons développer quelques techniques et méthodes pour dénombrer
(sans vraiment compter directement) des dispositions que l’on peut former à l’aide des
éléments d’un ensemble fini.

I Principe de multiplication
Principe : Soit ξ une expérience qui comporte 2 étapes : la 1rè qui a p 1 résultats possibles
et chacun de ces résultats donne lieu à p 2 résultats possibles lors de la 2ème étape. Alors
l’expérience ξ a p 1 × p 2 résultats possibles.
Remarque 11
Le principe multiplicatif peut s’énoncer ainsi : si un événement A peut se produire
de p façons possibles et si un événement B peut se produire de q façons possibles,
alors la réalisation de A suivie de B peut se produire de p × q façons possibles.

Remarque 12
Le principe de multiplication se généralise au cas où l’expérience ξ comporte n
étapes. Le nombre de résultats possibles est alors :

p1 × p2 × · · · × pn

Exemple 7
1. On lance une pièce de monnaie deux fois successivement. Combien y-a-t-il de
résultats possibles ?
2 × 2 = 22 .
2. On jette 2 dés identiques. Combien y-a-t-il de résultats possibles ?

6 × 6 = 62 .

Si une expérience ξ consiste à répéter n fois de façon indépendante une même expérience
ξ0 qui a p résultats possibles, alors ξ a p n = p × p × · · · × p issues possibles.
| {z }
n fois

33
 2. Analyse combinatoire :
dénombrements

II Arrangements
1 Cardinal, ensemble dénombrable :
Définition 9
Un ensemble E est fini s’il est vide ou s’il existe un entier naturel n et une bijection
de {1, 2, · · · , n} dans E .
Si E 6= ∅ alors n est appelé cardinal de E , noté indifféremment Card(E ) ou |E |. Par
convention card(∅) = 0.

Exemple 8
1. Si E = {1, 2, · · · , n} alors Card(E ) = n.
2. Si E = {a, b, c, d } alors Card(E ) = 4.

Soient E un ensemble fini et A et B deux sous-ensemble de E . Alors on a

− Card( Ā) = Card(E ) − Card(A) (où Ā = {x ∈ E : x ∉ A} ).
− Card(A ∪ B ) = Card(A) + Card(B ) − Card(A ∩ B ).
− Card(A\B ) = Card(A) − Card(A ∩ B ).
Définition 10
On dit qu’un ensemble E est dénombrable s’il est fini ou s’il est en bijection avec N
(c’est-à-dire si peut on ranger les éléments sous forme d’une suite a 1 , a 2 , · · · , a k , · · · ).
Dans ce dernier cas on dit que E est infini et dénombrable.

Exemple 9
−{1, 2, 3, 4, 5, 6}, {a, b, c, d , f , g , h} et {¦, ¯, 4, ↑} sont des ensembles finis.
- N et Z sont infini dénombrables.

2 Arrangements avec répétition

Définition 11
Soient E un ensemble non vide de cardinal fini n, n ∈ N\{0}, et p ∈ N. On appelle
arrangement avec répétition de p éléments parmi n tout p-uplet d’éléments de E
c’est-à-dire tout élément du produit cartésien E p = E
| ×E ×
{z· · · × E}.
p fois

FST Fès -34- Pr. G. CHAIBI

 2. Analyse combinatoire :
dénombrements

Exemple 10
1. Si E = {0, 1, 2, · · · , 9} alors :
- (1, 2, 3) est un arrangement de 3 éléments parmi 10.(1, 2, 3) ∈ E 3 .
- (0, 9, 8, 9) est un arrangement de 4 éléments parmi 10.
- (1, 2, 1, 3, 4, 2) est un arrangement de 6 éléments parmi 10.
2. Si E = {a, b, c, d , e} alors :
- (e, b, c, a) est un arrangement de 4 éléments parmi 5.
- (b, a, c) est un arrangement de 3 éléments parmi 5.
- (d , a, b, a) est un arrangement de 4 éléments parmi 5.

Nombre d’arrangements avec répétition

Soit un arrangement avec répétition de p éléments parmi n.
- Pour choisir le 1ère élément on a n possibilités. En conséquence du principe de multipli-
cation, le nombre d’arrangement avec répétition de p éléments parmi n est n P .
Remarque 13
1. Le nombre n p est aussi le nombre d’applications d’un ensemble F ayant p élé-
ments vers un ensemble E ayant n éléments.
2. Si |E | = n alors ¯E P ¯ = n P .
¯ ¯

3. En général, si E et F sont deux ensembles finis alors ¯E F ¯ = |E ||F | .

¯ ¯

3 Arrangements sans répétition :

Définition 12
Soit E un ensemble de cardinal fini n et p un entier naturel tel que 0 ≤ p ≤ n. On
appelle arrangement de p éléments parmi n tout sous-ensemble ordonné ¡ de E ayant¢
p éléments deux à deux distincts. Autrement dit, tout p-uplet ordonné a 1 , a 2 , · · · , a p
d’éléments de E deux à deux distincts.

Exemple 11
Si E = {a, b, c, d } alors - abc, bac, c ab, bcd , d c a sont des arrangements de 3 éléments
parmi 4.
- abcd, abdc, bacd, dbca sont des arrangements de 4 éléments parmi 4.
- aab n’est pas un arrangement de 3 éléments parmi 4.

Exemple 12
Soit E = {a, b, c, d }. Calculons le nombre d’arrangements de 3 éléments parmi 4 . On
a:
- 4 possibilités pour choisir le 1ìr élément.
- 3 possibilités pour choisir le 2ème élément.
- 2 possibilités pour choisir le 3ème élément.
Par suite, le nombre d’arrangements de 3 éléments parmi 4 est :

4 × 3 × 2 = 24.
p
Le nombre d’arrangements et le symbole A n :

FST Fès -35- Pr. G. CHAIBI

 2. Analyse combinatoire :
dénombrements

Soit n ∈ N\{0}.
On appelle factoriel n et on note n ! le nombre

n! = n × (n − 1) × (n − 2) × · · · × 2 × 1.

Par convention, 0! = 1.
p
Notation On note An l’ensemble des arrangements de p éléments d’un ensemble de
p ¡ p¢
cardinal n, et A n = Card An .
Théorème II.1
Soient n ∈ N\{0} et p ∈ N. Alors on le nombre d’arrangements de p éléments d’un
ensemble de cardinal n est

0 si p > n
p
An = n!
 = n × (n − 1) × (n − 2) · · · × (n − (p − 1)) si p ≤ n.
(n − p)!

Exemple 13
Tirage successif sans remise (échantillon exhaustif ) :
Soit une urne contenant n boules. Tout tirage successif sans remise de p boules (
p ≤ n ) est un arrangement de p éléments parmi n.

Exemple 14
1. Nous avons 3 enfants. De combien de façons différentes peuvent-ils s’asseoir sur
un banc de deux places ?
Chaque façon de s’asseoir est un arrangement de 2 éléments parmi 3 . Le nombre de
possibilités est donc A 23 = 3 × 2 = 6.

2. On veut former des nombres de trois chiffres différents parmi les chiffres :
2, 3, 5, 6, 7. Combien a-t-on de possibilités ?
Chaque nombre est un arrangement de 3 éléments parmi 5 . Le nombre de
possibilités est donc A 35 = 5 × 4 × 3 = 60.

3. Une urne contient 6 boules. On effectue un tirage successif et sans remise de 3

boules. Combien a-t-on de possibilités ?

A 36 = 6 × 5 × 4 = 120.

4 Permutations :
Définition 13
Soit E un ensemble de cardinal n. On appelle permutation tout arrangement des
n éléments de E . De l’étude des arrangements, on déduit immédiatement que le
nombre de permutations d’un ensemble E de cardinal n est A nn = n!, et que toute
permutation s’identifie à une bijection : {1, 2, · · · , n} → E .

FST Fès -36- Pr. G. CHAIBI

 2. Analyse combinatoire :
dénombrements

Exemple 15
1. De combien de façons peut-on repartir 7 personnes sur 7©chaises ? ª
Désignons par p 1 , p 2 , · · · , p 7 les 7 personnes et posons E = p 1 , p 2 , · · · , p 7 . Une ré-
partition peut se voir comme un arrangement des 7 éléments de E c’est-à-dire une
permutation de E , il y en a
7! = 5040
2. Combien y-a-t-il de nombres à trois chiffres choisi parmi les chiffres 1, 2, 3 ?
Chaque nombre est une permutation de ces trois chiffres. Il y en a donc 3! = 3×2×1 =
6.

Remarque 14 (Importante)
Dans la pratique du calcul des probabilités, l’arrangement sans répétition (échan-
tillon exhaustif) correspond au tirage sans remise, alors que l’arrangement avec
répétition (échantillon non exhaustif) correspond au tirage avec remise.

III Combinaisons :
1 Définition et exemples :
Définition 14
Soit E un ensemble de cardinal n et p un entier naturel tel que 0 ≤ p ≤ n. On appelle
combinaison de p éléments de E toute partie de E de cardinal p.

Exemple 16
Si E = {a, b, c, d } alors les parties {a, b}, {a, c} et {d , c}{d , a} sont des combinaisons de
deux éléments de E . les parties {a, b, c}, {a, c, d } et {d , c, b}{b, d , a} sont des combinai-
sons de 3 éléments de E .

Remarque 15
Il est essentiel de noter que dans une Combinaison :
- on ne tient pas compte de l’ordre, les parties {a, b, c}, {c, a, b} et {b, c, a} sont les
mêmes (autrement dit, deux parties contenant les mêmes éléments définissent la
même combinaison).
- les éléments sont deux à deux distincts.
p
Notation On note C n le nombre de combinaisons de p éléments parmi n.
Théorème III.1
Pour tout entier n on a

0
 si p > n
p p
Cn = n! An
 = si p ≤ n.
p!(n − p)! p!


FST Fès -37- Pr. G. CHAIBI

 2. Analyse combinatoire :
dénombrements

Exemple 17
1. Soit E = {a, b, c, d }. Le nombre de parties de E contenant 2 éléments est C 42 = 6. Le
nombre de parties de E contenant 3 éléments est C 43 = 4.
4
2. De combien de façons différentes peut-on choisir 4 étudiants parmi 10 ? C 10 façons
différentes.
3. Combien de groupes de 4 élèves peut-on former d’une classe de 30 élèves ? Chaque
groupe possible est une combinaison de 4 éléments parmi 30 . Le nombre de groupes
4
possibles est : C 30 = 27405.

Exemple 18
Quand on effectue un tirage simultané (au même temps) de p boules d’une urne qui
contient n boules (p ≤ n) alors toute possibilité est une combinaison de p éléments
parmi n.

2 Formule du binôme de Newton :

Théorème III.2

Soit n ∈ N. Pour tout (a, b) ∈ C2 on a

n
(a + b)n = C nk a k b n−k
X
k=0
= C n0 b n +C n1 ab n−1 +C n2 a 2 b n−1 + · · · +C nk a k b n−k + · · · +C nn a n .

Par récurrence sur n.

Remarque 16
La formule est vraie plus généralement dans un anneau commutatif. Si l’anneau
n’est pas commutatif, elle est vraie pour deux éléments qui commutent.
n
C nk = 2n .
X
1.
k=0
n
(−1)k C nk = 0.
X
2.
k=0
n n
C nk = C nk = 2n−1 .
X X
3.
k pair ,k=0 k impair ,k=0
n
kC nk = n2n−1 .
X
4.
k=0

4 1. Développer (1 + 1)n .
2. Développer (1 − 1)n .
3. Séparer la somme précédente en distinguant k pair et k impair.
4. Développer (1 + x)n , puis dériver et évaluer en x = 1.

FST Fès -38- Pr. G. CHAIBI

 2. Analyse combinatoire :
dénombrements

Exemple 19
Quel est le nombre de parties de l’ensemble E = {a, b, c, d } ?
- Nombre de parties vides : C 40 = 1 (l’ensemble ∅ ).
- Nombre de parties ayant un élément : C 41 = 4.
- Nombre de parties ayant 2 éléments : C 42 = 6.
- Nombre de parties ayant 3 éléments : C 43 = 4.
- Nombre de parties ayant 4 éléments : C 44 = 1 (l’ensemble E lui même).
Ainsi, le nombre cherché est : C 40 +C 41 +C 42 +C 43 +C 44 = 24 = 16.

Remarque 17
Le nombre de parties d’un ensemble E de cardinal n est 2n , ce qui se montre direc-
tement avec la bijection
P (E ) −→ {0, 1}E
A 7−→ 1 A .

Triangle de Pascal : La relation de Pascal permet de calculer les coefficients binomiaux

de la façon suivante : pour trouver un certain coefficient, on additionne dans le tableau
suivant les coefficients situés "juste au dessus" et "juste au dessus à gauche" entre eux :

n\p 0 1 2 3 4 ··· p −1 p ··· n −1 n

0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
···
p−1 p
n −1 1 n −1 Cn−1 C n−1 1
n 1 n C nP n 1

FST Fès -39- Pr. G. CHAIBI

 Chapitre
3
Espace de probabilités

Les probabilités sont une branche des Mathématiques dont l’objet est l’étude des phé-
nomènes aléatoires ou non déterministes. Historiquement, il s’agit essentiellement des
jeux de hasard et des problèmes d’espérance de vie pour des calculs de rente. L’approche
mathématique des ces problèmes n’apparaît réellement qu’au 17mèe siècle avec Blaise
Pascal et Pierre de Fermat qui entretenaient des correspondances sur des problèmes des
jeux du hasard en 1654 en se confrontant au problème suivant : pourquoi en jetant 3 dés
obtient-on plus souvent la somme 11 que la somme 10 alors que
pour 11 : 146, 236, 155, 335, 443, 245
pour 12 : 156, 246, 255, 345, 336, 444.
Il va sans dire que les questions ayant traits au hasard (ou à certaines "tentatives de le
mesurer") sont nettement antérieures à cette époque ; les philosophes grecs s’occupaient
de toutes les questions imaginables et donc bien sûr des problèmes de hasard et de déter-
minisme.
Au début du 18ème siècle, influencés par les travaux de Pascal et Fermat, des chercheurs
comme Jacques Bernoulli 1 1713, Abraham De Moivre 1718, Christian Huygens 1657,
Thomas Bayes 1763 et Pierre-Simon de Laplace 1812 ont réalisé de nombreuses avancées.
L’élaboration d’un cadre mathématique rigoureux est très récente et elle est due à Kolmo-
gorov 2 , qui a axiomatisé le calcul des probabilités (fondements du calcul des probabilités
1933) et a permis en particulier l’utilisation de la théorie de la mesure. Ainsi bien établie, la
théorie des probabilités trouve actuellement des applications dans plusieurs domaines
allant de la musique à la physique et dans l’expérience quotidienne, de la prédiction de
climat à la prédiction des risques de nouveaux traitements médicaux.

I Notions élémentaires de base :

1 Expérience aléatoire, univers et événement :
Définition 15
On appelle expérience aléatoire tout processus qui engendre des résultats ou des
observations dont il est impossible de connaître à l’avance l’issue.

40
 3. Espace de probabilités

Exemple 20
Lancé d’un dé, d’une pièce de monnaie, d’une fléchette en direction d’une cible,
choix d’une carte dans un jeu de cartes, attente d’une rame de tramway, prélever
des boules dans une urne, observer la position d’une particule dans un liquide, . .

Définition 16
On appelle univers, l’ensemble noté Ω de tous les résultats possibles d’une
expérience aléatoire.
Toute partie de Ω s’appelle événement.
Un événement est dit élémentaire s’il contient un seul élément.

Exemple 21
- On lance une pièce de monnaie 1 fois : Ω = {F, P }. Les événements de Ω sont :
∅, Ω, {F } et {P }.
- On lance une pièce de monnaie 2 fois : Ω = {F F, F P, P F, P P } , et ∅, Ω, {F F }, {F P, P P },
{F F, F P, P F } sont des événements de Ω.
- Jet d’un dé 1 fois : Ω = {1, 2, 3, 4, 5, 6}, et A = {1, 3, 5}, B = {2, 4, 6},C = {3, 6}, sont des
événements de Ω.
- Jet d’un dé 2 fois : Ω = {1, 2, 3, 4, 5, 6}2 .
Soit l’événement A : " la somme obtenue est supérieure ou égale à 11 ". On a

A = {(5, 6), (6, 5), (6, 6)}.

Soit l’événement B : " la somme obtenue est divisible par 3 et par 4 ". On a

B = {(6, 6)}

et B est un événement élémentaire.

Vocabulaire :
Ω s’appelle l’événement certain.
∅ s’appelle l’événement impossible
Un événement est dit réalisé si le résultat de l’expérience aléatoire lui appartient.
Soient A et B deux événements.
L’événement A ∩ B est réalisé si A et B sont réalisés à la fois.
L’événement A ∪ B est réalisé si A est réalisé ou B est réalisé ou A ∩ B est réalisé.
On dit que A et B sont incompatibles (i.e. ne se réalisent pas simultanément) si
A ∩ B = ∅.
L’événement contraire d’un événement A, noté Ā, est l’événement qui se réalise si
l’événement A n’est pas réalisé

Définition 17
Soit Ω un ensemble quelconque. On appelle tribu ou σ-algèbre sur Ω toute partie
B ⊂ P (Ω), (l’ensemble des parties de Ω ), vérifiant les propriétés suivantes :
Ω∈B

FST Fès -41- Pr. G. CHAIBI

 3. Espace de probabilités

∀A ∈ B on a Ā ∈ B (stabilité par complémentation)

∞
Pour toute suite (A n )n∈N d’éléments de B on a A n ∈ B (stabilité par union
[
n=0
dénombrable).

Exemple 22
−P (Ω) est une tribu.
- Si Ω un ensemble et A une partie propre de Ω alors B = {∅, Ω, A, Ā} est une tribu.

Ainsi définis, les événements d’une épreuve aléatoire E forment une tribu sur Ω (qui
contient tous les événements élémentaires). D ’où la définition suivante :
Définition 18
On appelle espace probabilisable lié à l’expérience aléatoire E le couple (Ω, B) où Ω
est l’univers des résultats de E et B ⊂ P (Ω) la tribu des événements liés à E .
Un cas particulier très important : Si Ω est un ensemble fini ou infini dénombrable,
la tribu des événements est nécessairement égale à P (Ω) tout entier.

Remarque 18 (Importante)
Si Ω = R on considère toujours la tribu Borélienne B (engendrée par les ouverts
] − ∞, a[, a ∈ R ) et ne peut pas prendre B = P (R). L’inclusion B ⊆ P (R) étant stricte
puisqu’il y a des parties de R qui ne sont pas des boréliens.

II Probabilité : le modèle axiomatique de Kolmo-

gorov
1 Un essai de justification
Il s’agit d’affecter à chaque événement A un poids P (A) indiquant sa "chance" d’être réalisé
si l’on effectue l’expérience aléatoire.
Des considérations relatives à l’expérience peuvent conduire, dans le cas où Ω est fini, à
affecter des poids de probabilité identiques à chaque événement élémentaire (Probabilité
de Laplace 19àme siècle) : ce sera l’hypothèse d’équiprobabilité. Par exemple lorsqu’on jet
un dé non pipé (équilibré), que l’on tire des cartes dans un jeu bien battu, que l’on prélève
des boules indiscernables au toucher ...
Une autre approche est l’approche "fréquentiste" : on se donne un événement fixé A, on
répète n fois l’expérience aléatoire et on note n A le nombre de fois où l’événement A a été
nA
réalisé. Le rapport f A = est la fréquence statistique de la réalisation de A au cours de
n
nA
ces n répétitions. On démontrera que, lorsque n tend vers l’infini, fluctue de moins
n
en moins autour d’une valeur limite (c’est la loi faible des grands nombres de Jacques
Bernoulli) appelée fréquence de réalisation de A. Une approche intuitive de ce que pourrait
nA
être la "probabilité" p(A) de l’événement A consiste à considérer la valeur P (A) = lim .
n→∞ n
Mais il est hors de question de "calculer" une telle limite. Prenons l’exemple suivant d’une
pièce de monnaie :

FST Fès -42- Pr. G. CHAIBI

 3. Espace de probabilités

Exemple 23
Si nous effectuons n lancers de la pièce et que n F représente le nombre de fois
où la pièce donne face, alors nous pouvons, pour n’importe quel n, considérer la
nF
proportion . À mesure que n devient de plus en plus grand, nous nous attendons
n
nF 1
à ce que le rapport devienne de plus en plus proche de . Cela suggère de définir
n 2
la probabilité P (F ) d’obtenir face comme :
nF
P (F ) = lim .
n→∞ n

L’approche fréquentiste se limite à des expériences aléatoires aisément répétable et

dans des conditions identiques. Cependant, l’application f vérifient les propriétés
élémentaires suivantes :
nA
1. Pour tout événement A, f A = ∈ [0, 1].
n
2. f Ω = 1.
3. Si A et B sont deux événements incompatibles alors on a n A∪B = n A + n B et donc
f A∪B = f A + f B . Par analogie avec ces trois propriétés de la fréquence, on définit
ce qu’est une probabilité de manière purement axiomatique (présentation due à
Kolmogorov), sans référence à une quelconque observation de la réalisation de
l’expérience aléatoire.

2 Définition et exemples :
Définition 19
Soit (Ω, B) un espace probabilisable. On appelle probabilité sur(Ω, B) toute appli-
cation P : B → [0, 1] satisfaisant aux axiomes suivants :
(i) P (Ω) = 1 (totalité)
(ii) Pour toute suite (A n )n∈N d’événements deux à deux incompatibles i.e.
µ ∞ ¶ ∞
2
(∀(i , j ) ∈ N , i 6= j ⇒ A i ∩ A j = ∅ : P
¢ [ X
An = P (A n ) (σ-additivité )
n=0 n=0

Le triplet (Ω, B, P ) porte alors le nom d’espace probabilisé.

Exemple 24
Soient (Ω, B) un espace probabilisable et x ∈ Ω. L’application
(
1 si x ∈ A
δx (A) =
0 si x ∉ A

est une probabilité.

Remarque 19
P n’est pas déterminée de façon unique par le couple (Ω, B). Par exemple si l’on
jette une pièce de monnaie normale ou si l’on jette une pièce truquée, l’espace

FST Fès -43- Pr. G. CHAIBI

 3. Espace de probabilités

probabilisable est le même dans les deux cas : Ω = {P, F }, B = P (Ω). Mais l’espace
probabilisé ne sera pas le même. Nous verrons que dans le premier cas on est conduit
1
à prendre P ({P }) = P ({F }) = , et dans le deuxième cas P ({P }) = p et P ({F }) = 1 − p.
2

Propostion 3
Soit P une probabilité sur (Ω, B). Alors on a
1. P (∅) = 0.
2. ∀A ∈ B, P ( Ā) = 1 − P (A).
3. ∀A, B ∈ B, A ⊂ B ⇒ P (B \A) = P (B ) − P (A).
4. ∀A, B ∈ B, A ⊂ B ⇒ P (A) ≤ P (B ) (croissance de P ).
5. ∀A, B ∈ B, P (A ∪ B ) = P (A) + P (B ) − P (A ∩ B ) (additivité forte).

Démonstration :
∞
1. Supposons que P (∅) > 0 et considérons la suite ∀n ∈ N, A n = ∅. La somme
X
P (∅) ne
n=0
pourrait converger car son terme général ne tend pas vers zéro et la σ-additivité donne
∞
X
]0, 1] 3 P (∅) = P (∅) = +∞. Ce qui est impossible. Donc P (∅) = 0.
n=0
Autre preuve : P (A) = P (A ∪ ∅) = P (A) + P (∅) ⇒ P (∅) = 0.

2. On a Ω = A ∪ Ā, la réunion étant disjointe. Ainsi, 1 = P (A) + P ( Ā).

3. Il suffit d’écrire B = A ∪ B \A, la réunion est disjointe. P (B ) = P (A) + P (B \A).

4. D’après 3. on a P (B ) = P (A) + P (B \A) ≥ P (A).

5. D’une part A ∪ B = A ∪ (B ∩ Ā), et la seconde réunion est disjointe.

D’où P (A ∪ B ) = P (A) + P (B ∩ Ā).
D’autre part B = (B ∩ Ā) ∪ (B ∩ A) réunion disjointe. Donc P (B ) = P (B ∩ Ā) + P (B ∩ A).

3 L’hypothèse d’équiprobabilité, probabilité uniforme :

Considérons l’épreuve du jet d’un dé non pipé. Puisque le dé est non truqué toutes les
faces ont la même chance de sortir. On définit sur l’univers Ω = {1, 2, 3, 4, 5, 6} la probabilité
P satisfaisant l’hypothèse d’équiprobabilité :

P ({1}) = P ({2}) = P ({3}) = P ({4}) = P ({5}) = P ({6}).

1
Comme P (Ω) = 1 on en déduit que P ({i }) = , ∀i ∈ {1, 2, 3, 4, 5, 6}.
6
Soit l’événement A : "avoir un nombre pair". On a A = {2, 4, 6} et par suite

3 Card(A)
P (A) = P ({2} ∪ {4} ∪ {6}) = P ({2}) + P ({4}) + P ({6}) = = .
6 Card(Ω)

D’où le théorème, historiquement fondamental, suivant

FST Fès -44- Pr. G. CHAIBI

 3. Espace de probabilités

Théorème II.1 (S)

it (Ω, P (Ω)) un espace probabilisable fini. L’hypothèse d’équiprobabilité (i.e. tous les
événements élémentaires ont la même chance d’être réalisé) définit une probabilité
P unique, donnée par
Card(A)
∀A ⊂ Ω, P (A) =
Card(Ω)

On dit alors que la probabilité P est uniforme et que tous les événements sont équipro-
bables. En fait, en pratique
nombre de cas favorables à la réalisation de A
P (A) =
nombre total de cas possibles
La relation dans le théorème précédent va nous permettre de calculer enfin des probabi-
lités en se servant de toutes les techniques de dénombrement décrites dans le chapitre
précédent.
Remarque 20
Comme on l’a signalé avant, il ne faut pas croire que sur un espace probabilisable fini
on ne définit que la probabilité uniforme. Ce pendant on peut définir des probabilités
qui ne sont pas uniformes. Considérons le jet d’une pièce de monnaie truquée telle
1 2
que P (F ) = et P (P ) = . Alors P est une probabilité non uniforme définit sur
3 3
l’espace probabilisable fini (Ω, P (Ω)) avec Ω={F, P }.

Exemple 25
On effectue un tirage successif sans remise de 2 boules, indiscernables au toucher,
d’une urne qui contient 3 boules rouges et 5 boules vertes. Calculer les probabilités
d’avoir :
A : "2 boules rouges"
B : "2 boules de même couleurs"
Puisque qu’on a un tirage successif sans remise, toute tirage possible est un arrange-
ment de 2 éléments parmi 8 .
L’univers des éventualités Ω compte Card(Ω) = A 28 = 8 × 7 = 56 éléments.
On a Card(A) = A 23 = 6 et Card(B ) = A 23 + A 25 = 26.
Card(A) 6
Comme l’hypothèse d’équiprobabilité est satisfaite, on a P (A) = = et
Card(Ω) 56
Card(B ) 26
P (B ) = = . On peut aussi calculer ces probabilités en utilisant l’arbre des
Card(Ω) 56
éventualités suivant :

FST Fès -45- Pr. G. CHAIBI

 3. Espace de probabilités

III Conditionnement et indépendance :

Les concepts de probabilité conditionnelle et d’indépendance sont définis explicitement
par Abraham De Moivre. On lui doit également un énoncé clair et précis de la formule des
probabilités composées.

1 Probabilité conditionnelle :
La notion de probabilité conditionnelle est la plus importante de toute la théorie des
probabilités. Elle s’introduit en particulier à chaque fois que pendant le déroulement
d’une expérience aléatoire une information partielle de "dernière minute" est fournie à
l’expérimentateur.
Prenons l’exemple du jet de deux dés parfaits et soit l’événement
A : "la somme des points obtenus est au moins égale à 10 ".
6 1
Il est clair que P (A) = 2 = .
6 6
Supposons que le 1ex dé amène un 3 (événement B ), face à cette situation l’expéri-
mentateur sait que A est irréalisable ( A et B sont incompatibles). Nous dirons que
la probabilité de A sachant que B est réalisé est nulle et nous écrivons P (A/B ) = 0,
qui se lit "probabilité de A sachant B ".
Supposons maintenant que le 1ex dé amène un 6 (événement C ), pour avoir au
moins 10 il faut que le 2ème dé amène 4,5 ou 6 . Il y a trois chances parmi 6 . Nous
3
écrivons P (A/C ) = .
6
Définition 20
Soient (Ω, B, P ) un espace probabilisé et B un événement de probabilité non nulle.
Soit A un événement quelconque. On appelle probabilité de A sachant que B est
réalisé, le nombre noté P (A/B ) ou encore P B (A) défini par :

P (A ∩ B )
P (A/B ) = .
P (B )

Propostion 4
0 ≤ P (A/B ) ≤ 1.
L’application A 7−→ P (A/B ) est une probabilité sur l’espace probabilisable
(Ω, B).
P (A 1 ∪ A 2 /B ) = P (A 1 /B ) + P (A 2 /B ) si A 1 ∩ A 2 = ∅.
P ( Ā/B ) = 1 − P (A/B ) .

Cas particulier de l’équiprobabilité :

Soit (Ω, P (Ω), P ) un espace probabilisé fini, P est la probabilité uniforme et B un événe-
ment de probabilité non nulle distinct de Ω. Alors on a
Card(A∩B )
P (A ∩ B ) Card(Ω) Card(A ∩ B )
P (A/B ) = = Card(B )
= .
P (B ) Card(B )
Card(Ω)

FST Fès -46- Pr. G. CHAIBI

 3. Espace de probabilités

Soit w ∈ Ω. On a
1
P ({w}/B ) = si w ∈ B
Card(B )
P ({w}/B ) = 0 si w ∉ B
La probabilité P (·/B ) n’est donc pas uniforme sur (Ω, P (Ω)).
Exemple 26
On extrait sans remise 2 cartes d’un jeu de 32. La première carte tirée est un roi.
Quelle est la probabilité que la 2ème carte soit aussi un roi ?
On considère les deux événements

R 1 : " la 1ère carte tirée est un roi"

et
R 2 : "la 2ème carte tirée est un roi".
Il s’agit de calculer P (R 2 /R 1 ).

A 24
P (R 1 ∩ R 2 ) A 232 3
P (R 2 /R 1 ) = = 4
= .
P (R 1 ) 32
31

Soient A et B deux événements tels que :

3 1 1
P (A) = , P (B ) = et P (A ∩ B ) = .
8 2 4

Calculer P ( Ā/B̄ ).

P ( Ā ∩ B̄ ) 1 − P (A ∪ B ) 1 − P (A) − P (B ) + P (A ∩ B ) 3
P ( Ā/B̄ ) = = = = .
P (B̄ ) 1 − P (B ) 1 − P (B ) 4

Remarque 21
On écrit souvent la probabilité conditionnelle de la manière suivante :

P (A ∩ B ) = P (B ) × P (A/B ).

Cette formule s’appelle formule des probabilités composées et c’est sous cette forme
que le conditionnement sera le plus souvent utilisé. En fait dans un problème de
calcul des probabilités on pressentira la valeur de P (A/B ) ce qui fournira le calcul
de P (A ∩ B ).

FST Fès -47- Pr. G. CHAIBI

 3. Espace de probabilités

Exemple 27
Considérons deux urnes U 1 et U 2 contenant chacune initialement 2 boules noires
et 3 boules blanches toute indiscernables au toucher. On tire un boule de l’urne U 1 ,
on note sa couleur et on la remet dans l’urne U 2 .
Quelle est la probabilité d’obtenir deux fois une boule noire ?
Considérons les deux événements :
N1 : "la boule tirée de U 1 est noire" et N2 : "la boule tirée de U 2 est noire".
Il s’agit donc de calculer P (N1 ∩ N2 ).
2
On a P (N1 ) = et sachant qu’on a tiré une boules noire de U 1 , l’urne U 2 va contenir
5
3
3 boules noires donc P (N2 /N1 ) = . D’après la formule des probabilités composées,
6
on a
2 3 1
P (N1 ∩ N2 ) = P (N1 ) × P (N2 /N1 ) = × = .
5 6 5

Le théorème suivant constitue une généralisation de la formule des probabilités compo-

sées.
Théorème III.1
Soient A 1 , A 2 , · · · , A n n événements d’un espace probabilisé tels que :

P (A 1 ∩ A 2 ∩ · · · ∩ A n−1 ) > 0.

Alors on peut écrire :

P (A 1 ∩ A 2 ∩ · · · ∩ A n ) = P (A 1 ) P (A 2 /A 1 ) P (A 3 /A 1 ∩ A 2 )×· · ·×P (A n /A 1 ∩ A 2 ∩ · · · ∩ A n−1 ) .

Exemple 28
Soit une urne contenant 4 boules blanches et 3 boules noires. On tire une à une et
sans remise 3 boules de l’urne. Quelle est la probabilité que la 1ère boule tirée soit
blanche, la 2ème blanche et la 3ème noire ?
Avec le conditionnement : Notons B i l’événement "la i ème boule tirée est blanche"
et Ni l’événement "la i ìme boule tirée est noire". Il s’agit de calculer P (B 1 ∩ B 2 ∩ N3 ).

4 3 3 6
P (B 1 ∩ B 2 ∩ N3 ) = P (B 1 ) P (B 2 /B 1 ) P (N3 /B 1 ∩ B 2 ) = × × = .
7 6 5 35
- Par calcul directe :
A 24 A 13 6
P (B 1 ∩ B 2 ∩ N3 ) = = .
A 37 35

FST Fès -48- Pr. G. CHAIBI

 3. Espace de probabilités

2 La formule des probabilités totales :

Théorème III.2
Soient (Ω, B, P ) un espace probabilisé et (A i )i =1,··· ,n une famille d’événements telle
que
Ω = A1 ∪ A2 · · · ∪ An ,
A i ∩ A j = ∅ pour tout i 6= j
P (A i ) > 0
Si B ∈ B alors on a
n
X
P (B ) = P (A i ) P (B /A i )
i =1

Remarque 22
Dans le cas particulier Ω = A ∪ Ā, A ∈ B avec P (A) > 0, la formule des probabilités
totales s’écrit
P (B ) = P (A)P (B /A) + P ( Ā)P (B / Ā).
C’est sous cette forme qu’elle sera le plus souvent utilisée.

Exemple 29
On considère une urne U 1 contenant 2 boules blanches et une boule noire et une
urne U 2 contenant une boule blanche et une boule noire toutes indiscernables au
toucher. On choisit une urne au hazard puis on prélève une boule dans cette urne.
Quelle est la probabilité de tirer une boule blanche ?
On considère les événements suivants :

A i : : "avoir l’urne U i " i ∈ {1, 2}.

B : "avoir une boule blanche".

Ainsi, l’univers des éventualités est Ω = A 1 ∪ A 2 , cette réunion est disjointe et on a

B = (B ∩ A 1 ) ∪ (B ∩ A 2 ).
La formule des probabilités totales nous permet d’écrire

1 2 1 1 7
P (B ) = P (A 1 ) P (B /A 1 ) + P (A 2 ) P (B /A 2 ) = × + × = .
2 3 2 2 12

3 La formule de Bayes :
Soient A et B deux événements de probabilité non nulle. En utilisant le conditionnement,
nous pouvons écrire
P (A ∩ B ) = P (B )P (A/B ) = P (A)P (B /A).
Nous en déduisons
P (A ∩ B ) P (A)P (B /A)
P (A/B ) = = .
P (B ) P (B )
Alors, on a la propriété suivante :

FST Fès -49- Pr. G. CHAIBI

 3. Espace de probabilités

Propostion 5 (Formule de Bayes)

n
Soit (A i )i ∈{1,2,··· ,n} une partition de Ω (i.e. Ω =
[
A i et ∀i 6= j A i ∩ A j = ∅ ). Soit B un
i =1
événement. Alors on a
¡ ¢ ¡ ¢
¡ ¢ P A j P B /A j
∀ j ∈ {1, 2, · · · , n}, P A j /B = Pn .
i =1 P (A i ) P (B /A i )

5 On prend un dé au hazard parmi un lot de 100 dés dont on sait que 25 sont pipés.
1
Pour un dé pipé, la probabilité d’obtenir 6 est . On lance le dé et si on obtient 6 on
2
relance ce dé une autre fois.
1. Quelle est la probabilité que ce dé soit pipé ?
2. On relance alors ce dé et on obtient à nouveau 6 . Quelle est la probabilité que ce dé
soit pipé ?
3. On relance alors ce dé n fois et on obtient à chaque lancer 6 . Quelle est la probabilité
que ce dé soit pipé ?
4. Déduire le comportement de cette probabilité quand n devient assez grand. Le
résultat est-il étonnant ?
Solution :
On considère l’événement T : "le dé est pipé".
On a Ω = T ∪ T̄ et T ∩ T̄ = ∅.
1. Soit l’événement S 1 : "obtenir 6 au 1èr lancer". Il s’agit de calculer P (T /S 1 ). D’après la
formule de Bayes on a

P (T )P (S 1 /T )
P (T /S 1 ) = ¡ ¢.
P (T )P (S 1 /T ) + P (T̄ )P S 1 /T̄

1 3 1 ¡ ¢ 1
Or P (T ) = , P (T̄ ) = , P (S 1 /T ) = et P S 1 /T̄ = . Ainsi, on a
4 4 2 6
1
4 × 21 1
P (T /S 1 ) = 1 1 3 1
= .
4
× + ×
2 4 6
2

2. Soit l’événement S 2 : "obtenir 6 au 2ème lancer". Il s’agit de calculer P (T /S 2 ). De la

même façon on obtient
1
P (T )P (S 2 /T ) 4
× 212 3
P (T /S 2 ) = ¡ ¢= 1 1 3 1
= .
P (T )P (S 2 /T ) + P (T̄ )P S 2 /T̄ × + × 4
4 4 4 62

3. Soit l’événement S n : "obtenir 6 au n ème lancer". Il s’agit de calculer P (T /S n ). On a de

même
1 1
P (T )P (S n /T ) 4 × 2n 1
P (T /S n ) = ¢= 1 1
= .
+ 43 × 61n 1
¡
P (T )P (S n /T ) + P (T̄ )P S n /T̄ 4
× 2n
1 + 3n−1

1
4. lim P (T /S n ) = lim 1
= 1. Le résultat n’est pas étonnant puisque
n→∞ n→∞ 1 +
3n−1

P (T /S 1 ) < P (T /S 2 ) < · · · < P (T /S n ) < 1.

FST Fès -50- Pr. G. CHAIBI

 3. Espace de probabilités

4 Indépendance de deux événements :

La notion de l’indépendance traduit le fait que la réalisation d’un événement n’a pas
d’influence sur la réalisation d’un autre.
Définition 21
Deux événements A et B d’un espace probabilisé (Ω, B, P ) sont dits (stochastique-
ment) indépendants si
P (A ∩ B ) = P (A) × P (B ).

Remarque 23
L’indépendance est une relation symétrique entre les événements.
Si P (A) = 0 ou P (B ) = 0 alors A et B sont indépendants.
A ne pas confondre indépendance (P (A ∩ B ) = P (A) × P (B )) et incompatibi-
lité (A ∩ B = ∅), d’ailleurs l’indépendance est une notion qui dépend de la
probabilité et donc s’exprime dans (Ω, B, P ), alors que l’incompatibilité est la
disjonction des événements et s’exprime donc dans (Ω, B).

Exemple 30
On jette un dé équilibré.
L’univers des éventualités est Ω = {1, 2, 3, 4, 5, 6} et (Ω, P (Ω), P ) est l’espace probabi-
lisé, P étant la probabilité uniforme.
Soient les événements suivant : A = {2, 4, 6}, B = {5, 6} et C = {5}. On a :

1 1 1 1 1
P (A) = , P (B ) = , P (C ) = , P (A ∩ B ) = , P (A ∩C ) = 0 et P (B ∩C ) =
2 3 6 6 6
On en déduit que A et B sont indépendants, mais B et C ainsi que A et C ne le sont
pas.

Propostion 6
Soient A et B deux événements d’un espace probabilisé (Ω, B, P ). Alors les proposi-
tions suivantes sont équivalentes :
A et B sont indépendants.
A et B̄ sont indépendants.
Ā et B̄ sont indépendants.
Ā et B sont indépendants.

Preuve :
Elle basée sur la relation A = (A ∩ B̄ )∪(A ∩B ) où la réunion est disjointe. (i) ⇒ (ii) la relation
A = (A ∩ B̄ ) ∪ (A ∩ B ) et l’additivité nous permettent d’écrire

P (A) = P (A ∩ B̄ ) + P (A ∩ B ) = P (A ∩ B̄ ) + P (A)P (B ).

Ce qui implique
P (A ∩ B̄ ) = P (A)P (B̄ ).
(ii) ⇒ (iii) Il suffit d’écrire B̄ = (B̄ ∩ Ā) ∪ (B̄ ∩ A). Ainsi, P (B̄ ) = P (B̄ ∩ Ā) + P (B̄ ∩ A). Ce qui
implique
P (B̄ ∩ Ā) = P ( Ā)P (B̄ ).

FST Fès -51- Pr. G. CHAIBI

 3. Espace de probabilités

(iii) ⇒ (iv) On a Ā = ( Ā ∩ B̄ )∪( Ā ∩B ). D’où P ( Ā) = P ( Ā ∩ B̄ )+P ( Ā ∩B ) = P ( Ā)P (B̄ )+ P ( Ā ∩B ).

Par conséquent, on a
P ( Ā ∩ B ) = P ( Ā)P (B ).
(iv) ⇒ (i) On a B = ( Ā ∩ B ) ∪ (A ∩ B ) ce qui implique
P (B ) = P ( Ā ∩ B ) + P (A ∩ B ) = P ( Ā)P (B )+ P (A ∩ B ). Ainsi, on a

P (A ∩ B ) = P (A)P (B ).

5 Indépendance de n événements :
Définition 22
Soient A 1 , A 2 , · · · , A n n événements d’un espace probabilisé (Ω, B, P ).
On dit que ces événements sont deux à deux indépendants si
¡ ¢ ¡ ¢
∀i , j ∈ {1, 2, · · · , n}, i < j , P A i ∩ A j = P (A i ) P A j

On dit que ces événements sont mutuellement indépendants si pour toute

partie J de {1, 2, · · · , n}, on a
à !
\ Y ¡ ¢
P Aj = P Aj
j ∈J j ∈J

Remarque 24
L’indépendance mutuelle entraîne l’indépendance des événements deux à deux et
la réciproque est fausse comme le montre l’exemple suivant :

Exemple 31
On lance deux fois une pièce de monnaie équilibrée. On considère les événements
suivants :
A : "le premier jet a donné pile".
B : "la deuxième jet a donné pile".
C : "les deux jets ont donné le même résultat".
L’univers des éventualités est Ω = {F F, F P, P F, P P }, B = B(Ω) et P est la probabilité
uniforme. On a
1 1 1
P (A) = P (B ) = P (C ) = , P (A ∩ B ) = P (A ∩C ) = P (B ∩C ) = et P (A ∩ B ∩C ) = .
2 4 4
les événements A, B et C ne sont pas mutuellement indépendants c’est à dire

P (A ∩ B ∩C ) 6= P (A) × P (B ) × P (C )

mais ils sont deux à deux indépendants.

FST Fès -52- Pr. G. CHAIBI

 3. Espace de probabilités

IV Variables aléatoires :
1 Définition et exemples :
Définition 23
Soit (Ω, B, P ) un espace probabilisé. On appelle variable aléatoire réelle ( v.a.r) toute
application X de Ω dans R ayant la propriété suivante :
Pour tout intervalle I de R, I’ensemble X −1 (I ) = {w ∈ Ω : X (w) ∈ I } est un événement
de Ω.

Remarque 25
Si Ω est un ensemble discret (fini ou infini dénombrable) alors B = P (Ω) et toute
application X de Ω dans R est une v.a.r, ce sera pour nous le cas le plus fréquemment
rencontré.

Exemple 32
1. On lance une pièce de monnaie, l’univers associé est Ω = {F, P }. L’application
X : Ω → R définie par X (F ) = 0 et X (P ) = 1 est une v.a.r. L’ensemble des valeurs
de X est X (Ω) = {0, 1}.
2. Étant donné un événement A ∈ B. On appelle fonction indicatrice de l’événe-
ment A, la fonction notée 1 A : Ω → {0, 1} définie par
(
1 si w ∈ A
∀w ∈ Ω 1 A (w) =
0 si w ∉ A

La fonction 1 A est une v.a.r.

Soient A et B deux événements. Montrer que :
1. 1 Ā = 1 − 1 A .
2. 1 A∩B = 1 A × 1B .
3. 1 A∪B = 1 A + 1B − 1 A∩B .

FST Fès -53- Pr. G. CHAIBI

 3. Espace de probabilités

Exemple 33
1. On jette deux dés. On pose Ω = {1, 2, 3, 4, 5, 6}2 . On considère les deux applica-
tions :
X :Ω→R
(a, b) 7→ a + b et
Y :Ω→R

0

 si a et b sont impairs
(a, b) 7→ 1 si a et b sont pairs

2

si non
X et Y sont deux v.a.r.
2. On considère le jet d’une fléchette. On pose Ω = R2 , l’application

X :Ω→R
q
(x, y) 7→ x 2 + y 2

est une v.a.r, c’est la distance du point d’impact à l’origine.

Notations :
Il est d’usage en probabilité d’adopter les notations suivantes :

X −1 ({a}) = {w ∈ Ω : X (w) = a} se note X = a

X −1 ([−∞, a]) = {w ∈ Ω : X (w) ≤ a} se note X ≤ a
X −1 (]a, +∞[) = {w ∈ Ω : X (w) > a} se note X > a
X −1 ([a, b[) = {w ∈ Ω : a ≤ X (w) < b} se note a ≤ X < b.

2 Variables aléatoires réelles discrètes :

Définition 24
Une v.a.r X : Ω → R est dite discrète si l’ensemble de ses valeurs X (Ω) est fini ou
infini dénombrable.

FST Fès -54- Pr. G. CHAIBI

 3. Espace de probabilités

Exemple 34
1. Jet d’une pièce de monnaie : Ω = {F, P }.
Soit la v.a.r X : Ω → R définie par X (F ) = 1 et X (P ) = 0. On a X (Ω) = {0, 1} et donc X
est discrète.

2. Jet d’une pièce de monnaie deux fois : Ω = {F F, F P, P F, P P }.

Soit la v.a.r X : Ω → R définie par X (w) = nombre de fois pile. On a X (Ω) = {0, 1, 2} et
donc X est discrète.

3. Dans l’exemple 4.17 la v.a.r

X :Ω→R
q
(x, y) 7→ x 2 + y 2

n ’est pas discrète.

Définition 25
Soit X une va.r discrète définie sur un espace probabilisé (Ω, B, P ). L’application

f : X (Ω) → [0, 1]
x 7→ f (x) = P (X = x)

s’appelle la loi de probabilité de X (on dit aussi la distribution ou la densité de X ).

La loi de probabilité d’une v.a.r discrète X est en général donnée sous forme d’un tableau.
Si X (Ω) est fini alors on pose X (Ω) = {x 1 , x 2 , · · · , x n }, la loi de X est

X (Ω) x1 x2 ··· xk ··· xn

f (x i ) = P (X = x i ) P (X = x 1 ) P (X = x 2 ) ··· P (X = x k ) ··· P (X = x n )

Exemple 35
1. On considère le jet d’une pièce de monnaie. L’univers des éventualités est Ω =
{F, P }.
La loi de probabilité de la va.r X : Ω → R telle que X (F ) = 1 est X (P ) = 0 est donnée
par le tableau suivant :
X (Ω) 0 1
P (X = x i ) 12 12
2. Jet d’une pièce de monnaie deux fois : Ω = {F F, F P, P F, P P }.
Soit la v.a.r X : Ω → R définie par X (w) = nombre de fois pile.
La loi de probabilité de X est donnée par le tableau suivant :

X (Ω) 0 1 2
1 1 1
P (X = x i ) 4 2 4

Remarquons que si X est une v.a.r discrète et f sa loi de probabilité, alors

X
f (x) = 1
x∈X (Ω)

FST Fès -55- Pr. G. CHAIBI

 3. Espace de probabilités

En effet, on peut écrire Ω = U (X = x) et cette réunion est disjointe et dénombrable (car

x∈X (Ω)
X (Ω) est dénombrable). En appliquant la σ-additivité on a
X X
1 = P (Ω) = P (X = x) = f (x).
x∈X (Ω) x∈X (Ω)

Toute application
X f positive sur une partie dénombrable A de R à valeurs dans R, qui
vérifie f (x) = 1, peut être considérée comme la loi de probabilité d’une v.a.r discrète
x∈A
dont l’ensemble des valeurs prises est A.
Soit X une v.a.r discrète. Posons X (Ω) = {x 1 , x 2 , · · · , x n , · · · }, en convenant de poser P (X = x i ) =
0 pour i assez-grand dans le cas où X (Ω) est un ensemble fini.
Définition 26
+∞
X
On dit que X possède une espérance mathématique si la série x i P (X = x i ) est ab-
i =0
+∞
X
solument convergente (i.e. si la série |x i | P (X = x i ) est convergente). On appelle
i =0
alors l’espérance mathématique de X , le nombre réel noté E (X ) défini par
+∞
X
E (X ) = x i P (X = x i )
i =0

Remarque 26
Si X (Ω) est fini, X possède toujours une espérance mathématique.

Définition 27
Soit X une va.r discrète ayant une espérance mathématique E (X ). Alors, avec les
notations précédentes, sous réserve de convergence de cette série.
Si X admet p une variance V (X ), alors on appelle écart-type de X le nombre réel
positif σ X = V (X ).

Remarque 27
1. Si X (Ω) est fini alors X possède toujours une variance.
2. Une va.r discrète ayant une espérance peut ne pas admettre une variance.

FST Fès -56- Pr. G. CHAIBI

 3. Espace de probabilités

Exemple 36
On lance un dé équilibré. On propose le jeu suivant : on réalise un gain nul si l’on
obtient 1 , un gain de 1DH si l’on obtient 2, 3 ou 4 et un gain de 2DH si le résultat est
5 ou 6 . Soit X la v.a.r égale au gain obtenu.
1. Donner la loi de probabilité de X .
2. Calculer E (X ),V (X ) et σ(X ).
L’univers associé est Ω = {1, 2, 3, 4, 5, 6}, l’espace probabilisable est (Ω, P (Ω), P ) avec
P la probabilité uniforme.

1. X (Ω) = {0, 1, 2}, la loi de X est donnée par le tableau suivant :

X (Ω) 0 1 2
1 3 2
P (X = x i ) 6 6 6

2.
2
X 1 3 2 7
E (X ) = i P (X = i ) = 0 × + 1 × + 2 × = ' 1.16.
i =0 6 6 6 6
2
(i − 1.16)2 P (X = i ) ' 0.472.
X
V (X ) =
i =0
p
σ(X ) = V (X ) ' 0.687.

Propostion 7
oient X et Y deux v.a.r ayant E (X ), E (Y ), V (X ) et V (Y ). Pour tout a, b ∈ R on a :
1. E (a X + b) = aE (X ) + b.
2. V (a X + b) = a 2V (X ).
3. E (X + Y ) = E (X ) + E (Y ).
4. Si X et Y sont indépendantes alors E (X Y ) = E (X )E (Y ) et V (X +Y ) = V (X )+V (Y ).

Par conséquent, Si X est une v.a.r discrète ayant une espérance E (X ) et une variance V (X )
X − E (X )
alors en posant X ∗ = , on a
σ(X )

E X ∗ = 0 et V X ∗ = 1.
¡ ¢ ¡ ¢

On dit alors que X ∗ est la v.a.r centrée réduite associée à X .

FST Fès -57- Pr. G. CHAIBI

 3. Espace de probabilités

6
Soient X une v.a.r¡ discrète¢ayant une espérance E (X ) et une variance V (X ) et a ∈ R.
1. Montrer que E (X − a)2 =¡V (X¢ ) + (E (X ) − a)2 (Théorème de Kœnig-Huyghens).
2. En déduire que : V (X ) = E X 2 − (E (X ))2 .

n n
E (X − a)2 = (x i − a)2 P (X = x i ) = (x i − E (X ) + E (X ) − a)2 P (X = x i )
¡ ¢ X X
i =0 i =0
n
n n
(x i − E (X ))2 P (X = x i ) + 2(E (X ) − a)
X X
= (x i − E (X )) P (X = x i )
i =0 i =0
| {z }
=0
n
+ (E (X ) − a)2
X
P (X = x i )
i =0
| {z }
=1
2
= V (X ) + (E (X ) − a) .

2. Il suffit de prendre a = 0.

3 Fonction de répartition :
Définition 28
Soit X une v.a.r définie sur un espace probabilisé (Ω, B, P ). On appelle fonction de
répartition de X la fonction numérique F définie sur R par :

∀x ∈ R, F (x) = P (X ≤ x).

Exemple 37
On reprend l’exemple 4.20

X (Ω) 0 1 2
1 3 2
P (X = x i ) 6 6 6

La fonction de répartition de X est :

- Si x < 0 alors F (x) = P (X ≤ x) = 0.
1
- Si 0 ≤ x < 1 alors F (x) = P (X ≤ x) = P (X = 0) = .
6
4
- Si 1 ≤ x < 2 alors F (x) = P (X ≤ x) = P (X = 0) + P (X = 1) = .
6
6
- Si x ≥ 2 alors F (x) = P (X ≤ x) = P (X = 0) + P (X = 1)+ P (X = 2) = 1.
La représentation graphique de la fonction F est :

FST Fès -58- Pr. G. CHAIBI

 3. Espace de probabilités

Soit X une v.a.r et F sa fonction de répartition. Alors F possède les propriétés suivantes :
1. F est croissante.
2. lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
3. F est continu à droite en tout point de R.
4. F a une limite à gauche en tout point x de R et on a :

∀x ∈ R, F (x) − lim− F (t ) = P (X = x).

t →x

En particulier, en tout point x 0 où F est continue, on a P (X = x 0 ) = 0.

Théorème IV.1
Tout fonction F : R → [0, 1] telle que
1. F est croissante.
2. lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
3. F est continue à droite.
est la fonction de répartition d’une v.a.r X .

FST Fès -59- Pr. G. CHAIBI

 Lois discrètes classiques
Chapitre
4
1 Loi certaine :
Définition 29
On appelle variable certaine, une va.r X constante. Autrement dit, il existe un nombre
réel a tel que X (Ω) = {a}. Par conséquent, P (X = a) = 1.

On vérifie aisément que E (X ) = a et V (X ) = 0.

2 Loi uniforme :
Définition 30
On dit qu’une v.a.r X suit une loi uniforme discrète sur l’ensemble {1, 2, 3, · · · , n},
n ∈ N, si on a :
1. X (Ω) = {1, 2, 3, · · · , n}.
1
2. ∀k ∈ {1, 2, 3, · · · , n}, P (X = k) = .
n
On écrit alors : X ∼ U n .

Le modèle probabiliste :
On choisit au hazard (i.e. avec équiprobabilité) un objet parmi n numéroter de 1 à n et on
appelle X le numéro de l’objet choisi (pièce de monnaie, dé, ...).

X n
X 1 Xn n +1
E (X ) = xP (X = x) = kP (X = k) = k= .
x∈X (Ω) k=1 n k=1 2
n n + 1 2 (n + 1)(2n + 1) n + 1 2 n2 − 1
µ ¶ µ ¶
21
¡ 2¢ 2
X
V (X ) = E X − (E (X )) = k − = − = .
k=1 n 2 6 2 12

Si X ∼ U n alors les figures suivantes représentent la loi de probabilité et la fonction de

répartition de X .

60
 4. Lois discrètes classiques

3 Loi de Bernoulli :
Définition 31
Soit p ∈]0, 1[. On dit qu’une va.r X suit la loi de Bernoulli de paramètre p si
1. X (Ω) = {0, 1}.
2. P (X = 1) = p et P (X = 0) = 1 − p.
On note alors : X ∼ B (p) ou X ∼ B (1, p).

Le modèle probabiliste :
On lance une pièce où la probabilité d’amener pile (succès) est p ∈]0, 1[.
X est également le nombre de boule blanches obtenues en effectuant un tirage d’une boule
avec remise dans une urne contenant une proportion p de boules blanches. Une variable
de Bernoulli illustre plus généralement toute expérience n’ayant que deux issues possibles
et effectuée une seule fois.
E (X ) = 0(1 − p) + 1 × p = p.
V (X ) = (0 − p)2 (1 − p) + (1 − p)2 p = p(1 − p).

Représentation graphique :

4 Loi binomiale :
Définition 32
Soient n ∈ N et p ∈ [0, 1]. On dit qu’une va.r X suit la loi binomiale de paramètres n
et p si
1. X (Ω) = {0, 1, 2, · · · , n}.
2. ∀k ∈ {1, 2, 3, · · · , n}, P (X = k) = C nk p k (1 − p)n−k .
On note alors : X ∼ B (n, p).

Le modèle probabiliste :

1. On considère une urne contenant deux catégories de boules : des boules blanches
en proportion p et des boules noires en proportion q = 1 − p.
Soit l’expérience aléatoire qui consiste à tirer n boules avec remise de cette urne.

FST Fès -61- Pr. G. CHAIBI

 4. Lois discrètes classiques

On appelle X le nombre de boules blanches obtenues au cours de ce tirage de n

boules.
2. Répéter n fois une expérience aléatoire dont le résultat se traduit par l’apparition (le
succès) ou la non apparition (l’échec) d’un événement A de probabilité p (p ∈]0, 1[ ).
Remarque 28
n n
C nk p k (1 − p)n−k = 1 (Formule du binôme).
X X
1. P (X = k) =
k=0 k=0
2. Une variable de Bernoulli, X ∼ B (1, p), est une variable binomiale de para-
mètres 1 et p.
3. Toute variable binomiale X ∼ B (n, p) est la somme de n variables de Bernoulli
indépendantes X 1 , X 2 , · · · , X n ∼ B (1, p).

Propostion 8
Si X ∼ B (n, p) alors on a
1. E (X ) = np.
2. V (X ) = np(1 − p).

Preuve :
1.
n n
kC nk p k (1 − p)n−k .
X X
E (X ) = kP (X = k) =
k=0 k=1
or
n! (n − 1)!
kC nk = k =n k−1
= nC n−1 .
k!(n − k)! (k − 1)!(n − 1 − (k − 1))!
Ainsi, on a
n n−1
k−1 k−1
(1 − p)n−k = np k
p k (1 − p)n−1−k = np.
X X
E (X ) = np C n−1 p C n−1
k=1 k=0

2. d’après la formule de Kœenig-Huyghens, on a

V (X ) = E X 2 − (E (X ))2 = E (X (X − 1) + X ) − (E (X ))2 = E (X (X − 1)) + E (X ) − (E (X ))2

¡ ¢

Pour n ≥ 2, on écrit
n
k(k − 1)C nk p k (1 − p)n−k
X
E (X (X − 1)) =
k=2
Or
(n − 2)!
k(k − 1)C nk = n(n − 1) k−2
= n(n − 1)C n−2 .
(k − 2)!(n − k)!
Ainsi,
n
k−2 k−2
E (X (X − 1)) = n(n − 1)p 2 (1 − p)n−k
X
C n−2 p
k=2
n−2
k
= n(n − 1)p 2 p k (1 − p)n−2−k
X
C n−2
k=0
2
= n(n − 1)p .
Par conséquent,
V (X ) = n(n − 1)p 2 + np − (np)2 = np(1 − p).
Si n = 1 alors X ∼ B (1, p) et on sait que V (X ) = p(1 − p).

FST Fès -62- Pr. G. CHAIBI

 4. Lois discrètes classiques

Remarque 29
Si X ∼ B (n, p) alors n − X ∼ B (n, q = 1 − p). En fait,

P (n − X = k) = P (X = n − k) = C nn−k p n−k (1 − p)k = C nk (1 − p)k p n−k ,

le succès pour X est l’échec pour n − X . C’est pourquoi les tables de la loi binomiale
se limitent au cas où p ≤ 0.5.

Exemple 38
Une urne contient 6 boules rouges et 5 boules noires indiscernables au toucher. On
tire 10 fois successivement une boule avec remise. Quelle est la loi du nombre de
boules rouges obtenues ?
Ω = {R 1 , R 2 , R 3 , R 4 , R 5 , R 6 , N1 , N2 , N3 , N4 , N5 } , B = P (Ω) et P la probabilité uniforme.
Le succès ici est "obtenir une boule rouge". Soit S = {R 1 , R 2 , R 3 , R 4 , R 5 , R 6 }, on a
6
P (S) = .
11
Soit X la v.a.r µ prenant ¶ pour valeur le nombre de rouges obtenues.
6
Alors X ∼ B 10, .
11

Propostion 9 ¡ ¢
Soient X
¡ 1 et X¢ 2 deux variables indépendantes
¡ ¢ binomiales telles que X 1 ∼ B n 1 , p et
X 2 ∼ B n 2 , p , alors X 1 + X 2 ∼ B n 1 + n 2 , p .

Remarque 30
Cette proposition s’étend immédiatement à la somme
¡ ¢ d’un nombre fini de variables
aléatoires indépendantes de lois respectives B n i , p , (avec le même p pour toutes
ces lois).

5 Loi de poisson :
Définition 33
Soit λ > 0. On dit qu’une v.a.r X suit la loi de Poisson de paramètre λ si
1. X (Ω) = N.
λk
2. ∀k ∈ N, P (X = k) = e −λ .
k!
On note X ∼ P (λ).

Remarque 31
+∞
X
1. On vérifie facilement que P (X = k) = 1.
k=0
2. La loi de Poisson est la "loi limite" d’une loi binomiale lorsque p reste constant et
n tend vers +∞.

FST Fès -63- Pr. G. CHAIBI

 4. Lois discrètes classiques

λ
¶ µ
En effet, soit λ = np. On considère une va.r X qui suit une loi binomiale B n, .
n
µ ¶k µ
λ λ n−k
¶
∀k ∈ {0, 1, 2, . . . , n}, P (X = k) = C nk 1−
n n
k
λ n(n − 1) · · · (n − k + 1) (n−k) log 1− nλ
³ ´
= × e
k! nk
λk −λ
−→ e quand n → +∞
k!
En pratique : On peut faire cette approximation lorsque p < 0; 1, n ≥ 30, et np < 15.
La loi de Poisson apparait donc lorsque l’on compte le nombre de succès au cours
d’un nombre d’épreuves très élevé, avec une probabilité p du succès très faible : c’est
la loi des "événements rares".

Soit X ∼ P (λ). Alors on a

E (X ) = λ et V (X ) = λ.
On a bien la convergence des séries qui suivent (par la règle de D’Alembert par exemple).

+∞ λk X λk
+∞
ke −λ = e −λ = e −λ λe λ = λ.
X
E (X ) =
k=0 k! k=1 (k − 1)!

Pour la variance, on calcule

¡ ¢ +∞X 2 −λ λk
E X2 = k e
k=0 k!
+∞ λk
(k(k − 1) + k)e −λ
X
=
k=0 k!
+∞ λk +∞
X −λ λk
k(k − 1)e −λ
X
= + ke
k=0 k! k=0 k!
+∞ λk
= e −λ +λ
X
k=2 (k − 2)!
= e −λ λ2 e λ + λ
= λ2 + λ

Par conséquent,
V (X ) = E X 2 − (E (X ))2 = λ
¡ ¢

Exemples d’application :
- Nombre de véhicules franchissant un poste de péage pendant une période de durée T .
- Nombre d’appels téléphoniques reçus par un standard pendant une période de durée T .
- Nombre de pièces défectueuses dans une livraison importante, la production étant de
bonne qualité.
- Nombre d’accidents pendant une période de durée T .
- Nombre d’œufs pondus au cours d’une ponte par certaines espèces animales.

FST Fès -64- Pr. G. CHAIBI

 4. Lois discrètes classiques

6 Loi géométrique, temps d’attente :

Définition 34
On dit qu’une v.a.r X suit une loi géométrique de paramètre p ∈]0, 1[ si on a
1. X (Ω) = N∗ .
2. ∀k ∈ N∗ : P (X = k) = p(1 − p)k−1 .
On note alors X ∼ G (p).

Modèle probabiliste :
En pratique, la loi géométrique G (p) est suivie par une v.a.r X si :
1. X = le nombre de lancés nécessaires d’une pièce de monnaie pour avoir la 1ère
1
apparition de "face" avec p = la probabilité d’avoir "face" ( si la pièce est équilibrée).
2
Les lancés sont supposés être indépendants.
2. X = le nombre de tirages nécessaires pour avoir la 1ère apparition d’une boule
blanche lorsqu’on fait un tirage avec remise dans une urne contenant la proportion
p de boules blanches.

Propostion 10
Soit X ∼ G (p), p ∈]0, 1[. Alors on a

1 1−p
E (X ) = et V (X ) = .
p p2

+∞
x k a pour rayon de convergence 1 , et on a
X
La série entière
k=0

+∞ 1
xk =
X
∀x ∈] − 1, 1[: .
k=0 1−x

Or la somme d’une série entière de rayon R est de classe C ∞ sur ] - R, R[ et on peut dériver
terme à terme, ce qui donne dans notre cas
+∞ 1 +∞ 2
kx k−1 = k(k − 1)x k−2 =
X X
2
et .
k=1 (1 − x) k=2 (1 − x)3

Par suite, on a
+∞ 1 1
kp(1 − p)k−1 = p
X
E (X ) = =
k=1 (1 − (1 − p))2 p

FST Fès -65- Pr. G. CHAIBI

 4. Lois discrètes classiques

¡ ¢ +∞
E X2 = k p(1 − p)k−1
X 2
k=1
+∞
(k(k − 1) + k)p(1 − p)k−1
X
=
k=1
+∞ +∞
k(k − 1)p(1 − p)k−1 + kp(1 − p)k−1
X X
=
k=2 k=1
+∞ +∞
k(k − 1)(1 − p)k−2 + p k(1 − p)k−1
X X
= p(1 − p)
k=2 k=1
1 1
= p(1 − p) 3
+p
(1 − (1 − p)) (1 − (1 − p))2
2(1 − p) p
= + 2.
p2 p
Par suite, on a
2(1 − p) p 1 1−p
V (X ) = E X 2 − (E (X ))2 =
¡ ¢
2
+ 2− 2= .
p p p p2

7 Lois multinomiales :
Définition 35
Soient d , n ∈ N∗ et p 1 , . . . , p d ∈ [0, 1]. On dit qu’une v.a.r X suit une loi multinomiale
de paramètres
n n et p 1 , . . . , p d si on a
1. X (Ω) = (n 1 , . . . , n d ) ∈ Nd : n 1 + · · · + n d = n} .
2.
n!

n1 nd
 n1 ! . . . n ! p 1 × · · · × p d


 pour (n 1 , . . . , n d ) ∈ Nd
d
P (X 1 = n 1 , X 2 = n 2 , . . . , X d = n d ) = tel que n 1 + · · · + n d = n,



0 sinon.

On note alors X ∼ M n, p 1 , . . . , p d .
¡ ¢

Modèle probabiliste :
Le contexte usuel d’apparition de cette loi est le suivant :
considérons une suite de n épreuves indépendantes (de n variables aléatoires X 1 , . . . , X n
chacune ayant d issues (valeurs) possibles {e 1 , . . . , e d } de probabilités respectives p 1 , . . . , p d .
Soit X le vecteur d -dimensionnel dont les coordonnées comptent le nombre ¡ d’occurrences
des issues correspondantes. La loi de X est alors la loi multinomiale M n, p 1 , . . . , p d .
¢

On constate ainsi d’une part que les lois multinomiales sont les généralisations à plus de 2
issues possibles des lois binomiales, d’autre part que les lois multinomiales apparaissent
naturement en Statistique : les n variables aléatoires X 1 , . . . , X n sont un échantillon d’une
loi discrète à support fini, le vecteur X est alors celui des effectifs empiriques. On remarque
que dans ce cas, la k-ième coordonnée de X s’écrit
n
X (k) = 1{ X i =e k }
X
i =1

FST Fès -66- Pr. G. CHAIBI

 4. Lois discrètes classiques

qui est une somme de variables aléatoires¡indépendantes de loi la loi de Bernoulli de

paramètre p k , et dont la loi est donc la loi B n, p k . Nous ne nous étenderons pas plus sur
¢

ces lois qui sont des lois de vecteurs aléatoires (l’espérance est un vecteur, la variance est
une).

8 Loi binomiales négatives

Définition 36
Soient p ∈]0, 1] et k ∈ N∗ . On dit qu’une v.a.r X suit une loi binomiale négative de
paramètres k et p si on a :
1. X (Ω) = {k, k + 1, k + 2, . . .}.
2. (
k−1 k
C n−1 p (1 − p)n−k pour n ∈ N, n Ê k,
P (X = n) =
0 sinon.
On note alors X ∼ Bi nneg (k, p).

La loi binomiale négative de paramètres k et p est la loi du k-ième succès dans un schéma
de Bernoulli infini de paramètre p.

Pour k = 1, on retrouve la loi géométrique de paramètre p. On peut montrer que les écarts
entre les rangs de succès sont indépendants et tous de loi géométrique de paramètre p, et
que réciproquement la somme de k variables aléatoires indépendantes de loi G (p) a pour
loi Bi nneg (k, p).

9 Loi hypergéométriques
Définition 37
Soient n, N ∈ N∗ et p ∈ [0, 1] tels que N p ∈ N et n É N . On appelle loi hypergéomé-
trique de paramètres (N , n, p) la loi de probabilité discrète de support inclus dans N
vérifiant

C k C n−k
 NP N(1−p)


n pour max(0, n − N(1−p) ) É k É min(n, N p ),
P (X = k) = C
 N

0 sinon.

Cette mesure est identifiée par la notation H (N , n, p).

Considérons une urne contenant N p boules blanches et N(1−p) boules noires, soit au
total N boules. On tire au hasard n boules dans l’urne sans remise (c’est-à-dire qu’une
réalisation est une partie à n éléments de cette urne et qu’on suppose toutes les réalisations
équiprobables) et on note X le nombre de boules blanches correspondant. La variable
aléatoire X a pour loi H (N , n, p).

FST Fès -67- Pr. G. CHAIBI

 Chapitre
5
Probabilités continues

I Loi d’une variable aléatoire continue

Définition 38
Une variable aléatoire ( v.a) réelle est une application mesurable

X : Ω −→ R
ω 7−→ X (ω)

Une variable aléatoire discrète prend ses valeurs dans un ensemble fini ou dénombrable
Exemple 39
lancé de dé, X (Ω) = {1, 2, 3, 4, 5, 6}.
nombre de photons émis par une source lumineuse pendant 1 s, X (Ω) = N.

Une variable aléatoire continue peut prendre une infinité non dénombrable de valeurs,
par exemple dans un intervalle ou sur tout R.
Exemple 40
taille des individus d’une population, X (Ω) = [0, M ].
temps d’attente à la poste, X (Ω) = R+ .
taux de cholestérol, X (Ω) = R+ .
poids à la naissance, X (Ω) = [0, m].
...

68
 5. Probabilités continues

1 Loi d’une variable aléatoire : du discret au continu

2 Loi d’une variable aléatoire continue

Si X a une loi continue, la probabilité que X prenne une valeur bien précise (X = a) est
en général nulle. On ne peut donc pas définir la loi de X en se contentant de donner
ses probabilités élémentaires P[X = a] pour tout a. Exemple : Si X désigne le taux de
cholestérol d’un individu, alors P[X = 0.53969252982mg | l] = 0.
On s’intéresse plutôt à la probabilité que X soit dans un intervalle donné [a, b], ou qu’il
soit inférieur à une valeur donnée a.

7 On jette un stylo sur une table, et on note X l’angle (non signé) entre 0 et π qu’il
forme avec le bord de la table. Quelle est la loi de X ? Comment
n π peut-on la représenter
πo
graphiquement ? Quelle est la probabilité de l’évènement ≤X ≤ ?
3 2
Définition 39). (Densité de probabilité)
Une variable aléatoire X est dite à densité lorsqu’il existe une fonction positive
f X : R → R+ telle que
Z b
P(a ≤ X ≤ b) = f X (x)d x pour tous a, b ∈ R, a ≤ b.
a

Cette fonction f X est appelée densité de X .

FST Fès -69- Pr. G. CHAIBI

 5. Probabilités continues

Remarque 32
on peut prendre a = −∞ ou b = +∞ dans cette formule.

La probabilité P (a ≤ X ≤ b) correspond à l’aire du domaine situé sous le graphe de f X

entre les abscisses a et b. Z +∞
f X (x)d x = P(X ∈ R) = 1
−∞
II faut toujours penser à le vérifier !
Calculer la loi d’une variable à densité, c’est calculer sa densité !
Si la variable aléatoire X a une densité f X , alors pour toute valeur a, la probabilité que X
prenne la valeur a est 0 ! ! !
Z a
P(X = a) = P(a ≤ X ≤ a) = f X (x)d x = 0
a
On s’intéresse plutôt à la probabilité que X prenne ses valeurs dans un intervalle donné
[a, b]

Même terminologie que pour des distributions discrètes : dyssymétrie (skewness), moyenne,
variance, médian, mode, quantiles, etc.

8 Parmi les fonctions suivantes, lesquelles sont des densités de probabilité ?


x + 1 si − 1 ≤ x ≤ 0


1. f (x) = 1 − x si 0 ≤ x ≤ 11

0

sinon.
(
x 2 si 0 ≤ x ≤ 1
2. f (x) =
0 sinon.
(
2 cos(x) si 0 ≤ x ≤ 2π
3. f (x) =
0 sinon.
( ¡
3 2
¢
4
1−x si − 1 ≤ x ≤ 1
4. f (x) =
0 sinon.

FST Fès -70- Pr. G. CHAIBI

 5. Probabilités continues

Définition 40). (Fonction de répartition)

La fonction de répartition d’une variable aléatoire X est la fonction définie pour tout
t ∈ R par
F X (t ) = P(X ≤ t ).
Autrement dit, F X (t ) est la probabilité de l’événement "la valeur de X est inférieure
ou égale à t 00 .

Exemples de fonctions de répartition d’une variable discrète et d’une variable continue.

Propriété 1
Soit F X (t ) la fonction de répartition d’une variable aléatoire X , on a alors :
F X (t ) ∈ [0, 1] pour tout t ∈ R ;
F X est une fonction croissante.
lim F X (x) = 0 et lim F X (x) = 1.
x→−∞ x→+∞
pour tout a < b dans R, F X (b) − F X (a) = P[a < X ≤ b].

Propostion 11
Si la fonction de répartition F X est dérivable, alors X est une variable a densité et sa
densité est la dérivée de F X :
f X = F X0

9 On jette un stylo sur une table, et on note X l’angle (non signé) entre 0 et π, qu’il
forme avec le bord de la table. Quelle est la fonction de répartition de la loi de X ?

FST Fès -71- Pr. G. CHAIBI

 5. Probabilités continues

II Espérance, Variance, Quantiles

1 Espérance
Définition 41). (Espérance)
Soit X une variable aléatoire continue de densité f X , son espérance est
Z
E[X ] = t f X (t )d t
R

lorsque cette intégrale est bien définie.

Remarque 33
Si l’intégrale précédente n’est pas convergente, alors l’espérance de X n’est
pas définie.
E[X ] est une moyenne pondérée des valeurs que peut prendre X .

Propriétés de l’espérance
Propostion 12
Soient X et Y deux variables aléatoires et λ ∈ R un nombre réel, on a alors :
- E (λ) = λ.
- E (λX ) = λE (X ).
- E (X + λ) = E (X ) + λ.
- E (λ1 X + λ2 Y ) = λ1 E (X ) + λ2 E (Y )

4 Attention cependant, même si l’espérance admet beaucoup de propriétés qui la rendent

agréable, elle ne respecte pas en général la multiplication (E (X Y ) 6= E (X )E (Y )), sauf pour
des variables indépendantes.
Propostion 13
Soient X une variable aléatoire continue de densité f X , et g : R → R une fonction
quelconque. L’espérance de g (X ) se calcule ainsi :
Z
E (g (X )) = g (x) f X (x)d x.
R

Il se peut très bien que E (g (X )) n’existe pas alors que E (X ) existe !

Que pouvez-vous dire des espérances relatives de ces densités ?

FST Fès -72- Pr. G. CHAIBI

 5. Probabilités continues

2 Variance
Définition 42
Soit X une variable aléatoire continue de densité f X , sa variance est
Z
Var[X ] = E (X − E[X ]) = (t − E[X ])2 f X (t )d t
2
£ ¤
R
Z µZ ¶2
£ 2¤ 2 2
= E X − E[X ] = t f X (t )d t − t f X (t )d t ,
R R

lorsque ces intégrales sont bien définies.

La variance est un nombre positif, qui peut être infini même si l’espérance existe.
Définition 43
L’ écart-type d’une variable aléatoire X est la racine carrée de sa variance :
p
σ(X ) = Var(X )

Propostion 14
Soit X une variable aléatoire et λ ∈ R un nombre réel, on a alors :
- Var(λ) = 0.
- Var(X + λ) = V ar (X ).
- Var(λX ) = λ2V ar (X ).

Que pouvez-vous dire des variances de ces densités ?

3 Quantile
Définition 44). (Quantile)
Les quantiles d’une distribution f sont les valeurs permettant de diviser le support
de la distribution en intervalles de poids égaux.

On parle de q-quantile lorsqu’on divise le poids de la distribution en q intervalles. Il y en a

q − 1 quantiles.

FST Fès -73- Pr. G. CHAIBI

 5. Probabilités continues

Par exemple
2-quantile = median.
3-quantile = tercile.
4-quantile = quartile.
10-quantile = décile.
Les q-quantiles de la distribution f X de fonction de répartition F X sont les valeurs

−1 i
µ ¶
FX , i ∈ {1, . . . , q − 1}
q

10 Soit X une variable aléatoire de densité

 4 x 1/3

si 0 ≤ x ≤ 1
f X (x) = 3
0 sinon.

- Quelle est la fonction de répartition de X ?

- Quelle est l’espérance de X ?
- Quelle est la variance de X ? ½ ¾
1 1
- Quelle est la probabilité de l’évènement ≤X ≤ ?
3 2
- Quelles sont les terciles de la loi de X ?

Relation entre moyenne et médian

Cas des lois symétriques

Si une loi est symétrique par rapport à la valeur µ, sa moyenne et sa médiane coïncident et
valent µ.
Dans ce cas, son i eme -quantile et son (q − i )eme quantile sont symétriques l’un de l’autre
par rapport à a :
−1 i −1 q − i
µ ¶ µ ¶
µ − FX = FX −µ
q q

FST Fès -74- Pr. G. CHAIBI

 5. Probabilités continues

FST Fès -75- Pr. G. CHAIBI

 Chapitre
6
Lois continues classiques

I Loi uniforme
Définition 45
La loi uniforme sur un intervalle [α, β] est la loi de densité

 1 si x ∈ [α, β],


f (x) = β−α
0 sinon.


On note X ∼ U ([α, β]) (" X suit la loi uniforme sur [α, β]").

Dans l’exemple du stylo qui tombe sur une table, il est raisonnable de supposer que l’angle
X suit la loi uniforme sur [0, π]. On aura donc par exemple :
π
π´ 1 1
Z
2
³
P X≤ = dx = ,
2 0 π 2
ou encore : π
³π π´
Z
2 1 1
P ≤X ≤ = dx = .
4 2 π
4
π 4

Fonction de répartition d’une loi uniforme

Si X suit la loi uniforme sur [α, β], on a

 1 si x ∈ [α, β],


f X (x) = β−α
0 sinon,


et donc
0 si x ≤ α

 x −α


F X (x) = si x ∈ [α, β],
 β−α
1 si x ≥ β



76
 6. Lois continues classiques

Densité (à gauche) et fonction de répartition (à droite) de la loi uniforme sur l’intervalle

[2, 7].
Propostion 15
Si X ∼ U ([α, β]) alors on a :
α+β
1. E (X ) = .
2
(β − α)2
2. V (X ) = .
12

Preuve :
Soit X une variable aléatoire de loi uniforme sur [α, β]. On a
Z β 1
Z β 1
2
E[X ] = E X x2
£ ¤
x dx = dx
α β−α α β−α
¸β ¸β
x2 x 3
· ·
= =
2(β − α) α 3(β − α) α
β2 α2 β3 α3
= − = −
2(β − α) 2(β − α) 3(β − α) 3(β − α)
β2 − α2 (β − α) β2 + αβ + α2
¡ ¢
= =
2(β − α) 3(β − α)
(β − α)(β + α) β2 + αβ + α2
= =
2(β − α) 3
β+α
=
2
Var(X ) = E X 2 − E[X ]2
£ ¤

β2 + αβ + α2 β + α) 2
µ ¶
= −
3 2
β + αβ + α
2 2
β + 2αβ + α2
2
= −
¡ 3 ¡4
4 β2 + αβ + α2 3 β2 + 2αβ + α2
¢ ¢
= −
12 12
β2 − 2αβ + α2
=
12
(β − α)2
=
12

FST Fès -77- Pr. G. CHAIBI

 6. Lois continues classiques

II Loi exponentielle
Définition 46
Soit a > 0 un réel. On dit que X suit la loi exponentielle de paramètre a si elle admet
la densité
ae −ax si x ≥ 0,
½
−ax
f X (x) = ae 1R+ (x) =
0 sinon.

Sa fonction de répartition est :

x
1 − e −ax si x ≥ 0
Z ½
F X (x) = f X (t )d t =
−∞ 0 sinon.

La loi exponentielle est souvent utilisée pour modéliser la loi de temps d’attente ou de
durées de vie ( a est l’inverse du temps d’attente moyen).
Exemple 41
durée de vie d’une ampoule, d’un appareil électrique.
temps jusqu’au prochain tremblement de terre.
temps d’attente à la poste...

Densité (à gauche) et fonction de répartition (à droite) de la loi exponentielle( cyan pour

a = 1 et rouge pour a = 3).
Propostion 16
Soit X une variable aléatoire de loi exponentielle de paramètre a > 0, alors on a :
1
1. E (X ) = .
a
1
2. V (X ) = 2 .
a

Preuve :
Soit X une variable aléatoire de loi exponentielle de paramètre a > 0.
X admet la densité
ae −ax si x ≥ 0,
½
−ax
f X (x) = ae 1 R+ =
0 sinon.
Calculons E(X ) : Z Z +∞
E(X ) = x f X (x)d x = xae −ax d x
R 0

FST Fès -78- Pr. G. CHAIBI

 6. Lois continues classiques

On fait une intégration par parties avec u = x, u 0 = 1 et v 0 = ae −ax , v = −e −ax :

Z +∞
£ ¡ −ax ¢¤+∞ ¡ −ax ¢
E(X ) = x −e 0 − −e dx
0
Z +∞ · ¸+∞
1 1
= 0+ e −ax d x = − e −ax = .
0 a 0 a
Ainsi
1
E (X ) =
a
Calculons Var(X ) :
Z
1
Z +∞ 1
2 2 2
Var(X ) = E X − E(X ) = x f X (x)d x − 2 = x 2 ae −ax d x −
¡ ¢
.
R a 0 a2

On pose u = x 2 , u 0 = 2x et v 0 = ae −ax , v = −e −ax :

Z +∞
£ 2 ¡ −ax ¢¤+∞ 1
2x −e −ax d x − 2
¡ ¢
Var(X ) = x −e 0 −
0 a
Z +∞
1
= 0+2 xe −ax d x − 2
0 a
· µ ¶¸+∞ Z +∞ µ ¶
1 −ax 1 −ax 1
=2 x − e −2 − e dx − 2
a 0 0 a a
2 +∞ −ax 1
Z
= 0+ e dx − 2
a 0 a
· ¸+∞
2 1 1 21 1 1
= − e −ax − 2= − 2 = 2.
a a 0 a aa a a
1
Var(X ) = 2
a

Remarque 34 (Loi quelconque)

Une variable aléatoire non discrète n’est pas nécessairement à densité ! C’est l’objec-
tif de l’exercice suivant.

11 Une machine à remplir les bouteilles est défectueuse : elle verse dans chaque
bouteille (de 75cL ) une quantité aléatoire de boisson comprise entre 0 et 1 litre. Soit Y
la quantité de boisson contenue dans la bouteille. Décrire sa loi.
Soit X la quantité de boisson versée par la machine. En l’absence d’autre précision, on
peut considérer que X suit une loi uniforme sur [0, 1]. On a
½
Y = X si X ≤ 0.75
Y = 0.75 si X > 0.75

Y n’est clairement pas une variable discrète (ses valeurs possibles correspondent à l’inter-
valle [0, 0.75]), et n’est pas non plus une variable à densité car P (Y = 0.75) = P (X > 0.75) =
0.25 6= 0. On dit que la loi de Y possède un atome en x = 0.75.
On peut calculer facilement la fonction de répartition de Y :

 0 si t ≤ 0
F Y (t ) = t si 0 < t < 0.75
1 si t ≥ 0.75


FST Fès -79- Pr. G. CHAIBI

 6. Lois continues classiques

III Loi normale

1 Loi normale centrée réduite (ou loi gaussienne)
Définition 47
On dit que X suit une loi normale centrée réduite et on note X ∼ N (0, 1) si sa loi
admet pour densité la fonction

1 x2
f X (x) = p e − 2 .
2π

La fonction de répartition correspondante n’a pas de formule simple. Dans les logiciels de
calcul numérique (Matlab, R, etc) cette fonction est implémentée sous le nom de normcdf
(Matlab) ou pnorm (R). Z x
1 t2
F X (x) = p e− 2 d t .
−∞ 2π

Propostion 17
Soit X une variable aléatoire suivant une loi normale centrée réduite, alors

E[X ] = 0 et Var(X ) = 1.

Preuve : Z
b 2 b
· ¸ µ ¶
1 2
− x2 1 − x2 1 − a2
2
− b2
2
1) E (X ) = p xe dx = p −e =p e −e
a 2π 2π a 2π
La densité de probabilité est définie sur R donc on va faire tendre les bornes a et b vers
l’infini et calculer la limite
a2 b2
lim e − 2 = 0 et lim e − 2 = 0 donc E (X ) = 0
a→−∞ b→+∞

Loi normale N (0, 1)

Propostion 18
Soit X une variable aléatoire suivant une loi normale centrée réduite, alors
1) P (X < −a) = P (X > a)
2) P (−a < X < a) = 2P (X < a) − 1

Preuve :

FST Fès -80- Pr. G. CHAIBI

 6. Lois continues classiques

1- Par symétrie de la courbe, le domaine sous la courbe à gauche de −a est égal au domaine
sous la courbe à droite de a donc P (X < −a) = P (X > a).

2- Là encore, on utilise la courbe P(−a < X < a) correspond à l’aire verte . C’est aussi l’aire
totale privée des parties bleues Or l’aire totale, c’est 1
Les parties bleues sont P(X < −a) et P(X > a) Ensuite on utilise le 1)

P (−a < X < a) = 1 − P (X < −a) − P (X > a) = 1 − 2P (X > a)

On sait que P(X > a) = 1 − P(X < a). On termine :

P (−a < X < a) = 1 − 2P (X > a) = 1 − 2(1 − P (X < a)) = 2P (X < a) − 1

2 Loi normale N µ, σ2
¡ ¢

Définition 48
Soit µ et σ deux réels, on suppose σ 6= 0. On dit qu’une variable aléatoire X suit une

FST Fès -81- Pr. G. CHAIBI

 6. Lois continues classiques

loi normale de moyenne µ et variance σ2 si la variable aléaoire

X −µ
Z=
σ

suit une loi normale centrée réduite. On note X ∼ N µ, σ2 .

¡ ¢

X a pour densité la fonction

1 (x−µ)2
−
f X (x) = p e 2σ2 .
2πσ

On a E[X ] = µ et Var[X ] = σ2 .

Attention, dans certains ouvrages, il est noté X ∼ N (µ, σ) au lieu de X ∼ N µ, σ2 .

¡ ¢

Loi normale N (0, 3), N (0, 2), N (5, 1)

Fonction de répartition de la loi normale

Remarque 35 (Concentration autour de la moyenne)

Dans l’intervalle [µ − σ, µ + σ] ¢ autour de la moyenne µ, il y a 68% de la
¡ centré
2
masse de la distribution N µ, σ

P[µ − σ ≤ X ≤ µ + σ] ' 0.68

FST Fès -82- Pr. G. CHAIBI

 6. Lois continues classiques

Dans l’intervalle [µ−2σ, µ+2σ] (ou plus précisément dans [µ−1.96σ, µ+1.96σ]
) centré ¢autour de la moyenne µ, il y a 95% de la masse de la distribution
N µ, σ2
¡

P[µ − 2σ ≤ X ≤ µ + 2σ] ' 0.95.

Dans l’intervalle [µ − 3σ, µ + 3σ] ¡centré¢ autour de la moyenne µ, il y a 99, 7%

de la masse de la distribution N µ, σ2

P[µ − 3σ ≤ X ≤ µ + 3σ] ' 0.997.

FST Fès -83- Pr. G. CHAIBI

 6. Lois continues classiques

Z-table pour N (0, 1)

12 poids à la naissance
Soit X la variable aléatoire représentant le poids d’un bébé à la naissance au Maroc.
On fait I’hypothèse que X suit une loi normale de moyenne µ = 3500 g et d’ écart-type
σ = 500 g. Quelle est la probabilité qu’un enfant ait un poids inférieur à 3.1 kg à la
naissance ?
On commence par standardiser X en posant

X −µ
Z=
σ
On a alors
X − µ 3100 − µ
· ¸
P[X ≤ 3100] = P ≤
σ σ
· ¸
3100 − 3500
=P Z ≤
500
= P[Z ≤ −0.8] = 1 − P[Z ≤ 0.8]
' 1 − 0.7881 = 0.2119.

FST Fès -84- Pr. G. CHAIBI

 Lois jointes
Chapitre
7
1 Vecteur aléatoire
Définition 49
Un couple aléatoire est un couple (X , Y ) où X et Y sont des variables aléatoires.
De même on parle de triplet aléatoire (X , Y , Z ) si on considère trois variables X , Y , Z ,
et plus généralement de vecteur aléatoire, ou n-uplet aléatoire (X 1 , X 2 , . . . , X n ), en
considérant n variables X 1 , X 2 , . . . , X n .

Si X et Y correspondent à des lancers de dés indépendants, l’ensemble des valeurs que

peuvent prendre X et Y est {1, 2, 3, 4, 5, 6}. L’ensemble des valeurs que peut prendre le
couple (X , Y ) est {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6}, ce qui se note aussi {1, 2, 3, 4, 5, 6}2 .
Le cardinal de cet ensemble est donc 62 = 36.
13 Avec 10 lancers de dé, on obtient 10 variables X 1 , . . . , X 10 , et donc un vecteur
aléatoire (X 1 , . . . , X 10 ). Combien de résultats différents peut-on obtenir pour ce vecteur ?

2 Loi jointe
Définition 50
Si un couple (X , Y ) de variables aléatoires a une loi continue, on définit sa densité
jointe comme la fonction f X ,Y : R2 → R telle que
Z bZ d
P[a ≤ X ≤ b; c ≤ Y ≤ d ] = f X ,Y (x, y)d xd y
a c

14 Supposons qu’un couple (X , Y ) ait pour densité jointe la fonction

f X ,Y (x, y) = x + y pour 0 ≤ x ≤ 1 et 0 ≤ y ≤ 1

1. Est-ce bien une densité ?

[Link] P[X ≤ 0.5; Y ≤ 0.5].

85
 7. Lois jointes

3 Marginales d’une loi jointe

Propostion 19
Si un couple (X , Y ) a pour densité jointe la fonction f X ,Y , alors on peut retrouver les
densités respectives des variables X et Y en intégrant
Z +∞
f X (x) = f X ,Y (x, y)d y
Z−∞
+∞
f Y (y) = f X ,Y (x, y)d x.
−∞

15 Supposons qu’un couple (X , Y ) ait pour densité jointe la fonction

f X ,Y (x, y) = x + y pour 0 ≤ x ≤ 1 et 0 ≤ y ≤ 1

Calculez P[X ≤ 0.5].

4 Loi conditionnelle
Les probabilités conditionnelles peuvent être étendues aux variables aléatoires à densité :
f X ,Y (x, y)
f Y (y | X = x) =
f X (x)
f Y (y | X = x) f X (x) = f X ,Y (x, y) = f X (x | Y = y) f Y (y).

5 Variables indépendantes
Intuitivement, deux variables sont indépendants si la connaissance de l’une ne donne
aucune information sur la valeur de l’autre.
On lance deux dés. Soit X le résultat du premier et Y le résultat du second. Alors X et Y
sont indépendantes.
Définition 51
Deux variables aléatoires X et Y sont dites indépendantes si pour tout a, b,

P (X ≤ a, Y ≤ b) = P (X ≤ a)P (Y ≤ b).

On note parfois X ⊥ Y . (" X indépendant de Y ").

Propostion 20
Une condition nécessaire et suffisante pour que deux variables soient indépendantes
est que leur densité jointe s’écrive

f X ,Y (x, y) = f X (x) f Y (y).

On a alors :
f Y (y | X = x) = f Y (y)
f X (x | Y = y) = f X (x)
E[X Y ] = E[X ]E[Y ]

FST Fès -86- Pr. G. CHAIBI

 7. Lois jointes

6 Covariance
Définition 52
Soient X et Y deux variables aléatoires dont les variances sont définies.
La covariance de X et Y est

Cov(X , Y ) = E(X Y ) − E(X )E(Y ) = E((X − E(X ))(Y − E(Y ))).

La covariance est une mesure incomplète de l’indépendance de deux variables. En effet on

a la résultat suivant :
Propostion 21
Soient X et Y deux variables indépendantes. Alors Cov(X , Y ) = 0.

Par contre la réciproque est fausse !

7 Matrice de covariance d’un vecteur aléatoire

¡ ¢
Pour un vecteur aléatoire X = (X 1 , X 2 , . . . , X n ), on peut définir toutes les covariances Cov X i , X j
pour 1 ≤ i ≤ n et 1 ≤ j ≤ n et les rassembler dans une matrice :

Var (X 1 ) Cov (X 1 , X 2 )
Cov (X 1 , X 3 ) · · · Cov (X 1 , X n )
 

 Cov (X 1 , X 2 ) Var (X 2 ) Cov (X 2 , X 3 ) · · · Cov (X 2 , X n ) 

Γ(X) = 
 Cov (X 1 , X 3 ) Cov (X 2 , X 3 ) Var (X 3 ) · · · Cov (X 3 , X n ) .

 .. .. .. 
 . . . 
Cov (X 1 , X n ) Cov (X 2 , X n ) Cov (X 3 , X n ) · · · Var (X n )

Cette matrice est symétrique et à valeurs propres positives.

8 Exemple de loi jointe continue

FST Fès -87- Pr. G. CHAIBI

 7. Lois jointes

9 Loi d’une somme de variables discrètes

Propostion 22
Soient X et Y deux variables discrètes indépendantes, et Z = X + Y . Alors la loi de Z
se calcule à partir de celles de X et Y via la formule : pour tout z ∈ S (Z ),
X
P (Z = z) = P (X = x)P (Y = z − x),
x∈S (X )

où S (X ) et S (Z ) désignent respectivement les supports (ensemble des valeurs

prises) des variables X et Z .

A l’aide de ce résultat (et de quelques calculs !), on peut montrer que la loi de deux variables
de Poisson indépendantes de paramètres λ et µ est une loi de Poisson de paramètre λ + µ.

10 Loi d’une somme de variables continues

Propostion 23
Soient X et Y deux variables indépendantes admettant des densités f X et f Y , et
Z = X + Y . Alors Z est une variable à densité et f Z se calcule à partir de f X et f Y via
la formule : pour tout z ∈ R,
Z
f Z (z) = f X (x) f Y (z − x)d x.
R

On dit que f Z est le produit de convolution de f X et f Y .

11 Somme de deux variables exponentielles

16 Soient X et Y deux variables indépendantes de lois exponentielles de paramètre

a. Calculer la loi de Z = X + Y .
On a f X (x) = f Y (x) = ae −ax si x ≥ 0, 0 sinon. La formule donne :
Z
f Z (z) = f X (x) f Y (z − x)d x.
R

Or f X (x) f Y (z − x) vaut ae −ax ae −a(z−x) lorsque x ≥ 0 et z − x ≥ 0, soit x ≥ 0 et x ≤ z, soit

encore x ∈ [0, +∞] ∩ [−∞, z]. Sinon f X (x) f Y (z − x) vaut 0 . On a deux cas :
- Si z < 0 alors [0, +∞] ∩ [−∞, z] = ∅ donc f Z (z) = 0.
- Si z ≥ 0 alors [0, +∞] ∩ [−∞, z] = [0, z], donc
Z z Z z
f Z (z) = ae −ax ae −a(z−x) d x = a 2 e −ax−az+ax d x
0
Z z Z z 0
= a2 e −az d x = a 2 e −az 1d x = a 2 ze −az .
0 0

Ainsi la densité de Z est

a 2 ze −az si z ≥ 0,
½
f Z (z) =
0 sinon.

FST Fès -88- Pr. G. CHAIBI

 7. Lois jointes

12 Somme de deux variables uniformes

17 Soient X et Y deux variables indépendantes de lois uniformes sur [0, 1]. Calculer
la loi de Z = X + Y .
X et Y sont des variables à densité et f X (x) = f Y (x) = 1 si 0 ≤ x ≤ 1, 0 sinon.
Z est donc une variable à densité d’après la proposition et sa densité est donnée par
Z
f Z (z) = f X (x) f Y (z − x)d x.
R

Or f X (x) f Y (z − x) vaut 1 lorsque 0 ≤ x ≤ 1 et 0 ≤ z − x ≤ 1, soit 0 ≤ x ≤ 1 et z − 1 ≤ x ≤ z, soit

encore x ∈ [0, 1] ∩ [z − 1, z]. f X (x) = 0 sinon. L’intersection [0, 1] ∩ [z − 1, z] est parfois vide.
On a en fait plusieurs cas :
- Si z < 0 alors l’intersection est vide donc f Z (z) = 0. Z
z
- Si 0 ≤ z < 1 alors [0, 1] ∩ [z − 1, z] = [0, z] donc f Z (z) = 1d x = z.
0 Z 1
- Si 1 ≤ z ≤ 2 alors [0, 1] ∩ [z − 1, z] = [z − 1, 1] donc f Z (z) = 1d x = 1 − (z − 1) = 2 − z.
z−1
- Si z ≥ 2 alors l’intersection est vide donc f Z (z) = 0.

13 Somme de deux gaussiennes

Propostion 24
Soient¡ X et Y¢ deux variables indépendantes suivant des lois gaussiennes N µ1 , σ21
¡ ¢

et N µ2 , σ22 , alors X + Y suit une loi gaussienne

N µ1 + µ2 , σ21 + σ22 .
¡ ¢

¢ si on somme n variables gaussiennes indépendantes X 1 , . . . , X n de même loi

De ¡même,
2
N µ, σ , alors X 1 + · · · + X n aura une loi

N nµ, nσ2 ,
¡ ¢

P
Xi
et donc la moyenne X̄ n = aura pour loi
n

σ2
µ ¶
N µ, .
n

Ce résultat est très important, il montre que la loi gaussienne est stable par moyenne, ce
qui explique en partie le Théorème Central Limite.

14 Loi du maximum, loi du minimum

Soient X , Y des variables aléatoires indépendantes à densité f X et f Y définies sur un même
espace probabilisé (Ω, A, P).

FST Fès -89- Pr. G. CHAIBI

 7. Lois jointes

Soient Z = max(X, Y) et T = min(X, Y). Les applications Z et T sont des variables aléatoires.
Pour tout t ∈ R,
FZ (t ) = P(Z É t )
= P([X É t ] ∩ [Y É t ])
= P([X É t ]) · P([Y É t ]) Par indépendance
FZ (t ) = FX (t ) · FY (t ).
Par produit, FZ est continue sur R et de classe C 1 sur R sauf en un nombre fini de points
(noté D). Z est une variable aléatoire à densité. En effet, pour t ∈ R\D
fZ (t) = F0 Z (t) = FX 0 (t) · FY (t) + FX (t) · FY 0 (t) = fX (t)FY (t) + fY (t)FX (t).
La dernière égalité s’étend à tout réel t .

Le calcul est similaire pour le minimum en rajoutant le passage au complémentaire.

Pour tout t ∈ R,
1 − FT (t ) = P(T > t )
= P([X > t ] ∩ [Y > t ])
= P([X > t ]) · P([Y > t ]) Par indépendance
1 − FT (t ) = (1 − FX (t )) × (1 − FY (t )) .
Par produit, FT est continue sur R et de classe C 1 sur R sauf en un nombre fini de points
(noté DT ).
T est une variable aléatoire à densité. En effet, pour t ∈ R\DT
− f T (t ) = (1 − FT )0 (t )
= (1 − FX )0 (t ) · (1 − FY (t )) + (1 − FX (t )) · (1 − FY )0 (t )
= − f X (t ) (1 − FY (t )) − f Y (t ) (1 − FX (t )) .
Finalement, on peut poser pour tout réel t
fT (t) = fX (t) (1 − FY (t)) + fY (t) (1 − FX (t)) .
Le calcul précédent se généralise facilement au cas de n variables aléatoires indépendantes
à densité (X1 , X2 , . . . , Xn ). Avec
Z = max (X1 , . . . , Xn ) et T = min (X1 , . . . , Xn ) ,
n
Y n ¡
Y ¢
FZ (t ) = FXi (t ) et 1 − FT (t ) = 1 − FXi (t ).
i =1 i =1
Les variables Z et T restent des variables à densité. Retenons aussi la simplification lorsque
les variables Xi suivent la même loi (ainsi, FXi = FX1 ) on a
¢n
FZ (t ) = FX1 (t )n et 1 − FT (t ) = 1 − FX1 (t ) .
¡

Une densité pour Z et pour T sont données par

¢n−1
∀t ∈ R, f Z (t ) = n f X1 (t )FX1 (t )n−1
¡
et f T (t ) = n f X1 (t ) 1 − FX1 (t ) .

18 Soient X, Y des variables aléatoires indépendantes suivant respectivement des

lois exponentielles de paramètres λ et µ.
1. Donner la loi de T = min(X, Y).
2. En déduire l’existence et le calcul des espérances de min(X, Y) et max(X, Y).
3. Généraliser le résultat de la première question avec n variables.

FST Fès -90- Pr. G. CHAIBI