Partie II: Probabilités

Variables aléatoires
Génie Énergétiqe et Environnement
S6
n©N

S. LYAQINI
[Link]@[Link]

2022/2023
Partie II: Probabilités | Variables aléatoires

Contents
1 Variables aléatoires
Introduction
Fonction de répartition d’une variable aléatoire
Loi de probabilité
Etablir une loi de probabilité
Fonction de répartition
Différents types de variables aléatoires
2 Variable aléatoire discrète
3 Généralités
Loi de probabilité
Fonction de répartition
4 Loi de probabilité d’un couple de v.a.d
Lois marginales
Lois conditionnelles
Indépendance
Loi de la somme
Loi du produit
Espérance mathématique
Moments
Variance - Ecart-type - Covariance - Corrélation
S. LYAQINI | c b n a 2 / 80
Partie II: Probabilités | Variables aléatoires | Introduction

Ce chapitre est consacré à l’introduction de la notion de variable aléatoire réelle. Il

s’agit d’introduire une autre manière de coder ou quantifier les événements. Cela
permettra de changer la terminologie ensembliste des événement en une autre. Nous
étudions principalement les variables aléatoires réelles discrètes et continues. Nous
présentons également les principales lois de probabilités usuelles discrètes et
continues.
Nous travaillons toujours dans un espace de probabilité (Ω, T , P ), modélisant le
phénomène aléatoire étudié.

S. LYAQINI | c b n a 3 / 80
Partie II: Probabilités | Variables aléatoires | Introduction

Definition 1.1 (Variable aléatoire)

Etant donné un univers Ω, Une variable aléatoire (v.a) X est une grandeur numérique
représentant le résultat d’une expérience aléatoire. On peut donc considérer X comme
une application de Ω dans R

X :Ω→ R
ω → X(ω)

S. LYAQINI | c b n a 4 / 80
Partie II: Probabilités | Variables aléatoires | Introduction

A chaque évènement élémentaire ω de Ω correspond un nombre réel x associé à la

variable aléatoire X. Comme l’indique le graphe, il n’y a pas obligatoirement autant
de valeurs possibles prises par la variable aléatoire X que d’évènements élémentaires.
La valeur x correspond à la réalisation de la variable X pour l’évènement élémentaire
ω.

S. LYAQINI | c b n a 5 / 80
Partie II: Probabilités | Variables aléatoires | Introduction

Example 1
Si l’on considère la constitution d’une fratrie de deux enfants, l’espace fondamental
est constitué des évènements élémentaires suivant : Ω = {GG, GF, F G, F F }
Les valeurs possibles prises par la variable aléatoire

X = " nombres de fille dans la famille "

sont : X(Ω) = {0, 1, 2}

S. LYAQINI | c b n a 6 / 80
Partie II: Probabilités | Variables aléatoires | Introduction

Example 1
Si l’on considère la constitution d’une fratrie de deux enfants, l’espace fondamental
est constitué des évènements élémentaires suivant : Ω = {GG, GF, F G, F F }
Les valeurs possibles prises par la variable aléatoire

X = " nombres de fille dans la famille "

sont : X(Ω) = {0, 1, 2}

Example 2
L’expérience consiste à jeter trois pièces de monnaie simultanément.

Ω = {P P P, P P F, P F P, P F F, F P P, F P F, F F P, F F F }

Soit X = " nombre de faces obtenues " Dans ce cas : X(Ω) = {0; 1; 2; 3}.

S. LYAQINI | c b n a 6 / 80
Partie II: Probabilités | Variables aléatoires | Introduction

Example 3
On lance un dé. On appelle X le numéro obtenu et Y son complément à 6.

Ω = {1, 2, 3, 4, 5, 6}.

ω 1 2 3 4 5 6
X(ω) 1 2 3 4 5 6
Y (ω) 5 4 3 4 5 6
sup(X, Y ) 5 4 3 2 1 0

S. LYAQINI | c b n a 7 / 80
Partie II: Probabilités | Variables aléatoires | Introduction

Propriété 1.1
Soient X et Y deux variables aléatoires surΩ et λ ∈ R. Alors X + Y , X − Y , λX,
XY , sup(X, Y ) et inf(X, Y ) sont aussi des variables aléatoires surΩ.

S. LYAQINI | c b n a 8 / 80
Partie II: Probabilités | Variables aléatoires | Fonction de répartition d’une variable aléatoire | Loi de probabilité

Definition 1.2
Loi de probabilité Soit Ω un univers muni d’une probabilité P , et soit X une v.a On
appelle loi de probabilité de X, notée PX , l’application qui à toute partie A de R
associe
PX (A) = P ({ω ∈ Ω : X(ω) ∈ A}).

S. LYAQINI | c b n a 9 / 80
Partie II: Probabilités | Variables aléatoires | Fonction de répartition d’une variable aléatoire | Loi de probabilité

Definition 1.2
Loi de probabilité Soit Ω un univers muni d’une probabilité P , et soit X une v.a On
appelle loi de probabilité de X, notée PX , l’application qui à toute partie A de R
associe
PX (A) = P ({ω ∈ Ω : X(ω) ∈ A}).

Remarque 1.1
Dans la suite du cours, on utilisera la notation abrégée :
P ({ω ∈ Ω : X(ω) ∈ A}) = P (X ∈ A). De même, on notera P (X = x) la
probabilité P ({ω ∈ Ω : X(ω) = x})

S. LYAQINI | c b n a 9 / 80
Partie II: Probabilités | Variables aléatoires | Fonction de répartition d’une variable aléatoire | Loi de probabilité

Proposition 1.2
L’application PX définit une probabilité sur R.

S. LYAQINI | c b n a 10 / 80
Partie II: Probabilités | Variables aléatoires | Fonction de répartition d’une variable aléatoire | Etablir une loi de probabilité

On considère une expérience aléatoire dont l’ensemble des issues est un ensemble de
nombres {x1 , x2 , . . . , xn }. Ces nombres sont les valeurs possibles d’une variable
aléatoire X. Soit pi , la probabilité de l’issue xi .
Établir la loi de probabilité de X, c’est attribuer à chacun des nombres xi la
probabilité pi . Cette loi est représentée sous forme d’un tableau :

Valeur possible x1 x2 ... xn

Probabilité p1 p2 ... pn 1

S. LYAQINI | c b n a 11 / 80
Partie II: Probabilités | Variables aléatoires | Fonction de répartition d’une variable aléatoire | Etablir une loi de probabilité

On considère une expérience aléatoire dont l’ensemble des issues est un ensemble de
nombres {x1 , x2 , . . . , xn }. Ces nombres sont les valeurs possibles d’une variable
aléatoire X. Soit pi , la probabilité de l’issue xi .
Établir la loi de probabilité de X, c’est attribuer à chacun des nombres xi la
probabilité pi . Cette loi est représentée sous forme d’un tableau :

Valeur possible x1 x2 ... xn

Probabilité p1 p2 ... pn 1

Remarque 1.2
≻ Pour établir une loi de probabilité, on commence par déterminer correctement
toutes les valeurs possibles, puis on calcule pour chaque valeur sa probabilité.
≻ On doit avoir p1 + p2 + · · · + pn = 1.

S. LYAQINI | c b n a 11 / 80
Partie II: Probabilités | Variables aléatoires | Fonction de répartition d’une variable aléatoire | Etablir une loi de probabilité

Example 4
On tire une carte d’un jeu de 32. L’as de cœur rapporte 10 $, un roi, une dame ou
un valet rapporte 5 $, un dix 1 $ et les autres cartes ne rapportent rien. On appelle
X les gains possibles. On a X(Ω) = {0, 1, 5, 10}

Gain possible 10 5 1 0
1 12 4 15
Probabilité 32 32 32 32 1

S. LYAQINI | c b n a 12 / 80
Partie II: Probabilités | Variables aléatoires | Fonction de répartition d’une variable aléatoire | Fonction de répartition

Definition 1.3
Fonction de répartition On appelle fonction de répartition d’une v.a X, la fonction
réelle F définie par :

F : R → [0, 1]
x → F (x) = P (X ≤ x)

S. LYAQINI | c b n a 13 / 80
Partie II: Probabilités | Variables aléatoires | Fonction de répartition d’une variable aléatoire | Fonction de répartition

Propriété 1.3
Soit F la fonction de répartition de la v.a. X, on a
≻ ∀x ∈ R, 0 ≤ F (x) ≤ 1,
≻ F est croissante,
≻ F est continue à droite : ∀x0 ∈ R, on a lim+ F (x) = F (x0 )
x→x0

≻ lim F (x) = 0 et lim F (x) = 1

x→−∞ x→+∞
Réciproquement, toute fonction F définie sur R et vérifiant les 4 propriétés
ci-dessus est une fonction de répartition d’une v.a réelle.
≻ ∀(a, b) ∈ R2 , a < b, P (a < X ≤ b) = F (b) − F (a)
≻ ∀a ∈ R, P (X > a) = 1 − F (a)

S. LYAQINI | c b n a 14 / 80
Partie II: Probabilités | Variables aléatoires | Différents types de variables aléatoires

On distingue deux types de v.a, discrète et continue.

≻ X(Ω), l’ensemble des possibilités, est fini ou dénombrable, on dit que X est une
v.a discrète, c’est à dire, X ne prend que des valeurs numériques isolées.
≻ X(Ω), l’ensemble des possibilités, est un intervalle ou une réunion d’intervalles
de R où R, on dit que X est une v.a continue.

S. LYAQINI | c b n a 15 / 80
Partie II: Probabilités | Variable aléatoire discrète

Contents
1 Variables aléatoires
Introduction
Fonction de répartition d’une variable aléatoire
Loi de probabilité
Etablir une loi de probabilité
Fonction de répartition
Différents types de variables aléatoires
2 Variable aléatoire discrète
3 Généralités
Loi de probabilité
Fonction de répartition
4 Loi de probabilité d’un couple de v.a.d
Lois marginales
Lois conditionnelles
Indépendance
Loi de la somme
Loi du produit
Espérance mathématique
Moments
Variance - Ecart-type - Covariance - Corrélation
S. LYAQINI | c b n a 16 / 80
Partie II: Probabilités | Généralités

Contents
1 Variables aléatoires
Introduction
Fonction de répartition d’une variable aléatoire
Loi de probabilité
Etablir une loi de probabilité
Fonction de répartition
Différents types de variables aléatoires
2 Variable aléatoire discrète
3 Généralités
Loi de probabilité
Fonction de répartition
4 Loi de probabilité d’un couple de v.a.d
Lois marginales
Lois conditionnelles
Indépendance
Loi de la somme
Loi du produit
Espérance mathématique
Moments
Variance - Ecart-type - Covariance - Corrélation
S. LYAQINI | c b n a 17 / 80
Partie II: Probabilités | Généralités

Definition 3.1
Variable aléatoire discrète Soit un espace probabilisé (Ω, P(Ω), P ) associé à une
expérience aléatoire. On appelle variable aléatoire discrète, une application X, de Ω
dans X(Ω) = {x1 , x2 , ..., xn , ...}, ensemble fini ou dénombrable :

X : Ω → X(Ω) = {x1 , x2 , ..., xn , ...}

ω → X(ω)

X(Ω) est appelé ensemble des observables.

S. LYAQINI | c b n a 18 / 80
Partie II: Probabilités | Généralités

S. LYAQINI | c b n a 19 / 80
Partie II: Probabilités | Généralités

Example 5
≻ On jette deux fois un dé ; on s’intéresse à la somme des numéros obtenus.
≻ On s’intéresse au nombre de lancers d’une pièces pour obtenir "pile".

S. LYAQINI | c b n a 20 / 80
Partie II: Probabilités | Généralités

Definition 3.2
Loi de probabilité La loi de probabilité (ou distribution) de la v.a. discrète X est la fonction :

P : X(Ω) = {x1 , x2 , ..., xn , ...} → [0, 1]

xi → P (X = xi )

On note généralement P (X = xi ) = pi , et on a
1 Si X une v.a discrète finie, X(Ω) = {x1 , x2 , ..., xn }. La loi de de X est définie par :

p1 = P (X = x1 ), p2 = P (X = x2 ), ..., pn = P (X = xn ) où 0 ≤ pk ≤ 1∀k ∈ {1, 2, ..., n}

où
n
X X
pk = 1, et P (A) = P (X = x), ∀A ⊂ X(Ω).
k=1 x∈A

2 Si X est une v.a discrète infinie, sa loi de probabilité est définie par la suite infinie :

p1 = P (X = x1 ), p2 = P (X = x2 ), ..., pn = P (X = xn ), ...
P+∞
où 0 ≤ pk ≤ 1 pour tout k ∈ N et pk = 1.
k=1

S. LYAQINI | c b n a 21 / 80
Partie II: Probabilités | Généralités

Example 6
On lance un dé. On appelle X le numéro obtenu et Y son complément à 6 et
Z = sup(X, Y ).
1 Déterminer les ensemble des observables de X, Y et Z.
2 Déterminer les lois des v.a X et Y et Z.

S. LYAQINI | c b n a 22 / 80
Partie II: Probabilités | Généralités

Example 6
On lance un dé. On appelle X le numéro obtenu et Y son complément à 6 et
Z = sup(X, Y ).
1 Déterminer les ensemble des observables de X, Y et Z.
2 Déterminer les lois des v.a X et Y et Z.

X(Ω) = {1, 2, 3, 4, 5, 6}, Y (Ω) = {0, 1, 2, 3, 4, 5} et Z(Ω) = {3, 4, 5, 6}. Les lois
des v.a X et Y et Z sont :
x 0 1 2 3 4 5 6
P (X = x) - 1/6 1/6 1/6 1/6 1/6 1/6
P (Y = x) 1/6 1/6 1/6 1/6 1/6 1/6 -
P (sup(X, Y ) = x) - - - 1/6 2/6 2/6 1/6

S. LYAQINI | c b n a 22 / 80
Partie II: Probabilités | Généralités

Théorème 3.1
{(xi , Pi )/1 ≤ i ≤ n} est la loi de probabilité d’une v.a
(
0 ≤ Pi ≤ 1 pout tout i ∈ {1, 2, ..., n}
si et seulement si Pn (1)
i=1 Pi = 1

S. LYAQINI | c b n a 23 / 80
Partie II: Probabilités | Généralités

Théorème 3.1
{(xi , Pi )/1 ≤ i ≤ n} est la loi de probabilité d’une v.a
(
0 ≤ Pi ≤ 1 pout tout i ∈ {1, 2, ..., n}
si et seulement si Pn (1)
i=1 Pi = 1

Remarque 3.1
La loi de probabilité d’une v.a discrète X est entièrement déterminée par :

X(Ω) et {P (X = xi ), xi ∈ X(Ω)}

S. LYAQINI | c b n a 23 / 80
Partie II: Probabilités | Généralités

Example 7
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d 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.

S. LYAQINI | c b n a 24 / 80
Partie II: Probabilités | Généralités

Example 7
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d 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.

≻ On a Ω = {(P ; P ); (P ; F ); (F ; P ); (F ; F )} événement équiprobable.

X : Ω −→ R et X(Ω) = {0; 1; 2}
≻ Donc
x 0 1 2
1 1 1
P (X = x) 4 2 4

S. LYAQINI | c b n a 24 / 80
Partie II: Probabilités | Généralités | Fonction de répartition

Definition 3.3
Fonction de répartition On appelle fonction de répartition de la v.a. discrète X, la
fonction

F : R= → [0, 1]
x → F (x) = P (X ≤ x)

Autrement dit, X
F (x) = P (X = xi ).
xi ∈X(Ω),xi ≤x

S. LYAQINI | c b n a 25 / 80
Partie II: Probabilités | Généralités | Fonction de répartition

Proposition 3.2
Soit X une v.a finie de fonction de répartition F et de loi {p1 , p2 , ..., pn }.
X(Ω) = {x1 , x2 , ..., xn }, (x1 < x2 < · · · < xn ), alors
1 ∀x ∈] − ∞, x1 [, F (x) = 0
2 ∀x ∈ [xk , xk+1 [, F (x) = p1 + ... + pk 1 ≤ k ≤ n − 1
3 ∀x ∈ [xn , +∞[, F (x) = 1
4 pk = P (X = xk ) = F (xk ) − F (xk−1 )

S. LYAQINI | c b n a 26 / 80
Partie II: Probabilités | Généralités | Fonction de répartition

Proposition 3.2
Soit X une v.a finie de fonction de répartition F et de loi {p1 , p2 , ..., pn }.
X(Ω) = {x1 , x2 , ..., xn }, (x1 < x2 < · · · < xn ), alors
1 ∀x ∈] − ∞, x1 [, F (x) = 0
2 ∀x ∈ [xk , xk+1 [, F (x) = p1 + ... + pk 1 ≤ k ≤ n − 1
3 ∀x ∈ [xn , +∞[, F (x) = 1
4 pk = P (X = xk ) = F (xk ) − F (xk−1 )

Remarque 3.2
Il est parfois plus simple de déterminer la loi d’une v.a. d à partir de sa fonction de
répartition en utilisant la propriété 4.

S. LYAQINI | c b n a 26 / 80
Partie II: Probabilités | Généralités | Fonction de répartition

Example 8
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d X représentant
le nombre de faces obtenues après ces 2 lancements. Déterminer la fonction de
répartition de X.

S. LYAQINI | c b n a 27 / 80
Partie II: Probabilités | Généralités | Fonction de répartition

Example 8
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d X représentant
le nombre de faces obtenues après ces 2 lancements. Déterminer la fonction de
répartition de X.

D’après ce qui précède la loi de probabilité de X est

x 0 1 2
1 1 1
P (X = x) 4 2 4

la fonction de répartition de X est définit comme suit


 0 si x<0

 1/4 si 0 ≤ x < 1

F (x) =

 3/4 si 1 ≤ x < 2

x≥2

1 si

S. LYAQINI | c b n a 27 / 80
Partie II: Probabilités | Généralités | Fonction de répartition

Example 9
Soit la v.a.d X définie par X(Ω) = {1, 2, 3}.
1 1 1
p1 = P (X = 1) = , p2 = P (X = 2) = , p3 = P (X = 3) =
2 3 6
Donner la fonction de répartition de X

S. LYAQINI | c b n a 28 / 80
Partie II: Probabilités | Généralités | Fonction de répartition

Example 9
Soit la v.a.d X définie par X(Ω) = {1, 2, 3}.
1 1 1
p1 = P (X = 1) = , p2 = P (X = 2) = , p3 = P (X = 3) =
2 3 6
Donner la fonction de répartition de X

est donnée par 

 0 si x<1

1≤x<2

 1/2 si
F (x) =
 5/6
 si 2≤x<3

x≥3

1 si

S. LYAQINI | c b n a 28 / 80
Partie II: Probabilités | Généralités | Fonction de répartition

la courbe de la fonction de répartition est une courbe en escalier.

S. LYAQINI | c b n a 29 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d

Contents
1 Variables aléatoires
Introduction
Fonction de répartition d’une variable aléatoire
Loi de probabilité
Etablir une loi de probabilité
Fonction de répartition
Différents types de variables aléatoires
2 Variable aléatoire discrète
3 Généralités
Loi de probabilité
Fonction de répartition
4 Loi de probabilité d’un couple de v.a.d
Lois marginales
Lois conditionnelles
Indépendance
Loi de la somme
Loi du produit
Espérance mathématique
Moments
Variance - Ecart-type - Covariance - Corrélation
S. LYAQINI | c b n a 30 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d

Soient X, Y deux v.a telles que : X(Ω) = {x1 , x2 , · · · , xr } et

Y (Ω) = {y1 , y2 , · · · , ys }.

Definition 4.1
Loi de probabilité d’un couple de v.a.d On appelle loi de probabilité du couple (X, Y )
ou loi conjointe de X et Y l’ensemble

{pkl tel que k = 1, 2, · · · , r et l = 1, 2, · · · , s}

où

pkl = P ((X = xk ) ∩ (Y = yl )) = P (X = xk , Y = yl ), xk ∈ X(Ω) et yl ∈ Y (Ω)

pkl est la probabilité pour que X prenne la valeur xk et Y prenne la valeur yl ,

S. LYAQINI | c b n a 31 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d

X\Y y1 ··· yl ··· ys

x1 p11 ··· p1l ··· p1s
.. .. .. ..
. . . .
xk pk1 ··· pkl ··· pks
.. .. .. ..
. . . .
xr pr1 ··· prl ··· prs
et on a
r X
X s s X
X r
pkl = pkl = 1.
k=1 l=1 l=1 k=1

S. LYAQINI | c b n a 32 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d

Example 10
Un sac contient 4 boules numérotées de 1 à 4. On tire successivement deux boules
avec remise et on note X1 et X2 les nombres obtenus. Soient les v.a X = X1 et
Y = X1 − X2 . X1 (Ω) = X2 (Ω) = X(Ω) = {1, 2, 3, 4} et
Y (Ω) = {−3, −2, −1, 0, 1, 2, 3} et P la probabilité uniforme sur Ω.
Donner les lois conjointes de (X1 , X2 ) et de (X, Y )

S. LYAQINI | c b n a 33 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d

sont données par

1 2
P [(X1 = i) ∩ (X2 = j)] = P [X1 = i, X2 = j)] = P [(i, j)] = , ∀(i, j) ∈ {1, 2, 3, 4} .
16

1 1
P (X = 2, Y = −2) = P [(2, 4)] = et P [(X = 3) ∩ (Y = 0)] = P [(3, 3)] = .
16 16

P (X = 1, Y = 1) = P (∅) = 0

X1 \X2 1 2 3 4
1 1/16 1/16 1/16 1/16
2 1/16 1/16 1/16 1/16
3 1/16 1/16 1/16 1/16
4 1/16 1/16 1/16 1/16

Y \X 1 2 3 4
-3 1/16 0 0 0
-2 1/16 1/16 0 0
-1 1/16 1/16 1/16 0
0 1/16 1/16 1/16 1/16
1 0 1/16 1/16 1/16
2 0 0 1/16 1/16
3 0 0 0 1/16

S. LYAQINI | c b n a 34 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d

Théorème 4.1
L’ensemble {((xi , yj ), Pij )/1 ≤ i ≤ r et 1 ≤ j ≤ s} est la loi de probabilité d’un
couple de v.a.d si et seulement si :
(
0 ≤ Pij ≤ 1 pout tout (i, j) ∈ {1, 2, · · · , r} × {1, 2, · · · , s}
Pr Ps
i=1 j=1 Pij = 1

S. LYAQINI | c b n a 35 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Lois marginales

Definition 4.2
Lois marginales
≻ Les v.a X et Y sont appelées variables marginales du couple (X, Y ).
≻ La loi de la v.a X (resp. Y ) du couple (X, Y ) est appelée la loi marginale de X
(resp. Y ).

Notation : La probabilité P (X = xi ) est noté pi et P (Y = yj ) est noté pj .

S. LYAQINI | c b n a 36 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Lois marginales

Propriété 4.2
Si X(Ω) = {x1 , x2 , · · · , xr } et Y (Ω) = {y1 , y2 , · · · , ys }, alors
s
X
∀i ∈ {1, 2, · · · , r} , pi = P (X = xi ) = P (X = xi , Y = yj )
j=1

r
X
∀j ∈ {1, 2, · · · , s} , pj = P (Y = yj ) = P (X = xi , Y = yj )
i=1
r,s
X
P (X = xi , Y = yj ) = 1
i,j=1

S. LYAQINI | c b n a 37 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Lois marginales

Example 11
Reprenons l’exemple (10) précédent. Déterminer les lois marginales de X et Y

S. LYAQINI | c b n a 38 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Lois marginales

Example 11
Reprenons l’exemple (10) précédent. Déterminer les lois marginales de X et Y

xi -3 -2 -1 0 1 2 3 4
pi = P (X = xi ) - - - - 1/4 1/4 1/4 1/4
pj = P (Y = yj ) 1/16 2/16 3/16 4/16 3/16 2/16 1/16 -
La loi marginale de X coïncide avec la loi de X1 déterminée directement, en ne
considérant que le premier tirage d’une boule dans le sac contenant les 4 boules.

S. LYAQINI | c b n a 38 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Lois marginales

Definition 4.3
Lois conditionnelles Soient X une v.a.d sur Ω telle que X(Ω) = {x1 , x2 , · · · , xr } et
soit A un événement de probabilité non nulle, P (A) > 0.
Pour k = 1, ..., r, la loi conditionnelle de (X = xk ) sachant A est :

P [(X = xk ) ∩ A]
P [(X = xk )/A] = , pour tout k ∈ {1, ..., n}
P (A)

S. LYAQINI | c b n a 39 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Lois marginales

Remarque 4.1
On a
r
X
P [(X = xk )/A] = 1.
k=1

S. LYAQINI | c b n a 40 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Lois marginales

Remarque 4.1
On a
r
X
P [(X = xk )/A] = 1.
k=1

Cas particulier : Si Y est une v.a sur Ω telle que Y (Ω) = {y1 , y2 , · · · , ys }, pour
k = 1, ..., r, la loi conditionnelle de (X = xk ) sachant (Y = yl ) est

P (X = xk , Y = yl )
P [(X = xk )/(Y = yl )] = , pour tout k ∈ {1, ..., n}
P (Y = yl )

S. LYAQINI | c b n a 40 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Lois marginales

Example 12
Reprenons l’exemple (10). Déterminer la loi conditionnelle de X sachant (Y = -2).
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Lois marginales

Example 12
Reprenons l’exemple (10). Déterminer la loi conditionnelle de X sachant (Y = -2).
Solution

est donnée par le tableau :

P (X = 1, Y = −2) 1/16 1
P (X = 1/Y = −2) = = =
P (Y = −2) 2/16 2

xk 1 2 3 4
P [(X = xk )/(Y = −2)] 1/2 1/2 0 0

S. LYAQINI | c b n a 41 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Indépendance

Deux v.a.d sont indépendantes si la loi de l’une n’est pas influencée par la loi de
l’autre.

Definition 4.4
Indépendance Les v.a.d X et Y sont dites indépendantes si ∀(x, y) ∈ X(Ω) × Y (Ω)

P (X = x, Y = y) = P (X = x)P (Y = y)

S. LYAQINI | c b n a 42 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Indépendance

Example 13
≻ Les v.a X1 et X2 de l’exemple (10) sont-elles indépendantes ?
≻ Les v.a X et Y de l’exemple (10) sont-elles indépendantes ?
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Indépendance

Example 13
≻ Les v.a X1 et X2 de l’exemple (10) sont-elles indépendantes ?
≻ Les v.a X et Y de l’exemple (10) sont-elles indépendantes ?
Solution
ne sont pas indépendantes, car
1 1
P (X = 3, Y = 3) = 0, et P (X = 3)P (Y = 3) = × ̸= 0
4 16

S. LYAQINI | c b n a 43 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Loi de la somme

Definition 4.5
Loi de la somme Soient X et Y deux v.a. La loi de X + Y est définie par :
X X
P (X + Y = z) = P (X = x, Y = z − x) = P (X = z − y, Y = y)
x∈X y∈Y

Si X et Y sont indépendantes
X X
P (X + Y = z) = P (X = x)P (Y = z − x) = P (X = z − y)P (Y = y)
x∈X y∈Y

S. LYAQINI | c b n a 44 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Loi de la somme

Example 14
Reprenons l’exemple (10), cherchons la loi de Z = X1 + X2 et Z(Ω)
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Loi de la somme

Example 14
Reprenons l’exemple (10), cherchons la loi de Z = X1 + X2 et Z(Ω)
Solution
est égale {2, 3, 4, 5, 6, 7, 8}.

P (X1 + X2 = 5) = P [(X1 = 1, X2 = 4)] + P [(X1 = 2, X2 = 3)]

+ P [(X1 = 3, X2 = 2)] + P [(X1 = 4, X2 = 1)]
1 1 1 1 4
= + + + =
16 16 16 16 16

z 2 3 4 5 6 7 8
Pz 1/16 2/16 3/16 4/16 3/16 2/16 1/16

S. LYAQINI | c b n a 45 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Loi du produit

Definition 4.6
Loi du produit Soient X et Y deux v.a. La loi de X × Y est définie par
X
P (X × Y = z) = P (X = x, Y = y)
x×y=z/(x,y)∈X×Y

Si X et Y sont indépendantes
X
P (X × Y = z) = P (X = x)P (Y = y)
x×y=z/(x,y)∈X×Y

S. LYAQINI | c b n a 46 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Loi du produit

Example 15
Reprenons l’exemple (10), cherchons la loi de Z = X1 × X2 etZ(Ω)
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Loi du produit

Example 15
Reprenons l’exemple (10), cherchons la loi de Z = X1 × X2 etZ(Ω)
Solution
{1, 2, 3, 4, 6, 8, 9, 12, 16}

P (X1 × X2 = 4) = P [(X1 = 1, X2 = 4)] + P [(X1

= 2, X2 = 2)] + P [(X1 = 4, X2 = 1)]
1 1 1 3
= + + =
16 16 16 16

z 1 2 3 4 6 8 9 12 16
Pz 1/16 2/16 2/16 3/16 2/16 2/16 1/16 2/16 1/16

S. LYAQINI | c b n a 47 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Espérance mathématique

Definition 4.7
Espérance mathématique Soit X une v.a discrète avec X(Ω) = {x1 , ..., xn }.
On appelle espérance mathématique de X l’expression suivante :
n
X
E(X) = xk P (X = xk )
k=1

L’espérance mathématique de X représente sa valeur moyenne.

S. LYAQINI | c b n a 48 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Espérance mathématique

Definition 4.7
Espérance mathématique Soit X une v.a discrète avec X(Ω) = {x1 , ..., xn }.
On appelle espérance mathématique de X l’expression suivante :
n
X
E(X) = xk P (X = xk )
k=1

L’espérance mathématique de X représente sa valeur moyenne.

Definition 4.8
Une v.a X est dite centrée si et seulement si son espérance est nulle : E(X) = 0. Si X
admet une espérance alors la v.a X − E(X) est centrée.

S. LYAQINI | c b n a 48 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Espérance mathématique

Example 16
X(Ω) = {1, 2, 3}, P (X = 1) = 12 , P (X = 2) = 13 , P (X = 3) = 1
6

3
X 1 1 1 5
E(X) = kP (X = k) = 1 × +2× +3× =
2 3 6 3
k=1

S. LYAQINI | c b n a 49 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Espérance mathématique

Propriété 4.3
Soit X une v.a discrète
≻ Si g est une application, alors Y = g(X) est une v.a et on a :
n
X
E(Y ) = g(xk )P (X = xk )
k=1

≻ Propriété de linéarité : Si X et Y sont deux v.a, alors on a

E(aX + bY ) = aE(X) + bE(Y ), ∀a, b ∈ R

≻ Si X et Y sont deux v.a indépendantes, alors on a : E(XY ) = E(X)E(Y )

S. LYAQINI | c b n a 50 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Moments

Definition 4.9
Moments Soit X une v.a discrète.
≻ On appelle moment d’ordre r de X l’expression suivante :
n
X
mr = E(X r ) = xrk P (X = xk )
k=1

Remarquons que le moment d’ordre 1 est l’espérance mathématique m1 = E(X).

≻ On appelle moment centré d’ordre r de X l’expression suivante :
n
X
µr (X) = E[(X − E(X))r ] = (xk − E(X))r P (X = xk )
k=1

Remarquons que le moment centré d’ordre 1 est nulle µ1 = 0.

S. LYAQINI | c b n a 51 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Variance - Ecart-type - Covariance - Corrélation

Definition 4.10
Variance On appelle variance de la v.a X le réel positif

V (X) = E[(X − E(X))2 ] = E(X 2 ) − E(X)2 = σ 2 (X) = µ2

La variance n’est autre que µ2 le moment centré d’ordre 2 de la v.a. X.

Une v.a X est dite réduite si et seulement si sa variance est égale à 1 : V (X) = 1.

S. LYAQINI | c b n a 52 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Variance - Ecart-type - Covariance - Corrélation

Definition 4.10
Variance On appelle variance de la v.a X le réel positif

V (X) = E[(X − E(X))2 ] = E(X 2 ) − E(X)2 = σ 2 (X) = µ2

La variance n’est autre que µ2 le moment centré d’ordre 2 de la v.a. X.

Une v.a X est dite réduite si et seulement si sa variance est égale à 1 : V (X) = 1.

Definition 4.11
Ecart-type On appelle écart-type de la v.a X le réel positif
p p
σ(X) = V (X) = E[(X − E(X))2 ]
X X−E(X)
Si X admet une variance alors la v.a σ(X) est réduite. De plus on a la v.a σ(X) est
centrée réduite.

S. LYAQINI | c b n a 52 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Variance - Ecart-type - Covariance - Corrélation

Definition 4.12
Covariance On appelle covariance des v.a X et Y le réel

Cov(X, Y ) = E[(X − E(X))(Y − E(Y ))] = E(XY ) − E(X)E(Y )

S. LYAQINI | c b n a 53 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Variance - Ecart-type - Covariance - Corrélation

Definition 4.12
Covariance On appelle covariance des v.a X et Y le réel

Cov(X, Y ) = E[(X − E(X))(Y − E(Y ))] = E(XY ) − E(X)E(Y )

Definition 4.13
Coefficient de corrélation On appelle coefficient de corrélation des v.a X et Y le réel
compris entre −1 et 1
Cov(X, Y )
ρ(X, Y ) =
σ(X)σ(Y )

S. LYAQINI | c b n a 53 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Variance - Ecart-type - Covariance - Corrélation

Propriété 4.4
Soient X et Y deux v.a et a, b ∈ R.
≻ Si X est une constante alors V (X) = 0.
≻ V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y ).
≻ V (X − Y ) = V (X) + V (Y ) − 2Cov(X, Y ).
≻ V (aX + bY ) = a2 V (X) + b2 V (Y ) + 2abCov(X, Y ).
≻ V (aX + b) = a2 V (X).
≻ σ(aX + b) = |a|σ(X).
≻ Cov(aX1 + bX2 , Y ) = aCov(X1 , Y ) + bCov(X2 , Y ).
≻ −1 ≤ ρ(X, Y ) ≤ 1.

S. LYAQINI | c b n a 54 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Variance - Ecart-type - Covariance - Corrélation

Example 17
Soit (X, Y ) un couple de loi conjointe

X\Y 0 1 2 P (X = x)
0 1/20 1/4 0 3/10
1 17/60 1/4 1/6 7/10
P (Y = y) 1/3 1/2 1/6

Calculer E(X), E(Y ), V (X), V (Y ), V (X + Y ) et Cov(X, Y )

S. LYAQINI | c b n a 55 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Variance - Ecart-type - Covariance - Corrélation
1
7
X
E(X) = kP (X = k) =
10
k=0

1
7
X
2 2
E(X ) = k P (X = k) =
10
k=0

2 2 7 7 21
V (X) = E(X ) − E(X) = (1 − )=
10 10 100
2
1 2 5
X
E(Y ) = kP (Y = k) = + =
2 6 6
k=0

2
1 4 7
X
2 2
E(Y ) = k P (Y = k) = + =
2 6 6
k=0

2 2 7 25 17
V (Y ) = E(Y ) − E(Y ) = − =
6 36 36
1 2
1 2 7
X X
E(XY ) = klP (X = k)P (Y = l) = + =
4 6 12
k=0 l=0

7 5 7
× = E(X)E(Y ) =
10 6 12
d’où E(XY ) = E(X)E(Y ) ⇒ Cov(X, Y ) = 0 et V (X + Y ) = V (X) + V (Y )
3
P (X = 0, Y = 2) = 0 ̸= P (X = 0)P (Y = 2) = 10 × 16 = 20
1
. Donc X et Y ne sont pas indépendantes.
S. LYAQINI | c b n a 56 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Variance - Ecart-type - Covariance - Corrélation

Conclusion :

V (X + Y ) = V (X) + V (Y ) 

E(XY ) = E(X)E(Y ) ⇒ X et Y sont indépendantes

Cov(X, Y ) = 0


S. LYAQINI | c b n a 57 / 80
Partie II: Probabilités | Loi de probabilité d’un couple de v.a.d | Variance - Ecart-type - Covariance - Corrélation

Propriété 4.5
Si deux v.a X et Y sont indépendantes, alors Cov(X, Y ) = 0,
E(XY ) = E(X)E(Y ) et V (X + Y ) = V (X) + V (Y ). La réciproque est fausse.

S. LYAQINI | c b n a 58 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes

Contents
1 Variables aléatoires
Introduction
Fonction de répartition d’une variable aléatoire
Loi de probabilité
Etablir une loi de probabilité
Fonction de répartition
Différents types de variables aléatoires
2 Variable aléatoire discrète
3 Généralités
Loi de probabilité
Fonction de répartition
4 Loi de probabilité d’un couple de v.a.d
Lois marginales
Lois conditionnelles
Indépendance
Loi de la somme
Loi du produit
Espérance mathématique
Moments
Variance - Ecart-type - Covariance - Corrélation
S. LYAQINI | c b n a 59 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi uniforme

Definition 5.1
Loi uniforme La v.a X suit la loi uniforme sur S = {x1 , . . . , xn } si :
≻ X(Ω) = S.
1 1
≻ P ({X = xk }) = n = Card(S) , ∀k = 1, . . . , n.
On écrira :
X ∼ U{x1 ,...,xn }
On a alors
n n
1X 1X
E(X) = xi et V (X) = i = 1x2i − [E(X)]2
n i=1 n

S. LYAQINI | c b n a 60 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi uniforme

Example 18
On jette un dé bien équilibré, on considère la v.a.d X définie par X = le point
marqué par le dé.

Ω = {1, . . . , 6}, X(Ω) = {1, . . . , 6} = S,

si k ∈ S,
1 1
P ({k}) = P (X = k) = =
6 Card(S)

S. LYAQINI | c b n a 61 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi uniforme

Soit une expérience à deux issues, succès et échec (ou vrai et faux) par exemple. Soit
la v.a X : (
X = 0 si le résultat est un échec
X = 1 si le résultat est un succès
La loi de probabilité de la v.a X est : P (X = 1) = p et P (X = 0) = 1 − p,
(0 < p < 1). p est la probabilité du succès.

S. LYAQINI | c b n a 62 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi uniforme

Definition 5.2
Loi Bernoulli X est une v.a qui suit une loi de Bernoulli de paramètre p (0 ≤ p ≤ 1)
si :
1) X(Ω) = {0, 1}.
2) P ({1}) = P (X = 1) = p, P ({0}) = P (X = 0) = 1 − p.
On écrira :
X ∼ Ber (p).
L’espérance et la variance de X sont :

E(X) = p, V (X) = p(1 − p)

S. LYAQINI | c b n a 63 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi uniforme

Example 19
On jette une fois une pièce de monaie dont la probabilité d’avoir pile est p
(0 ≤ p ≤ 1), on considère la v.a X définie par :
(
1, si la pièce fait pile ;
X(ω) =
0, sinon.

comme Ω = {π, F }, π : pile, F : f ace.

Si ω ∈ {π, F } alors
(
P (X = 1) = p, si ω = π ;
P ({ω}) =
P (X = 0) = 1 − p, si ω = F .

S. LYAQINI | c b n a 64 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi Binomiale

Soit une expérience à deux issues, succès ou échec (ou vrai et faux) par exemple, on répète cette expérience dans les
mêmes conditions n fois. On note Xk la kème observations
n 0 si le résultat est un échec
Xk =
1 si le résultat est un succès

et p la probabilité du succès.
Les v.a X1 , · · · , Xn sont des v.a de Bernoulli de paramètre p indépendantes. soit X = X1 + · · · + Xn le nombre de
succès obtenu en n expériences indépendantes. Cherchons la loi de X c’est à dire calculons P (X = k)
≻ Si k > n il est clair qu’il n’y a pas de solution et que la probabilité est nulle.
k
≻ Si k ≤ n, on cherche tout les n-uplets comportant k "un" et n − k "zéro". Il y en a Cn . A cause de l’indépendance,
chacune de ces n-uplets a une probabilité égale à pk (1 − p)n−k . au totale nous obtenons :

k k n−k
P (X = k) = Cn p (1 − p)

S. LYAQINI | c b n a 65 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi Binomiale

Definition 5.3
Loi Binomiale On dit qu’une v.a.d X suit une loi Binomiale de pramètres n, p
(0 ≤ p ≤ 1) si :
≻ X(Ω) = S = {0, 1, . . . , n}.
≻ ∀k ∈ S PX ({k}) = P (X = k) = Cnk pk (1 − p)n−k .
On note : X ∼ B(n, p).
L’espérance et la variance de X sont :
n
X n
X
E(X) = E(Xk ) = E(X1 ) = np
k=1 k=1

n
X n
X
V (X) = V (Xk ) = V (X1 ) = np(1 − p)
k=1 k=1

car X1 , . . . , Xn sont indépendantes.

S. LYAQINI | c b n a 66 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi Binomiale

Propriété 5.1
Soient X1 et X2 deux v.a indépendantes suivant respectivent les lois binomiales
B(n1 , p) et B(n2 , p), alors X1 + X2 suit la loi binomiale B(n1 + n2 , p).

S. LYAQINI | c b n a 67 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi Binomiale

Example 20
On lance un dé dont les faces sont numérotées de 1 à 6. On appelle événement E
l’obtention sur la face le numéro 3 ou 6.
1 On lance le dé, quelle est la probabilité de l’événement E ?
2 On lance ledé, 8100 fois, calculer la moyenne et l’écart-type du nombre
d’arrivées de l’événement E.
1 On considère l’épreuve à deux issues
≻ "succès" si E se produit c’est à dire on obtient 3 ou 6.
≻ "échec" si E ne se produit pas c’est à dire on n’obtient ni 3 ni 6.
Donc P (E) = 1/3 = p
2 On répète l’épreuve 8100 fois. Soit la v.a, X = "nombre d’arrivées de E ou
nombre de succès ou nombre d’apparitions de 3 et 6".
X suit la loi binomiale B(8100, 1/3). Pour k = 0, 1, 2, . . . , 8100,
P (X = k) = Cnk (1/3)k (2/3)n−k , E(X) = 8100 × 13 = 2700,
√ √
V (X) = 8100 × 13 × 23 = 1800 et σ(X) = 1800 = 30 2

S. LYAQINI | c b n a 68 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi de poisson

La loi de poisson est une loi de probabilité qui s’applique aux événements rares, elle décrit aussi le nombre
d’apparitions d’un événement pendant une duré de temps déterminée. Le nombre aléatoire X de ces
événements suit une loi de Poisson de paramètre λ > 0 qui représente la moyenne d’événements survenus.
Considérons une loi Binomiale B(n, p), 0 < p < 1, telle que np = λ > 0, quand n −→ +∞, le produit
np restant égale à λ, on a

k k n! p k k k
Cn p (1 − p)n−k = (1 − p)n ( ) Cn p (1 − p)n−k kkkkkkk
(n − k)!k! 1−p
λ λk n(n − 1) · · · (n − k + 1) λ λk
k k
kkkkkkkCn p (1 − p)n−k = (1− )n . . .(1− )−k −→ e−λ , (n → +
n k! λk n k!
k
Donc si X ∼ B(n, p), np = λ ( n est grand et p est petit ), alors P(X = k) ≃ e−λ λk! , on obtient ainsi
une nouvelle loi.

S. LYAQINI | c b n a 69 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi de poisson

Definition 5.4
Loi de poisson On dit que la v.a X suit la loi de poisson de paramètre λ > 0 si :
≻ X(Ω) = N.
≻
λk exp[−λ]
P (X = k) = ∀k∈N
k!
On note
X ∼ P(λ).
L’espérance et la variance de X sont :
+∞ +∞ +∞ k
X X λk exp[−λ] X λ
E(X) = kP (X = k) = k = λ car = exp[λ]
k! k!
k=0 k=0 k=0

V (X) = λ

S. LYAQINI | c b n a 70 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi de poisson

Propriété 5.2
Soient X1 et X2 deux v.a indépendantes suivant respectivent les lois de poisson P(λ1 )
et P (λ2 ), alors X1 + X2 suit la loi de poisson P(λ1 + λ2 ).

S. LYAQINI | c b n a 71 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi de poisson

Example 21
Une machine utilisée dans une chaîne de production tombe en panne en moyenne
2 fois par mois. Soit X le nombre de pannes par mois.
1 Quelle est la probabilité que dans un mois donnée la machine ne tombe pas en
panne ?
2 Quelle est la probabilité que dans un mois donnée la machine tombe en panne
au moins deux fois ?
2k exp[−2]
X suit la loi de poisson de paramètre λ = 2, X ≈ P(2), P (X = k) = k! .
1 La machine ne tombe pas en panne donc k = 0 et la probabilité est
0
P (X = 0) = 2 exp[−2]
0! = exp[−2] = 0.135.
2 La machine tombe en panne au moins deux fois donc k ≥ 2 et la probabilité
est : P (X ≥ 2) = 1 − P (X < 2) = 1 − (P (X = 0) + P (X = 1)) =
0 1
1−( 2 exp[−2]
0! + 2 exp[−2]
1! ) = 1−(exp[−2]+2×exp[−2]) = 1−0.405 = 0.595.

S. LYAQINI | c b n a 72 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi de poisson

Approximation de la loi binomiale par la loi de poisson On a n morceau de

tissus de surfaces égales. Soient λ le nombre de défaut par m2 et Xk la v.a de
Bernoulli de paramètre pn = nλ .
(
0 s’il n’y a pas de défaut dans le morceau k, P (Xk = 0) = 1 − pn
Xk =
1 s’il y a des défauts dans le morceau k, P (Xk = 1) = pn
Pn
Sn = k=0 Xk est une loi binomiale de paramètre n et pn , Sn ≈ B(n, pn )

S. LYAQINI | c b n a 73 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi de poisson

Théorème 5.3
Soient X1 , . . . , Xn n v.a de Bernoulli indépendantes de paramètre pn .
Sn = X1 + · · · + Xn suit la loi binomiale de paramètre (n, pn ), (Sn ≈ B(n, pn )).
k
Si n → +∞, pn → 0 et npn → λ > 0, alors lim P (Sn = k) = λ exp[−λ] k! n→+∞
k
Pour n assez grand et pn assez petit P (Sn = k) est approchée par λ exp[−λ]
k! avec
λ = npn . En pratique, on a : 
 n > 30

La loi B(n, p) peut être approchée par la loi de poisson P(n × p) si p ≤ 0.1

np < 15


S. LYAQINI | c b n a 74 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi de poisson

Example 22
Soit X une v.a qui suit la loi B(40, 0.03),
2
P (X = 2) = C40 × 0.032 × 0.9738 ≈ 0.2206
Or B(40, 0.03) peut être approchée par P(40 × 0.03) et si X suit la loi P(1.2),
2
P (X = 2) = 1.2 exp[−1.2]
2! ≈ 0.2168

S. LYAQINI | c b n a 75 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi géométrique

On considère une épreuve dont l’issue est un succès ou un échec avec p la probabilité
du succès. L’épreuve est répétée une infinité de fois. Le nombre de fois nécessaire
pour obtenir le premier succès est représenté par la variable aléatoire X.
Par exemple on lance une pièce de monnaie, avec p la probabilité d’avoir face, si c’est
face qui apparaît on arrête si non on lance la pièce une deuxième fois et ainsi de suite
jusqu’à ce qu’on obtient une face. Soit X la v.a obtenir une face

P (X = k) = p(1 − p)k−1

On dit que X suit la loi géométrique de paramètre p.

S. LYAQINI | c b n a 76 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi géométrique

Definition 5.5
Loi géométrique On dit qu’une v.a X définie suit une loi Géométrique de paramètres p
(0 < p < 1) si :
≻ X(Ω) = N∗ .
≻ ∀k ∈ N∗ , P ({k}) = P (X = k) = p(1 − p)k−1 .
On note X ∼ G(p). L’espérance et la variance de X sont
1 1−p
E(X) = et V (X) = .
p p2

S. LYAQINI | c b n a 77 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi géométrique

Example 23
Dans une boîte, il y a n cartes numérotées de 1 à n. On effectue des tirages successifs avec remise,
jusqu’à obtenir la carte n. Soit X le nombre de tirages effectués.
1 Quelle est la loi de X.
2 Calculer la probabilité que le nombre de cartes tirées soit égal à x, pour x = 31.
3 Quelle est la probabilité que le nombre de cartes tirées soit inférieur ou égal à 50 ? Application :
n = 100.
1 On répète, de façon indépendante, une épreuve de Bernoulli (tirage d’une carte) dans laquelle la
1
probabilité du succès (tirer la carte numéro n) est p = n , jusqu’à l’obtention d’un succès. Le
nombre de répétitions nécessaire à l’obtention d’un succès suit une loi géométrique sur N∗ de
paramètre p.
2

(n − 1)x−1 (99)30
P (X = x) = p(1 − p)x−1 = x
, P (X = 31) = p(1 − p)30 = = 0.0074.
n 10031
3
+∞ +∞
X X
P (X ≤ 50) = 1 − P (X > 50) = 1 − P (X = x) = 1 − p(1 − p)x−1
x=51 x=51
1 (n − 1)50 (99)50
= 1 − p(1 − p)50 = 1 − (1 − p)50 = 1 − 50
=1− = 0.395.
1 − (1 − p) n 10050

S. LYAQINI | c b n a 78 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Loi géométrique

Example 24
On jette une pièce de monnaie une infinité de fois dans les même conditions telle que la probabilité de
faire pile vaut p (0 < p < 1).
On considère la v.a.d X définie par :

X : le premier indice i tel que pile apparaît.

Ω = {(ω1 , . . . , ωn , . . .)/ωi ∈ {π, F }, i ≥ 1},
X(Ω) = N∗ .

Si l ∈ N∗ , (X = l) = Ac1 ∩ . . . ∩ Acl−1 ∩ Al
où Aj = {pile apparaît au jème jet} avec P (Aj ) = p.
(Aj )j≥1 sont indépendants.
Donc
P (X = l) = P ({l})P (X = l)
P (X = l)kkkk = P (Ac1 ∩ . . . ∩ Acl−1 ∩ Al )
P (X = l)kkkk = P (Ac1 ) . . . P (Acl−1 )P (Al )
k = p(1 − p)l−1

S. LYAQINI | c b n a 79 / 80
Partie II: Probabilités | Exemples de lois de probabilités discrètes | Tableaux des lois de probabilités discrètes

Loi Loi de probabilié Espérance Variance

n+1 n2 −1
Uniforme P (X = k) = n1 , k ∈ {1, . . . , n} 2 12
bernoulli P (X = 1) = p et P (X = 0) = 1 − p p p(1 − p)
P (X = k) = Cnk pk (1 − p)n−k
Binomiale np np(1 − p)
k ∈ {0, 1, . . . , n}
λ k
Poisson P (X = x) = e k!λ pour λ ≥ 0 et k ∈ N λ λ
1−p
Géométrique P (X = k) = p(1 − p)k−1 , k ∈ N∗ 1
p p2

S. LYAQINI | c b n a 80 / 80