Université Ibn Tofail

Faculté des Sciences Juridiques,

Economiques et Sociales
Kénitra

Filière : SEG (S2)

Licence fondamentale

Module : Probabilités

Professeur : Ilham EL HARAOUI

Support de cours

Année Universitaire 2017 - 2018

 Probabilités 1

L’objectif principal de ce cours de probabilités est d’initier les étudiants inscrits en licence
fondamentale (S2/SEG), aux traitements de données et plus précisément aux probabilités. A la fin
du semestre, les étudiants sont censés acquérir les connaissances essentielles en probabilités qui à
des degrés divers, deviennent un outil du processus de décision des gestionnaires et des agents
économiques. Ce module représente aussi un prérequis et un ensemble de connaissances de base
pour comprendre par la suite l’échantillonnage, l’estimation, les tests d’hypothèses et l’analyse de
données multivariées.

En d’autres termes, les objectifs escomptés de ce cours sont les suivants :

§ Pouvoir décrire des expériences aléatoires simples et calculer des probabilités ;
§ Reconnaître des situations de probabilités issues d’expériences aléatoires ;
§ Calculer la probabilité de réalisation d’un événement dans un contexte de gestion ;
§ Calculer la probabilité de la réunion, de l’intersection de deux événements et d’un
événement contraire ;
§ Comprendre en quoi la situation de Bayes donne des informations utiles à la prise de
décision, comme pour les probabilités conditionnelles ;
§ Débuter la construction du modèle probabiliste et s’en servir pour résoudre des problèmes
concrets,
§ Maîtriser les différences de définition et assimiler les nuances d’interprétation entre les
concepts relatifs aux variables statistiques et ceux liées aux variables aléatoires.
§ Maîtriser les caractéristiques et les concepts liés aux principales lois de probabilités et
reconnaître les situations concrètes et modélisables par ces lois.

Le contenu de ce cours est divisé en 6 parties :

1. Introduction et concepts de base,
2. Evénements et calcul de probabilités,
3. Analyse combinatoire,
4. Probabilités conditionnelles et théorème de Bayes,
5. Variables aléatoires discrètes et continues,
6. Principales lois de probabilités.

Prof. Ilham EL HARAOUI

 Probabilités 2

Le cours est organisé comme suit :

§ Cours magistral de deux heures par semaine ;
§ Séances de travaux dirigés ;

Le support de cours est disponible avec des exercices corrigés et des examens corrigés, ainsi que
des livres consultables gratuitement en ligne sur le site e-learning de l’université, où chaque
étudiant peut y accéder avec le login : N °Apogée et le mot de passe : le CNE en utilisant la clef
d’inscription : PROBA

Il est important de noter que ce support n’est pas une restitution du cours magistral. Lors de ce
dernier des exemples d’application accompagnent chaque concept afin de l’assimiler. Une
bibliographie sélective est présentée ci-dessous et peut être considérée comme un support
complémentaire de ce cours.

Bibliographie sélective
§ Anderson, Sweeney, Williams 2011, “Statistique pour l’économie et la gestion”,
3ème Edition, de boeck.
§ Aubert Henry 2011, “Manuel de statistique”, Ellipses Edition.
§ Dehon, Droesbeke et Vemandele 2008, “Eléments de statistique”, Editions de l’Université
de Bruxelles et Ellipses.
§ Denglos 2008, “Statistiques et Probabilités appliquées”, Presses Universitaires de France.
§ Jourdain 2009, “Probabilités et statistique”, Ellipses Edition Marketing.
§ Lefebvre 2011, “Probabilités, statistique et applications”, Presses Internationales.
§ Roger 2000, “Statistique pour la gestion”, Edition management et sociétés.
§ Tribout 2007 (ou 2013), “Statistique pour économistes et gestionnaires”, Pearson
Education, France.

Prof. Ilham EL HARAOUI

 Probabilités 3

Le contenu de chacune des parties est le suivant :

Partie 1 : Introduction et concepts de base_________________________________________5

1. Définition de la théorie des probabilités
2. Probabilités vs. Statistique
3. Notions de base
3.1 Expérience aléatoire
3.2 Ensemble fondamental ou univers des possibles Ω

Partie 2 : Evénements et calcul de probabilités_____________________________________8

1. Evénement aléatoire
2. Catégories d’événements
3. Opérations sur les événements
4. Système complet d’événements
5. Définition de la probabilité
6. Propriétés et règles de calcul des probabilités

Partie 3 : Analyse combinatoire_________________________________________________18

1. Définition de l’analyse combinatoire
2. Règle du produit
3. Permutation
4. Arrangement
5. Combinaison
6. Tirage avec remise et tirage sans remise

Partie 4 : Probabilités conditionnelles et théorème de Bayes_________________________23

1. Définition de la probabilité conditionnelle
2. Loi de multiplication
3. Principales formules de probabilités conditionnelles
4. Théorème de Bayes
5. Indépendance en probabilité

Prof. Ilham EL HARAOUI

 Probabilités 4

Partie 5 : Variables aléatoires discrètes et continues________________________________30

1. Introduction
2. Définitions
3. Typologie de variables aléatoires
4. Loi de probabilité discrète
5. Fonction de répartition
6. Paramètre d’une loi de probabilité
7. Variable aléatoire continue
8. Indépendance de variables aléatoires

Partie 6 : Principales lois de probabilités_________________________________________41

1. Lois de probabilités discrètes
1.1 Loi uniforme discrète
1.2 Loi de Bernoulli
1.3 Loi binomiale
1.4 Loi de Poisson
1.5 Loi géométrique et loi de Pascal
1.6 Loi hypergéométrique
2. Lois de probabilités continues
1.1 Loi uniforme continue
1.2 Loi Normale ou de Laplace-Gauss
1.3 Loi du Khi-deux de Pearson
1.4 Loi de Student
1.5 Loi log-normale
1.6 Loi de Fisher-Snedecor
1.7 Loi exponentielle

Prof. Ilham EL HARAOUI

 Probabilités 5

Partie 1 : Introduction et concepts de base

1. Définition de la théorie des probabilités

L’origine de la théorie des probabilités est le jeu de dés. La théorie des probabilités est une
science qui a pour but l’étude des expériences aléatoires. Elle vise à construire des modèles
mathématiques afin d’analyser des situations impliquant l’incertitude.
En d’autres termes, la théorie des probabilités fournit des modèles mathématiques qui permettent
l’étude d’une expérience dont le résultat ne peut être prévu avec une totale certitude. Elle vise
ainsi à définir des mesures exactes de cette incertitude par l’intermédiaire de ces modèles.

2. Probabilités vs. Statistique

Dans une population dont on connaît certaines caractéristiques, on s’interroge souvent sur
la qualité de l’information que l’on peut obtenir à partir d’un échantillon tiré de cette population
connue. Cette question est importante en gestion, puisque bon nombre de décisions sont prises
dans telles situations.

L’une des questions essentielles à laquelle s’intéresse les probabilités peut se résumer de
la façon suivante : comment obtenir des informations sur une population à partir d’une mesure de
variables sur un échantillon. En d’autres termes : Comment à partir d’un échantillon prélevé dans
une population connue, est-il possible d’obtenir un certain nombre d’informations qui la
concernent ?
Dans les entreprises, la pratique des études de marché relève de la même démarche. On interroge
un échantillon de clients sur leur appréciation d’un produit, leurs habitudes de consommation par
exemple, et l’on déduit des profils de clients en principe valides pour toute la clientèle. La théorie
des probabilités cherche donc à apporter des outils et des techniques permettant de répondre
scientifiquement à ces questions. Le raisonnement des probabilités est ainsi un raisonnement
déductif.
Par contre, le raisonnement de la statistique est un raisonnement inductif, qui consiste à prédire
les caractéristiques d'une population inconnue à partir des statistiques déterminées dans un
échantillon représentatif et connu de cette population.

Prof. Ilham EL HARAOUI

 Probabilités 6

D’autre part, un gestionnaire peut faire face à des situations où la connaissance du

problème traité est limitée, mais il arrive un moment où il doit choisir entre un oui et un non et
ceci en utilisant la théorie des tests statistiques1. Notons que cette théorie permet une analyse qui
conduit à évaluer la probabilité de prendre une mauvaise décision et donc de se tromper. Les tests
statistiques indiquent de ce fait, la vérité la plus proche et dans certaines situations permettent
d’évaluer le coût associé à une erreur.

3. Notions de base
3.1 Expérience aléatoire
Une expérience aléatoire est tout processus ou toute action impliquant une certaine
intervention humaine, qui aboutit à un résultat, qui peut être défini comme une observation suite
à cette expérience.

Une expérience aléatoire représente toute expérience qui satisfait aux conditions suivantes :
§ Son résultat dépend du hasard. Ceci dit, on ne peut pas prévoir ou prédire avec certitude le
résultat de l’expérience ;
§ On peut décrire tous les résultats possibles avant l’expérience ;
§ On peut répéter l’expérience dans les mêmes conditions.

Exemples d’expériences aléatoires :

o Lancer une pièce de monnaie ;
o Observer le nombre de pièces défectueuses dans un lot ;
o Observer le nombre de clients qui entrent dans un magasin dans une période précise.

3.2 Ensemble fondamental ou univers des possibles Ω

L’ensemble fondamental ou l’univers des possibles2 - qu’on note Ω - est l’ensemble de
tous les résultats possibles (ou issues) d’une expérience aléatoire. Ainsi, Ω est un ensemble dont
les éléments représentent tous les résultats possibles ou les événements élémentaires d’une
expérience aléatoire quelconque.

1
La théorie des tests statistiques sort du contexte de ce cours.
2
Dans ce support de cours, on utilisera les deux appellations.

Prof. Ilham EL HARAOUI

 Probabilités 7

Exemple :
On lance un dé et on note le résultat obtenu. L’univers des possibles dans ce cas est :
Ω = {1, 2, 3, 4, 5, 6}.
Bien évidemment, l’ensemble fondamental Ω associé à une expérience aléatoire peut varier en
fonction des objectifs escomptés.

On peut noter que la description de l’univers des possibles peut se faire d’une manière
explicite ou implicite. La description explicite consiste à énumérer tous les éléments de
l’ensemble fondamental Ω, par contre la description implicite consiste à utiliser un formalisme
mathématique pour décrire cet ensemble.

Par ailleurs un ensemble fondamental ou un univers des possibles3 peut être un ensemble
fini ou un ensemble infini. Il peut être :
• Un ensemble fini, si l’ensemble fondamental contient un nombre fini de résultats ;
• Un ensemble infini, si l’ensemble fondamental contient un nombre infini de résultats, et
dans ce cas, il peut être :
o un ensemble dénombrable (discret), si toutes les issues peuvent être énumérées ;
o un ensemble non-dénombrable (continu), si toutes les issues ne peuvent pas être
énumérées.

En conclusion, la théorie moderne des probabilités utilise le concept des ensembles pour
modéliser une expérience aléatoire. L’univers des possibles Ω est ainsi un ensemble dont les
éléments représentent tous les événements élémentaires (ou issues) d’une expérience aléatoire4.

3
Ou encore un espace échantillon.
4
On suppose dans ce qui suit que Ω est un ensemble fini pour que les concepts présentés dans ce cours soient simples à
comprendre et par la suite on considèrera le cas où Ω est un ensemble infini.

Prof. Ilham EL HARAOUI

 Probabilités 8

Partie 2 : Evénements et calcul de probabilités

1. Evénement aléatoire
Un événement aléatoire est un sous-ensemble de l’ensemble fondamental (Ω), associé à
une expérience aléatoire, qui peut se réaliser ou non au cours de cette expérience. On note cet
événement par une lettre majuscule (A, B, C, D, E,...). Il peut être aussi indicé (A1, A2,…).

Un événement A se réalise si et seulement si l’expérience aléatoire donne un des résultats

constituants cet événement. Les événements sont munis d’une mesure « P » pour Probabilité, qui
sera détaillée dans les sections suivantes.

2. Catégories d’événements
On peut citer plusieurs types d’événements :
§ Evénement élémentaire5 : lorsque l’événement se réduit à un seul résultat qui ne
peut être décomposé.
§ Evénement composé : tout événement qui peut être obtenu par la combinaison
d’événements élémentaires.
Exemple : on lance un dé, l’événement A « Obtenir un chiffre pair » est un
événement composé d’événements élémentaires {2}, {4}, {6} de l’ensemble
fondamental Ω = {1, 2, 3, 4, 5, 6}.
§ Evénement impossible : c’est l’événement qui n’est jamais réalisé (désigné par
l’ensemble vide). Il correspond à une propriété qui n’est possédée par aucun résultat
possible de l’expérience.
§ Evénement certain : c’est l’événement qui se réalise toujours et ceci à chaque
répétition de l’expérience. L’événement certain est défini par une propriété que
possèdent tous les résultats possibles de l’expérience, il est ainsi représenté par
l’ensemble Ω lui-même.

5
Ou encore un événement indécomposable.

Prof. Ilham EL HARAOUI

 Probabilités 9

3. Opérations sur les événements

On considère A et B deux événements de l’ensemble fondamental (Ω). Les opérations
logiques sur les événements : « ou », « et » ou « négation » se traduisent respectivement par les
opérations de réunion, d’intersection, et de passage au complémentaire. Ci-dessous la définition
de chacune de ces opérations.

v Réunion d’événements ∪ : A ou B, notée A ∪ B : est l’événement qui se réalise si A ou B

se réalise ou les deux se réalisent. En d’autres termes, c’est un événement composé des
éléments qui appartiennent soit à A, soit à B soit à A et B, c’est à dire les deux à la fois.
Dans le diagramme de Venn A ∪ B est la partie colorée :

(Ω)

v Intersection d’événements ∩ : A et B, notée A ∩ B : c’est l’événement qui se réalise si A

et B se réalise en même temps. C’est un événement composé des éléments qui
appartiennent à la fois à A et à B. Dans le diagramme de Venn A ∩ B est la partie
colorée :

Ces deux opérations peuvent bien évidemment faire intervenir plus de deux événements. Ainsi, si
on considère A1,. . ., An des événements élémentaires :
n
∪ Ai = A1 ∪ A 2 ∪ A 3.... ∪ A n
i=1

Cette union est l’ensemble des événements élémentaires6 {ω} qui sont dans l’un au moins des Ai.
C’est donc l’événement { réalisation de l’un au moins des Ai (1 ≤ i ≤ n) }.
Si on considère l’intersection :
n
∩ Ai = A1 ∩ A 2 ∩ A 3.... ∩ A n
i=1

6
Ou encore singletons.

Prof. Ilham EL HARAOUI

 Probabilités 10

Cette intersection est l’ensemble des événements élémentaires {ω} qui sont dans tous les Ai.
C’est donc l’événement { réalisation de chacun des Ai (1 ≤ i ≤ n) }.

On peut étendre ces définitions aux réunions et intersections d’une suite infinie d’événements.
+∞
∪ Ai : {Réalisation de l’un au moins des Ai, i ∈ N},
i=1

+∞
∩ Ai :{Réalisation de tous les Ai, i ∈ N}.
i=1

On peut souligner que ces opérations sur les suites d’événements sont très utiles pour analyser
des événements complexes, à l’aide d’événements plus simples à calculer, afin de calculer par la
suite leur probabilité.

v Négation (événement contraire) : non A ou Ā ou Ac : c’est l’événement qui se réalise si A

ne se réalise pas (c’est une partie complémentaire de A). C’est un événement constitué
des résultats élémentaires qui ne sont pas inclus dans A.

A Ā

v Egalité : deux événements A et B sont égaux, s’ils sont représentés par deux sous
ensembles qui incluent des éléments identiques, on note A=B.

v Evénements incompatibles
Les événements A et B sont incompatibles7, si A et B ne peuvent pas se réaliser en même
temps ou simultanément. Les événements A et B n’ont pas d’éléments en communs et leur
intersection est l’ensemble vide : A ∩ B = Ø.

A B

7
Ou exclusifs.

Prof. Ilham EL HARAOUI

 Probabilités 11

v Inclusion (ou implication) d’un événement :

L’événement A implique l’événement B, si la réalisation de A entraine la réalisation de B.
En d’autres termes, si tous les résultats de A font partie de B.
On note ainsi que A implique l’événement B, si A est inclut dans B. Dans le diagramme de Venn
nous pouvons noter que A est inclut dans B si tout élément de A appartient à B.

B
A

4. Système complet d’événements

Soient A1, A2, ..., An ; n événements aléatoires. (A1, A2, ..., An) constituent un système
complet d'événements si ces événements forment une partition de Ω, c’est à dire :
o Ils sont deux à deux incompatibles : pour tout i ≠ j ; Ai ∩ Aj =∅.
o Leur réunion est l’événement certain Ω :
!

A! = Ω
!!!
8
En appliquant la probabilité , on obtient :
!

P( A! ) = P(Ω)
!!!

Ou bien :
!

P(A! ) = P(Ω)
!!!

On peut schématiser ci-dessous un système complet d’événements tel que n=4 :

On peut aussi noter que A et Ā constituent un système complet d’événements.

8
La définition de la probabilité sera abordée dans la section suivante.

Prof. Ilham EL HARAOUI

 Probabilités 12

5. Définition de la probabilité

Si on demande à un étudiant, au début et à la fin du semestre quelle est sa probabilité de

réussir à valider ce module, sa réponse va en fait mesurer la vraisemblance de sa réussite ou la
croyance qu’il met dans la réalisation de cet événement.
Bien évidemment cette probabilité n’est pas appréciée de la même façon par un autre étudiant ou
même par le même étudiant à des moments différents, par exemple, au début et à la fin du
semestre.
Cette probabilité est qualifiée de probabilité subjective, en opposition au cas de tirer une pièce au
hasard et vérifier si elle est bonne ou défectueuse, où on se trouve face à une probabilité dite
objective.
La détermination des probabilités subjectives n’est pas abordée dans le cadre de ce cours, on
abordera plutôt les approches qui se basent sur les probabilités objectives, qui constituent la
théorie des probabilités.

5.1 Notions de base

La probabilité, notée P peut être considérée comme une fonction d’ensembles, qui à un
événement associe un nombre compris entre 0 et 1 afin de mesurer les chances de réalisation de
cet événement.
P peut être ainsi considéré comme une fonction ayant un domaine de définition F qui est en

général plus petit que l’ensemble de toutes les parties de Ω qu’on note P (Ω).
Les propriétés de F qu’on appelle tribu sur Ω sont les suivantes :

• F contient Ω et tout les singletons {ω}.

• F est stable par passage au complémentaire, ceci dit, si A est un événement de F, Ac est
aussi un événements de F.
• F est stable si on considère les opérations de réunion et d’intersection sur les suites
d’événements. Ceci dit, si A1, A2, A3…est une suite d’événements finie ou infinie de F, sa
réunion et son intersection sont aussi des événements de F.

Prof. Ilham EL HARAOUI

 Probabilités 13

Le couple (Ω, F) est nommé un espace probabilisable.

Le couple (Ω, P) est nommé un espace de probabilité.
Le triplet (Ω, F, P) est nommé un espace probabilisé.

On explicite ci-dessous trois définitions de la probabilité : la définition axiomatique basée

sur une approche théorique de Kolmogorov, la définition classique et la définition fréquentielle.

5.2 Définition axiomatique simplifiée de la probabilité

Approche théorique de Kolmogorov

Soit une expérience aléatoire avec « n » résultats (issues) représentés par l’univers des
possibles Ω = {ω1, ω2, ω3,…,ωn}. Soit P(Ω), l’ensemble de toutes les parties de Ω et A un
événement appartenant à Ω.
Une probabilité P sur P(Ω), est toute application p de P(Ω) dans [0,1] qui vérifie les axiomes
suivantes :
Axiome 1. La somme des probabilités de tous les événements élémentaires est égale à 1 :
p({ω1})+ p({ω2})+ p({ω3})+…. +p({ωn})=1 ceci dit P(Ω)=1,
Axiome 2. La probabilité d’un événement A est égale à la somme des probabilités des
événements élémentaires qui le composent. Ceci dit, pour toute suite Ai d’événements de
F deux à deux disjoints ou incompatibles:
! !

𝑃( 𝐴! ) = 𝑃(𝐴! )
!!! !!!

Axiome 3. Pour tout événement A : 0 ≤ P (A) ≤1

5.3 Définition classique de la probabilité

La définition classique de la probabilité est un cas particulier de la définition axiomatique.

Soit (Ω, P) un espace de probabilité correspondant à une expérience aléatoire dont l’ensemble des
résultats « n » est fini et Ω = {ω1, ω2, ω3,…,ωn}.
On suppose que tous les événements élémentaires ωi ont la même probabilité. Ainsi on se trouve
dans une situation d’équiprobabilité et pour tout ωi :
1 1
P ω! = =
Card(Ω) n

Prof. Ilham EL HARAOUI

 Probabilités 14

En appliquant l’axiome 2, on peut noter que pour un événement A, la probabilité de ce dernier

est :
Card (A)
P A =
Card(Ω)
On peut souligner que Card (A) est l’ensemble des résultats favorables qui réalise cet événement.
La probabilité d’un événement A est donc le nombre de cas favorables qui réalise l’événement A
divisé par le nombre de cas possibles.
Supposant qu’on dispose de « n » cas favorables et de « N » cas possibles9, P (A) est égale à :
Nombre de cas favorables n
𝟓. 𝟑 P A = =
Nombre de cas possibles N

Remarque sur la situation d’équiprobabilité

En probabilité, on se trouve face à des situations d’équiprobabilité des événements
élémentaires. Il est important de souligner que si on dispose de « k » éléments, ceci n’implique
pas d’avoir «une chance sur k » qu’un événement se produise10.

5.4 Définition fréquentielle de la probabilité

Soit (Ω, P) un espace de probabilité correspondant à une expérience aléatoire et A un

événement associé à cette experience. On répète l’expérience « n » fois de façon indépendante et
dans les mêmes conditions.
§ n (A) correspond au nombre de réalisation de A au cours des n répétitions,
§ Lorsque n augmente on peut étudier le comportement de la fréquence :
n (A)
f! A =
n
La définition fréquentielle est basée sur la constatation que ces fréquences ont tendance à se
stabiliser autour d’une valeur spécifique qui est la « probabilité », quand le nombre
d’observations devient élevé. Encore faut-il que l’expérience aléatoire soit répétitive et dans les
mêmes conditions.

9
Il est souvent difficile d’énumérer tous les résultats possibles de Ω et les résultats favorables qui réalisent l’événement A, pour
déduire P (A). Pour résoudre ce problème, on utilise l’analyse combinatoire qui est explicitée dans la partie 3 de ce support.
10
On peut considérer l’expérience de lancer une pièce de monnaie et obtenir « pile » ou « face », et l’expérience de tirer au
hasard une boule blanche d’une urne qui contient 3 boules blanches et 3 boules noires.

Prof. Ilham EL HARAOUI

 Probabilités 15

Notons que dans ce cas :

n (A)
P A = lim
n→+∞ n
On peut aussi noter que cette approche fréquentielle sert à donner une valeur numérique à la
probabilité d’un événement, plutôt que de donner une définition de la notion de probabilité.
On peut aussi souligner que les trois axiomes de Kolmogorov sont satisfaits soit par la définition
classique, soit par la définition fréquentielle de la probabilité.

5.5 Définition simplifiée d’une loi de probabilité

Cas d’un ensemble fini

Soit Ω un ensemble fini tel que Ω = {ω1, ω2, ω3, …ωn}, définir une loi de probabilité P
dans ce cas revient à :
!
§ Se donner n réels positifs ou nuls p1, p2,...., pn tels que !!! p! =1
§ Poser, pour tout indice i, P ({ωi}) = pi
Ainsi, on peut déterminer une loi de probabilité sur Ω si pour un événement A :
• P (A) est calculable,
• P (A) est égale à 𝑝! , tel que pi représente les probabilités des événements {ωi}
qui composent A.

6. Propriétés et règles de calcul des probabilités

Un certain nombre de propriétés découlent des trois axiomes présentés dans la section
précédente.

6.1 Evénements incompatibles

Soit Ω l’ensemble fondamental correspondant à une expérience aléatoire. A et B deux

événements relatifs à une même expérience. Si A et B sont des événements incompatibles ou
mutuellement exclusifs, comme on peut le présenter dans le diagramme de Venn ci-dessous,
alors : P (A ∪ B) = P (A) + P (B).

Prof. Ilham EL HARAOUI

 Probabilités 16

A B

Plus généralement, si A1, A2,…, An est une suite d’ événements qui sont deux à
deux incompatibles (ou qui constituent une partition de Ω) alors :
P (A1∪…∪ An) = P (A1) +…+P (An)
! !

𝑃( 𝐴! ) = 𝑃(𝐴! )
!!! !!!

6.2 Inclusion d’un événement

On considère deux événements A et B tels que A ⊆ B comme présenté dans le diagramme

de Venn ci-dessous :

B
A

Alors, ∀ A ∈ F, ∀ B ∈ F, si A ⊆ B ceci implique que P (A) ≤ P (B).

6.3 Réunion d’événements ou loi d’addition

On considère A et B deux événements quelconques comme présenté dans le diagramme

de Venn ci-dessous:

(Ω)
A B

Si A et B ne sont pas incompatibles, il est nécessaire de distinguer dans leur réunion le rôle joué
par l’intersection A ∩ B. La probabilité de la réunion de ces deux événements :
P (A∪ B) = P (A) + P (B) - P (A ∩ B)

Prof. Ilham EL HARAOUI

 Probabilités 17

En conclusion, soit A et B deux événements quelconques :

∀ A ∈ F , ∀ B ∈ F, P(A∪ B) = P(A) + P(B) - P(A ∩ B). On peut la démontrer en utilisant :

A ∪ B = (A ∩ Bc) ∪ (A ∩ B) ∪ (Ac ∩ B) sachant que :

A = (A ∩ Bc) ∪ (A ∩ B),
B = (A ∩ B) ∪ (Ac ∩ B).
Si on considère A, B et C trois événements quelconques alors :
P(A ∪ B ∪ C) = P(A) + P(B) + P(C) - P(A ∩ B) - P(A ∩ C) - P(B ∩ C) + P(A ∩ B ∩ C)

6.4 Autres propriétés

En prenant en considération la formule (5.3) on peut facilement démontrer les propriétés

suivantes :
o Pour un événement A :
0 ≤ P (A) ≤1

o Si parmi « N » cas possibles, « n » sont des cas favorables à l’événement A; (N – n) sont

des cas favorables à Ā. Ainsi la probabilité de Ā :
N−n N n n
P Ā = = − =1−
N N N N
Ceci dit :
P (Ā) = 1 - P (A) ou bien P (Ā) + P (A) = 1.
On met donc en exergue que la somme des probabilités d’un événement et de son
complémentaire est égale à 1 :
∀A ∈ F, P (Ā) = 1 – P (A)

o Si le nombre de cas favorables est nul : P (A) = 0 = P (∅), qui correspond à la probabilité
de l’événement impossible.

o Si le nombre de cas favorables est égal à N : P (A) = 1 = P (Ω), qui correspond à la

probabilité de l’événement certain.

Prof. Ilham EL HARAOUI

 Probabilités 18

Partie 3 : Analyse combinatoire

Comme précisé auparavant, la définition classique de la probabilité d’un événement A se

base sur le nombre de cas possibles appartenant à Ω et le nombre de cas favorables à la
réalisation de cet événement. Pour calculer ces nombres, on utilise le plus souvent les techniques
de dénombrement ou l’analyse combinatoire.

1. Définition de l’analyse combinatoire

L’analyse combinatoire est un ensemble de formules qui ont pour objectif de dénombrer
les différentes dispositions que l’on peut former à partir des éléments d’un ensemble fini.
En effet, c’est un ensemble de méthodes et de techniques qui peuvent répondre à des questions
comme :
§ Combien peut-on constituer de groupes différents de k éléments choisis dans une
11
population de n éléments, si l’ordre de tirage a de l’importance ou non ?

2. Règle du produit12

Soit une expérience aléatoire sous forme d’un couple (A1, A2). A1 et A2 se présentent
respectivement de n1 et n2 façons distinctes. On note que l’opération A1 est effectuée en premier
lieu, suivie de l’opération A213.
Le nombre total d’événements élémentaires associés à cette expérience est :
n1 × n2

3. Permutation

Soit une expérience aléatoire qui consiste à placer n individus/objets les uns à côté des
autres. La question qu’on peut se poser est la suivante : de combien de façons distinctes peut-on
placer ces n individus/objets les uns à côté des autres ?
11
Apporter une réponse à ce genre de questions purement techniques est indispensable avant d’aborder la description des lois de
probabilités.
12
Ou encore principe de multiplication.
13
Cette situation peut être représenté par un arbre de probabilité (ou arbre de représentation), dont les éléments déterminent les
différentes possibilités de résultats.

Prof. Ilham EL HARAOUI

 Probabilités 19

Pour répondre à cette question, on utilise la règle du produit. En conséquence, placer le premier
individu peut se faire de n façons distinctes. Le deuxième individu, ne dispose alors que de n-1
possibilités, le troisième que de n-2 possibilités,…, et le dernier de 1 possibilité. Le produit de ces
possibilités représente le nombre de permutations de n individus/objets :
Pn = n × (n-1) × (n-2) × (n-3) ×…× 2 × 1

Rappel de la notion factorielle

On désigne par (n!) qui se lit factorielle n, le produit des n premiers entiers positifs :
n! = n × (n-1) × (n-2) ×…× 3 × 2 × 1
Exemple : 5! = 5 × 4 × 3 × 2 × 1 = 120
Règle de simplification :
10!
= 10×9×8
7!
On peut noter que par définition 0! = 1 et bien évidemment on peut le démontrer aussi.
Notons qu’on peut utiliser des tables qui fournissent les valeurs de n! et de Log10(n!) pour
diverses valeurs de n14.

Définition
Soit A un ensemble de n éléments. Une permutation sans répétitions de ces n éléments est
un arrangement15 sans répétitions de ces n éléments pris n à la fois. Le nombre de permutations
est noté Pn et il est égal à :
Pn = n!

4. Arrangement

Définition
Soit Ω un ensemble de n éléments. Un arrangement sans répétitions de ces n éléments pris
k à la fois (k ≤ n), est toute disposition ordonnée de k éléments distincts choisis dans Ω. Le
nombre de ces dispositions est le suivant :
n!
A!! =
(n − k)!

14
Ces tables sont fournies avec le support du cours.
15
L’arrangement est défini dans la section suivante.

Prof. Ilham EL HARAOUI

 Probabilités 20

A!! = n× n − 1 × n − 2 × …×(n − k − 1 )
• On peut noter que deux arrangements peuvent contenir les mêmes éléments mais pas dans
le même ordre.
• On peut aussi noter qu’une permutation sans répétition de n éléments n’est qu’une façon
particulière d’ordonner ces n éléments :
A!! = P!

5. Combinaison

Définition
Soit Ω un ensemble de n éléments distincts. Toute disposition non-ordonnée de k
éléments distincts (k ≤ n) choisis dans Ω est une combinaison sans répétitions de n éléments pris
k à la fois :
n! A!! A!!
C!! = = =
k! (n − k)! k! P!

𝑛
Le nombre de combinaisons est noté C!! ou encore . On utilisera la première notation pour
𝑘
ce qui suit.
On peut mettre en exergue que : C!! = C!! = 1 et C!! = n

Pour calculer le nombre de combinaisons de k éléments distincts (k ≤ n) choisis dans A

sans répétitions de n éléments, on peut utiliser le triangle de pascal qui est une table qui fournit
ce nombre. Ci-dessous un exemple du triangle de pascal tel que 0 ≤ k ≤ 6 et 0 ≤ n ≤ 6.

Prof. Ilham EL HARAOUI

 Probabilités 21

On remarque qu’à l’exception de la première colonne et la diagonale, on peut noter qu’un

nombre quelconque de ce tableau est obtenu en sommant les deux nombres de la ligne précédente
situés dans la même colonne et dans la colonne d’indice immédiatement inférieure.
Il est utile de remarquer que :
! !!!
C!! = C!!! + C!!!
Cette formule est appelée la formule de Pascal.
On remarque aussi que :
C!! = C!!!!

6. Tirage avec remise et tirage sans remise

On considère une expérience qui consiste à tirer au hasard n boules dans une urne de N.
Ces boules sont de deux types : des boules blanches et des boules noires. Soit n1 et n2 le nombre
de boules blanches et de boules noires respectivement.
On peut avoir deux façons de tirer les n boules, soit sans remise ou avec remise. Dans ce cas, on
peut se poser la question suivante : quelle est la probabilité de tirer r boules blanches dans les
deux cas ?

Tirage sans remise

Dans ce cas, on écarte toujours les boules tirées. Cette situation correspond à ce que nous avons
introduit dans la section 5 de cette partie. Les tirages ne sont plus indépendants puisque chaque
tirage modifie la composition de l’urne.
La probabilité de l’événement A « tirer r boules blanches » tel que : r ≤ n1 et (n-r) ≤ n2 est :
C!! ! C!!!!
!
P(A) =
C!!

Tirage avec remise :

Dans ce cas, l’expérience aléatoire qui consiste à tirer une boule est répétée n fois d’une façon
indépendante puisque le contenu de l’urne ne change pas à chaque tirage.
La probabilité de tirer une boule blanche est de :
𝑛!
𝑝=
N

Prof. Ilham EL HARAOUI

 Probabilités 22

La probabilité de tirer une boule noire est de :

𝑛!
𝑞=
N
La probabilité de l’événement A « tirer r boules blanches » tel que 0 ≤ r ≤ n :
n! ! n! !!!
P(A) = C!! × ×
N N
Ce cas correspond au schéma de Bernoulli16.

6.1 Combinaison avec répétition

Soit Ω un ensemble de n éléments. Une combinaison avec remise est une disposition
non-ordonnée de p éléments, à choisir parmi n éléments discernables, avec répétition. Le nombre
de combinaisons dans ce cas est :
! n+p−1 !
C!!!!! =
p! n − 1 !

6.2 Arrangement avec répétition

Soit Ω un ensemble de n éléments. Un arrangement avec répétitions de ces n éléments

pris p à la fois, est toute disposition ordonnée de p éléments distincts choisis dans Ω. Le nombre
de ces dispositions ou le nombre d’arrangement de p éléments parmi n est : np.
Dans ce cas il est possible que : p > n

6.3 Permutation avec répétition

Soit Ω un ensemble de n éléments. On appelle permutation avec répétition de p éléments

où n sont distincts, une disposition ordonnée de l’ensemble de ces p éléments où le premier figure
p1 fois, le second p2 fois, etc., tel que p1 + p2 +…+ pn = p. Le nombre de permutation avec
répétition ou avec remise est :
𝑝!
𝑝! ! 𝑝! ! … 𝑝! !

16
Le schéma de Bernoulli est introduit dans la partie 6 qui concerne les lois de probabilités.

Prof. Ilham EL HARAOUI

 Probabilités 23

Partie 4 : Probabilités conditionnelles et théorème de Bayes

Une probabilité affectée à un événement dépend de l’information disponible. Dans ce cas,

on peut se poser la question suivante : comment doit-on modifier la probabilité que l’on attribue
à un événement lorsqu’on dispose d’une information supplémentaire ?
Le concept de probabilité conditionnelle permet de répondre à cette question.

En effet, les informations supplémentaires peuvent modifier notre connaissance du

problème étudié et par conséquent les probabilités associées aux événements de l’ensemble
fondamental Ω.
Il est normalement possible de définir la probabilité d’un événement A sachant qu’on possède
une certaine information représentée par un autre événement B, qu’on note A|B 17 . Cette
probabilité conditionnelle peut être notée de la manière suivante : PB (A) ou bien P (A|B).

1. Définition de la probabilité conditionnelle

Soit A un événement associé à une expérience aléatoire et B un événement de probabilité

tel que P(B)≠0 associé à la même expérience aléatoire. La probabilité de réalisation de A
lorsque B est réalisé est :
𝑃(𝐴⋂𝐵)
4.1 𝑃 𝐴|𝐵 =
𝑃(𝐵)
Cette probabilité est appelée la probabilité conditionnelle de l’événement A sachant B ou la
probabilité conditionnelle de l’événement A sous l’hypothèse B.

Lorsqu’on sait que l’événement B est réalisé, il est normal d’affecter à l’événement A un
poids proportionnel à P(A∩B), ce qui justifie le choix du numérateur dans la définition (4.1).
On peut noter que le dénominateur P (B) = P(Ω∩B) est une constante de normalisation, qui
assure que P(Ω|B)=1.
17
On met en exergue que A|B ne désigne pas un événement différent de A. En notant P(A|B), on lui attribue une valeur
numérique par la fonction d’ensembles P, sans aucune modification de l’événement A.

Prof. Ilham EL HARAOUI

 Probabilités 24

On peut aussi souligner que la définition (4.1) nécessite que P(B)>0 et qu’on ne peut pas prendre
par exemple un événement impossible comme événement conditionnel.

2. Loi de multiplication

L’intérêt du concept de probabilité conditionnelle est qu’il est souvent plus facile
d’attribuer une valeur à P(A|B) en prenant en considération les conditions des expériences liées à
B et d’en déduire par la suite la valeur de P(A∩B).
Loi de multiplication :
P(A∩B) = P(A|B) × P(B) si P(B) >0
En permutant le rôle de A et B, on a de même :
P(A∩B) = P(B|A) × P(A) si P(A)>0

Cette loi découle directement de la formule (4.1). Il est important de souligner que le choix de
l’une ou de l’autre formule dépend de la succession des réalisations de chaque événement.

En résumé, la notion de probabilité conditionnelle permet de prendre en compte

l’information dont on dispose, à savoir qu’un événement B (respectivement A) est réalisé, pour
actualiser la probabilité que l’on donne à un événement A (respectivement B).

3. Principales formules de la probabilité conditionnelle

3.1 Formule des probabilités composées

En prenant en considération la loi de multiplication, on obtient :

∀A ∈ F, ∀B ∈ F, tel que P(A) > 0 et P(B) > 0

P(A∩B) = P(A) × P(B/A)

= P(B) × P(A/B)
On peut étendre cette loi sur trois événements A, B et C pouvant se réaliser dans cet ordre et
dans ce cas :
P (A∩B∩C) = P(A) × P(B/A) × P(C/A∩B)

Prof. Ilham EL HARAOUI

 Probabilités 25

Plus généralement :
Soit {A1,A2,…,An}, où n ≥ 2 une famille finie d’événements tel que P (A1∩A2∩A3∩…∩An-1) ≠ 0,
on a :
P (A1∩A2∩A3∩…∩An) = P (A1) ×P (A2/A1) ×P (A3/A1∩A2) ×...× P (An/A1∩A2∩… ∩An-1)
Cette formule est appelée la formule des probabilités composées ou la règle des
conditionnements successifs.

On peut la démontrer tout simplement comme ceci :

P (A1) × P (A2/A1) × P (A3/A1∩A2) × ... × P (An/A1∩A2∩… ∩An-1) =
P(A! ⋂A ! ) P(A! ⋂A ! ⋂A ! ) P(A! ⋂ … ⋂A ! )
= P A! × × × …×
P(A! ) P(A! ⋂A ! ) P(A! ⋂ … ⋂A !!! )
= P (A1∩A2∩A3∩…∩An)

3.2 Formule des probabilités totales

Dans certaines expériences aléatoires, on cherche parfois à évaluer la probabilité d’un

événement A, qui peut être très difficile d’évaluer directement. Cependant il peut être plus facile
d’évaluer la probabilité de A conditionnée par d’autres événements Ai ; (i = 1, … , n) et dans ce
cas, il est plus adéquat d’utiliser la formule des probabilités totales.

Définition :
Soit A1, A2, A3,… An, un groupe d’événements incompatibles deux à deux, qui forme une
partition finie de Ω, tel que la réunion de ces événements forme cet ensemble fondamental (Ω).
Ceci dit, A1, A2, A3,… An forment un système complet d’événements.
Soit A un événement quelconque de F, alors :

∀A ∈ F, 𝑃 𝐴 = !
!!! 𝑃 𝐴|𝐴! 𝑃 𝐴!

Plus généralement on considère (Ai) ; i ∈ℕ ; un groupe d’événements qui forment une partition
de Ω, tel que ∀ i ∈ ℕ, P(Ai) ≠ 0.
∀A ∈ F, 𝑃(𝐴) = !!
!!! 𝑃 𝐴|𝐴! 𝑃 𝐴!

Prof. Ilham EL HARAOUI

 Probabilités 26

Remarque
Lorsqu’on a une partition de Ω en n hypothèses ou n cas possibles Ai et que l’on peut calculer les
P(Ai) et les P(A|Ai), on peut se poser le problème inverse et calculer P(Ai |A) à l’aide des
probabilités précédentes en utilisant le théorème de Bayes explicité ci-dessous.

4. Théorème de Bayes

Le théorème de Bayes résulte de la définition de la probabilité conditionnelle, de la loi de

multiplication et du théorème des probabilités totales.
Sachant que
𝑃(𝐴 ∩ 𝐵) 𝑃(𝐴 ∩ 𝐵)
𝑃 𝐴|𝐵 = 𝑒𝑡 𝑃 𝐵|𝐴 =
𝑃(𝐵) 𝑃(𝐴)

On obtient :
𝑃 𝐵 𝐴 𝑃(𝐴)
𝑃 𝐴|𝐵 =
𝑃(𝐵)

Cette dernière formule est appelée la règle de Bayes.

Plus généralement :
Soit A1, A2, A3,… An un système complet d’événements, tel que P (Ai) > 0, (i=1,…,n) et A
un événement quelconque de Ω de probabilité non nulle. On suppose connaitre a priori les
probabilités conditionnelles P(A|Ai), ainsi que P(Ai) pour i=1,…,n.
On peut déterminer a posteriori les probabilités P(Ai|A), en utilisant le théorème de Bayes :

P(A|A! )×P(A! )
P A! |A = !
!!! P (A|A! )×P(A! )

En science de gestion, l’objectif de l’utilisation du théorème de Bayes est de résoudre des

problèmes de gestion qui feront appel à cette théorie, et de démontrer que cette résolution est
riche en informations et peut apporter une valeur ajoutée au processus de prise de décisions.

5. Indépendance en probabilité

On considère deux événements A et B de probabilités non nulles. La probabilité

conditionnelle P(A|B) utilise l’information supplémentaire selon laquelle l’événement B se
réalise. Dans ce cas P (A|B) est normalement différente de P (A).

Prof. Ilham EL HARAOUI

 Probabilités 27

Ainsi, lorsque la réalisation de l’événement B ne modifie pas la probabilité de la réalisation de

l’événement A, et par conséquent l’information fournie par la réalisation de B ne modifie en rien
la probabilité de A, alors B est indépendant de A. On note que la relation d’indépendance est
symétrique et dans ce cas :
(5.1) P (A|B) = P (A)
Sachant que P (A) > 0, on a :
P A∩B
(5.2) P B|A =
P A

En utilisant la loi de multiplication selon laquelle P(A∩B) = P(B) × P(A|B), on remplace dans la
formule (5.2) et on obtient :
𝑃(𝐵)×𝑃(𝐴|𝐵)
𝑃 𝐵|𝐴 =
𝑃(𝐴)

En prenant en considération la formule (5.1), on obtient :

(5.3) P(B|A) = P(B)
Ceci dit, B est indépendant de A et puisque la relation d’indépendance et symétrique A et B sont
indépendants.

Définition :
Soit (Ω, F, P) un espace probabilisé. A et B sont deux événements indépendants de cet

espace, si et seulement si : P(A∩B) = P(A) × P(B). Cette dernière formule est une condition
nécessaire et suffisante pour que deux événements soient indépendants.
On peut noter que les trois égalités suivantes sont équivalentes :
o P(A∩B) = P(A) × P(B)
o P(A|B) = P(A)
o P(B|A) = P(B)

Proposition :
Si A et B sont deux événements indépendants, alors il en est de même pour les événements :
o A et Bc ,
o Ac et B,
o Ac et Bc .

Prof. Ilham EL HARAOUI

 Probabilités 28

Ac et Bc sont les événements complémentaires de A et de B respectivement.

Remarques :
§ L’indépendance découle directement de la description de l’expérience aléatoire.
Soit l’expérience qui consiste à lancer une pièce de monnaie deux fois et soit A
l’événement « obtenir face au premier lancer » et B l’événement « obtenir face au second
lancer ». Le fait d’obtenir face ou non, au premier lancer n’a pas d’influence sur le fait
d’obtenir face ou non au second lancer. Ceci dit, A et B sont des événements
indépendants.
§ Notons que l’indépendance de plusieurs événements est un peu plus complexe à définir,
elle est explicitée plus bas.

Définition :
Soit (Ω, F, P) un espace probabilisé. A, B et C sont trois événements indépendants, si

chacun des événements est indépendant de la réalisation des deux autres, conjointement ou
séparément. On peut caractériser cette situation par les quatre conditions suivantes :
o P(A ∩ B) = P(A) × P(B)
o P(A ∩C) = P(A) × P(C)
o P(B ∩ C) = P(B) × P(C)
o P(A ∩ B ∩ C) = P(A) × P(B) × P(C)

Remarques :
§ Pour que trois événements soient indépendants, il ne suffit pas qu’ils soient deux à deux
indépendants.
§ La dernière formule : P (A ∩ B ∩ C) = P (A) × P (B) × P(C) constitue la règle de
multiplication de trois événements indépendants18.

18
En statistique descriptive, on a introduit une définition d’indépendance dans le cas de deux variables X et Y, tel que X et Y
sont indépendants si l’effectif conjoint nij dans le tableau de contingence est égale à :
!!. ×!.!
n!" =
!
Cette définition peut être appliquée aussi en probabilités.

Prof. Ilham EL HARAOUI

 Probabilités 29

On peut généraliser le cas d’indépendance pour n événements :

A1, A2, A3,…,An sont indépendants si et seulement si :
P (A1 ∩ … ∩ An) = P(A1) × … × P(An).

∀ I ⊂ 1, … , n , P ( A! ) = P A!
!∈! !∈!

Attention !
• Il ne suffit pas que P (A1 ∩ … ∩ An) = P(A1) × … × P(An) pour que les événements soient
indépendants.
• L’indépendance de n événements et une notion plus forte que l’indépendance deux à deux.

Indépendance vs. Incompatibilité

On considère A et B deux événements tel que P(A) > 0 et P(B) > 0. Si A et B sont
incompatibles alors ils ne sont jamais indépendants.

On met ainsi en exergue que :

ü L’indépendance signifie que la probabilité de la réalisation de l’événement A n’est pas
modifiée par la réalisation de l’événement B et par conséquent :
P (A ∩ B) = P (A) × P (B) ≠ 0
ü L’incompatibilité signifie que les deux événements A et B ne peuvent pas se réaliser
simultanément et par conséquent : A ∩ B = ∅ , P (A ∩ B) = P (∅) = 0.

Prof. Ilham EL HARAOUI

 Probabilités 30

Partie 5 : Variables aléatoires

La notion de variable aléatoire est fondamentale dans le calcul des probabilités. Dans
cette partie on définira les variables aléatoires discrètes et continues et on présentera leurs
caractéristiques essentielles et les moments, à savoir, l’espérance mathématique et la variance.

1. Introduction

On peut associer à une expérience aléatoire un ensemble fondamental Ω qui contient les
résultats possibles, d’où on peut construire des événements. Mais souvent on ne s’intéresse pas
seulement aux résultats de l’expérience mais aussi à certaines de ces conséquences.

On considère dans un premier temps le cas où Ω est un ensemble fini et on suppose pour
chaque événement élémentaire ou singleton tel que ω ∈ Ω, on peut établir une règle qui lui
associe une valeur réelle x. Cette règle d’association, ou fonction définie sur Ω, va nous permettre
d’introduire le concept de variable aléatoire19, qu’on désigne par X.

2. Définitions

L’association entre un événement élémentaire ω et une valeur x se traduit par la relation

x =X (ω). On note que x est la valeur prise par la variable aléatoire X ; lorsque le résultat de
l’expérience aléatoire est ω. Puisque Ω est supposé fini, la variable aléatoire X prend un nombre
fini de valeurs et dans ce cas elle est une variable discrète.

On peut noter que plusieurs éléments de Ω peuvent être associés à une même valeur de X.
On note Ex l’événement composé des résultats associés à la valeur x ∈V, tel queV représente
l’ensemble des valeurs possibles de la fonction X : Ex {ω ∈ Ω | X (ω)=x}. La variable aléatoire X
associe ainsi à l’événement Ex la valeur x.
L’ensemble des valeurs possibles V peut aussi être noté X(Ω).

19
Une variable X est aléatoire lorsqu’on ne connait pas sa valeur à l’avance. Par exemple, avant de procéder à une expérience
aléatoire qui consiste au tirage au hasard d’un individu dans une population, on ne sait pas quel sera l’âge de cet individu.

Prof. Ilham EL HARAOUI

 Probabilités 31

Exemple (5.2) :
On lance une pièce de monnaie deux fois, l’univers des possibles est :
Ω : {(P, P), (P, F), (F, P), (F, F)}.
On s’intéresse au nombre de « face » obtenu. On associe ainsi à chacun des résultats ou issues
possibles un nombre entier variant de 0, 1 ou 2.

Ω V
E0 (P, P) 0
E1 (P, F) 1
E1 (F, P)
E2 (F, F) 2

Suite à notre définition, nous pouvons déterminer l’ensemble V des valeurs possibles de
la fonction X, par contre on ne peut pas prédire quelle valeur particulière x sera prise par X, avant
de réaliser l’expérience aléatoire, puisque cette valeur dépend du résultat ω de l’expérience.
Néanmoins, on peut associer à chaque valeur possible de X, la probabilité pour que X prenne
effectivement cette valeur.

Définition :
Une variable aléatoire 20 est une application de Ω dans un ensemble qui peut être
l’ensemble des réels positifs, ou celui des entiers naturels ou encore dans tout autre ensemble, et
qui associe à chaque événement élémentaire de l’univers des possibles une valeur.
Les valeurs que peut prendre cette variable aléatoire s’appellent des réalisations.

A partir d’ensembles fondamentaux Ω infinis, on peut distinguer le cas des variables

aléatoires discrètes et continues.
Dans le cas des variables aléatoires discrètes, V est souvent égal à ℕ 𝑜𝑢 ℤ ! et dans le cas des
variables aléatoires continues V est souvent égal à ℝ.

20
On peut souligner que X est une variable aléatoire et non une variable statistique, car entre autres raisons, son ensemble de
départ n’est pas une population mais un univers des possibles.

Prof. Ilham EL HARAOUI

 Probabilités 32

Variable aléatoire discrète

Une variable aléatoire discrète est une application X : Ω è V où V est un ensemble
dénombrable.
Pour x ∈ V, on peut noter de façon concise {X= ω} l’événement {ω ∈ Ω : X (ω)= x}.

Variable aléatoire continue

Une variable aléatoire continue est une application X : Ω è V où V est un ensemble non
dénombrable infini. Dans ce cas, X peut prendre ses valeurs dans ℝ ou dans l’un de ses
intervalles.

3. Typologie des variables aléatoires

La terminologie pour la classification des variables aléatoires est la même que celle en
usage pour les variables statistiques, sauf que la différence de définition porte sur l’ensemble
observé pour déterminer le type de variable :
• Pour une variable statistique, ce sont les caractéristiques de l’ensemble des modalités qui
déterminent son type.
• Pour une variable aléatoire ce sont les caractéristiques de l’ensemble des réalisations qui
déterminent son type.

4. Loi de probabilité discrète

§ Probabilité associée à la valeur d’une variable

Pour chaque événement E, on peut définir une probabilité notée P(E). Comme chaque
valeur x ∈V est associée à un événement Ex, on peut doter x d’une probabilité égale à P(Ex),
qu’on note aussi px ou P(X=x).

En prenant l’exemple (5.2), les événements E0, E1, E2 associés aux valeurs x=0, x=1, x=2 ont
pour probabilités respectives : P (E0)=1/4 ; P (E1)=2/4 ; (E2)=1/4 ou bien P(X=0) = 1/4 ;
P(X=1) = 1/2 ; P (X=2) = 1/4.

Prof. Ilham EL HARAOUI

 Probabilités 33

On peut noter que px ≥ 0 pour x=0, x=1, x=2 et p0 + p1 + p2 = 1 ; sachant que E0, E1, E2
constituent une partition de Ω ou un système complet d’événements.

§ Définition
Une loi de probabilité ou une distribution de probabilité caractérise une variable aléatoire
en indiquant quelles sont toutes les valeurs possibles de X et avec quelles probabilités la fonction
X prend chacune de ces valeurs. Elle est ainsi définie par l’ensemble des couples
{(x, px), x ∈ V }.

Soit le couple (x, px) associant à des valeurs réelles x des nombres px et V un ensemble
des valeurs x considérées, l’ensemble {(x, px), x ∈ V }, constitue une loi de probabilité si et
seulement si :

px ≥ 0, x ∈ V

! 𝑝! = 1
!∈!

Dans ce cas, on peut définir V ={x1, x2,…xn} en associant à chaque valeur xi une probabilité
désignée par pi ou P(X= xi).

§ Famille de Lois de probabilité

Dans l’exemple (5.2), la loi de probabilité est spécifiée dans la mesure où on suppose
qu’on est face à une situation d’équiprobabilité et que les deux pièces sont équilibrées.
On reprend le même exemple et on suppose cette fois ci qu’on ignore si la pièce est équilibrée ou
non. Ceci dit, on ne peut pas affirmer a priori l’équiprobabilité des deux événements.
Dans ce cas on suppose que P(face) = π, et par conséquent P(pile) = 1-π tel que π est un
paramètre inconnu ∈ [0,1].

On considère le nombre de faces obtenu à la fin de l’expérience, qui peut être toujours égal à 0, 1
ou 2. La différence par rapport au cas précédent est que les probabilités qui leurs sont associées,
en utilisant les lois fondamentales de la théorie des probabilités sont égales à :
o p0 = P(X=0) = (1-π)(1-π) = (1-π)2 ;
o p1 = P(X=1) = π (1-π) + (1-π) π = 2π (1-π) ;
o p2 = P(X=2) = π2

Prof. Ilham EL HARAOUI

 Probabilités 34

La loi de probabilité {(0, p0), (1, p1), (2, p2)} dépend donc du paramètre π. Ainsi, toutes les lois
correspondant aux différentes valeurs possibles de π sont définies par les expressions p0, p1 et p2,
et constituent une famille de distributions de probabilités ou une famille de lois de probabilités.

Définition :
Si les probabilités px associées aux valeurs x d’une variable aléatoire X dépendent d’un
paramètre π, les lois correspondant aux différentes valeurs possibles de π sont définies par p0, p1
et p2 et constituent une famille de distributions de probabilité notée :
P(X = x) = px (π), x ∈ V

5. Fonction de répartition
Cas d’une variable discrète
La fonction associant à une valeur réelle x quelconque la probabilité pour que la variable
aléatoire X prenne une valeur inférieure ou égale à x est appelée fonction de répartition, qu’on
note :
F (x) = P (X ≤ x )

On reprend l’exemple (5.2) avec la loi de probabilité qui correspond au nombre de faces dans le
cas d’équiprobabilité : {(0, 1/4), (1, 1/2), (2, 1/4)}.
Par définition la fonction de répartition :

0 x <0
1/4 0 ≤ x< 1
F(x) =
3/4 1 ≤ x <2
1 x≥2

De façon général, la fonction de répartition d’une loi de probabilité est définie par la
21
fonction F x = !!! ! p! ou encore :

0 x < x1
…
F(x) = P (X ≤ x) p1 + … + pj xj ≤ x < xj+1
…
p1 + … + pn x ≥ xn
21
On peut représenter graphiquement cette fonction par une courbe en escalier qu’on appelle la courbe de répartition, dont la
construction est semblable à celle de la courbe cumulative introduite dans le cours de la statistique descriptive.

Prof. Ilham EL HARAOUI

 Probabilités 35

La connaissance de p1, ….pn permet de construire une fonction de répartition F(x) qui permettra
de définir la distribution ou la loi de probabilité.
Inversement, si on connait F(x) pour toutes les valeurs possibles x de X, nous pouvons retrouver
les probabilités p1, ….pn , à partir de F(x) tel que :
p1 = F(x1) ; … ; pj = F(xj) - F(xj-1) ; … ; pn = 1-F(xn-1)
F(x) permet ainsi de définir la distribution de probabilité.

6. Paramètres d’une loi de probabilité

En statistique on a vu qu’il était possible de résumer l’information par l’intermédiaire des

indicateurs de tendance centrale et de position, de dispersion, de concentration ou même de forme.
Dans cette section, on abordera en probabilités deux indicateurs importants, à savoir, un
indicateur de tendance centrale « la moyenne » et un indicateur de dispersion « la variance » et
ceci, en prenant en considération, en premier lieu, le cas d’une variable aléatoire discrète.

6.1 Espérance mathématique

Le premier indicateur qu’on peut introduire est la moyenne arithmétique avec sa formule :
!

𝑥= 𝑓! 𝑥!
!!!

Par l’analogie « fréquence-probabilité » on peut introduire la moyenne d’une loi de probabilité

désignée sous le nom d’espérance mathématique de X notée µ et définie par l’expression :
!

𝜇= 𝑝! 𝑥!
!!!
Ou simplement :

𝜇= 𝑝! 𝑥
!∈!

6.2 Variance
On peut de même introduire la variance d’une loi de probabilité par analogie
« fréquence-probabilité », qui est définie par l’expression :
!
!
𝜎 = 𝑝! (𝑥! − 𝜇)!
!!!

Prof. Ilham EL HARAOUI

 Probabilités 36

Ou simplement :

𝜎! = 𝑝! (𝑥 − 𝜇)!
!∈!

6.3 Expression générale

Dans le cas général d’une loi de probabilité discrète {(x, px), x ∈ V } d’une variable
aléatoire, si g(X) est une fonction réelle quelconque de X tel qu’à chaque valeur x de X on
associe un nombre réel défini par g(x), l’espérance mathématique de g(X) est la quantité notée
E [g(X)] définie par :

𝐸[𝑔 𝑋 ] = 𝑝! 𝑔(𝑥)
!∈!
Si g(X) =X, on obtient :

𝐸[𝑋] = 𝑝! 𝑥 = 𝜇
!∈!
Si g(X) = (𝑋 − 𝜇) ! , on obtient :
! !
𝐸 𝑋−𝜇 = 𝑝! 𝑥 − 𝜇 = 𝜎!
!∈!

6.4 Propriétés de la moyenne et de la variance

L’espérance mathématique est un outil très utilisé. L’une des raisons de cet usage est liée
à ses nombreuses propriétés, dont on présente ci-dessous celles qui sont les plus utiles. Elles
concernent essentiellement la moyenne (µ ou E(X)) et on inclura aussi celles qui concernent la
variance (𝜎 ! ou V(X)).
Propriétés de la moyenne
Propriété 6.4.1 : Si « b » est un nombre réel quelconque : E(b) = b.
Propriété 6.4.2 : Si « a » est un nombre réel quelconque : E(aX) = a × E(X).
Ceci dit, si toutes les valeurs d’une variable aléatoire sont multipliées par une constante, la
moyenne µ = E(X) de sa distribution de probabilité le sera aussi. De même si on divise par
une constante.
Propriété 6.4.3 : Si « b » est une valeur réelle quelconque : E(X+b) = E(X) + b
Ceci dit, ajouter une constante « b » aux valeurs de X implique que la moyenne µ est aussi
augmentée de cette valeur.

Prof. Ilham EL HARAOUI

 Probabilités 37

Propriété 6.4.4 : L’étude de la variable aléatoire centrée Y = X-µ où E(X) = µ est un cas
particulier tel que b = -µ. Ceci dit, E(X- µ) = E(X) - µ = µ - µ = 0.
On peut ainsi noter qu’une variable aléatoire centrée possède toujours une distribution de
probabilité de moyenne nulle.

Propriétés de la variance
Propriété 6.4.5 : Si a est une valeur réelle quelconque : V(aX) = a2 V(X).
Propriété 6.4.6 : Une variable aléatoire X possède une variance égale à celle de la variable
centrée (X- µ) ; tel que V(X- µ) = V(X).
Propriété 6.4.7 : Si on considère une variable centrée réduite définie par Z = (X- µ)/ σ ou
encore :
X − E(X)
Z=
V(X)
On peut affirmer que V (Z) = 1

7. Variable aléatoire continue

On considère une variable aléatoire X continue, qui peut prendre ses valeurs dans ℝ ou
dans l’un de ses intervalles22.
De façon générale, le domaine de variation de X dans ce cas sera à nouveau noté V ou X(Ω) et
les limites qui le définissent seront appelées V min et V max . Si V =ℝ nous aurons V min = - ∞ et
V max = + ∞.

7.1 Rappel
• Une variable continue peut prendre une infinité de valeurs distinctes. Dans ce cas, on
prend en considération des intervalles et non des valeurs.
!
• Sachant que !!! 𝑓! = 1, graphiquement cette propriété signifie que la surface située
au-dessous de l’histogramme des fréquences est égale à 1.
• On suppose que toutes les classes aient la même longueur dx très petite, dans ce cas les
limites d’une classe peuvent être définies par les valeurs x et x + dx où x appartient au
domaine de définition de la variable.

22
On peut prendre par exemple le cas des salaires des employés dans une entreprise, ou la taille des individus…

Prof. Ilham EL HARAOUI

 Probabilités 38

7.2 Fonction de densité

On définit la probabilité pour que la variable aléatoire X soit comprise entre les valeurs x
et x+dx, tel que dx est une quantité positive arbitrairement petite, par la relation :
P (x ≤ X ≤ x + dx ) = f (x) dx

Cette fonction est supposée définie et continue en tout point x de V. Elle est appelée fonction de
densité de probabilité.

Cette fonction de densité a les propriétés suivantes :

• f (x) ≥ 0 pour tout x de V, ce qui est évident pour que f(x)dx puisse définir une probabilité.
• Si on découpe le domaine V en intervalles successifs (x, x+dx), la somme des
probabilités associées à ces intervalles vaut 1, qu’on peut noter23 :

∫v f(x)dx = 1

• Si [a , b] est un intervalle de V, la probabilité d’appartenir à cet intervalle, notée

P(a ≤ X ≤ b) est la somme des probabilités associées aux intervalles qui constituent une
partition de [a , b], c’est à dire :
!
!
𝑓 𝑥 𝑑𝑥 .
Cette probabilité est représentée par la surface située au-dessous de la courbe de densité de
probabilité comprise entre a et b.

En résumé
Déterminer la loi de probabilité d’une variable aléatoire continue revient à construire une
fonction f tel que pour tout intervalle [a, b] ou ]- ∞, a ] ou [a, +∞[ ou encore ]- ∞, +∞[, la
probabilité que X prenne une réalisation dans cet intervalle est égale à l’aire sous la courbe f
comprise entre les bornes de l’intervalle.

23
Rappel ! Le signe ∫ (integrale) représente l’opération de sommation pour une variable continue.

Prof. Ilham EL HARAOUI

 Probabilités 39

7.3 Fonction de répartition

Si on fait tendre a vers -∞, dans ce cas P (a ≤ X ≤ b) devient P(X ≤ b). Cette
probabilité est représentée par la surface située au-dessous de la courbe de densité, à gauche de b
et qui représente la fonction de répartition :
F(x) = P(X ≤ x), x ∈ V.

Cette fonction possède aussi quelques propriétés intéressantes :

• F(V min) = 0 et F(V max)= 1

• F(x) est une fonction non décroissante de x : si x1 ≤ x2 , F(x1) ≤ F(x2)

• D’un point de vue pratique, la fonction de répartition est plus utilisée que la fonction de
densité de probabilité. Tout d’abord F(x) est une probabilité et non f(x). Par ailleurs si x1
et x2 sont deux valeurs de x tel que x1 ≤ x2 :
P ( x1 < X ≤ x2 ) = F(x2) - F(x1)
On peut remarquer que cette dernière formule nous permet aussi de calculer la valeur de
P ( x1 ≤ X ≤ x2 ), P ( x1 <X <x2 ), P ( x1 ≤X < x2 ), sachant que P(X=x) = 0, car toutes les
probabilités ponctuelles sont nulles dans ce cas.

7.4 Espérance mathématique et variance

Une loi de probabilité d’une variable aléatoire continue possède (comme une variable
discrète) une moyenne et une variance. On peut considérer les définitions relatives à une variable
discrète et remplacer ∑ par ∫ d’une part, et d’autre part px par f(x)dx.

Ainsi, on peut noter :

L’espérance mathématique de g(X) :
Eg X = ∫ 𝑔 𝑥 𝑓 𝑥 𝑑𝑥

La moyenne 𝜇 :
𝜇 = ∫ 𝑥𝑓 𝑥 𝑑𝑥

La variance 𝜎 ! :
σ! = ∫ x − µ ! 𝑓 𝑥 𝑑𝑥

Prof. Ilham EL HARAOUI

 Probabilités 40

On peut aussi définir un quantile d’ordre p qui correspond à la valeur xp de X tel que F(xp)=p,
0<p<1. Par exemple, la médiane représente la valeur x1/2 de X tel que F(x1/2)=1/2.

8. Indépendance de variables aléatoires

8.1 Indépendance de variables aléatoires discrètes

Deux variables aléatoires X et Y sont indépendantes en probabilités si pour tout x et pour tout y :
§ P [(X = x) | (Y = y)] = P [X = x]
§ Ou bien P [(Y = y) | (X = x)] = P [Y = y]
§ Ou bien P [(X = x) ∩ (Y= y)] = P [X = x] × P [Y = y]

8.2 Indépendance de variables aléatoires continues

Deux variables aléatoires X et Y sont indépendantes en probabilité si pour tout x et pour tout y :
§ P[(X ≤ x) ∩ (Y ≤ y)] = P [ X ≤ x] × P [Y ≤ y]
P[(X ≤ x) ∩ (Y ≤ y)] représente la loi de probabilité conjointe du couple de variables (X,Y).

Prof. Ilham EL HARAOUI

 Probabilités 41

Partie 6 : Principales lois de probabilités

Il existe de nombreuses lois de probabilités discrètes et continues tel que chacune est liée
à des conditions d’application. On choisira des lois de probabilités qui par leur simplicité, leur
intérêt et leur utilisation nécessitent une description. On abordera en premier lieu les lois de
probabilités discrètes et par la suite celles qui sont continues.

1. Lois de probabilité discrètes

1.1 Loi uniforme discrète

Définition
Une variable aléatoire admet une loi uniforme discrète si les probabilités associées aux
valeurs x de X sont toutes égales entre elles. Ceci dit, si l’ensembleV des valeurs possibles de X
contient n valeurs, px doit être égale à 1/n puisque ! 𝑝! = 1. Par extension, X est dans ce cas
une variable aléatoire uniforme.

Un cas fréquent est celui où les valeurs de X sont les n premiers nombres entiers :
V = {1,2,.., n}, dans ce cas la loi de X est définie par l’ensemble {(x , px), x = 1,…,n} où px=1/n.
Le fait que cette variable aléatoire X admet cette distribution ou suit une loi uniforme discrète est
alors indiquée par la notation :
X ~ U (1,…,n) ou X ~ Ud (1,…,n)

Fonction de répartition
!
Pour tout entier r appartenant à V , F(x) = , r ≤ x < r+1.
!
Moyenne et variance
La moyenne et la variance de la loi uniforme discrète prennent respectivement les valeurs :
𝑛+1
𝜇=
2
et
𝑛! − 1
𝜎! =
12

Prof. Ilham EL HARAOUI

 Probabilités 42

1.2 Loi de Bernoulli

On se trouve souvent face à des études qui portent sur une population comportant deux
catégories d’individus (Défectueux/non défectueux, chômeur/non chômeur, avis favorable/avis
défavorable, succès/échec), dans ce cas on utilise souvent un codage (0, 1) pour traduire ces
situations.

Définition
On considère une expérience aléatoire qui peut donner lieu à deux événements
complémentaires S et S qu’on appellera succès pour S et échec pour S avec des probabilités
respectives P(S) = p et P(S) = 1 - p = q , tel que 0 < p < 1

Soit X une variable aléatoire qui désigne le nombre de succès obtenu. X prend la valeur 1
si S se réalise et la valeur 0 sinon. Cette variable X est une variable de Bernoulli et la loi de
probabilité de X est définie par {(0, q), (1, p)} et elle est nommée la loi de Bernoulli.
On note : X ~ B (p).

Fonction de répartition
La fonction de répartition F(x) est définie comme ci-dessous :

0 x <0
F(x) = q 0 ≤ x< 1
1 x≥1

Moyenne et variance
La moyenne et la variance de X qui suit une distribution de Bernoulli prennent respectivement les
valeurs :
𝜇 = 𝑝 et 𝜎 ! = 𝑝 1 − 𝑝 = 𝑝𝑞

1.3 Loi binomiale

La loi binomiale est l’une des lois qui occupe une place importante dans l’ensemble des
lois de probabilités discrètes. Elle est liée au schéma de Bernoulli, un schéma qui consiste à

Prof. Ilham EL HARAOUI

 Probabilités 43

répéter n fois une expérience aléatoire dichotomique, dans les mêmes conditions, tel qu’un succès
se produit avec une probabilité p et ne se produit pas avec une probabilité 1-p ou q.

On suppose que les résultats des n répétitions de l’expérience sont indépendants. Dans ce
cas, le nombre de succès est une variable aléatoire X dont les valeurs possibles sont des entiers
successifs 0, 1, 2,…, n et les probabilités sont respectivement qn, npqn-1, …., pn.

On note que la loi de probabilité d’une variable aléatoire X est une loi binomiale si les
couples (x, px) qui la définissent sont tel que x est un entier appartenant à V = {0,1,….,n} et px est
égale à :
(1.3) px = P(X = x) = C!! px qn-x

En disposant de n et p, qu’on appelle respectivement l’exposant et le paramètre, la loi binomiale

est entièrement spécifiée. La variable aléatoire X est une variable binomiale et admet une
distribution binomiale définie par n et p et on note : X ~ B (n, p).

Fonction de répartition
Si r est un entier de V = {0,1,….,n}, la fonction de répartition F(x) est définie comme ci-dessous :
! !
𝐹 𝑥 = !!! C! 𝑝 ! 𝑞 !!! 𝑟 ≤ 𝑥 < 𝑟 + 1

Moyenne et variance
On peut déterminer la moyenne et la variance de la loi Binomiale, ces indicateurs prennent
respectivement les valeurs :
𝜇 = 𝑛𝑝 et 𝜎 ! = 𝑛𝑝𝑞

On peut souligner que si p est inconnu, il peut être considéré comme la valeur d’un paramètre π
compris entre 0 et 1. X ~ B (n, p) est dans ce cas, une loi particulière faisant partie d’une famille
de distributions binomiales B (n, π), tel que 0 ≤ π ≤ 1.

Remarques
§ La distribution de Bernoulli est un cas particulier de la distribution Binomiale,
correspondant à n=1.

Prof. Ilham EL HARAOUI

 Probabilités 44

§ De façon générale, si X ~ B (n, p), les valeurs de P(X=x) sont les termes du
développement du binôme [(1-p) + p]n. Cette propriété est l’origine du nom attribué à
cette distribution dite, Binomiale.
§ Pour diverses valeurs de n et de p, on dispose de tables afin de déterminer les probabilités
dans le cas où X ~ B (n, p),
§ La variable aléatoire X représente le nombre de succès dans le schéma de Bernoulli. On
peut être intéressé par la fréquence Y=X/n. Dans ce cas, Y est une variable aléatoire qui
prend les valeurs 0, 1/n, 2/n,…,1 avec des probabilités qui peuvent être calculant en
utilisant la formule (1.3) et une espérance mathématique et une variance respectivement
égales à :
E(Y) = p
𝑝(1 − 𝑝)
V Y =
𝑛
Additivité de la loi binomiale
Si X ~ B (n, p), Y ~ B (m, p) et X et Y sont indépendantes, alors X+Y ~ B (n+m, p).

1.4 Loi de Poisson

Le domaine d’application de la loi de Poisson est celui des événements rares. Cependant,
cette loi suscite un intérêt réel et permet d’illustrer le cas où le nombre de valeurs possibles de la
variable discrète est infini.

Définition :
La loi de probabilité d’une variable aléatoire est appelé une loi de Poisson, si elle est définie
par l’ensemble des couples (x, px) où x prend les valeurs 0, 1, 2,…avec les probabilités
respectives calculées selon la formule :
𝑒 !! 𝜆!
𝑝! = 𝑃 𝑋 = 𝑥 =
𝑥!
tel que 𝜆 est un paramètre réel positif.

Cette loi est spécifiée par le paramètre 𝜆, ainsi toute variable aléatoire admettant cette loi est
notée : X ~ P (𝜆) et par extension, on parle de variable aléatoire de Poisson.

Prof. Ilham EL HARAOUI

 Probabilités 45

Fonction de répartition
Si r est un entier de V = {0, 1, 2….} = ℕ, la fonction de répartition F(x) est définie comme
ci-dessous :
!
𝑒 !! 𝜆!
𝐹 𝑥 = , 𝑟 ≤𝑥 <𝑟+1
𝑗!
!!!

Pour des valeurs de 𝜆, il existe une table qui contient les valeurs de la fonction de répartition de la
loi de Poisson. Son usage est semblable à celui de la variable binomiale24.

Moyenne et variance
On peut déterminer la moyenne et la variance de la loi de Poisson, ces indicateurs prennent
respectivement les valeurs :
𝜇 = 𝐸 𝑋 = 𝜆 et 𝜎 ! = 𝑉 𝑋 = 𝜆

Remarque
La loi de Poisson peut être considérée comme un cas limite de la distribution binomiale. En effet,
la probabilité associée à une valeur x d’une variable aléatoire binomiale tend vers la probabilité
associée à la même valeur d’une variable de Poisson, quand n tend vers l’infini et π vers 0, de
telle sorte que le produit nπ reste égal à une constante 𝜆.

𝑒 !! 𝜆!
lim C ! !
𝜋 (1 − 𝜋) !!!
=
!→!!,!→! ! 𝑥!
!"→!

Normalement, si n ≥ 25 et π ≤ 0.10 une variable aléatoire X qui suit une loi binomiale de
paramètre n, π peut être approchée par la loi de Poisson de paramètre 𝝀 = n π. Il existe d’autres
approximations qui peuvent être aussi utilisées25.

Additivité de la loi de Poisson

Si X ~ P (𝜆), Y ~ P (µ) et X et Y sont indépendantes, alors X+Y ~ P (𝜆+µ).

24
Ces tables sont disponibles sur la plateforme e-learning.
25
Selon Lefebvre (2011), en général une approximation de poisson devrait être bonne si n > 20 et π < 0.05 ; selon Tribout (2013),
si n ≥ 25 et π ≤ 0.01 et selon Denglos (2008) si n ≥ 30 et π ≤ 0.01.

Prof. Ilham EL HARAOUI

 Probabilités 46

1.5 Loi géométrique et loi de Pascal

Ces lois modélisent les situations où l’on s’intéresse au nombre d’épreuves de Bernoulli
(deux issues) indépendantes nécessaires pour obtenir le kème succès.
• Si k=1, la variable « rang d’apparition du premier succès » suit une loi
géométrique.
• Si k >1, la variable « rang d’apparition du premier succès » suit une loi de Pascal.

1.5.1 Loi géométrique

Définition
Une variable aléatoire X suit une loi géométrique de paramètre p, tel que V = {1, 2…,n,...}, si
pour tout entier naturel x non nul on a :
px = P(X = x) = p (1-p)x-1
X suit une loi géométrique de paramètre p est noté : X ~ G (p) ou X ~ Géom (p)
On peut noter que la distribution de probabilité géométrique est toujours dissymétrique et étalée
vers la droite.

Proposition
Si X suit une loi géométrique de paramètre p, alors p [X > x] = (1 - p)x pour x non nul. Ainsi, la
fonction de répartition de X est donnée par : F(x) = 1 - qx

Moyenne et variance
On peut déterminer la moyenne et la variance de la loi géométrique, ces indicateurs prennent
respectivement les valeurs :
1
E X =
𝑝
1−𝑝
V X =
𝑝!
Proposition
Si X suit une loi géométrique alors pour tout couple d’entiers non nuls t et h :
p [X > t+h | X>h] = p [X>t]

Prof. Ilham EL HARAOUI

 Probabilités 47

Remarque : on peut définir la distribution géométrique comme étant le nombre d’essais de

Bernoulli effectués avant d’obtenir un premier succès.

1.5.2 Loi de Pascal ou loi binomiale négative

Soit X une variable aléatoire qui compte le nombre d’essais de Bernoulli effectué jusqu’à
ce que l’on obtienne un kème succès où k = 1, 2,…
Une variable aléatoire X suit une loi de Pascal de paramètre k et p, tel que V = {k, k+1,…,n,...},
si pour tout entier naturel x non nul on a :
!!! k x-k
px = P(X = x) =C!!! p q

Cette loi est aussi connue sous le nom de la loi Binomiale négative. Si X suit une loi de Pascal ou
une loi Binomiale négative de paramètre k et p , elle est notée : X ~ BN (k ; p).

Remarque
La distribution géométrique est un cas particulier de la distribution binomiale négative obtenue
avec k = 1.

Moyenne et variance
Lorsque X ~ BN (k , p), on peut déterminer la moyenne et la variance qui prennent
respectivement les valeurs :
𝑘
𝐸 𝑋 =
𝑝

𝑘(1 − 𝑝)
𝑉 𝑋 =
𝑝!

1.6 Loi hypergéométrique

La loi hypergéométrique est précieuse dans des situations de sondage, car ceux-ci
correspondent la plupart du temps, à des choix d’individus, que ce soit des pièces pour un
contrôle de qualité ou des personnes choisies pour être interrogées, par tirage sans remise.

Prof. Ilham EL HARAOUI

 Probabilités 48

Définition
Une variable aléatoire X suit une loi hypergéométrique de paramètres N, n et p=N1/N tel
que V = {0, 1, 2,…,n}, si pour x de V on a :
!! !!!
!! !!!!!
px = P(X = x) =
!!
!

Si X suit une loi hypergéométrique de paramètres n, N, et p=N1/N, elle est notée :

X ~ H (N ; n ; p).

Moyenne et variance
Lorsque X ~ H (N ; n ; p), on peut déterminer la moyenne et la variance qui prennent
respectivement les valeurs :
𝐸 𝑋 = 𝑛𝑝

𝑁−𝑛
𝑉 𝑋 = 𝑛𝑝(1 − 𝑝)
𝑁−1

!!!
La grandeur est appelée le facteur d’exhaustivité.
!!!

Dans cette section, on a parcouru les lois de probabilités discrètes. On peut présenter
d’autres, mais l’objectif n’est pas de faire un inventaire détaillé de ces distributions mais
d’aborder celles dont l’intérêt est lié aux conditions de leur existence et qui sont souvent utilisées
en sciences économiques et de gestion. On suivra la même logique pour introduire les lois de
probabilités continues.

2. Lois de probabilité continues

2.1 Loi uniforme continue

Cette loi est l’équivalent continu de la loi uniforme discrète. Elle concerne des variables
aléatoires qui varient entre deux limites Vmin = a et Vmax = b de telle façon que la probabilité

d’appartenir à un intervalle (x, x+dx) inclus dans [a , b], de longueur fixée dx est constante, quelle
que soit la valeur de x dans cet intervalle.

Prof. Ilham EL HARAOUI

 Probabilités 49

Définition :
Une loi est uniforme sur un intervalle [a, b], si elle admet une fonction de densité, de
probabilité constante sur cet intervalle et nulle ailleurs.
Comme la courbe de densité doit être égale à 1, on peut définir la loi uniforme par la fonction de
densité suivante :

0 x <a
f (x) = !
a ≤ x ≤ b
!!!
0 x>b

Cette loi est spécifiée par la connaissance de a et de b et elle est notée : X~U [a, b] ou
X~Uc [a, b]. Par extension, la variable aléatoire X est une variable uniforme.

Fonction de répartition
La fonction de répartition F(x) est définie comme ci-dessous :

0 x <a
!!!
F(x) = a ≤ x ≤ b
!!!
1 x>b

Moyenne, variance et quantile

Cette loi a pour moyenne 𝜇 ou E(X), variance 𝜎 ! ou V(X) et quantile xp d’ordre p les valeurs
suivantes :
𝑎+𝑏
𝐸(𝑋) =
2
(𝑏 − 𝑎)!
𝑉(𝑋) =
12
𝑥! = 𝑎 + 𝑝(𝑏 − 𝑎)

Remarque
Cette loi est symétrique et ne possède pas de mode.

Prof. Ilham EL HARAOUI

 Probabilités 50

2.2 Loi Normale (Loi de Laplace-Gauss)

Cette loi est la plus connue des lois continues. Elle est définie par la fonction de densité
suivante :
1 (𝑥 − 𝜇)!
𝑓 𝑥 = exp [ − ], 𝑥 ∈ℝ
𝜎 2𝜋 2𝜎 !

La courbe de densité est symétrique par rapport à x=µ et elle est sous forme de cloche.
Elle possède deux points d’inflexion distants de l’axe de symétrie d’une quantité égale à 𝜎.
µ et 𝜎 correspondent à la moyenne et à l’écart-type de cette loi. Notons que f(x) est spécifiée dès
qu’on connait ces deux paramètres.
D’autre part, si X est une variable aléatoire qui admet une distribution normale, elle est notée :
X ~ N (µ, 𝜎).

Proposition
Si X ~ N (µ, 𝜎) et si Y = a X + b , alors Y suit également une loi normale.

Additivité de la loi normale

Si X ~ N (µ! , σ! ), Y ~ N (µ! , σ! ) et X et Y sont indépendantes, alors X+Y suit également une loi
normale.

Distribution normale centrée réduite

On appelle une loi centrée réduite, une loi normale de moyenne nulle et de variance égale
à 1, telle que :
Z ~ N (0,1)
Z est une variable normale centrée réduite qui se distingue par sa simplicité et sa facilité
d’utilisation.

Fonction de densité
Si f(x) est la fonction de densité de cette loi, on constate aisément qu’elle est symétrique par
rapport à 0 :
1 𝑧!
𝑓 𝑧 = exp [ − ], 𝑧 ∈ℝ
2𝜋 2

Prof. Ilham EL HARAOUI

 Probabilités 51

Fonction de répartition
Dans une courbe de densité, en prenant en considération une valeur positive z quelconque, on
peut noter que :
F(-z)=1-F(z)

Lien entre X ~ N (µ, 𝜎) et Z ~ N (0,1)

Il est toujours possible de transformer une loi normal en une loi normal centrée réduite et
inversement. Pour obtenir cette dernière il suffit de changer d’origine et d’unité, ce qui s’exprime
par une variable aléatoire Z :
𝑋−𝜇
𝑍=
𝜎
Comme pour les autres lois, on a généralement recours à des tables statistiques ou à des logiciels,
mais qui ne concernent cette fois ci que la fonction de répartition de la loi normale centrée
réduite.

Quantiles zp d’ordre p
Le quantile zp d’ordre p, où p est un nombre réel compris entre 0 et 1, est la valeur Z telle que26 :
P (Z = zp) = p ou F(zp) = p.

Remarque
§ Afin de distinguer la distribution de X ~ N (µ, 𝜎) et de Z ~ N (0,1), on a fait explicitement
apparaitre le nom de chacune des variables dans les concepts utilisés. Ainsi, la fonction de
répartition de ces deux lois est notée F(x) dans le premier cas et F(z) dans le second, à
titre d’exemple.
§ On peut noter que X s’exprime en fonction de Z par la relation : X = µ + σZ.
§ Si X ~ N (µ, 𝜎), la probabilité que X prenne une valeur :
o dans l’intervalle centré sur µ et de demi-amplitude 𝜎 est environ égale à 68.26%.
o dans l’intervalle centré sur µ et de demi-amplitude 2σ est environ égale à
95.44%.
o dans l’intervalle centré sur µ et de demi-amplitude 3σ est environ égale à
99.74%.

26
On peut utiliser une table statistique qui permettra d’obtenir directement la valeur de zp pour diverses valeurs de p.

Prof. Ilham EL HARAOUI

 Probabilités 52

2.3 Loi de Khi-deux de Pearson

La loi de Khi-deux de Pearson est indispensable pour réaliser des tests d’indépendance de
variables statistiques, ainsi que pour tester la qualité d’ajustement de distributions empiriques par
des lois théoriques.

Définition
Soit Z1, Z2,…, Zn une suite de n variables aléatoires indépendantes et qui suivent chacune la loi
! !
normale centrée réduite, alors K = !!! 𝑍! suit une loi de Khi-deux à n degrés de liberté.
On note : X ~ 𝒳!!

Additivité de la loi de Khi-deux

Si X et Y sont deux variables indépendantes tel que X ~ 𝒳!! et Y ~ 𝒳!
! !
alors X+Y ~ 𝒳!!!

Moyenne et variance
Si X ~ 𝒳!! alors E(X) = n et V(X) = 2n.

2.4 Loi de Student

La loi de Student est très présente dans les problèmes de construction d’intervalles de
confiance. Elle sert également pour des tests statistiques et notamment dans le test de
significativité du coefficient d’une régression linéaire.

Définition
Soit Z une variable aléatoire qui suit une loi normale centrée réduite. Soit K une variable aléatoire
qui suit une loi de Khi-deux à n degrés de liberté.
!
Si Z et K sont indépendantes, alors la variable aléatoire T = suit une loi de Student à n
!
!
degrés de liberté et on note T ~ Stn

Moyenne et variance
Si T ~ Stn alors E(T) = 0 si n > 1
et V(T) = n/(n-2) si n > 2

Prof. Ilham EL HARAOUI

 Probabilités 53

2.5 Loi log-normale

La loi log-normale est dérivée de la loi normale. En effet, une variable aléatoire X suit
une loi log-normale de paramètres µ et 𝜎 si la variable aléatoire ln(X) suit la loi normale N (µ,𝜎).

Définition
X suit une loi log-normale de paramètre µ et 𝜎 si la fonction de densité de probabilité est pour
tout x > 0 :
!
11 1 ln 𝑥 − 𝜇
𝑓 𝑥 = exp [ − ], 𝑥 ∈ℝ
𝜎 2𝜋 𝑥 2 𝜎
On note X ~ LN (µ , 𝜎).

Moyenne et variance
Si X ~ LN (µ , 𝜎) alors E(X) = e µ + σ2 /2 et V(X)= e 2µ + σ2 (eσ2-1)

L’avantage de cette loi par rapport à la loi normale réside dans le fait qu’une variable aléatoire
log-normale ne prend que des valeurs positives. Du point de vue d’un économiste, ceci peut être
intéressant, puisque de nombreuses variables économiques sont toujours positives.

2.6 Loi de Fisher-Snedecor

Cette loi joue un rôle important pour la comparaison des variances de variables aléatoires
dont les réalisations sont issues d’échantillons extraits de deux populations.

Définition
Soit K1 une variable aléatoire qui suit une loi de Khi-deux à n1 degrés de liberté.
Soit K2 une variable aléatoire qui suit une loi de Khi-deux à n2 degrés de liberté.
Si K1 et K2 sont deux variables indépendantes, alors la variable aléatoire X = (K1/ n1) / (K2/ n2)
suit une loi de Fisher-Snedecor à (n1, n2) degrés de liberté et on note X ~ F (n1, n2).

Moyenne et variance
Si X ~ F (n1, n2) alors :
E(X)= n2/(n2-2) pour n2 > 2 et
2𝑛!! 𝑛! + 𝑛! − 2
𝑉 𝑋 = !
𝑛! 𝑛! − 4 𝑛! − 2
pour n2 > 4

Prof. Ilham EL HARAOUI

 Probabilités 54

2.7 Loi exponentielle

La loi exponentielle est fréquemment adaptée à la modélisation des durées de vie de
composants électroniques par exemple, ou à la durée qui sépare deux événements.

Définition
Une variable aléatoire suit une loi exponentielle de paramètre 𝜆 > 0 si la fonction de densité est
définie pour un x positif par :
f(x) = 𝜆𝑒 !!"
Si X suit une loi exponentielle, on note X ~ E (𝜆).

Moyenne et variance
Si X ~ E (𝜆), alors E(X) = 1/ 𝜆 et V(X) = 1/ 𝜆!

Fonction de répartition
La fonction de répartition est définie pour x > 0 par F(x) = 1 - 𝑒 !!"

Proposition (propriété de Markov)

Si X~ E (𝜆), alors p [ X > h+t | X > h ] = p [X>t]

Avec la loi exponentielle, on termine cette dernière partie concernant les principales lois de
probabilités continues et discrètes27.

Il est important de noter que ce support n’est pas une restitution du cours magistral, il inclut
essentiellement les notions et les définitions. Chacune d’entre elles a été accompagnée d’un ou
de plusieurs exemples expliqués lors du cours afin de l’assimiler et de la comprendre.
Ce support, les tables statistiques qui l’accompagnent, des exercices corrigés, des examens
corrigés, des livres consultables gratuitement en ligne et d'autres documents sont disponibles sur
le site e-learning de l’université :

[Link]

27
Références pour les lois de probabilités :
• Dehon, Droesbeke et Vemandele 2008, “Eléments de statistiques ”, Editions de l’Université de Bruxelles et Ellipses.
• Tribout 2007, “Statistiques pour économistes et gestionnaires”, Pearson Education, France.
• Tribout 2013, “Statistiques pour économistes et gestionnaires”, Pearson Education, France.

Prof. Ilham EL HARAOUI