Ministère de l’Enseignement Supérieur, de la Recherche Scientifique et de la

Technologie
Université Virtuelle de Tunis

Ce produit pédagogique numérisé est la propriété exclusive de

l'
UVT. Il est strictement interdit de la reproduire à des fins
commerciales. Seul le téléchargement ou impression pour un
usage personnel (1 copie par utilisateur) est permis.
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Introduction :

Le mot Statistique (descriptive ou mathématique) est utilisé en plusieurs sens et le

vocabulaire des statisticiens n’est pas exempt d’ambiguïté.

Notre objectif, dans ce chapitre, est multiple :

• Présenter le langage et les actions de base de calcul des probabilités.

• Définir les notions de variable aléatoire et de couples de variables aléatoires.
• Expliquer les notions de caractéristiques d’une variable aléatoire : espérance
mathématique, variance, mode et médiane.
• Développer les notions de convergences en loi et de convergences en
probabilité.
Les notions et les concepts développés ; dans ce chapitre ; sont considérés
comme la base pour la compréhension des chapitres suivants.

1/ Définition :

1.1 Expérience aléatoire :

C'
est une expérience ; dont on ne peut pas connaître le résultat 1'
avance : le
résultat est lié au hasard.

1.2 Evénements possibles :

Ce sont les résultats que l’on peut obtenir lors de la même expérience
aléatoire.

Soient :

E = ensemble de tous les résultats possibles de cette expérience.

A = Une partie de E appelée : évènement.

1.3 Evénement composé :

2 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Exemple : soit l’expérience qui consiste à jeter un dé équilibré (possédants 6 faces

numérotées de 1 à 6).

Les événements élémentaires possibles sont notés : { 1 } , {2}, {3}, {4},

{5}, {6}

On peut aussi définir l’évènement composé : obtenir un multiple de trois{3 ; 6}

On peut aussi définir l’évènement composé : obtenir un multiple de deux{2 ; 4 ; 6}

On peut aussi définir l’évènement composé : obtenir un nombre impair {1 ; 3 ; 6}

1.4 Evénement incompatibles :

Ce sont des événements qui ne peuvent pas se réaliser en même temps ; c’est à
dire telle que .

P ( A ) = nombre de cas favorables

nombre de cas possibles

P( 1 ) = P( 2 ) = P( 3 ) = P( 4 ) = P( 5 ) = P( 6 ) = 1/6 ; alors que

P( un multiple de 2 ) = P( un nombre pair ) = 1 /2

P( un multiple de 3 ) = P( 3 ou 6 ) = 1/3

!
" # $
2/ Les axiomes :

Nous avons les axiomes suivants :

A.1 : La probabilité associée tout évènement A; es positive ou nulle :

P(Ai) 0

A.2 : La probabilité associée 1'

ensemble des évènements est égale 1 :

3 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

A.3 : Soient A et B deux évènements incompatibles; la probabilité de la réunion est

égale la somme des probabilités de A et B.

P(AUB)=P(A)+P(B)

% & ' ( ) *

- +∪ ) ,= - ,
=+

Si A et B sont disjoints alors :

P(AUB)=P(A)+P(B) -

P(AUBUC)=P(A)+P(B) +P(C) - - -

A.4 : Soit A 1'

evenement contraire de A, on a :

- , = +− - ,

A.5 : Si B ⊂ A on a alors :

P(A) P(B)

A.6 : En vertu des axiomes précédents, nous pouvons écrire

: 0 P ( A ) 1

A.7 : La probabilité de l’événement impossible est nulle

P( ) =0

Remarques:

4 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

• P( + ) . ,= - ,= - , = +− - ,
=+ =+ =+

• P( + ) . ,= - ,= - , =+− - ,
=+ =+ =+

3/ Algèbre de Boole, sigma-algebre de Boole :

Définition 1: Algèbre de Boole.

Soit A une famille de partie de E. A est une algèbre de Boole si est seulement si
elle possède les propriétés suivantes :

i) ∈ A

ii) A est stable par complémentation : si un événement A appartient à

∈A , son contraire appartient aussi à ∈ A :

∀ A ∈ A ; alors ∈ A

iii) A est stable par union :

∀ A et B ∈ A alors AUB ∈ A

Définition 2: Sigma Algèbre de Boole :

Une famille A de partie de E est appelée une sigma-algebre de Boole (ou

Tribu) si et seulement si :

i ) E ∈A

ii) A est stable par complémentation

iii) A est stable par union dénombrable

// !
1/ Probabilité conditionnelle :

Soient A et B ∈ A ; la probabilité conditionnelle de A étant donne B (on dit

aussi sachant B) ; notée

P (A/B ) est définie par :

5 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Cette formule exige, évidemment que P( B) soit différente de zéro ( P(B)

0 )

Remarque :

• Soit B1, B2, ... , Bn une partition de E telle que E = Bi et B i Bj =

=+

∀i j et P (Bi) > 0 ; alors : P(A) = ( 0 ) ( )

=+

• P (A) = P (A/B).P(B) + P(A/ ).P( )

• Formule de Bayes :
- 0 , - ,
P(B
- 0 , - ,
=+

2/ Evènements indépendants :

Soit ( E, A , P ) un espace probabiliste et Al, A2, ......... An des évènements

dans E. Les évènements Al, A2, An sont indépendants si et seulement si :

!- 1 , 2 !- , !- , ∀ ≠

On parle, dans ce cas, d’indépendance deux à deux et d’une manière générale,

les événements Ai sont dits mutuellement indépendants si et seulement si :

6 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

∏ =+
=∏ - ,
=+

L’indépendance entre les événements implique que la probabilité de

l’intersection est égale au produit des probabilités.

Remarques :

• L’indépendance entre les événements signifie que les réalisations n’ont

pas d’influence l’une sur l’autre.

• L’indépendance mutuelle implique l’indépendance deux à deux.

• Lorsque deux événements A et B sont indépendants, alors quelle que

soit la combinaison (événement, événement contraire), l’indépendance
est toujours vérifiée.

Section III : Les variables aléatoires

1/ Définition :

Soient E, E'
, A et A’. On définit la variable aléatoire X; par 1'
application

Une variable aléatoire peut être continue ou discrète, fine ou infinie.

• Une variable aléatoire discrète est une v.a réelle dont l’ensemble X ( )
des valeurs images sont des entiers naturels.
X ( ) = ( x1 , x2 , x3 ,…………….. x1n )

• Une variable aléatoire continue est une v.a réelle dont l’ensemble X ( )
des valeurs images sont définis sur l’ensemble R ou sur une partie c’est-à-

7 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

dire appartiennent à un intervalle.

X( ) ∈R ou une partie de R c’est à dire ∈[ a b ]

2/ Probabilisation sur E' :

Soit un espace probabiliste (E, A, P); un ensemble E'et une variable X : E→ E'
. La
loi de probabilité de X est définie par :

Nous avons les propriétés suivantes :

P1 : P(X=A) 0

P2:
= - = , si les A ) )
=+ =+

3/ Caractéristiques d’une variables aléatoire :

3.1 Espérance mathématique :

a. Cas d’une variable discrète :

Lorsque la v.a X est discrète l’espérance mathématique est définie
par :

E ( X) xi)
=+

et d’une façon générale :

8 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

E ( Xn) = - , xi)
=+

b. Cas d’une variable continue :

Lorsque la v.a X est continue l’espérance mathématique est définie par :

E ( X) = f(x)dx

et d’une façon générale :

E ( Xn) = xn

!"# $

• L’espérance mathématique est toujours un nombre réel.

• L’espérance mathématique est de type linéaire :
• E (a X) = a E ( X)
• E ( X+ Y) = E ( X) + E ( Y) .
• E ( aX + bY) = aE ( X) + b E ( X)
• E ( X- E ( X)) = 0

• Si l’espérance est nulle alors la variable aléatoire est dite

« centrée »
• La variable Y = X - E ( X) est une variable centrée puisque :
E ( X- E ( X)) = E ( X) – E( E ( X)) = E ( X) - E ( X) =0.

On dit que X - E ( X) est une variable centrée associée à la

variable X.

9 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

3.2 La variance :

3- 4, 4 5 )6

E ( X- E ( X)) 2 = E ( X 2 ) – (E ( X)) 2

(
7 ( 4
4

• La variance n’est pas linéaire :

V ( aX + b ) = V ( a X ) = a2 V ( X )

• Si X est une variable discréte “constante” alors V( X ) = 0.

• L’écart type est égal à la racine carré positive de la varianve. On écrit :

σ(X)= - ,

• Si V( X ) = σ ( X ) = 1, alors on dit que X est une variable réduite.

• L’écart type n’est pas linéaire ; il posséde la propriété suivante : :

σ ( aX +b ) = σ ( aX - b) = σ (a X ) =: σ ( X )
a

• Il est possible de centrer et de réduire une variable X dont la variance

est différente de zéro ; en prenant la variable :

Y= X–E(X)

σ (X)

Section IV : Les lois conjointes

Soit deux variables aleatoires X et Y. Nous avons les definitions suivantes

Définitions :

Soit un couple ( X ,Y) de variables aléatoires discrètes definies sur un même

espace probabilisé ( ,X( ) , P ) avec :

10 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

X( ) = ( x1 , x2 , x3 ,…………….. x n ) et

Y ( ) = ( y1 , y2 , y3 ,…………….. y m )

La loi conjointe de X et Y est l’ensemble { ( xi , yj ) , p j } des couples pour tout

( i , j) de ( 1 ,2 ,………..,n ) et ( 1 ,2 , ………….m) tel que :

∀ i et j pij = P( X = x et Y=y)= P( X = x) (Y=y))

Nous pouvons représenter les différentes probabilités dans un tableau à double entrée appelée aussi tableau de
la loi conjointe.

1/ Fonction de repartition :

Cette fonction est defini par : F ( x , y ) = P ( X < x , Y < y ) = P ( ( X < x ) (Y< y))
Nous avons les propriétés suivantes :

* Lim F (x,y) = 1 quand x → + ,y →+

* Lim F(x,y) = 0 quand x → - Y→-

* F est une fonction continue, monotone non decroissante.

2/ Fonctions de repartitions marginales :

Les fonctions de repartitions marginales de X et Y sont definis par :

+∞

A(x) = P(X < x, Yqcq)= - ,

−∞ −∞

B(y) = P(Y < y, Xgcq) =

+∞
- ,
− ∞ −∞

f(u,v) est la densite conjointe define par :

∂)
f(x,y) = ∂ ∂

11 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

3/ Densités marginales :
Les densites marginales sont defines comme :

+∞
- ,
a (x) = = - ,
−∞

+∞
- ,
b (y) = = - ,
−∞

Remarques: Dans le cas discret; il suffit de remplacer l’intégrale

par somme.

4/ Fonctions de répartitions conditionnelles :

Elles sont définies comme suit :

- ,
∂ - ,0∂
- 0 = ,= +∞
+∞
=
- ,
- ,
−∞

- ,
∂ - ,0∂
- 0 = ,= −∞
+∞
=
- ,
- ,
−∞

5/ Densités de probabilités conditionnelles :

Nous avons :

( 0 = ) = +∞ - ,
=
- ,
- ,
- ,
−∞

12 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

( 0 = ) = +∞ - ,
=
- ,
- ,
- ,
−∞

6/ Les moments des différents ordres :

• E[ ϕ - ,8 =
- ,
ϕ- , - ,

[ϕ - ] = [ϕ - ,,] -
)
• , − -ϕ - ,

• Cov (X,Y)= E(X,Y)- E(x)E(Y)= 9 − - ,- − - ,,8 - ,

- ,

• Momments non centrés : mr,s = - ,

- ,

• Momments centrés :

µ = − , - − , - ,
- ,

E(X/Y=y)= - 0 = , pour X et Y continues

= x P{X=x/Y=y} pour X et Y discrètes

et d’une manière générale :

- 0 ,
E(X/Y=y)= dans le cas continues

= xs P(X=x/Y=y) dans le cas discrèt

7/ Fonctions génératrice :

Soit X=(X+,X))

13 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

La fonction génératrice s’écrit :

µ -+ ) ,= { + ++ ) )
}= + ++ ) )
- + ) , + )

Nous avons :

µ - + :, = + +
- + ) , + ) = µ + - +,

µ -: ) ,= ) )
- + ) , + ) = µ ) - ),

Ces fonctions permettent de calculer les moments non centrés des différents ordre ;
la dérivée première nous donne le moment d’ordre 1 au point t=0 ; ……. La dérivée
d’ordre n au point t=0 nous donne le moment d’ordre n.

Section V : Indépendances de deux variables

Soient deux variables aléatoires X et Y.

X et Y sont indépendantes si et seulement si l’une des relations est vérifiée

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

ou ce qui est équivalent :
• PXY =PX PY , ∀x ∈ X et y ∈Y

Cette définition est équivalente

F (x , y) = A(x) . B(y) ∀x ∈ IR e t y ∈ IR

A (xi / xj ) = A( xi ) ∀ xi ∈ IR e t x j ∈ IR

B (y/x) = B(y) ∀ y ∈ IR e t x ∈ IR

a (x / Y = y ) = a (x )

f ( x , y ) = a(x) .b(y)

14 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

b (y/X=x) = b(y) s) = (s) ∀ t et s ∈ IR

Section VI : Covariance et coefficient de corrélation

linéaire
1/ Définition de la covariance :
Soit un couple ( X , Y) de variables aléatoires définies sur un même
espace probabilisé. La covariance de X et Y est le nombre réel noté Cov( X,
Y) égal à :
Cov( X, Y) = E{(( X – E ( X )) ( Y – E ( Y))} = E ( X Y ) – E( X) E( Y)

La covariance vérifie les propriétés suivantes :

P1 : Cov(a X+ b , cY + d ) = Cov(a X , cY ) = ac Cov( X, Y) =

= acE ( X Y ) – acE( X) E( Y)

P2 : V ( X + Y ) = V ( X ) + V ( Y ) + 2 Cov( X, Y)
P3 : V ( X - Y ) = V ( X ) + V ( Y ) - 2 Cov( X, Y)

P4 : V (a X + b Y ) = a2V ( X ) + b2 V ( Y ) + 2ab Cov( X, Y)

P5 : V (a X - b Y ) = a2V ( X ) + b2 V ( Y ) - 2ab Cov( X, Y)

P6 : Si X et Y sont indépendantes, alors Cov( X, Y) = 0

2/ Définition du coefficient de corrélation linéaire :

Soit un couple ( X , Y) de variables aléatoires discrètes définies
sur un même espace probabilisé et d’écarts typas non nuls. Le coefficient de
corrélation linéaire des variables est le nombre réel r( x, y) défini par :
r( x, y ) = Cov( X, Y)

σ σ

15 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Le coefficient de corrélation linéaire vérifie la propriété suivante : - 1 r(x,y

) 1

! " " # $ % " % ∈ R2

Section VII : LES CONVERGENCES
1/ Convergence presque sûre :
Propriété: (loi forte des grands nombres)
Soit (X ), i ≥ 1, une suite de variables aléatoires réelles
indépendantes et identiquement distribuées (en abrégé, iid) ; on
note :
−− +
= m = E(X ,
=+

−−
Alors  → m

2/ Convergence en probabilité :
Propriété 1:
Soit (X ), i ≥ 1, une suite de v.a.r. de même loi, non corrélées
On note E(X , 2 3 (X ) = σ ∀i
)

−−
ov (X X , 2 : ∀ i, j ( i ≠ j ) Alors → m

16 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Propriété 2:

Soit (Xi), i ≥ 1, une suite de v.a.r. iid, E(X , 2 ∀i

−−
Alors m < +∞ → m

Enfin, on rappelle qu'

une condition suffisante pour qu'
une suite
de v.a.r. (X ), n ≥ 1, converge en probabilité vers une constante réelle a
est :

= - , =
→ +∞

= - , = :
→ +∞

3/ Convergence en loi :

Propriété 1: Théorème central limite

Soit (Xi), i ≥ 1, une suite de v.a.r. iid, avec E(X , 2 V(X , 2 σ

)
∀ i. On a le

résultat suivant :

- − , "#
→ ! -: +,
σ

4/ La Convergence en moyenne quadratique :

Soient (Ω,a, Ρ ) un espace probabiliste et Xn une suite de v.a réelle possédant des
moments jusqu’ à l’ ordre 2 et θ un scalaire réel.

17 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Définition :

On dit que Xn converge en moyenne quadratique vers θ , et on note

Xn →θ quand n → +∞, si et seulement si − θ ,) = :

$
%→+∞
-

Compte tenu que : - − θ , ) =Var X + [E(X)- θ ]

)
3 4 %-4 ;
θ )) sont positives ; la convergence en moyenne quadratique vers θ est équivalente
à la double condition :

% =: et % - ,=:
→+∞ →+∞

En particulier, la convergence vers zéro en moyenne quadratique

est équivalente à :

% =% - ,=:
→+∞ →+∞

Plus généralement, si X est une v.a réelle ; on dit que Xn converge

en moyenne quadratique vers X, quand n → +∞, ssi (Xn-X)
converge en moyenne quadratique vers 0, quand n → +∞. C' est-
à-dire

Xn → ⇔ Xn-X → 0

$ $

La convergence en m.q s’ appelle parfois convergence au sens de L) est l’ ensemble

des V.A.R de carré intégrale, c'
est-à-dire ayant des moments jusqu’ à l’ ordre 2.

On note indifféremment :

Xn →
$
ou Xn → X %)

5/ Propriétés diverses :

18 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Propriété 1:

"#
→ X → X

Propriété 2:

"#
→ a → a

(a ∈ IR)
Propriété 3:

"#
Soit → X, → a

"#
Alors : i) + → +

"#
ii) →

ii) "#
→ (a 0)

Propriété 4: (Théorème de Stutsky)

→

&- , → &- ,

& '( → '( )#

19 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Propriété 5:

Soit Xn et X des vecteurs aléatoires de .IRp

→

&- , → &- ,

&( → ( $ )#

Propriété 6:

Soient Xn et X des vecteurs aléatoires de IRp

→

&- , → &- ,

&( → ( $ )#

Résumée du chapitre I :

1/ Définition :

1.1 Expérience aléatoire :

20 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

C'
est une expérience ; dont on ne peut pas connaître le résultat 1'
avance : le
résultat est lié au hasard.

1.2 Evénements possibles :

Ce sont les résultats que l’ on peut obtenir lors de la même expérience

aléatoire.

Soient :

E = ensemble de tous les résultats possibles de cette expérience.

A = Une partie de E appelée : évènement.

1.3 Evénement composé :

1.4 Evénement incompatibles :

Ce sont des événements qui ne peuvent pas se réaliser en même temps ; c’ est à
dire telle que .

P ( A ) = nombre de cas favorables

nombre de cas possibles

!
" # $

2/ Les axiomes :

Nous avons les axiomes suivants :

21 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

A.1 : La probabilité associée tout évènement A; es positive ou nulle :

P(Ai) 0

A.2 : La probabilité associée 1'

ensemble des évènements est égale 1 :

A.3 : Soient A et B deux évènements incompatibles; la probabilité de la réunion est

égale la somme des probabilités de A et B.

P(AUB)=P(A)+P(B)

% & ' ( ) *

- +∪ ) ,= - ,
=+

Si A et B sont disjoints alors :

P(AUB)=P(A)+P(B) -

P(AUBUC)=P(A)+P(B) +P(C) - - -

A.4 : Soit A 1'

evenement contraire de A, on a :

- , = +− - ,

A.5 : Si B ⊂ A on a alors :

P(A) P(B)

22 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

A.6 : En vertu des axiomes précédents, nous pouvons écrire

: 0 P ( A ) 1

A.7 : La probabilité de l’ événement impossible est nulle

P( ) =0

3/ Algèbre de Boole, sigma-algebre de Boole :

Définition 1: Algèbre de Boole.

Soit A une famille de partie de E. A est une algèbre de Boole si est seulement si
elle possède les propriétés suivantes :

i) ∈ A

ii) A est stable par complémentation : si un événement A appartient à

∈A , son contraire appartient aussi à ∈ A :

∀ A ∈ A ; alors ∈ A

iii) A est stable par union :

∀ A et B ∈ A alors AUB ∈ A

Définition 2: Sigma Algèbre de Boole :

Une famille A de partie de E est appelée une sigma-algebre de Boole (ou

Tribu) si et seulement si :

i ) E ∈A

iv) A est stable par complémentation

v) A est stable par union dénombrable

// !
1/ Probabilité conditionnelle :

Soient A et B ∈ A ; la probabilité conditionnelle de A étant donne B (on dit

aussi sachant B) ; notée

23 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

P (A/B ) est définie par :

Cette formule exige, évidemment que P( B) soit différente de zéro ( P(B)

0 )

Remarque :

• Soit B1, B2, ... , Bn une partition de E telle que E = Bi et B i Bj =

=+

∀i j et P (Bi) > 0 ; alors : P(A) = ( 0 ) ( )

=+

• P (A) = P (A/B).P(B) + P(A/ ).P( )

• Formule de Bayes :
- 0 , - ,
P(B
- 0 , - ,
=+

2/ Evènements indépendants :

Soit ( E, A , P ) un espace probabiliste et Al, A2, ......... An des évènements

dans E. Les évènements Al, A2, An sont indépendants si et seulement si :

!- 1 , 2 !- , !- , ∀ ≠

On parle, dans ce cas, d’ indépendance deux à deux et d’ une manière générale,

les événements Ai sont dits mutuellement indépendants si et seulement si :

24 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

=∏ - ,
=+ =+

L’ indépendance entre les événements implique que la probabilité de

l’ intersection est égale au produit des probabilités.

Remarques :

• L’ indépendance entre les événements signifie que les réalisations n’ ont

pas d’ influence l’ une sur l’ autre.

• L’ indépendance mutuelle implique l’ indépendance deux à deux.

• Lorsque deux événements A et B sont indépendants, alors quelle que

soit la combinaison (événement, événement contraire), l’ indépendance
est toujours vérifiée.

Section III : Les variables aléatoires

1/ Définition :

Soient E, E'
, A et A’ . On définit la variable aléatoire X; par 1'
application

Une variable aléatoire peut être continue ou discrète, fine ou infinie.

• Une variable aléatoire discrète est une v.a réelle dont l’ ensemble X ( )
des valeurs images sont des entiers naturels.
X ( ) = ( x1 , x2 , x3 ,… … … … … .. x1n )

• Une variable aléatoire continue est une v.a réelle dont l’ ensemble X ( )
des valeurs images sont définis sur l’ ensemble R ou sur une partie c’ est-à-

25 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

dire appartiennent à un intervalle.

X( ) ∈R ou une partie de R c’ est à dire ∈[ a b ]

2/ Probabilisation sur E':

Soit un espace probabiliste (E, A, P); un ensemble E'et une variable X : E→ E'
. La
loi de probabilité de X est définie par :

Nous avons les propriétés suivantes :

P1 : P(X=A) 0

P2:
= - = , si les A ) )
=+ =+

3/ Caractéristiques d’ une variables aléatoire :

3.1 Espérance mathématique :

c. Cas d’ une variable discrète :

Lorsque la v.a X est discrète l’ espérance mathématique est définie
par :

E ( X) xi)
=+

26 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

et d’ une façon générale :

E ( Xn) = - , xi)
=+

d. Cas d’ une variable continue :

Lorsque la v.a X est continue l’ espérance mathématique est définie par :

E ( X) = xf(x)dx

et d’ une façon générale :

E ( Xn) = (xi) n

!"# $

• L’ espérance mathématique est toujours un nombre réel.

• L’ espérance mathématique est de type linéaire :
• E (a X) = a E ( X)
• E ( X+ Y) = E ( X) + E ( Y) .
• E ( aX + bY) = aE ( X) + b E ( X)
• E ( X- E ( X)) = 0

• Si l’ espérance est nulle alors la variable aléatoire est dite

« centrée »
• La variable Y = X - E ( X) est une variable centrée puisque :
E ( X- E ( X)) = E ( X) – E( E ( X)) = E ( X) - E ( X) =0.

On dit que X - E ( X) est une variable centrée associée à la

variable X.

27 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

3.2 La variance :

3- 4, 4 5 )6

E ( X- E ( X)) 2 = E ( X 2 ) – (E ( X)) 2

(
7 ( 4
4

• La variance n’ est pas linéaire :

V ( aX + b ) = V ( a X ) = a2 V ( X )

• Si X est une variable discréte “constante” alors V( X ) = 0.

• L’ écart type est égal à la racine carré positive de la varianve. On écrit :

σ(X)= - ,

• Si V( X ) = σ ( X ) = 1, alors on dit que X est une variable réduite.

• L’ écart type n’ est pas linéaire ; il posséde la propriété suivante : :

σ ( aX +b ) = σ ( aX - b) = σ (a X ) =: σ ( X )
a

• Il est possible de centrer et de réduire une variable X dont la variance

est différente de zéro ; en prenant la variable :

Y= X –E ( X )

σ (X)

Section IV : Les lois conjointes

Soit deux variables aleatoires X et Y. Nous avons les definitions suivantes

Définitions :

Soit un couple ( X ,Y) de variables aléatoires discrètes definies sur un même

espace probabilisé ( ,X( ) , P ) avec :

28 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

X( ) = ( x1 , x2 , x3 ,… … … … … .. x n ) et

Y ( ) = ( y1 , y2 , y3 ,… … … … … .. y m )

La loi conjointe de X et Y est l’ ensemble { ( xi , yj ) , p j } des couples pour tout

( i , j) de ( 1 ,2 ,… … … ..,n ) et ( 1 ,2 , … … … … .m) tel que :

∀ i et j pij = P( X = x et Y=y)= P( X = x) (Y=y))

Nous pouvons représenter les différentes probabilités dans un tableau à double entrée appelée aussi tableau de
la loi conjointe.

1/ Fonction de repartition :

Cette fonction est defini par : F ( x , y ) = P ( X < x , Y < y ) = P ( ( X < x ) (Y< y))
Nous avons les propriétés suivantes :

* Lim F (x,y) = 1 quand x → + ,y →+

* Lim F(x,y) = 0 quand x → - Y→-

* F est une fonction continue, monotone non decroissante.

2/ Fonctions de repartitions marginales :

Les fonctions de repartitions marginales de X et Y sont definis par :

+∞

A(x) = P(X < x, Yqcq)= - ,

−∞ −∞

B(y) = P(Y < y, Xqcq) =

+∞
- ,
− ∞ −∞

29 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

f(u,v) est la densite conjointe define par :

∂)
f(x,y) = ∂ ∂

3/ Densités marginales :

Les densites marginales sont defines comme :

+∞
- ,
a (x) = = - ,
−∞

+∞
- ,
b (y) = = - ,
−∞

Remarques: Dans le cas discret; il suffit de remplacer l’ intégrale

par somme.

4/ Fonctions de répartitions conditionnelles :

Elles sont définies comme suit :

- ,
∂ - ,0∂
- 0 = ,= +∞
+∞
=
- ,
- ,
−∞

30 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

- ,
∂ - ,0∂
- 0 = ,= −∞
+∞
=
- ,
- ,
−∞

5/ Densités de probabilités conditionnelles :

Nous avons :

( 0 = ) = +∞ - ,
=
- ,
- ,
- ,
−∞

( 0 = ) = +∞ - ,
=
- ,
- ,
- ,
−∞

6/ Les moments des différents ordres :

• E[ ϕ - ,8 =
- ,
ϕ- , - ,

[ϕ - ] = [ϕ - ,,] -
)
• , − -ϕ - ,

• Cov (X,Y)= E(X,Y)- E(x)E(Y)= 9 − - ,- − - ,,8 - ,

- ,

• Momments non centrés : mr,s = - ,

- ,

• Momments centrés :

µ = − , - − , - ,
- ,

E(X/Y=y)= - 0 = , pour X et Y continues

31 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

= x P{X=x/Y=y} pour X et Y discrètes

et d’ une manière générale :

- 0 ,
E(X/Y=y)= dans le cas continues

= xs P(X=x/Y=y) dans le cas discrèt

7/ Fonctions génératrice :

Soit X=(X+,X))

La fonction génératrice s’ écrit :

µ -+ ) ,= { + ++ ) )
}= + ++ ) )
- + ) , + )

Nous avons :

µ - + :, = + +
- + ) , + ) = µ + - +,

µ -: ) ,= ) )
- + ) , + ) = µ ) - ),

Ces fonctions permettent de calculer les moments non centrés des différents ordre ;
la dérivée première nous donne le moment d’ ordre 1 au point t=0 ; … … . La dérivée
d’ ordre n au point t=0 nous donne le moment d’ ordre n.

Section V : Indépendances de deux variables

Soient deux variables aléatoires X et Y.

X et Y sont indépendantes si et seulement si l’une des relations est vérifiée

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

ou ce qui est équivalent :

32 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

• PXY =PX PY , ∀x ∈ X et y ∈Y

Cette définition est équivalente

F (x , y) = A(x) . B(y) ∀x ∈ IR e t y ∈ IR

A (xi / xj ) = A( xi ) ∀ xi ∈ IR e t x j ∈ IR

B (y/x) = B(y) ∀ y ∈ IR e t x ∈ IR

a (x / Y = y ) = a (x )

f ( x , y ) = a(x) .b(y)

b (y/X=x) = b(y)

s) = (s) ∀ t et s ∈ IR

33 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Section VI : Covariance et coefficient de corrélation

linéaire
1/ Définition de la covariance :
Soit un couple ( X , Y) de variables aléatoires définies sur un même
espace probabilisé. La covariance de X et Y est le nombre réel noté Cov( X,
Y) égal à :
Cov( X, Y) = E{(( X – E ( X )) ( Y – E ( Y))} = E ( X Y ) – E( X) E( Y)

La covariance vérifie les propriétés suivantes :

P1 : Cov(a X+ b , cY + d ) = Cov(a X , cY ) = ac Cov( X, Y) =

= acE ( X Y ) – acE( X) E( Y)

P2 : V ( X + Y ) = V ( X ) + V ( Y ) + 2 Cov( X, Y)
P3 : V ( X - Y ) = V ( X ) + V ( Y ) - 2 Cov( X, Y)
P4 : V (a X + b Y ) = a2V ( X ) + b2 V ( Y ) + 2ab Cov( X, Y)
P5 : V (a X - b Y ) = a2V ( X ) + b2 V ( Y ) - 2ab Cov( X, Y)
P6 : Si X et Y sont indépendantes, alors Cov( X, Y) = 0

2/ Définition du coefficient de corrélation linéaire :

Soit un couple ( X , Y) de variables aléatoires discrètes définies
sur un même espace probabilisé et d’ écarts typas non nuls. Le coefficient de
corrélation linéaire des variables est le nombre réel r( x, y) défini par :
r( x, y ) = Cov( X, Y)

σ σ

34 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Le coefficient de corrélation linéaire vérifie la propriété suivante : - 1 r(x,y

) 1

! " " # $ % " % ∈ R2

Section VII : LES CONVERGENCES

1/ Convergence presque sûre :
Propriété: (loi forte des grands nombres)
Soit (X ), i ≥ 1, une suite de variables aléatoires réelles
indépendantes et identiquement distribuées (en abrégé, iid) ; on
note :
−− +
= m = E(X ,
=+

−−
Alors  → m

2/ Convergence en probabilité :
Propriété 1:
Soit (X ), i ≥ 1, une suite de v.a.r. de même loi, non corrélées
On note E(X , 2 3 (X ) = σ ∀i
)

Cov (X X , 2 : ∀ i, j ( i ≠ j )
−−
Alors → m

35 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Propriété 2:

Soit (Xi), i ≥ 1, une suite de v.a.r. iid, E(X , 2 ∀i

−−
Alors m < +∞ → m

Enfin, on rappelle qu'

une condition suffisante pour qu'
une suite
de v.a.r. (X ), n ≥ 1, converge en probabilité vers une constante réelle a
est :

= - , =
→ +∞

= - , = :
→ +∞

3/ Convergence en loi :

Propriété 1: Théorème central limite

Soit (Xi), i ≥ 1, une suite de v.a.r. iid, avec E(X , 2 V(X , 2 σ

)
∀ i. On a le

résultat suivant :

- − , "#
→ ! -: +,
σ

36 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

4/ La Convergence en moyenne quadratique :

Soient (Ω,a, Ρ ) un espace probabiliste et Xn une suite de v.a réelle possédant des
moments jusqu’ à l’ ordre 2 et θ un scalaire réel.

Définition :

On dit que Xn converge en moyenne quadratique vers θ , et on note

Xn →θ quand n → +∞, si et seulement si −θ , = :

$ )
%→+∞
-

Compte tenu que : - − θ , ) =Var X + [E(X)- θ ]

)
3 4 %-4 ;
θ )) sont positives ; la convergence en moyenne quadratique vers θ est équivalente
à la double condition :

% =: et % - ,=:
→ +∞ → +∞

En particulier, la convergence vers zéro en moyenne quadratique

est équivalente à :

% =% - ,=:
→+∞ →+∞

Plus généralement, si X est une v.a réelle ; on dit que Xn converge

en moyenne quadratique vers X, quand n → +∞, ssi (Xn-X)
converge en moyenne quadratique vers 0, quand n → +∞. C' est-
à-dire

Xn → ⇔ Xn-X → 0

$ $

La convergence en m.q s’ appelle parfois convergence au sens de L) est l’ ensemble

des V.A.R de carré intégrale, c'
est-à-dire ayant des moments jusqu’ à l’ ordre 2.

37 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

On note indifféremment :

Xn →
$
ou Xn → X %)

5/ Propriétés diverses :

Propriété 1:

"#
→ X → X

Propriété 2:

"#
→ a → a

(a ∈ IR)
Propriété 3:

"#
Soit → X, → a

"#
Alors : i) + → +

"#
ii) →

ii) →
"#
(a 0)

38 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Propriété 4: (Théorème de Stutsky)

→

&- , → &- ,

& '( → '( )#

Propriété 5:

Soit Xn et X des vecteurs aléatoires de .IRp

→

&- , → &- ,

&( → ( $ )#

Propriété 6:

Soient Xn et X des vecteurs aléatoires de IRp

39 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

→

&- , → &- ,

&( → ( $ )#

Exercices

Exercice n°1 :

Une urne contient 18 boules dont 6 de couleurs blanches, 6 noires et 6 rouges.

Pour chacune de ces 3 couleurs les boules sont numérotées comme suit :

• 2 boules numérotées (0)

• 3 boules numérotées (1)

• 1 boule numéroté (2)
On tire avec remise deux boules au hasard et on design par X le total des
numéros des boules tirées et par Y le produit des numéros des boules tirées et Z
la variable définie par :

: ) "
Z=
+

1) a/ Déterminer la distribution conjointe des couples (X, Y)

b/ Trouver les distributions et les fonctions de répartition marginales

c/ Déterminer les distributions conditionnelles de Y/X = 2 et X/Y= 0

2) a/ Déterminer les distributions conjointes des couples (X, Z) et

(Y, Z)
b/ Déduire la distribution marginale de Z

c/ Déterminer les distributions conditionnelles de Y/Z=z et X/Z=z

40 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

3) Soient U=nX et V=mY ; Déterminer la distribution conjointe du

couple (U, V) sans faire le calcul

Exercice n°2 :

La densité de probabilité du couple (X,Y) est donnée par :

− +
- ,= )
si x ≥ 0 et y ≥ 0

= 0 si non

1) Déterminer la valeur de k
2) a/ Déterminer les Lois marginales de X et Y
b/ X et Y sont-elles indépendantes ?

c/ Déduire la fonction génératrice et l'

espérance du couple (X,Y)

+
3) Soient U=X+ Y et V=X
)

a/ Prouver que V≤ U . En déduire le domaine et la densité du couple (U,V).

0< ( = 3
0< =032 30=2

Exercice n°3 :

Soit (X,Y) un couple de variables aléatoires de densité :

++
−
- ,= ) )
si 0 < x < y+1

= 0 si non

+, >

41 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

), # = 2 ?;4@ 3 2 40)
a/ Déterminer le domaine et la densité de
(U,V)

b/ En déduire les lois marginales de U et V

Exercice n°4 :

-4 ?,
f(x,y) = a si0<x<y<a

= 0 si non

+, < ( 4 ?
), <
., < A + A$- ), A- $,- ),

Exercice n°5 :

Soient R 1'
ensemble des réels, A = [0,2] et B =
[1,3]. Determiner:

i) σ(A) et σ (B) les plus petites tribus contenant respectivement A et B

ii) σ (A,B) la plus petite tribu contenant A et B

Exercice n°6 :

< * $ BC * # D
* D
; * : EF
- si la pièce est mauvaise, elle est refusée avec une probabilité de 0,98.

On choisit au hasard une pièce que l'

on contrôle.

Déterminer les probabilités des événements suivants

:

42 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

+; / $ D
); * 7 &
.; * 7 &
Exercice n°7 :

Soit (X, Y) le couple de variables aléatoires continues, dont la loi est

telle que :

i)- La fonction de répartition F de X est définie par

: :
- ,= .
∈ [: +]
+ +

ii) - Sous l’ hypothèse X= x, x ∈] 0,1 ] ; Y suit la loi uniforme sur le segment

[0,x]

a/ Déterminer la densité de probabilité du couple (X,Y) ainsi que la loi

marginale de Y. Calculer E(Y) et V(Y)

b/ Soit Z la variable aléatoire ; Z = X-Y. Déterminer la fonction de répartition

de Z et sa densité de probabilité. Calculer la variance de Z. En déduire le
coefficient de corrélation linéaire du couple (X,Y)

c/ Soit la variable aléatoire ; * =

Déterminer la loi de Q.

Test 1 :

Répondre par Vrai ou Faux :

1. A et B sont indépendants P(A B)= P(A)+P(A)

2. A et B sont indépendants P ( A B ) = P ( A ).P ( A )
3. A et B sont indépendants P ( A /B ) = P ( A )
4. A et B sont indépendants P ( B /A ) = P ( A )
5. A et B sont incompatibles P(A B)= 0

43 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

6. Pour A et ; nous avons P ( A ) 0

7. On jette n pièces de monnaie équilibrées. La probabilité d’ avoir n faces est
égale à ½n
8. A et B sont deux événements incompatibles alors : P ( A U B ) = P ( A ) + P ( A )
9. P ( ) =1-P(AUB)
10. Si A et B deux événements indépendants ; alors et B, A et , et le sont
aussi ;
11. L’ espérance mathématique est un opérateur linéaire.
12. La variance d’ une variable aléatoire est toujours positive.
13. V ( a.X ) = a2V( X )
14. V ( a.X + b ) = V ( a.X – b ) = V ( a. X )
15. L’ écart type est toujours inférieur à la variance.
16. L’ écart type est un opérateur linéaire.
17. La fonction de répartition est une fonction croissante et prend ses valeurs sur
[0 , 1]
18. Cov ( a.X , b.) = ab Cov ( X , Y )
19. Si X et Y sont indépendantes; alors Cov ( X , Y ) = 0
20. Le coefficient de corrélation pour les variables X et Y vérifie la propriété :
0 r(X,Y) 1
21. Si A et B sont deux événements incompatibles ; alors P ( A /B ) = P ( B /A ) = 0
22. Nous avons toujours : E ( Xn ) = ( E ( X ))n
23. Nous avons toujours : V ( Xn ) = ( V ( X ))n
24. L’ écart type est toujours positif.
25. La covariance entre deux variables est toujours positive

SOLUTIONS PROPOSEES

Exercice n°1:

1) a) Ωx = {0,1,2,3,4}

Ωy = {0,1,2,4}

% La loi #&'#() * )'+ !,+- ) . *

y/x 0 1 2 3 4 Py Fy

.F +:H .F 0 0 +H: +H:

.)G .)G .)G .)G .)G

44 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

1 0 0 0 0 H+ )F+
H+
.)G .)G
.)G

2 0 0 0 BG 0 BG .+B
.)G .)G .)G

4 0 0 0 0
E E 1
.)G .)G

Px .F +:H ++I BG E
.)G .)G .)G 1
.)G .)G

Fx .F +GG )F+ .+B

1
.)G .)G .)G .)G

Remarque : indépendamment de la couleur On a : 6 boules numérotées (0),

9 boules numérotées (1) et 3 boules numérotées (2)

45 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

c) Les lois conditionnelles

.F .F
$=: =:
++I +)
H+ +:H
p(Y / x = 2) = $ =+ p(X / y = 0) = =+
++I +H:
: :

2)

a) La loi du couple (X,Z)

Z/X 0 1 2 3 4 Pz

0 +) .F .E +H . +:H
.)G .)G .)G .)G .)G .)G

1 )G I) IH .F F )+F
.)G .)G .)G .)G .)G .)G

Px .F +:H ++I BG E
.)G .)G .)G .)G .)G

) )
- = : + = :, = × ×.
+H +H

46 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

) . .F
- = + + = :, = × × .× ) =
+H +H .)G

. . ) +
- = ) + = :, = × ×.+ × × .× )
+H +H +H +H

. + +H
- = . + = :, = × × .× ) =
+H +H .)G

+ + .
- = G + = :, = × ×. =
+H +H .)G

) ) ) )G
- = : + = +, = + ×. =
+H +H +H .)G

) . . I)
- = + + = +, = + × .× ) =
+H +H +H .)G

. . . ) + + IH
- = ) + = +, = + ×.+ + × .× ) =
+H +H +H +H +H +H .)G

. + + + . . .F
- = . + = +, = + ×.+ + ×. =
+H +H +H +H +H +H .)G

+ + + F
- = G + = +, = + ×. =
+H +H +H .)G

#.! -.

P(X=k, Z=1) = p(X=k) – p(X=k, Z=0)

P(X=k) : Existe dans la première question

P(X=k, Z=0) : a calculer pour k = 0, 1, 2, 3,4

La loi du couple (Y,Z)

Z/Y 0 1 2 4 Pz

47 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

0 F: )I +H . +:H
.)G .)G .)G .)G .)G

1 +): BG .F F )+F
.)G .)G .)G .)G .)G

Py +H: H+ BG E
.)G .)G .)G .)G 1

) ) ) . ) + F:
P(y = 0, z = 0)= . × +. × ×)+ × × .× ) =
+H +H +H +H +H +H .)G

. . . BG
P(y = 1, z = 1)= + ×. =
+H +H +H .)G

b) La loi de Z

+:H
J=:
.)G
p(Z = z ) =
)+F
J =+
.)G

c) Lois conditionnelles de Y/Z=z

Ωz = {0,1}

- = , = +,
p(Y/Z=z)=
-, = +,

48 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

F: +):
?=: ?=:
+:H )+F
)I BG
? =+ ? =+
+:H )+F
+H .F
p(Y/z=0)= ?=) p(Y/z=1) = ?=)
+:H )+F
. F
?=G ?=G
+:H )+F
: :

Lois conditionnelles de X/Z=z

- = , = +,
p(X/Z=z) =
-, = +,

+) )G
4=: 4=:
+:H .)G
.F I)
4 =+ 4 =+
+:H .)G
.E IH
4=) 4=)
p(X/z=0) = +:H p(X/z=1) = .)G
+H .F
4=. 4=.
+:H .)G
. F
4=G 4=G
+:H .)G
: :

3) Ω u = {0, n, 2n, 3n, 4n} Ω v = {0, m, 2m, 4m}

p (U = 0, V=0) = p(X = 0, Y = 0) et p (U = n, V = m) = p(X = 1, Y = 1) donc la loi de (U, V)

est la même que (X, Y).

49 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Exercice n°2:

− +
f(x, y) = kye )
x ≥ 0, y ≥ 0

=0 si non

1) La détermination de k

+∞ +∞ +∞
− − +
− )
= )
=+ =
: : :
G

2) Les lois marginales de X et de Y

+∞
+ −
− −
a (x) = )
= pour x > 0
:
G

= 0 si non

+∞
+ − + −
−
b (y) = )
= )
pour y > 0
:
G G

= 0 si non

On a a (x)b(y) = f(x, y) X et Y sont indépendantes.

3) Les fonctions génératrices des moments

M(x, y)(t1, t2) = M x ( t1) M y(t2) car X et Y sont indépendantes

+∞ +∞
− −-+− ,
i) M x(t ) =
=
: :

Soit u = (1 – t)x → =
+−

+∞ −
+
M x ( t1 ) = = <+
+− +−
+
: + +

50 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

+∞ +∞ +
+ − + −- ,
ii) - - ), = )
= )−

:
G :
G

+
= − → =
) ) +− )

+∞ ) +∞ )
+ − + + − +
- - ), = )
= )
= < +0 )
:
G +− ) +− ) +− ) :
G +− )

)
+ +
iii) M(x, y)(t1, t2) = <+ < +0 )
+− +− )
+ )
+ )

- , G
= =
- , +

Soit U=X + 1/2Y et V= X X ≥ 0 et Y ≥ 0

a) Loi conjointe du couple (U, V)

U – V= 1/2Y ≥ 0 U≥V

: ++ =
. = =)
) −+ = ) −)

g(u, v) = 2f(v,2u-2v)=(u-v)e-u si 0≤ v≤ u

=0 si non

b) Les lois marginales de U et V

i) α- , = - − , −
= −
− −
= −
[ ]: − − + )

: : :
) :

+ +
α- , = ) −
− ) −
= ) −
si u ≥ 0
) )

= 0 si non

51 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

+∞ +∞ +∞ ∞

ii) β- , = - − , −
= −
− −
[
= − ( + +) −
] +[ ]
− ∞

β - , = - + +, −
− −
= −
si v > 0

=0 si non

c) Les lois conditionnelles

−
&- , - − ,
i) α- 0 = ,= = =- − , −- − ,
si u > v
β- , −

=0 si non

Exercice n°3:

1) La détermination de k

∞ ++ ++
−
) )
=+
−+ :

∞ ++
−
)
( + +)
.
=+
−+
.

++
= ) =
)

∞
−
(+ ) ). (+ ) ) = +
:
.

∞
+F . −
=+
:
.

52 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

[( .
+ )
+) + ) ]= [
− .
+ (. − ) ) + () − )) + ) − ]
= −+ = −+
. − =: = −.
) −) = : ) = −F
)− =: = −F

+F
.
[(− .
−. )
−F −F ) ] − +∞
: =
+F
.
F =+ =
+
.)

2) Loi conjointe du couple (X, Y)

X=2V et Y = U + 2V – 1

0 ≤ X≤ Y+1 0 ≤ 2V ≤ U + 2V

0 ≤ U

U ≥ 0 et V ≥ 0

: )
. = = 2
+ )

+) +)
) − + −
g(u,v) = -) , ) )
= ) )
u ≥ 0 et v ≥ 0
.) G

U et V sont indépendantes

Les lois marginales de U et V

+ −
i) - , = )
si u ≥ 0
)

= 0 si non

+ −
ii) - , = )
si v ≥ 0
)

53 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

= 0 si non

Exercice n°4:

1) Les lois marginales de X et Y

i) - ,= =[ ] = )
−

a(x) = a 2 – ax si 0 ≤ x ≤ a

= 0 si non

ii) - ,= =[ ] =
: :

b(y) = a .y si 0 ≤ y ≤ a

= 0 si non

2) Détermination de a

.
- , = )
= =+
: ) : )

a= .
)

3) Les fonctions génératrices des moments

- - +, = - )
− ,
:

)
- - +, = −
: :

54 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

)
- - +, = − + )
:

+
− )
−
- - +, = )
+

- - ), = )
= − )
:

)
- - ), = − )
+ )

+- )
− ,
- - ), = )

4) Déduction de E(X), V(X), E(Y), V(Y) en utilisant la question (3)

a/ La fonction génératrice de X

)
- - ,= )
− − )

) ) . . G G
DL3(o) de (eta ) = 1+ta+ + + + Gε + - ,
) .K GK

) . G B ) )
- - ,= )
+ + + + − − )
+ )ε + - ,
) F +F

. G B )
- - ,= + + + )ε + - ,
) F +F

G B ) B
-& - , = + + ε ) - , et - & & - , = + ε.- ,
F H H

G B
E(X) = et E (X2) =
F H

55 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

B H
E B
−) H
Donc V(X)= − =
H .F I)

b/ La fonction génératrice de Y

) ) ) . . G G
- - ,= )
+ − )
++ + + + + Gε + - ,
) F +F

) ) G . B ) G B )
- - ,= )
+ − )
+ .
− + − + − − + )ε ) - ,
) ) F F +F

. G B )
B
- -,= + + + )ε ) - ,
) . GH

G
B B G
-& - , = + + ε.- , - ,=
. )G . B B H
- ,= −
B B B B )G E
- && - , = + εG- , - )
,=
)G )G

∂- - , ∂ - -,
Indication : 1) E(X)= et E(Xk)=
→: ∂ →: ∂

2) D Ln (o) = Développement limité à l’ ordre (n) au voisinage de (o)

c/ La fonction génératrice du couple (X, Y)

+ + +
-- , -+ ) ,= + )
= ) +
−
: : : + +

- ++ ) ,
+ - ++ ) ,
-- ,- + ), = − = − − +
) )

+ + + ) + ) : +- + + ) , + ) + - + + ), + )

U = X p , V = Y q et Z = U.V

a/ Moment non centré de Z

56 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

- , , = -/ , = - $
,= $

: :

+ ++
- $
,= $

:
++

+ $ +.
+ $ ++ + +$+)
- $
,= = =
:
++ ++ +$+) ( + +)( + $ + ) )

b/ Espérance et Matrice Variance-Covariance du couple (U, V)

+.
Si q = 0 E(Xp) = = -/ ,
- + +,- + ),

) +.
et E((Xp)2) = E(X2p)= = -/ ) ,
-) + +,-) + ),

$ +.
Si p = 0 E(Yq) = = - ,
$+)

) $ +.
et E((Yq)2) = E(Y2q)= = - )
,
-)$ + ),

+ $ +. +. $ +.
cov (u,v) = −
- + +,- + $ + ), - + +,- + ),-$ + ),

c/ Déduction des résultats de 4 éme question

G
p =1 ; q = 0 E (X) =
F

G
p=0;q=1 E (Y) =
.

B
p=2;q=0 E (X2 ) =
+)

B
p=0;q=2 E (Y2 ) =
G

Exercice n°5:

57 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

i) les tribus engendrées par A et B sont: {

σ - , = ∅ [: )] [: )] '( }
où [: )] désigne le complémentaire dans IR de l’ intervalle [: )] , c'
est-à-dire :

[: )]= ]− ∞ :[ ]) +∞[

De même : σ - {
, = ∅ [+ .] [+ .] '( }
ii) La stabilité par complémentarité et
par union dénombrable exige que

σ- { [ ]
, = ∅ [: )] [+ .] : ) [+ .] [: .] : . + ) [+ )]'([ ][ ] }

Exercice n°6:

L'
erreur clans le contrôle réside dans les cas suivants:
- la pièce choisie est bonne et elle est refusée (Pr = 0,95 x 0,04 = 0, 038).

- la pièce choisie est mauvaise et elle est acceptée (Pr=O,05 x 0,02 = 0, 001)

- la probabilité d'une erreur (la probabilité total = 0,038 + 0,001 = 0,039)

Soit a 1'
événement « la pièce est acceptée »
soit b l'
événement « la pièce est bonne »

P( ) = 0,95 x 0,04 + 0,05 x 0,98 = 0,038 + 0,049 = 0,087

- , : :.H
- 0 ,= = = : GG
- , : :HI

- , : :B − : :) : ::+
- 0 ,= = = = : ::++
- , + − : :HI : E).

58 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

Exercice n°7 :

a) Pour x ∈ [: +] et y ∈ [: ], la densité du couple est le produit de la

densité marginale de X et de la densité conditionnelle de Y sous

hypothese X=x. Si ϕ est la densité du couple est le produit de la densité
1'
marginale de X et de la densité conditionnelle de Y sous 1'
hypothese X=x.
Si ϕ est la densité du couple
+
ϕ (x, y) = 3x2 × intérieur du domaine D défini par x ∈ [ 0 , 1 ] et y
= 3x à l'

∈[ 0 , x ] .
+∞
La densité marginale g et y est g(y) = ϕ - ,
−∞

Avec ϕ (x, y) = 3x à l’ intérieur de D

= 0 à l’ extérieur du triangle
donc g(y) = 0 si y < 0 ou y >1

( )
+
.
&- , = . = +− )
# y∈ [0,1]
)

( )
+
. .
- ,= +− )
=
:
) H

( )
+
. +
- )
,= +− ) )
=
:
) B
+ E +E
V(Y) = − =
B FG .):

b) si Z = X – Y

P ( Z < z) = .
&

D’ étant le domaine intersection de D et du demi-plan x-y < z

Si z < 0 : D’ = ∅ P(Z < z) = 0
Si z > 1, D’ = D P (Z < z) = 1

59 Concepteur du cours:[Link]
 Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

)
L ∈ [: +] - , < + , = . + . $
: : + ;)
L )
+
= . )
+ . + = -. + − + . ,
: +
)

-+ − + ) , pour z ∈ [: +]
.
La densité de probabilité de z est donc : h(z)=
)
On remarquera que z suit la même loi que Y :
+E
V[Z] = V(Y)=
.):
+
De plus, V(Z) = V (X) – 2 cov(X, Y) – V(Y) - ,= - ,
)
.
Le calcul de la variance de x conduit à V(x)=
H:
. . 0 +F: .
Cov (x,y)= et ρ(X,Y)= =
+F: . +E +E
+
H: .):

c) P[Q< q] = . D’ ’ étant l’ intersection de D et du demi-plan y< q.x,

&&

Si q < 0 : D’ ’ = ∅ P(Q < q) = 0

Si Q > 1, D’ ’ = D P (Q < q) = 1
+ $

∈ [: +] -* < $ , = . =$
: :

donc Q suit une loi uniforme sur le segment [: +] .

Test 1 :

1. Faux
2. Vrai
3. Vrai
4. Faux
5. Vrai
6. Faux
7. Vrai
8. Vrai
9. Vrai
10. Vrai
11. Vrai
12. Vrai
13. Faux
14. Vrai
15. Faux

60 Concepteur du cours:[Link]
Université Virtuelle de Tunis Statistiques II
Généralités sur les Probabilités

16. Faux
17. Vrai
18. Vrai
19. Vrai
20. Faux
21. Vrai
22. Faux
23. Faux
24. Vrai
25. Faux

61 Concepteur du cours:[Link]