Mathématiques : Probabilités et échantillonnage

Troisième semestre, IAE Lyon

Gaël CEILLIER

23 août 2024
2
Table des matières

1 Introduction aux probabilités 5

1.1 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Notion d'aléatoire . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Probabilités conditionnelles et Indépendance . . . . . . . . 8
1.2 Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . 11
1.2.1 Espérance d'une Variable aléatoire . . . . . . . . . . . . . 12
1.2.2 Variance, écart-type . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Couple de Variables aléatoires . . . . . . . . . . . . . . . . 15

2 Principales lois de probabilité discrètes 17

2.0.1 Rappels sur la loi Uniforme. . . . . . . . . . . . . . . . . . 17
2.1 Variable de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Variables aléatoires à valeurs dans {0, ..., n}. . . . . . . . . . . . . 19
2.2.1 La loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 Loi hypergéométrique . . . . . . . . . . . . . . . . . . . . . 21
2.3 Loi géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Approximations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.1 H(N, n, p) ≃ B(n, p) . . . . . . . . . . . . . . . . . . . . . 24

3 Intégration 25
3.1 Primitive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Intégrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Intégration par parties . . . . . . . . . . . . . . . . . . . . . . . . 27

4 Lois de probabilité continues 29

4.1 Variable aléatoire continue . . . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Fonction de répartition . . . . . . . . . . . . . . . . . . . . 29
4.1.2 Fonction de densité . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Espérance et Variance . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.1 Espérance mathématique . . . . . . . . . . . . . . . . . . . 31
4.2.2 Variance et écart-type . . . . . . . . . . . . . . . . . . . . 32
4.3 Couple de Variables Aléatoires continues . . . . . . . . . . . . . . 32

3
4 TABLE DES MATIÈRES

5 Lois continues simples 35

5.1 Loi Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.1.1 Dénition et premières propriétés . . . . . . . . . . . . . . 35
5.1.2 Rapport avec la loi uniforme discrète . . . . . . . . . . . . 37
5.2 Loi Exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.2.1 Dénition et premières propriétés . . . . . . . . . . . . . . 38
5.2.2 Liens avec les lois discrètes . . . . . . . . . . . . . . . . . . 39

6 Loi normale et TCL 41

6.1 Loi normale ou Gaussienne . . . . . . . . . . . . . . . . . . . . . . 41
6.1.1 Loi normale centrée réduite . . . . . . . . . . . . . . . . . 41
6.1.2 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2 Théorème central limite . . . . . . . . . . . . . . . . . . . . . . . 44
6.2.1 Cas particulier : la loi binomiale . . . . . . . . . . . . . . . 45
6.2.2 Correction de continuité . . . . . . . . . . . . . . . . . . . 45
Chapitre 1
Introduction aux probabilités

De nombreux phénomènes sont ou semblent être imprévisibles, pour les étudier

les mathématiciens ont créé le domaine des probabilités.
Dans ce chapitre nous allons éclairer chaque notion à l'aide des deux exemples
suivants :
- On lance un dé (quand on ne précise pas, on parlera de dé régulier à 6 faces).
- On se demande quel temps il fera samedi midi.

1.1 Probabilité

1.1.1 Notion d'aléatoire

Dénition 1 (Expérience aléatoire)
Une expérience aléatoire est un phénomène dont on ne peut pas prédire avec
certitude le résultat à l'avance. Dans le cas où l'expérience est répétable, on peut
aussi voir que c'est un phénomène qui ne donne pas à chaque fois le même résul-
tat.
Nos deux exemples sont bien des expériences aléatoires, car on ne peut pas
prédire leurs résultats à l'avance. On notera que pour le lancer de dé l'expérience
est répétable, alors que pour la météo, chaque semaine les conditions de départ
seront diérentes.

Dénition 2 (Ensemble des possibles)

On notera Ω l'ensemble des résultats possibles de l'expérience. Cet ensemble
est appelé ensemble des possibles ou univers.
Réaliser l'expérience reviendra donc à choisir un élément ω ∈ Ω.
Exemple : Pour le lancer de dé on peut prendre comme ensemble des pos-
sibles Ω = {Face 1; Face 2; Face 3; Face 4; Face 5; Face 6}. Lancer un dé revient

5
6 CHAPITRE 1. INTRODUCTION AUX PROBABILITÉS

à choisir sur quelle face il tombe. (Si vous voulez savoir combien de fois le dé a
roulé il faudra prendre un univers Ω plus grand.)
Avant d'aller plus loin, il faut préciser quelles sont les questions que l'on
compte pouvoir poser.

Dénition 3 (Évènement)
On appelle évènement une armation que l'on sait vraie ou fausse une fois
l'expérience réalisée.
Exemples :
Dire si chaque point suivant est un évènement pour les expériences du jeté de dé
et de la météo attendue samedi prochain :
 le dé est tombé sur la face 6,
 le dé possède 6 faces,
 le dé est tombé sur une face paire,
 le vent souera samedi à plus de 60 km/h,
 le vent souera samedi à plus de 60000 km/h,
 il fera grand soleil samedi,
 la température qu'il fera samedi,
 il fera plus de 15 degrés dimanche.

Vocabulaire des événements.

 On appelle évènement certain (ou Vrai), un événement qui se réalise tou-
jours.
 On appelle évènement impossible (ou Faux), un événement qui ne se réa-
lise jamais.

Quand nous parlerons d'évènements, nous utiliserons indiéremment les no-

tations ensemblistes ( ∪, ∩, ⊂ etc. ...) ou les notations logiques (Ou, Et, =⇒ ).
Soient deux évènements A et B , on notera :
 Non A (ou A) l'évènement "A est faux".
  A ou B" (ou A ∪ B) l'évènement qui se réalise si au moins un des deux
événements se réalise.
  A et B" (ou A ∩ B) l'évènement qui se réalise si les deux événements se
réalisent en même temps.
 Les évènements A et B sont disjoints si A ∩ B est impossible.
 A =⇒ B (ou A ⊂ B ) l'armation "B est vrai dès que A est vrai".

On utilisera la représentation ensembliste quand on voudra représenter des évè-

nements : on représentera par un gros rond l'ensemble des possibles Ω et par des
sous-ensembles chaque évènement.
1.1. PROBABILITÉ 7

Exemple :

B
×
A

Nous allons introduire la notion de probabilité qui permet de dire si un évè-

nement a de "grandes chances" de se produire.

Dénition 4 (Probabilité)
On appelle probabilité toute application P qui associe à chaque évènement une
valeur dans [0, 1] et telle que :
 P (Vrai ) = 1,
 Si A , A , ... ,A sont des évènements
1 2 n , alors
disjoints

où
n
[  n
X n
[
P Ak = P (Ak ) Ak = A1 ∪ A2 ... ∪ An ,
k=1 k=1 k=1

et cela reste vrai pour une famille dénombrable d'évènements.

Propriété 1 Pour tout A et B on a :

 P (A) = 1 − P (A),
 P (Faux) = 0,
 si A =⇒ B, alors P (A) ≤ P (B),
 P (A ∪ B) = P (A) + P (B) − P (A ∩ B),
Exemples : Pour le lancer de dé, on sait que P (faire un 6) = 1/6, on peut
ajouter que P (faire un 7) = P (Faux) = 0.
Pour la météo, la probabilité de l'évènement Il fera grand soleil demain semble
être une valeur bien plus dicile à obtenir.
Exo 1.1 :
On jette un dé rouge et un dé vert. Proposez un univers et un calcul pour chaque
question :
 Quelle est la probabilité de faire un double ?
 Quelle est la probabilité de faire plus avec le dé rouge qu'avec le dé vert ?
8 CHAPITRE 1. INTRODUCTION AUX PROBABILITÉS

Soit Ω = {−2; −1; 0; 1; 2}. On suppose que :

 P (paire) = P (impaire),
 P (strictement négatif) = P (strictement positif),
 P (−1) = 0.1,
 P (0) = 0.1.

Calculez P (2).

1.1.2 Probabilités conditionnelles et Indépendance

Dans cette section nous parlerons de l'inuence que peuvent avoir les évène-
ments les un sur les autres.

La plupart du temps, savoir qu'un évènement B est vérié change la probabi-

lité de tous les autres. Ces nouvelles valeurs sont les probabilités conditionnelles
sachant B :

Dénition 5 (Probabilité conditionnelle)

Si B est possible (c'est-à-dire P (B) > 0), on appelle la probabilité condition-
nelle de A sachant B et on note P (A | B) (ou P (A)) le rapport B

P (A ∩ B)
P (A | B) = .
P (B)

Exemple : On peut vérier que la formule donne bien le même résultat que
l'intuition dans les cas simples, par exemple, dans le cas du lancer de dé :
Si on note A : le dé à fait un 6 et B : le dé à fait au moins 4, alors

P (A ∩ B) 1/6 1
P (A | B) = = = .
P (B) 1/2 3

Or, lorsque B est vrai, la probabilité de faire un 6 est bien 1/3 car il n'y a que 3
valeurs possibles sachant B : 4, 5 et 6.

Remarque : la formule des probabilités conditionnelles peut aussi s'écrire :

P (A ∩ B) = P (A | B) × P (B).
1.1. PROBABILITÉ 9

Propriété 2 Pour tout évènements A et B, on a :

 si B =⇒ A alors P (A | B) = 1,
 si A et B sont disjoints (ou A ∩ B = ∅) alors P (A | B) = 0.
Exo 1.3 :
P (2) P (3) P (4)
On pose Ω = {1; 2; 3; 4} et P (1) = = = .
2 3 4
Calculez
 P (3 | {2; 3; 4}),
 P (3 | {1; 2}).

Dénition 6 (Indépendance)
On dit que les évènements A et B sont indépendants (et on note A ⊥ B) si savoir
que B est vérié ne donne aucun indice sur la véracité de A, c'est à dire si (dans
le cas où B est possible) :
P (A | B) = P (A).
On utilisera souvent la formulation équivalente suivante qui en découle :
A ⊥ B ⇔ P (A ∩ B) = P (A) × P (B).

On remarque grâce à cette formulation que A ⊥ B est équivalent à B ⊥ A.

Exemple : dans le cas du lancer de dé :
Si on note toujours A : le dé à fait un 6 et B : le dé à fait au moins 4, alors
1 1
P (A | B) = 3
, alors que P (A) = , A et B ne sont donc pas indépendants. Et
6
en eet, savoir que B est vérié nous indique que le dé n'a fait ni 1, ni 2, ni 3 ce
qui augmente les chances d'avoir fait 6.
Par contre, savoir qu'on a obtenu 1 ou 2 ne nous aide pas à savoir si le résultat
est pair, donc ici "Faire 1 ou 2" ⊥ "Le résultat est pair".

Exo 1.4 :
Soit A et B deux évènements tels que P (A) = P (B) = 1/2.
 Si A ⊥ B , calculez P (A ∪ B).
 Est-t-il possible d'avoir P (A ∪ B) = 0.5 ?
 Est-t-il possible d'avoir P (A ∪ B) < 0.5 ?
 Est-t-il possible d'avoir P (A ∪ B) = 1 ?
 Est-t-il possible d'avoir P (A ∪ B) > 1 ?
10 CHAPITRE 1. INTRODUCTION AUX PROBABILITÉS

Exo 1.5 :
On jette 2 dés, un rouge et un bleu.
Construire l'espace probabilisé.
Donner la loi de la valeur obtenue avec le dé bleu sachant que le rouge à fait plus
que le bleu.

Exo 1.6 :
On dit que le dé A est meilleur que le dé B si P (A > B) > 0.5.

Montrez que l'on peut construire deux dés A et B, en changeant les numéros
sur leurs faces, de façon que A soit meilleur que B.

Montrez que l'on peut construire deux dés A, B et C , en changeant les numéros
sur leurs faces, de façon que A soit meilleur que B , B que C ET C que A !
1.2. VARIABLES ALÉATOIRES DISCRÈTES 11

1.2 Variables aléatoires discrètes

Comme nous l'avons vu, pour une variable aussi simple qu'un jet de dé il y
a 64 évènements, et donc 64 probabilités à xer ou à trouver. Si on veut utiliser
cette méthode pour décrire la note d'un élève pris au hasard il faut donner plus
de 2 000 000 000 000 de valeurs ! On va donc utiliser un autre modèle. Modèle
qui permet de décrire les lois bien plus simplement.

De plus, pour pouvoir dire des choses utiles sur une expérience aléatoire, on
aimerait bien faire apparaître des objets simples et, en particulier, des nombres.
En eet, il est bien plus simple mathématiquement de travailler sur des données
du type "il fait 18°C" que "il fait un peu gris".

Dénition 7 (Variable aléatoire)

On appelle variable aléatoire (ou v.a.) toute valeur numérique X tirée d'une
expérience aléatoire. On note Ω l'ensemble des valeurs possibles de X .
Si X ne peut prendre qu'un nombre ni de valeurs, ou si X (quitte à changer
X

son unité) est à valeurs dans N (ou Z), alors on dit que X est une variable
aléatoire discrète.
Plus précisément, X est une variable discrète si pour chaque valeur possible
pour X , je sais dire quelle est la valeur possible suivante.
On peut aussi considérer qu'une variable n'est pas discrète si on peut toujours
trouver une valeur intermédiaire entre deux valeurs données
Exemples : les variables suivantes sont-elles discrètes ?
 le résultat d'un jet de dé,
 la température qu'il fera samedi,
 la température qu'il fera au degré près,
 la durée d'un cours de MQ2,
 le prix d'un paquet de granolas,
 Le nombre d'habitants à Lyon l'année prochaine.
 Le montant du premier ticket de caisse de la journée à Carrefour.
 Le montant moyen des tickets de caisse à Carrefour au cours d'une journée.
 La quantité d'eau consommée en une seconde dans un appartement donné.

On notera ΩX les valeurs possibles pour X.

De plus dans le cas ou la variable aléatoire est le seul résultat de l'expérience
on pourra prendre Ω = ΩX .

Il reste à construire la loi P :

Dans le cas où X ne prend qu'un nombre ni ou dénombrable de valeurs,
grâce aux propriétés de la dénition 4 on peut donner la probabilité de tous les
évènements juste avec les valeurs P (X = k) pour k dans ΩX .
12 CHAPITRE 1. INTRODUCTION AUX PROBABILITÉS

Exemple : P (X ∈ {5; 6}) = P (X = 5) + P (X = 6).

Dénition 8 (Loi de Probabilité ou Distribution)
Soit X une variable discrète. On dira que A = (P (X = k)) est la loi (ou
distribution) de X ce que l'on notera X ,→ A ou L(X) = A.
k∈ΩX

Il y a (pour l'instant) deux façons d'expliciter une loi :

 Dans les cas où cela est possible, on peut donner la valeur de P (X = k)
comme une fonction de k.
 On peut donner toutes les valeurs de P (X = k).

Exo 1.8 :
On prend une voyelle au hasard que l'on note X (Parmi A E I O U Y). Et soit
Z le nombre de segments dans l'écriture de X.
 X est-il une variable aléatoire ?
 Z est-il une variable aléatoire ?
 Donner la loi de Z .

1.2.1 Espérance d'une Variable aléatoire

Dénir la loi d'une variable est maintenant plus simple, mais cela reste com-
pliqué, par exemple pour savoir la température qu'il fera demain midi à Lyon au
degré près, les modèles mathématiques donnent à météo France quelque chose
qui ressemble à :
t 18 19 20 21 22 23 24 25 26 27 28
P(T=t) 0.08 0.09 0.11 0.2 0.17 0.15 0.10 0.05 0.03 0.01 0.01

Vous pensez bien que c'est trop long pour passer au journal météo pour chaque
ville. Il faut donc réduire ces informations en une valeur unique, quitte à perdre
de l'information : il fera environ 22°C. C'est exactement le rôle de l'espérance.

Dénition 9 (Espérance)
On appelle espérance mathématique de la variable aléatoire X , le nombre
réel, noté E(X), déni par :
discrète

X
E(X) = k × P (X = k).
k∈ΩX

Remarque : Si ΩX n'est pas borné, E(X) peut être égale à l'inni. On dit
alors que X est d'espérance innie.

Dans la suite les espérances utilisées seront supposées nies.

1.2. VARIABLES ALÉATOIRES DISCRÈTES 13

Propriété 3 Soient a et b des constantes, soient X et Y des variables aléatoires,

on a :
 E(a) = a,
 E(aX + bY ) = aE(X) + bE(Y ).
 Soit φ une fonction dénie sur Ω , alors X
X
E(φ(X)) = φ(k) × P (X = k).
k∈ΩX

 En particulier X
E(X 2 ) = k 2 × P (X = k).
k∈ΩX

Exo 1.9 :
Soit X de loi :
k -1 0 1 2
P(X=k) 0.2 0.2 0.2 0.4

 Calculez : E(X),
 Calculez : E(2.X − 3),
 Calculez : E(X 2 − 1).

Exo 1.10 :
Montrez que E[X 2 ] n'est pas toujours égal à E[X]2 .
Trouvez des exemples tels que :
3 3
 E[X ] < E[X] ,
3 3
 E[X ] = E[X] ,
3 3
 E[X ] > E[X] .

1.2.2 Variance, écart-type

L'espérance nous permet donc de décrire les variables de façon très simple...
trop simple même, par exemple avant de partir en vacances, on aimerait savoir
si quand la météo nous dit qu'il fera 22°C, elle veut dire qu'il fera entre 20°C
et 24°C ou entre 10°C et 34°C. Pour cela il faut mesurer la précision que donne
l'espérance sur les valeurs probables de la variable. Pour cela deux outils :

Dénition 10 (Variance)
On appelle variance de la variable aléatoire discrète X d'espérance nie, le
nombre réel, noté V (X), déni par :
V (X) = E((X − E(X))2 ) = E(X 2 ) − (E(X))2 ,

donc  X 
2
V (X) = k 2 × P (X = k) − E(X) .
k∈ΩX
14 CHAPITRE 1. INTRODUCTION AUX PROBABILITÉS

Dénition 11 (Écart-type)
On appelle écart-type de la variable aléatoire X de variance nie, le nombre
p
σ(X) = V (X).

On a donc (σ(X))2 = V (X).

Les deux dénitions cherchent à mesurer la même idée : "À quel point le ré-
sultat sera diérent de la moyenne". Mais chacune à son intérêt :

Avantage de la variance sur l'écart-type :

 Le calcul pour obtenir la variance est un peu plus simple
 La propriété 23, que nous allons voir très bientôt, pour la somme des
variables aléatoires indépendantes ne fonctionne directement que pour la
variance.

Avantage de l'écart-type sur la variance :

 L'écart-type est dans la bonne unité et peut donc être représenté sur le
même graphique que l'espérance et que la loi de la variable.
 Quand on donne une température moyenne de 22C , il est plus parlant de
2
dire "avec un écart-type de 4°C" que "avec une variance de 16°C ".

Propriété 4
Soient a et b des constantes et X une variable aléatoire (de variance nie),
on a :
 V (a) = 0,
 V (aX + b) = a V (X), 2

 σ(aX + b) = |a|σ(X).
Exo 1.11 :

P (X = k)
0.4
0.3
0.2

k
1 2 3 4

Calculez V (X) et σ(X).

1.2. VARIABLES ALÉATOIRES DISCRÈTES 15

1.2.3 Couple de Variables aléatoires

Soient X et Y deux variables aléatoires discrètes, on dit que X et Y sont
indépendantes si et seulement si X=x et Y =y sont indépendants pour toutes
les valeurs possibles de x et y :

X ⊥ Y ⇔ P (X = x ∩ Y = y) = P (X = x)P (Y = y) pour tout x ∈ ΩX et y ∈ ΩY .

Propriété 5 Si X et Y sont indépendantes alors E(XY ) = E(X)E(Y ).

Exo 1.12 :
k -2 -1 1 2
Soit X de loi :
P(X=k) 0.25 0.25 0.25 0.25

X
On pose Y = |X| Z= .
et
Y
 Donnez la loi de Y et de Z .
 A-t-on : X ⊥ Y ?
 A-t-on : X ⊥ Z ?
 A-t-on : Y ⊥ Z ?

Dans le cas ou les variables ne sont pas indépendantes, on aimerait savoir à

quel point elles dépendent l'une de l'autre. Pour cela nous avons un outil :

Dénition 12 (covariance)
La covariance de X et de Y est dénie par
Cov(X, Y ) = E(XY ) − E(X)E(Y ).

Interprétation de la covariance : la covariance de X et Y nous indique

une tendance sur Y quand X est grand :
 Si Cov(X, Y ) > 0 alors Y a tendance à prendre ses valeurs les plus élevées
en même temps que X . C'est en particulier le cas si Y = X .
 Si Cov(X, Y ) < 0 alors Y a tendance à prendre ses valeurs les plus faibles
quand X prend ses valeurs les plus élevées. C'est en particulier le cas si
Y = −X .
 Si Cov(X, Y ) = 0 alors Y n'a pas de tendance notable quand X prend ses
valeurs les plus élevées. C'est en particulier le cas si X ⊥ Y .

Propriété 6
 Pour tout couple de v.a. X et Y ,
V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y ).
16 CHAPITRE 1. INTRODUCTION AUX PROBABILITÉS

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

V (X + Y ) = V (X) + V (Y ).

Exo 1.13 :
Soit X une v.a. égale au résultat d'un jet de dé. Prédire le signe des covariances
suivantes, conrmer par le calcul :
2
 Cov(X, X ).

 Cov(X, X1 ).

On pose W =1 si X ∈ {1; 6} et W =0 sinon.

 Cov(X, W ).

Exo 1.14 :
Quelle est la loi du nombre de fois que l'on obtient "pile" quand on lance 3 pièces ?

Quelle est l'espérance de ce nombre ? Sa variance ?

Exo 1.15 :
k -2 -1 1 2
Soit X de loi :
P(X=k) 0.25 0.25 0.25 0.25

X
On pose Y = |X| etZ= .
Y
 Donnez la loi de Y et de Z .
 Calculez Cov(X, Y ). A-t-on : X ⊥ Y ?
 Calculez Cov(X, Z). A-t-on : X ⊥ Z ?
 Calculez Cov(Y, Z). A-t-on : Y ⊥ Z ?
Chapitre 2
Principales lois de probabilité
discrètes

Le but de ce chapitre est de présenter les principales lois discrètes et d'ap-

prendre à les reconnaitre.

2.0.1 Rappels sur la loi Uniforme.

L'expérience la plus naturelle quand on parle d'aléatoire, est prendre un objet
au hasard dans un ensemble (par exemple une carte dans un paquet). Ce "au
hasard" dans le langage courant signie que chaque objet a autant de chances
d'être choisi que les autres. Les probabilistes rajoutent le terme uniformément
pour plus de précision.

Dénition 13 (Variable Uniforme : U(Ω))

Soit Ω un ensemble ni, la variable X est uniforme sur Ω si pour tout a, b ∈ Ω :
P (X = a) = P (X = b).

Propriété 7 Soit X une variable de loi U(Ω), alors pour tout a ∈ Ω et A ⊂ Ω :

1
et Card A .
P (X = a) =
Card Ω P (X ∈ A) =
Card Ω
Si de plus Ω = {1, ..., n} alors :
 E(X) = n +2 1 ,
 V (X) = n 12− 1 .
2

17
18 CHAPITRE 2. PRINCIPALES LOIS DE PROBABILITÉ DISCRÈTES

0,30 Représentation graphique

n=5
0,25

0,20

0,15

0,10

0,05

0,00
0 1 2 3 4 5 6

Exemple : Piocher deux cartes au hasard uniformément signie choisir un couple

de cartes parmi tous les couples possibles de sorte que chaque couple ait la même
chance d'être choisi. (Quand on parle de couple (b; a) ̸= (a; b))
La valeur de la carte du dessus d'un jeu neuf n'est pas une variable uniforme
puisqu'il y a de fortes chances que ce soit un As. Cependant la carte du dessus
d'un jeu bien mélangé suit une loi uniforme sur l'ensemble des cartes, puisque
aucune carte n'a plus de chance que les autres d'être au dessus.
Mélanger correctement un jeu revient à choisir un ordre au hasard uniformé-
ment sur l'ensemble des ordres possibles.

2.1 Variable de Bernoulli

Les variables qui ne prennent qu'une valeur n'ont aucun intérêt du point de
vue probabiliste, on les appelle variables déterministes. Les variables les plus
simples qui ne sont pas déterministes sont donc celles qui prennent deux valeurs.
Ces variables aléatoires s'appellent variables de Bernoulli.

Dénition 14 (Variable de Bernoulli : X ,→ B(p))

Une variable aléatoire X est appelée variable de Bernoulli si Ω contient exac-
tement deux éléments. Nous nous limiterons au cas où Ω = {0 ; 1} pour les
X

calculs.
X

On peut dénir une variable de Bernoulli comme suit :

Soit A un évènement, (que l'on appellera succès,) on dénit X par :
 X = 1 ⇔ A,
 X = 0 ⇔ A.
2.2. VARIABLES ALÉATOIRES À VALEURS DANS {0, ..., n}. 19

La loi d'une telle variable est notée B(p) où p est déni par p = P (X = 1).
Exemples : La face sur laquelle tombe une pièce quand on la lance est une
variable de Bernoulli. De plus, si la pièce est équilibrée, alors p = 21 .
La variable qui vaut 1 si un élève valide son module de MQ2 et 0 sinon, est une
variable de Bernoulli.
Quand on lance un dé, la variable qui vaut 1
si le dé est tombé sur la face 6 et 0
1
sinon, est une variable de Bernoulli de paramètre .
6

Propriété 8 Soit X une variable de loi B(p), alors :

 Ω = {0; 1},
 P (X = 1) = p et P (X = 0) = 1 − p,
X

 E(X) = p,
 V (X) = p(1 − p).
Quand on considère plusieurs variables de Bernoulli indépendantes et de même
loi, on obtient un processus de Bernoulli.
Exemples : On peut facilement prolonger chaque exemple de variable de
Bernoulli en processus de Bernoulli :
Les faces sur lesquelles tombent une pièce lancée 10 fois est un processus de
Bernoulli.
Quand on lance plusieurs fois un dé et que l'on note si le dé est tombé sur la face
6 ou non, on obtient un processus de Bernoulli.

2.2 Variables aléatoires à valeurs dans {0, ..., n}.

2.2.1 La loi binomiale
Quand on eectue plusieurs fois la même expérience, (par exemple quand on
joue 10 fois à pile ou face,) la première variable qui vient en tête pour décrire le
résultat est le nombre de réussites (ici le nombre de fois où la pièce est tombée
sur pile).

Dénition 15 (Variable de loi binomiale : Y ,→ B(n, p))

Soit (X ; ...; X ) un processus de Bernoulli ni de paramètre p (donc des variables
indépendantes de loi B(p)), on considère la variable aléatoire Y donnant le nombre
1 n

de succès observés. On a donc Y est le nombre de k tels que X = 1, ou encore

k

n
X
Y = Xk .
k=1

On dit alors que Y suit la loi binomiale de paramètres n et p notée B(n, p).
20 CHAPITRE 2. PRINCIPALES LOIS DE PROBABILITÉ DISCRÈTES

Exemples : ′
On lance 10 fois un dé, on pose Y le nombre de 6 et Y le nombre
′
de fois où l'on n'a pas fait 1. Y et Y suivent des lois binomiales de paramètres
1 5
(10, ) et (10, ). Par exemple si les résultats sont (4; 2; 6; 1; 6; 3; 1; 2; 5; 6) alors
6 6
Y = 3 et Y ′ = 8.
Le nombre de pièces défectueuses parmi 50 à la sortie d'une usine, le nombre de
double fautes au cours des 20 premiers services d'un match de tennis et le nombre
de fois où vous gagnerez au loto en jouant tous les jours pendant un an sont des
variables de loi binomiales.

Propriété 9 Soit Y une variable de loi B(n, p), alors :

 Ω = {0, ..., n} , 
Y

 P (Y = k) = nk p (1 − p) , k n−k

 E(Y ) = np,
 V (Y ) = np(1 − p).
Remarque :  
n n!
= .
k k!(n − k)!
Critères pour reconnaître cette loi :
Une variable Y suit sans doute une loi binomiale si :
 Y est à valeurs dans {0, ..., n},

 on peut dénir des expériences (ou variables de Bernoulli) Xk à partir de

X n
l'expérience et Y = Xk ,
k=1

 les expériences sont identiques et indépendantes.

Représentation graphique

p = 0,2, n = 30
0,15

0,10

0,05

0,00
0 5 10 15 20 25 30
2.2. VARIABLES ALÉATOIRES À VALEURS DANS {0, ..., n}. 21

2.2.2 Loi hypergéométrique

Petite expérience : on pioche 3 cartes dans un jeu de 32 cartes, quelle est la
loi du nombre de cartes rouges ?
Chaque carte est soit rouge soit noire, donc la couleur de chaque carte cor-
respond à une variable de Bernoulli et comme il y a autant de cartes rouges que
de cartes noires, le paramètre de ces variables est 1/2. Donc le nombre de cartes
rouges est une somme de variables de Bernoulli de même paramètre. La variable
obtenue ressemble donc à une variable de loi binomiale. Mais attention, il manque
quelque chose pour avoir une binomiale : ici les variables de Bernoulli ne sont pas
indépendantes !
Une bonne façon de s'en convaincre et de se demander ce qui se passerait si au
lieu de piocher 3 cartes, on les piochait toutes. Dans ce cas le nombre de cartes
rouges piochées est égal au nombre de cartes rouges en tout (soit 16) et n'est
donc pas un nombre aléatoire... il ne suit pas une loi binomiale.
Ce genre d'expérience est très courant, il a donc fallu donner un nom à sa loi :
loi hypergéométrique.

Dénition 16 (Variable de loi hypergéométrique : Y ,→ H(N ; n; p))

Soit E un ensemble de N éléments dont K possèdent une caractéristique A.
Si on pioche n éléments dans E au hasard, le nombre Y d'éléments avec la ca-
ractéristique A suivra une loi hypergéométrique de paramètres N , n et p = . K
N

Exemple : Si vous choisissez trois jours au hasard (uniformément) dans la

semaine, le nombre de jours choisis qui tombent le week-end suit la loi H(7, 3, 2/7).
L'année dernière il y avait 20% d'étudiants venant de terminale S parmi les
600 étudiants de la promo, le nombre d'étudiants de S dans un groupe de TD de
36 suivait donc la loi hypergéométrique H(600, 36, 0.2).

Propriété 10 Soit Y une variable de loi H(N ; n; p), alors :

 Ω = {max(0; n − N (1 − p)), ..., min(N p; n)},
dans la majorité des cas on peut en déduire Ω = {0, ..., n},
Y
Y
  
Np N (1 − p)
 P (Y = k) = k

N
n−k
 ,
 E(Y ) = np,
n

 V (Y ) = np(1 − p) NN −− n1 .
22 CHAPITRE 2. PRINCIPALES LOIS DE PROBABILITÉ DISCRÈTES

Représentation graphique
0,20 p = 0,2, n = 20, N = 300

0,15

0,10

0,05

0,00
0 5 10 15 20
Critères pour reconnaître cette loi :
Une variable Y suit sans doute une loi hypergéométrique si :
 Y est à valeurs dans {0, ..., n},
 on a choisi certains individus dans un ensemble plus grand,
 si on prend tous les individus, la valeur de Y devient xe et inférieure au
nombre d'individus.

2.3 Loi géométrique

Quand on répète une expérience, il est parfois plus utile de savoir quand
l'expérience sera une réussite pour la première fois, que le nombre de réussites
au cours des n premières tentatives. En eet, savoir que les freins d'une voiture
lâcheront 5 fois au cours des 2000 prochains trajets est moins intéressant que de
savoir quand vous allez vous retrouver dans le fossé la prochaine fois. On parle
alors de loi géométrique.

Dénition 17 (Variable de loi géométrique : Y ,→ G(p))

Soit (X ; ...; X ; ...) un processus de Bernoulli inni de paramètre p, on considère
la variable aléatoire Y donnant la position du premier succès. C'est à dire Y est
1 k

le plus petit k tels que X = 1, ou encore

k

Y = inf{k | Xk = 1}.

On dit alors que Y suit la loi géométrique de paramètre p notée G(p).

Exemple : le nombre de fois qu'il faut lancer un dé pour faire 6, le nombre
de fois où il faut jouer au loto pour gagner et le nombre d'années qu'il faudra
attendre pour qu'il fasse beau à Lyon le 24 décembre sont des variables de lois
géométriques.
2.3. LOI GÉOMÉTRIQUE 23

Propriété 11 Soit Y une variable de loi G(p), alors :

 Ω =N , Y
∗

 P (Y = k) = p(1 − p) , k−1

 P (Y ≥ k) = (1 − p) , k−1

 E(Y ) = p1 ,
 V (Y ) = 1 p− p , 2

 La variable Y est sans mémoire, c'est à dire

P (Y = k + l | Y > l) = P (Y = k).

La dernière propriété signie que ce n'est pas parce qu'on a fait 10 fois "pile"
de suite avec une pièce qu'on a de plus grande chances de faire "face" à l'essai
suivant.

Représentation graphique
0,15
p = 0,2

0,10

0,05

0 5 10 15 20 25 30
Critères pour reconnaître cette loi :
Une variable Y suit sans doute une loi géométrique si :

 Y est à valeurs dans N∗ , en particulier Y ne peux pas valoir 0.

On ne sait pas dire à l'avance quelle est la valeur maximale de Y.

 On peut dénir des variables de Bernoulli Xk à partir de l'expérience et

Y est le numéro du premier succès.
24 CHAPITRE 2. PRINCIPALES LOIS DE PROBABILITÉ DISCRÈTES

2.4 Approximations

Comme vous allez très vite vous en apercevoir en TD, certaines lois sont plus
simples à utiliser que d'autres. Nous allons voir que sous certaines conditions, des
lois diérentes ont des valeurs très proches. Nous pourrons alors utiliser la loi la
plus simple pour faire les calculs.

2.4.1 H(N, n, p) ≃ B(n, p)

Nous avons vu que la diérence entre la loi hypergéométrique et la loi bi-
nomiale vient du fait que pour la loi hypergéométrique, chaque tirage inuence
les suivants. En eet, plus on pioche de cartes rouges, moins il en reste dans le
paquet.
Mais si on ne pioche que quelques éléments dans un gros ensemble, il est
naturel que l'inuence sur les tirages suivants soit légère. On obtiendra donc
dans ce cas des valeurs très proches du cas indépendant de la loi binomiale :

Propriété 12 Si n/N < 0.1, alors H(N, n, p) ≃ B(n, p).

B(12, 0.4)
0,2 H(200, 12, 0.4)

0,2

0,1

0,1

0,0
0 2 4 6 8 10 12
Chapitre 3
Intégration

Avant de généraliser ce que nous avons vu sur les probabilité discrètes au

monde continu, il nous faut un outil mathématique : l'intégration.

3.1 Primitive

Nous allons introduire la notion de primitive, qui est l'inverse de la notion de

dérivée :

Dénition 18 Soient F et f des fonctions dénies sur un intervalle I de R.

Alors si F = f on dit que F est une
′
de f .
primitive

Exemple 1 Une primitive de f (x) = x sur R est F (x) = car F (x) = f (x).
3
2 x ′
3
x3
Remarque : Posons G(x) = + 5. Alors G′ (x) = x2 = f (x). Il n'y a donc
3
pas une unique primitive pour une fonction donnée.

Primitives usuelles :

Fonction de départ Primitive

α xα+1
x , pour tout α ̸= −1
α+1
1
ln(|x|)
x
ex ex

Propriété 13 Si F (x) est une primite de f (x) alors

F (ax + b)
a
est une primitive de f (ax + b).
25
26 CHAPITRE 3. INTÉGRATION

Une primitive de f (x) = (7x + 3) sur R est F (x) = (7x3 ×+ 73) .

3
Exemple 2 2

Exercices : donner une primitive des fonctions réelles suivantes

x3
1. f1 (x) =
4
√ 1
2. f2 (x) = x + 2
x
2x−3
3. f3 (x) = e
2
4. f4 (x) =
(2 − 3x)3
1
5. f5 (x) =
(4 − 5x)

3.2 Intégrale

Soit f une fonction dénie sur [a; b], on appelle intégrale de f sur [a; b] l'aire
notée
Z b
f (t)dt
a

comptée positivement au-dessus de l'axe des abscisses et négativement en-dessous :

+ +
a
0 b
−

Propriété 14 Si F (x) est une primite de f (x) alors

Z b
f (t)dt = [F (t)]ba = F (b) − F (a).
a
3.3. INTÉGRATION PAR PARTIES 27

Propriété 15 (Linéarité) Pour toutes fonction f et g et tous réels α et β :

Z b Z b  Z b 
αf (t) + βg(t)dt = α f (t)dt + β g(t)dt .
a a a

Propriété 16 (Relation de Chasles) Pour tous réels a < b < c :

Z c Z b Z c
f (t)dt = f (t)dt + f (t)dt.
a a b

Exercices : calculer :
R5 2t
1. I1 = 0
e + 2dt
R5
2. I2 = −5
x3 − xdx
R3
3. I3 = 0
4(2x − 3)3 dx
R4 1
4. I4 = 1
√ dx
x

Propriété 17 (Intégrales impropres) Soit f une fonction dénie sur [a; b[,
et soit F une primitive de f , alors :
Z b
f (t)dt = lim[F (t)]xa = lim F (x) − F (a).
a x→b x→b

en particulier :
Z +∞
f (t)dt = lim [F (t)]xa = lim F (x) − F (a).
a x→+∞ x→+∞

Remarque : la propriété est identique pour la borne a.

3.3 Intégration par parties

Nous savons que (u.v)′ = u′ .v + u.v ′ on peut en déduire que :

Z b
(u′ (t).v(t) + u(t).v ′ (t))dt = [u.v]ba
a

Ce qui donne la formule très utile :

Propriété 18 (Intégration par parties)
Z b Z b
′
u (t).v(t)dt = [u.v]ba − u(t).v ′ (t)dt
a a
28 CHAPITRE 3. INTÉGRATION

Exercices : calculer :
R5
1. I1 = 0
t.e2t + 2dt
R −1
2. I2 = −2
x(2x + 4)8 dx
Re
3. I3 = 1
ln(t)dt
R2 2x
4. I4 = 1
√ dx
3x − 1
R2
5. I5 = 1
x3 ln(x)dx
Chapitre 4
Lois de probabilité continues

Le monde n'est pas discret ! En eet de très nombreuses expériences donnent

un résultat qui peut prendre n'importe quelle valeur entre deux réels. C'est le
cas, par exemple, de la distance D que va parcourir ce polycopié si vous le lancez
par la fenêtre.
Le problème est alors le suivant : que vaut P (D = k) pour une distance donnée
k? Comme la distance parcourue ne sera jamais deux fois exactement la même,
cette probabilité doit valoir 0, en eet

Nombre de fois où D=k est vraie 1

P (D = k) = lim ≤ lim = 0.
n→+∞ n n→+∞ n
Mais le polycopié est bien tombé quelque part, alors comment dénir les proba-
bilités dans ce cas ?

4.1 Variable aléatoire continue

Il nous faut trouver un moyen simple de donner une valeur à P (X ∈ A) pour

tout A ⊂ R.

4.1.1 Fonction de répartition

La première méthode pour dénir P fonctionne pour tout type de variable
aléatoire réelle : discrète, continue, ou ni l'une ni l'autre.

Dénition 19 (Fonction de répartition)

Soit X une variable aléatoire à valeurs dans R. On appelle fonction
de répartition de la variable aléatoire X , la fonction F dénie pour tout x ∈ R
quelconque

par :
F (x) = P (X ≤ x).

Exemple de fonction de répartition :

29
30 CHAPITRE 4. LOIS DE PROBABILITÉ CONTINUES

P (X ≤ x)
0 a x b

Propriété 19 (Propriétés de la fonction de répartition)

Soit X une variable aléatoire, et F sa fonction de répartition. Alors
 0 ≤ F (x) ≤ 1,
 F (x) −→ 1 quand x −→ +∞,
 F (x) −→ 0 quand x −→ −∞,
 F est croissante,
 P (a < X ≤ b) = F (b) − F (a).
 On peut retrouver P (X ∈ A) pour toute partie A de R.
4.1.2 Fonction de densité
La deuxième méthode pour dénir P ne fonctionne que pour un type parti-
culier de variables : les variables absolument continues :

Dénition 20 (Variable aléatoire continue et absolument continue)

Une variable aléatoire est si et seulement si pour tout x ∈ R,
P (X = x) = 0.
continue

De façon équivalente, X est une variable continue si et seulement si sa fonc-

tion de répartition F est continue.
Si de plus F est dérivable, alors on dit que X est absolument continue .
Dénition 21 (Fonction de densité)
Soit X une variable aléatoire dénie sur R, et soit F
sa fonction de répartition.
absolument continue

On appelle fonction de densité, ou densité de probabilité, la fonction f , dénie

par f (x) = F (x).
′

La fonction f (x) dénit la loi de probabilité de X , en eet pour tout A ⊂ R,

f (x)dx.
Z
P (X ∈ A) =
x∈A

Dans la suite les v.a. utilisées seront absolument continues

4.2. ESPÉRANCE ET VARIANCE 31

Exemple de fonction de densité :

a 0 b

P (a ≤ X ≤ b)

Propriété 20
 F (x) = R f (t)dt,
x

 f (x) ≥ 0, ∀x ∈ R,
−∞

 R f (x)dx = 1,
+∞
−∞

4.2 Espérance et Variance

Pour les mêmes raisons que dans le cas discret, nous allons introduire les
notions d'espérance et de variance d'une variable absolument continue.

4.2.1 Espérance mathématique

Dénition 22 Soit X une variable aléatoire absolument continue de fonction de
densité f .
L'espérance de X est le réel :
Z
E(X) = x.f (x)dx.
R

Remarque : E(X) n'est dénie que si l'intégrale existe (il en sera de même
pour la variance). On dit alors que X est d'espérance nie. Comme dans le cas
discret, nous le supposerons dans la suite du chapitre.
32 CHAPITRE 4. LOIS DE PROBABILITÉ CONTINUES

L'espérance possède les mêmes propriétés que dans le cas discret :

Propriété 21
Soient a et b des constantes, soient X et Y des variables aléatoires absolument
continues d'espérances nies, alors on a :
1. E(a) = a,
2. E(aX + bY ) = aE(X) + bE(Y ),
3. Soit φ une fonction continue et dérivable sur R, alors
Z
E(φ(X)) = φ(x)f (x)dx.
R

4.2.2 Variance et écart-type

Dénition 23 Soit X une variable aléatoire absolument continue dénie sur R
et f sa fonction de densité. Comme dans le cas discret, la variance de X est le
nombre : 2 2 2
V (X) = E((X − E(X)) ) = E(X ) − (E(X)) ,
donc ici
Z Z
2
V (X) = (x − E(X)) f (x)dx = x2 f (x)dx − E(X)2 .
R R

Dénition 24 On appelle écart-type de X , le nombre réel σ(X) = pV (X).

La variance et l'écart-type gardent les mêmes propriétés que dans le cas dis-
cret.

4.3 Couple de Variables Aléatoires continues

Nous allons adapter tout ce qu'on a vu sur les couples de variables aléatoires
aux variables continues :

Soient X et Y deux variables aléatoires absolument continues dénies à partir

de la même expérience.

Dénition 25 (Variables indépendantes)

Soient X et Y deux variables aléatoires, on dit que X et Y sont indépendantes,
et on note X ⊥ Y , si et seulement si les évènements X ≤ x et Y ≤ y sont
indépendants pour tous x, y ∈ R.
4.3. COUPLE DE VARIABLES ALÉATOIRES CONTINUES 33

Propriété 22
 Si X ⊥ Y , alors les évènements X ∈ A et Y ∈ B sont indépendants pour
tous A et B ∈ F .
 Si X et Y sont indépendantes alors E(XY ) = E(X)E(Y ).
Dans le cas ou les variables ne sont pas indépendantes, on aimerait savoir à
quel point elles dépendent l'une de l'autre. Pour cela nous avons un outil (si ça
vous rappelle le cas discret, c'est normal) :

Dénition 26 (covariance)
La covariance de X et de Y est dénie par
Cov(X, Y ) = E(XY ) − E(X)E(Y ).

Propriété 23
 Pour tout couple de v.a. X et Y ,
V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y ).

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

V (X + Y ) = V (X) + V (Y ).
34 CHAPITRE 4. LOIS DE PROBABILITÉ CONTINUES
Chapitre 5
Lois continues simples

Le but de ce chapitre est double. Nous allons présenter les lois continues les
plus simples, et nous ferons le lien entre elles et les lois discrètes que nous avons
vu au chapitre 2. En eet ces lois continues s'expriment à partir de processus
discrets (c'est-à-dire à partir d'une suite de variables discrètes) et certaines lois
discrètes que nous avons vu se retrouvent à partir de variables continues.

Nous allons avoir régulièrement besoin de prendre la partie entière de variables

aléatoires, mais comme la notation E est réservée à l'espérance, il est bon de
rappeler l'autre notation classique :

Notation 1 (Partie entière)

Pour tout réel x, nous noterons ⌊x⌋ la partie entière (inférieure) de x, c'est-
à-dire le plus grand entier k ≤ x.
Pour tout réel x, nous noterons aussi ⌈x⌉ la partie entière supérieure de x,
c'est-à-dire le plus petit entier k ≥ x.
Exemples :
 ⌊3.24⌋ = 3 et ⌈3.24⌉ = 4,
 ⌊3⌋ = ⌈3⌉ = 3.

5.1 Loi Uniforme

5.1.1 Dénition et premières propriétés

Une des lois les plus simples dans le cas discret était la loi uniforme, pour
pouvoir chercher son équivalent continu il faut rappeler la propriété fondamentale
de la loi uniforme :
P (X = a) = P (X = b).
Cette propriété ne fonctionne pas dans le cas d'une variable continue, puis-
qu'on a vu que pour tout a réel, P (X = a) = 0. Il faut donc un peu généraliser
les choses :

35
36 CHAPITRE 5. LOIS CONTINUES SIMPLES

Dénition 27 (Loi uniforme : U(I))

Soit I un intervalle de R, la variable X sera dite uniforme sur I si, pour tout J
et J sous intervalles de I
′
, on a :
de même taille

P (X ∈ J) = P (X ∈ J ′ ).

Propriété 24 Soit X une variable de loi U([a, b]), alors :

 Pour tout x ∈ [a, b], f (x) = b −1 a ,
 Pour toute autre valeur de x,xf−(x)a = 0,
 Pour tout x ∈ [a, b], F (x) = b − a ,
 E(X) = a +2 b ,
 V (X) = (b −12a) .
2

f : Fonction de densité
1
b−a

0 a x b

P (X ≤ x)

P (X ≤ x) F : Fonction de répartition

0 a x b

Exemple : La direction que pointe un stylo (ou une bouteille) quand on le

fait tourner sur lui même susamment de fois est uniforme sur [0, 2π[.
Attention cependant, la loi uniforme n'est que rarement utilisée pour modé-
liser directement un phénomène. Si elle reste très importante c'est que, comme
nous allons le voir (propriété 5.1.3), nous savons générer n'importe quelle variable
à partir d'une fonction de répartition et d'une variable uniforme sur [0, 1] !
5.1. LOI UNIFORME 37

5.1.2 Rapport avec la loi uniforme discrète

Nous allons voir que l'on peut créer n'importe quelle variable uniforme dis-
crète à partir d'une variable uniforme continue sur [0, 1], puis nous discuterons
du passage inverse.

Voici comment fabriquer un dé à l'aide d'un stylo et d'une feuille : nous avons
vu que faire tourner le stylo permet d'obtenir une direction uniforme sur [0, 2π[,
il sut alors de répartir ces directions en 6 quartiers. Tracer donc (vous avez un
stylo, cela tombe bien) un cercle que vous partagez en 6 régions identiques que
vous numérotez de 1 à 6. Ensuite faites tournoyer le stylo, le quartier qu'il pointe
suit une loi uniforme sur {1, ..., 6}, et vous pouvez nir votre partie de Monopoly.

De façon plus mathématiques voici la méthode :

Proposition 5.1.1 Soit U une variable uniforme sur [0, 1], et soit n ∈ N . Alors ∗

la variable X = ⌈U × n⌉ suit une loi uniforme sur {1, ..., n}.

Voici la méthode pour passer dans l'autre sens :

Proposition 5.1.2 Prenez une suite de variables (X ) indépendantes et uni-

formes sur {0, ..., 9}. On peut dénir le nombre Y compris entre 0 et 1 par la
k k∈N∗

décomposition décimale :
+∞
X
Y = 0.X1 X2 X3 ... = Xk .10−k .
k=1

Alors Y est une variable uniforme sur [0, 1].

Quitte à changer la base de l'écriture de Y, cette méthode est possible avec
n'importe quelle suite de variables uniformes discrètes. En particulier avec un
dé à 6 faces et un peu de patience, vous pouvez générer des variables uniformes
continues aussi précises que vous le souhaitez.

Une fois que l'on sait générer des variables uniformes sur [0, 1], on peut les
utiliser pour créer d'autres variables. La méthode suivante est très utilisée pour
générer des variables complexes par ordinateur :

Proposition 5.1.3
Soit X une variable uniforme sur [0, 1], et soit F une fonction de répartition.
Alors la variable :
Y = inf{x ∈ R : F (x) ≥ X}
admet F comme fonction de répartition.
Cette méthode permet de construire n'importe quelle variable aléatoire (conti-
nue ou non) dont on connait la fonction de répartition !
38 CHAPITRE 5. LOIS CONTINUES SIMPLES

5.2 Loi Exponentielle

5.2.1 Dénition et premières propriétés

Lorsque l'on répète une expérience, nous avons vu que le temps avant la pre-
mière réussite suit une loi géométrique. Que se passe-t-il si au lieu de répéter une
expérience ponctuellement, on laisse l'expérience se dérouler toute seule ? Par
exemple, on regarde un oiseau et on se demande combien de temps il va mettre
à s'envoler.

Rappelons que la propriété la plus remarquable de la loi géométrique est d'être

sans mémoire : P (X = k + l | X > l) = P (X = k). Comme pour la propriété
de la loi uniforme discrète de la section précédente, il faut changer les égalités en
inégalités pour ne pas avoir juste 0 = 0, nous allons donc chercher une loi telle
que P (X ≥ k + l | X > l) = P (X ≥ k).
Les seules lois continues qui vérient cette propriété sont les lois exponen-
tielles :

Dénition 28 (Variable de loi exponentielle : X ,→ E(λ))

Soit X une variable à valeurs dans R telle que pour tout k et l dans R
+ +

P (X ≥ k + l | X > l) = P (X ≥ k).

Alors on note λ = 1/E(X) et X suit la loi exponentielle de paramètre λ.

Exemple : le temps qu'il faut attendre pour qu'une ampoule grille suit une
loi exponentielle.

Propriété 25 Soit X une variable de loi E(λ), alors :

 P (X ∈ R ) = 1,
+

 La densité de X est f (x) = λe pour tout x ∈ R ,

−λx +

 La fonction de répartition de X est F (x) = 1 − e pour tout x ∈ R ,

−λx +

 E(X) = λ1 ,
 V (X) = λ1 . 2

 Pour tout réel strictement positif a, la variable a.X suit la loi E(λ/a).
 Si Y est indépendante de X et suit la loi E(µ), alors Z = inf(X; Y ) est
une variable aléatoire qui suit la loi exponentielle de paramètre λ + µ.
5.2. LOI EXPONENTIELLE 39

1 f : Fonction de densité

0 a

P (X ≤ a)

P (X ≤ a)
F : Fonction de répartition

0 a

Critères pour reconnaître cette loi :

Une variable X suit sans doute une loi exponentielle si :
 X est à valeurs dans R+ , en particulier on ne sait pas dire à l'avance quelle
est la valeur maximale de X,
 X correspond à une durée de vie ou une durée d'expérience,
 X est à perte de mémoire.

5.2.2 Liens avec les lois discrètes

De même qu'il existe un lien fort entre les lois uniformes discrètes et les lois
uniformes continues, la loi exponentielle a des liens étroits avec la loi géométrique.
On peut s'en convaincre en comparant les fonctions de répartitions des deux lois
(attention, elles ne sont pas à la même échelle) :
0,3

0,3

0,2

0,2

0,1

0,1

0 2 4 6 8 10
40 CHAPITRE 5. LOIS CONTINUES SIMPLES

De la loi exponentielle à la loi géométrique

Vérions tout d'abord ce qui apparaît si on arrondit une variable de loi expo-
nentielle.

Propriété 26 Si X suit la loi exponentielle de paramètre λ, et si Y = ⌈X⌉, alors

Y suit la loi géométrique de paramètre p = 1 − e . −λ

La notation ⌈X⌉ signie partie entière supérieure, nous l'utilisons car nous
cherchons à obtenir une variable à valeurs strictement positives.
Chapitre 6
Loi normale et TCL

6.1 Loi normale ou Gaussienne

6.1.1 Loi normale centrée réduite

La loi normale ou loi de Laplace-Gauss ou encore loi Gaussienne est l'une des
distributions que l'on rencontre le plus souvent en pratique. Nous commencerons
par la loi normale centrée réduite, c'est-à-dire celle de paramètres 0 et 1, car nous
pourrons nous y ramener quand nous voudrons utiliser les autres lois Gaussiennes.

Dénition 29 (Loi normale centrée réduite)

Soit X une variable aléatoire absolument continue prenant ses valeurs dans R, et
dont la fonction de densité est :
1 x2
f (x) = √ e− 2 , pour tout x ∈ R.
2π
X s'appelle une variable normale centrée réduite.
On note L(X) = N (0, 1).
Propriété 27
Soit X une variable aléatoire telle que L(X) = N (0, 1) alors :
 E(X) = 0, ce qui signie que X est centrée,
 V (X) = 1, ce qui signie que X est réduite,
 pour tout t ∈ R, on a P (X = t) = 0, donc P (X ≤ t) = P (X < t).
Remarque : On ne sait pas donner de formule pour la fonction de répar-
tition de X. Donc pour les calculs il nous faut une aide : soit un ordinateur (ou
une calculatrice) soit une table de valeurs. En eet, il existe de nombreuses tables
qui donnent des valeurs précises de la fonction de répartition de la loi normale
centrée réduite. Deux tables vous sont données en annexe des ches de TD :

41
42 CHAPITRE 6. LOI NORMALE ET TCL

Table de la loi normale

La table de la loi normale permet de lire les valeurs de F (t) = P (X ≤ t) pour
t ∈ [0, 3[ avec une précision sur t de 0.01.
Apprendre à ce servir de cette table est indispensable pour la suite. Pour cela
il faut connaître l'allure de la densité de la loi normale, ainsi que les quelques
astuces suivantes.

Voici le graphe de la fonction de densité de la loi normale centrée :

-2 -1 0 t 1 2

P (X ≤ t)

Propriété 28 Les égalités suivantes seront utiles pour obtenir des valeurs qui ne
sont pas dans la table. Soit un réel t ≥ 0,
 P (X < t) = P (X ≤ t),
 P (X > t) = 1 − F (t),
 P (X ≥ −t) = F (t),
 P (X < −t) = 1 − F (t),
 P (−t ≤ X ≤ t) = P (X ≤ t) − P (X < −t) = 2.F (t) − 1.
Il est vivement conseillé de faire une ébauche de la courbe de Gauss, et de colorier
la zone que l'on étudie avant de se lancer dans les calculs.

Table inverse de la loi normale

La table inverse de la loi normale permet de lire la valeur de t ∈ [−3, 3] telle
−1
que t = F (p), c'est-à-dire F (t) = p pour p ∈ [0, 1] avec une précision sur p de
0.001.
Pour apprendre à l'utiliser le mieux est de voir quelqu'un le faire, ce qui sera
fait en cours et en TD.
6.1. LOI NORMALE OU GAUSSIENNE 43

6.1.2 Loi normale

De nombreuses grandeurs peuvent être prévues avec une certaine marge d'er-
reur, le poids d'une pièce en sortie d'usine, la température qu'il fera demain, le
temps que dure un cours de mathématiques... il se trouve que très souvent ces
valeurs suivent une loi normale.
Cependant ces quantités ne suivent pas la loi normale centrée réduite car elles
ne sont pas d'espérance 0 et de variance 1. Il faut donc généraliser cette loi pour
pouvoir la faire correspondre à des variables qui ne sont ni centrées ni réduites.
Les paramètres de la loi normale générale sont son espérance et son écart-
type (certains auteurs utilisent la variance comme second paramètre). Il est donc
tout naturel pour passer d'une loi normale centrée réduite à une loi normale
quelconque d'utiliser les formules vu précédemment pour changer l'espérance et
la variance :

Dénition 30 (Loi normale : N (µ, σ))

Soient X ,→ N (0, 1), µ ∈ R et σ ∈ R . +

La variable T = σX + µ suit la loi N (µ, σ), et sa fonction de densité est :

1 1 x−µ 2
f (x) = √ e− 2 ( σ ) .
σ 2π

Propriété 29 Soit Y ,→ N (µ, σ), alors

 E(Y ) = µ,
 V (Y ) = σ , 2

 Si Z ,→ N (µ , σ ) est indépendante de Y , alors Y +Z ,→ N (µ+µ , √σ

′ ′ ′ 2 + σ ′2 ) ,
 Pour tout a réel, Y + a ,→ N (µ + a, σ),
 Pour tout a réel, a.Y ,→ N (a.µ, |a|.σ),
 En particulier Y σ− µ ,→ N (0, 1).
Cette dernière propriété est très utile pour calculer la probabilité d'évène-
ments du type Y ≤ t. La rédaction sera la suivante :

Y −µ
On pose Y∗ = ,→ N (0, 1), on a donc :
σ
     
Y −µ t−µ ∗ t−µ t−µ
P (Y ≤ t) = P ≤ =P Y ≤ =F ,
σ σ σ σ

on lit cette valeur dans la table de la loi normale centrée réduite.

44 CHAPITRE 6. LOI NORMALE ET TCL

6.2 Théorème central limite

Le théorème central limite explique à lui seul la nécessité d'étudier la loi

normale. Avant cela, il faut juste introduire deux notations dont nous aurons
besoin.

Notation 2 (Moyenne et somme de variables)

Soit (X ) une suite de variables aléatoires. Nous noterons (même si il faudra
systématiquement ré-introduire la notation à chaque exercice) :
i i∈N

 S la somme des n premières variables : X X ,

n

n i
i=1

 X la moyenne des n premières variables : .

n
1X Sn
n Xi =
n i=1 n

Théorème 6.2.1 (TCL : Théorème central limite)

Soit (X ) une suite de variables aléatoires indépendantes, obéissant à la même
loi de probabilité avec E(X ) = µ et V (X ) = σ . Alors, si n est grand,
i i∈N
2
i i

σ
L X n ≃ N (µ, √ ).
n

On en déduit la formulation bien plus utilisée :

Sn − n.µ L
TCL : √ −→ N (0, 1).
σ n n→+∞

En pratique, dès que n > 50, on peut considérer que l'approximation par la loi
N (0, 1) est satisfaisante, et permet, en utilisant les tables, de donner de bonnes
valeurs approchées :

Théorème 6.2.2 (TCL : Version simpliée)

Soit (X ) une suite de variables aléatoires indépendantes de même loi. Alors,
si n > 50 :
i i∈N

X et S suivent des loi normales.

n n

Il faut alors calculer l'espérance et l'écart type de la variable pour trouver les
paramètres de la loi.
Exercices : Soient X1 ; X2 ; ...; X60 des variables indépendantes de loi E(10).
Quelle est la loi (approximative) de la somme de ces variable ? De leur moyenne ?
6.2. THÉORÈME CENTRAL LIMITE 45

6.2.1 Cas particulier : la loi binomiale

Soit X une variable aléatoire suivant une loi binomiale B(n, p). On a vu que
X = X1 + ... + Xn , où les Xi sont des variables aléatoires de Bernoulli indépen-
dantes de même paramètre p.
Lorsque n est grand on peut donc appliquer le théorème central limite, ce qui
donne !
X − np
L p ≃ N (0; 1).
np(1 − p)
On en déduit
p
L (X) ≃ N (np, np(1 − p)).

En pratique on utilise l'un des critères suivants :

p
 Dès que n > 50, on peut considérer que B(n, p) ≈ N (np, pnp(1 − p)).
 Si n > 30, np > 5 et n(1 − p) > 5, alors B(n, p) ≈ N (np, np(1 − p)).

On peut deviner la validité de l'approximation en comparant le graphe de la

loi binomiale de paramètres 40 et 0.4 ci-dessous et la courbe de Gauss :

0,12
p = 0,4, n = 40
0,10

0,08

0,06

0,04

0,02

0,00
0 10 20 30 40

6.2.2 Correction de continuité

L'argument suivant semble invalider les approximations précédentes :
Nous utiliserons l'approximation de la loi Binomiale par la loi normale comme
illustration, mais ce raisonnement (et la correction que nous donnerons ensuite)
est valable dès qu'on approche une loi discrète par une loi continue.
√
Nous avons vu que
√ B(60, 0.5) ≈ N (30, 15). Mais si X ,→ B(60, 0.5) et
Y ,→ N (30, 15), on remarque que P (X = 33) > 0 alors que P (Y = 33) = 0.
46 CHAPITRE 6. LOI NORMALE ET TCL

Comment faire alors pour trouver une valeur approchée de P (X = 33) à partir
d'une loi continue qui nous donnera toujours 0 pour un évènement de ce type ?
Pour ce faire il faut revenir à la représentation graphique de la loi normale :

0 µ 33

On remarque que l'ensemble des valeurs qui seront arrondies à 33 sont celles
comprises entre 32.5 et 33.5. Et nous utiliserons donc l'astuce suivante :

P (X = 33) = P (32.5 < X < 33.5) ≃ P (32.5 < Y < 33.5).

Ceci donnera un résultat bien meilleur que P (X = 33) ≃ 0.

X est une variable à valeurs entières, si

De même et de façon plus générale, si
Y L(X) ≃ L(Y ), alors les corrections de continuités
est une variable continue et si
suivantes donneront de très bonnes approximations pour tout entier k :
 P (X = k) = P (k − 0.5 < X < k + 0.5) ≃ P (k − 0.5 < Y < k + 0.5),

 P (X ≤ k) = P (X < k + 0.5) ≃ P (Y < k + 0.5),

 P (X < k) = P (X < k − 0.5) ≃ P (Y < k − 0.5),

 P (X ≥ k) = P (X > k − 0.5) ≃ P (Y > k − 0.5),

 P (X > k) = P (X > k + 0.5) ≃ P (Y > k + 0.5).

Remarque : Si X est une variable discrète telle que l'écart entre deux valeurs
consécutives est α, alors il faut remplacer dans les formules ci-dessus tous les 0.5
par α/2.