D ÉPARTMENT M ATHÉMATIQUES -I NFORMATIQUE

Deuxième année préparatoire (2019-2020)

Module de Mathématiques Appliquées

P ROBABILITÉS

P OLYCOPIÉ DE COURS

R ÉDIGÉ PAR AMAL YOUSSEF

Table des matières
Avant-Propos 2

1 Introduction aux Probabilités 3

1.1 Notions de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Dénombrements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Espace de Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Probabilité Conditionnelle et Indépendance 8

2.1 Probabilité Conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Probabilités Totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Indépendence d’Événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3 Variable Alétoire Discrète 12

3.1 Définitions et Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Variables Aléatoires Conjointes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Lois Discrètes Usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.1 Schéma de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.2 Loi Binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3.3 Loi de Geometrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3.4 Loi de Hypergéometrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.5 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

4 Variable Alétoire Continue 19

4.1 Définitions et Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2 Lois Continues Usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.1 Loi Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.2 Loi Exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2.3 Loi Normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2.4 Loi Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3 Théorème Central Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

1
Avant-Propos

Ce polycopié de cours s’adresse aux élèves de la deuxième année préparatoire de l’ENSA de Tanger.
Il introduit les probabilités d’une manière basique et élémentaire tout en donnant l’essentiel permettant
de suivre d’autres cours de mathématiques pour l’ingénierie : statistique, recherche opérationnelle, pro-
cessus stochastiques,...
Les prérequis de ce cours sont principalement constituées de cours d’analyse et de la théorie des en-
sembles dispensés durant la première année préparatoires de l’ENSA.
L’objectif principale de ce cours est d’étudier les variables aléatoires discrètes, continues et conjointes
ainsi que d’acquérir les paratiques d’utilisation des lois usuelles discrètes et continues.
Pour des raisons pédagogiques, les preuves des théorèmes ainsi que les solutions des exemples et des
exercices sont donnés en séance de cours.

2
1 Introduction aux Probabilités

1.1 Notions de Base

Théorie des probabilités : est une science mathématique qui fournit des modèles mathématiques per-
mettant l’étude d’expériences dont le résultat est aléatoire (expérience aléatoire).

Probabilité : est un nombre qui mésure la chance de réalisation d’un événement par des expériences
aléatoires.

Evénement : Etant donnée une expérience aléatoire, on note Ω l’ensemble de tous les résultats possibles
de cette expérience, appelé espace d’évènements. Un élément ω de Ω est appelé évènement élé-
mentaire. Un sous-ensemble A de Ω est appelé un évènement. Ainsi, A se réalise lorsque le résultat
ω de l’expérience appartient à A.

Exemples :

— Lancer un dé régulier : Ω = {1, 2, 3, 4, 5, 6}, ω = 3, A = {2, 4, 6}.

— Prélèvement de n objets en sortie d’une chaîne de production : Ω = {N ∈ N | N est le nombre d’objets défectue
ω = 10, A = {N ∈ Ω | N < 100}.

— Mise en service d’une ampoule : Ω = {T ∈ R+ | T est la durée de vie de l’ampoule}, ω = 6 mois,

A = {T ∈ R+ | T > 12 mois}.

Opérations Logiques :

A = Ω : A est un évènement certain.

A = ∅ : A est un évènement impossible.

A ∪ B : évènement (A ou B) ; A ∪ B se réalise ssi A se réalise ou B se réalise).

A ∩ B : évènement (A et B) ; A ∩ B se réalise ssi A se réalise et B se réalise.

Ac : évènement contraire de A ; Ac se réalise ssi A ne se réalise pas.

B ⊂ A : tout évènement élémentaire de B est dans A ; si B est réalisé alors A est aussi réalisé.

A ∩ B = ∅ : A et B sont incompatibles.

3
1.2 Dénombrements

Permutations : Soit E un ensemble de cardinal n. Une permutation de n éléments distincts (x1 , . . . , xn )

est un réarrangement ordonné, sans répétition de ces n éléments.

Proposition : Le nombre de permutations de n éléments distincts est n!.

Exemple : On considère E = {a, b, c}. De l’ensemble E, fabriquer toutes les permutations possibles de
3 éléments distincts.

Arrangements : Soit E un ensemble de cardinal n. Un arrangement est une collection de k éléments

pris successivement parmi n éléments distincts (k ≤ n). Les éléments sont pris sans répétition et
sont ordonnés.

Proposition : Le nombre d’arangements de k éléments de E, de cardinal n, est donné par : Akn =

n!
= (n − k + 1) × . . . × n.
(n − k)!
Exemple : Combien de nombres de trois chiffres peut-on écrire avec des chiffres impairs tous distincts ?

Combinaisons : Soit E un ensemble de cardinal n. Une combinaison est une collection de k éléments
pris simultanément parmi n éléments de E. Les éléments sont pris sans répétition et ne sont pas
ordonnés.

Proposition : Le nombre de combinaisons de k éléments de E (de cardinal n) est donné par : Cnk =
n! Ak
= n , qui est appelé coefficient binomial.
k!(n − k)! k!
Propriétés : Soit n et k deux entiers naturels. On a :

1. Cnk = Cnn−k pour tout k ≤ n.

k−1
2. Cnk = Cn−1
k
+ Cn−1 pour tout 1 ≤ k ≤ n − 1.
n
3. (a + b)n = Cnk an−k bk (Binôme de Newton).
P
k=0

4. card((P)(E)) = 2n ((P) est la partie de E).

Exemple : On a 5 médicaments {a, b, c, d, e} et on veut tester leur compatibilité en groupe de 2 et en

groupe de 3. Combien y a-t-il de groupes possibles pour chaque cas ? lesquels ?

4
Arrangements avec répétition : Soit E un ensemble de cardinal n (n ∈ N∗ ) et k ∈ N∗ , un k-arrangement
avec répétition d’éléments de E, est une application de {1, 2, . . . , k} dans E, autrement dit, c’est
un réarrangement ordonné de k éléments de E (k-uplet) pouvant contenir des éléments répétés.
k
Proposition : Le nombre d’arrangement avec répétition est égal à An = nk .

Exemple : Combien de mots de 3 lettres peut-on former avec les lettres A et B ? lesquels ?

Permutation avec répétition : Soit E un ensemble de cardinal k. Une permutation de n éléments de

E avec n1 , . . . , nk répétitions est un n-uplet d’éléments de E dans lequel chacun des éléments
x1 , . . . , xk de E apparaît respectivement n1 , . . . , nk fois tels que n1 + . . . + nk = n.

Proposition : Le nombre de permutations de n éléments avec n1 , . . . , nk répétitions est égal à :

 
n n!
Pn (n1 , n2 , . . . , nk ) =  =
 
n1 , n2 , . . . , nk n1 !n2 !...nk !

Exemple : Combien de mots de 5 lettres peut-on former avec deux lettres de A, une seule lettre de B et
deux lettres de C ?

Combinaisons avec répétition : Soit E un ensemble de cardinal n. On appelle combinaison avec ré-
pétition de k éléments de E, toute collection de k éléments de E, non ordonnée, et non né-
cessairement distincts. Autrement dit, c’est une application f de E dans {0, 1, ..., k}, telle que :
f (x1 ) + f (x2 ) + . . . + f (xn ) = k où f (xi ) indique le nombre de fois que xi est choisi.
k k
Proposition : Le nombre de combinaisons avec répétition de k éléments parmi n vaut : C n = Cn+k−1 .
k k−1 k 1 k
Propriété : ∀n > 1, ∀k > 1 on a : C n = C n + C n−1 . Et ∀n ≥ 1, ∀k ≥ 1 on a : C n = n, C 1 = 1.

Exemple : On jete simultanément dix dés à six faces (numérotées de 1 à 6). Combien de résultats peut-on
obtenir ?

Exemple : Muni de 2 «bon pour une boisson», vous allez prendre livraison du rayon boissons gazeuses
qui peut délivrer 5 sortes de boissons dénommées A,B,C,D,E. De combien de manières cette livrai-
son peut-elle être réalisée ? lesquels ?

5
1.3 Espace de Probabilité

Espace de Probabilité : Soit Ω un ensemble. Une loi de probabilité P sur P(Ω) est une fonction qui à
tout évènement A associe un nombre réel P (A), et qui a les trois propriétés suivantes :

— 0 ≤ P (A) ≤ 1,

— P (Ω) = 1,

— Pour toute famaille finie ou dénombrable (An )n∈I d’ évènements deux à deux disjoints, on a :
P
P (∪n∈I An ) = n∈I P (An ), où I ⊂ N. (Ω, P ) s’appelle espace de probabilité.

Exemple : On lance un dé et on observe la face du dessus. on suppose que le dé est parfaitement équi-
libré, de sorte que la probabilité de chaque face est la même. Quelle est la probabilité de l’évène-
ment : A = {5, 6} ?

Propriétés : Soit (Ω, P ) un espace de probabilité. On a :

1. Si A est un évènement de probabilité P (A) connue, alors P (Ac ) = 1 − P (A),

2. P (∅) = 0,

3. Si A ⊂ B alors P (A) ≤ P (B),

4. P (A ∪ B) = P (A) + P (B) − P (A ∩ B) (probabilié totale).

Proposition : Pour toute famille finie ou dénombrable (An )n∈I d’évènements, où I ⊂ N, on a :

1. Si (An )n∈I est une suite croissante d’évènements alors P (∪n∈I An ) = lim P (An ).
n→+∞

2. Si (An )n∈I est une suite décroissante d’évènements alors P (∩n∈I An ) = lim P (An ).
n→+∞
P
3. P (∪n∈I An ) ≤ P (An ).
n∈I

Evènements équiprobables : Soit (Ω, P ) un espace de probabilité avec Ω = {w1 , w2 , . . . , wn }. Les

évènements élémentaires wi sont dits équiprobables si : P ({w1 }) = P ({w2 }) = . . . = P ({wn }).
Dans ce cas, pour tout évènement A, on a : P (A) = card(A)/card(Ω). Cette loi de probabilité est
souvent appelée loi uniforme.

Remarques :

6
 1. L’hypothèse de l’équiprobabilité n’est pas toujours vérifiée.

2. L’équiprobabilité est appliquée seulement pour un espace d’évènements Ω fini.

3. Le calcule de la probabilité des évènements équiprobables revient donc à dénombrer des

ensembles.

Exemple : On tire une boule dans une urne contenant 2 boules blanches, 1 noire, 4 vertes, 5 rouges, et
on regarde sa couleur.

1. Proposer un espace de probabilité modélisant cette expérience.

2. Quelle est la probabilité d’obtenir une boule rouge ?

3. Quelle est la probabilité d’obtenir une boule rouge ou verte ?

Exemple : Pour contôler la qualité d’un lot de pièces produites par une machine, on prélève successi-
vement 3 pièces de ce lot, et pour chacune d’elle, on note si elle est bonne (B) ou défectueuse
(D).

1. Proposer un espace de probabilité modélisant cette expérience.

2. Quelle est la probabilité d’obtenir au moins 2 pièces défectueuses ?

3. Quelle est la probabilité d’obtenir une pièce défectueuse au 2-ième et au 3-ième tirage ?

7
2 Probabilité Conditionnelle et Indépendance

2.1 Probabilité Conditionnelle

Exemple : On se donne le tableau suivant représentant la proportion de garçons (G) et de filles (F)
étudiant l’anglais (A) ou l’espagnol (E) en 1 ère langue :

Sexe A E Total

G 48 22 70

F 53 27 80

101 49 150
Quelle est la probabilité qu’un élève fasse de l’anglais sachant que c’est un garçon ?

Probabilité Conditionnelle : Soit (Ω, P ) un espace de probabilité, et soit B un évènement tel que
P (B) 6= 0. La probabilité de A sachant que B est notée P (A|B), et est définie par : P (A|B) =
P (A ∩ B)
.
P (B)
Remarques Soit B un évènement tel que P (B) 6= 0.

1. Montrer que l’application qui à A associe P (A|B) est une loi de probabilité sur Ω.

2. Donner une propriété de A qui implique P (A|B) = 1, qui implique P (A|B) = 0, qui im-
P (A)
plique P (A|B) = .
P (B)
Exemple : Un couple a deux enfants. Sous l’une des conditions suivantes :

1. l’aîné est un garçon,

2. l’un des enfants est un garçon,

avec quelle probabilité le couple a-t-il une fille ?

8
2.2 Probabilités Totales

Probabilités Composées : Soit (Ω, P ) un espace de probabilité, et soient A1 , ..., An des évènements tels
que P (An , ..., A1 ) 6= 0. On a :

P (An , An−1 , ..., A1 ) = P (An |An−1 , ..., A1 )...P (A2 |A1 )P (A1 ).

Exemple : Sachant que flash d’un appareil photo n’a pas eu panne durant les n premiers déclenchements
(n entier positif ou nul), la probabilité pour qu’il fonctionne au (n + 1)-ième est égale à p (0 < p <
1).

1. Quel est la probabilité pour qu’il n’ait pas de panne au cours des 100 premiers déclenche-
ments ?

2. Sachant qu’il a fonctionné n fois, avec quelle proba- bilité fontionnera t-il au moins 100 fois
de plus ?

Probabilités Totales : Soit (Ω, P ) un espace de probabilité, et soit C1 , ..., Cn une partition de Ω. Soit A
un évènement. On a :

P (A) = P (A|C1 )P (C1 ) + ... + P (A|Cn )P (Cn ).

Remarque : Ce résultat se généralise à un système complet dénombrable d’évènements.

Formule de Bayes : Soit (Ω, P ) un espace de probabilité, et soit {C1 , ..., Cn } une partition de Ω. Soit
A un évènement tel que P (A) 6= 0. On a :

P (A|Ck )P (Ck )
P (Ck |A) = Pn .
i=1 P (A|Ci )P (Ci )

Exemple : En un pays donné, la population active comprend 40% de femmes. Le taux de chômage chez
les hommes est 10% et il est chez les femmes 15%. On tire au sort une personne parmi les actives.

1. Avec quelle probabilité est-elle au chômage ?

9
 2. Sachant qu’elle est au chômage, avec quelle probabilité est-ce une femme ?

Exemple : On dispose de trois urnes U1 , U2 , U3 contenant chacune un certain nombre de boules bleues
(B) et rouges (R), comme indiqué dans le tableau ci-dessous :

B R

U1 1 3

U2 3 2

U3 4 2
On tire au hasard une urne, puis une boule de cette urne. La boule tirée est bleue (B), mais quelle
est la probabilité qu’elle provienne de U1 ?

Exemple : Cinq personnes sur 1 000 sont proteuses d’un virus. On fait un test dont les conclusions
sontque 5% des non malades et 99% des malades sont décelés comme étant malades. Quelle est la
probabilité qu’une personne soit malade (M) sachant que son test est positif (P) ?

2.3 Indépendence d’Événements

Evènements indépendants : Soit (Ω, P ) un espace de probabilité, et soient A et B deux évènements.

On dit que ces évènements sont indépendants si : P (A ∩ B) = P (A).P (B).

Indépendance totale : Soit (Ai )i∈I une famille d’évènements. On dit que ces évènements sont en indé-
pendance totale si si la probabilité de toute intersection d’événements de cette suite est le produit
Q
des probabilités, c.à.d. : ∀J ⊂ I on a : P (∩j∈J Aj ) = j∈J P (Aj ).

Remarque : L’indépendance totale entraîne l’indépendance deux à deux mais la réciproque est fausse.

Proposition : On a équivalence entre :

1. A et B sont indépendants.

2. A et B c sont indépendants.

3. Ac et B c sont indépendants.

4. Ac et B sont indépendants.

10
Exemple : Considérons l’ensemble {1, 2, 3, 4} muni de la probabilité uniforme et les événements A =
{1, 2}, B = {2, 3} et C = {1, 4, 3}. Vérifier l’indépendance entre A et B et entre A et C.

Exemple : Considérons le lancer de deux dés et les événements : A = {1, ..., 6} × {1, 2, 5}, B =
{1, ..., 6} × {4, 5, 6} et C = {(i, j) ∈ {1, ..., 6}2 | i + j = 9. Vérifier si A, B, C sont indépendants
dans leur ensemble.

11
3 Variable Alétoire Discrète

3.1 Définitions et Caractéristiques

Exemple : On lance deux dés, et on regarde la somme des points obtenus. On choisit pour modèle
probabiliste du lancer des deux dés : Ω = {(i, j), 1 ≤ i ≤ 6, 1 ≤ j ≤ 6} muni de la loi de
probabilité P uniforme. Avec quelle probabilité la somme des points obtenus est-elle égale à 5 ?

Variable Aléatoire : Une variable aléatoire (v.a.) X est une fonction définie sur l’espace d’évènements
Ω, qui associe chaque résultat de l’expérience aléatoire étudiée à une valeur numérique :

X:Ω→R
ω 7→ X(ω).

— Une variable aléatoire X qui prend ses valeurs dans un sous-ensemble fini ou dénombrable
de R est dite discrète

— Sinon, elle est dite continue.

Loi de probabilité : La famille (pi )i∈I des nombres pi = P (X = xi ) s’appelle la loi de probabilité (ou
distribution de probabilité) de la v.a. X.

Exemple : On lance une pièce de monnaie 3 fois de suite.

1. Déterminer l’espace d’évènement de cette expérience.

2. Déterminer la loi de Probabilité de la v.a. X ="Nombre de faces Obtenues".

Remarque : Soit X une v.a. telle que X(Ω) = {xi ; i ∈ I} où I ⊂ N∗ . Sachant que l’ensemble {ω ∈
Ω | X(ω) = xi }, noté aussi {X = xi }, est un évènement de l’espace de probabilité (Ω, P ), alors
{X = xi }i∈I forment un système complet d’évènements de Ω, c.à.d. :

— {X = xi } ∩ {X = xj } = ∅ pour i 6= j.

— ∪i∈I {X = xi } = Ω.

Fonction de répartition : Soit X une v.a.. On appelle fonction de répartition F de X la fonction de R

dans [0, 1], définie pour tout x ∈ R par : FX (x) = P (X ≤ x).

12
Proposition : Soit FX une fonction de répartition. Alors

1. FX est croissante.

2. FX est partout continue à droite.

3. lim FX (x) = 1 et lim FX (x) = 0.

x→+∞ x→−∞

4. P (a ≤ X ≤ b) = FX (b) − FX (a).

Exemple : Soit X le nombre de face quand on lance une pièce de monnaie 3 fois de suite. Déterminer
la fonction de répartition de la v.a. X et tracer sa courbe.

Remarque : Deux v.a. ayant même loi ont même fonction de répartition.

Exemple : On choisit au hasard deux chiffres différents et on considère la variable aléatoire X corres-
pondant au plus petit des deux chiffres.

1. Trouver la fonction de probabilité de X

2. Trouver la fonction de répartition de X

3. Trouver P (3 ≤ X ≤ 6)

4. Trouver P (2 < X < 5)

5. Trouver P (X > 7)

Espérance : L’espérance ou moyenne d’une v.a. discrète X est la moyenne des valeurs que peut prendre
P
X, pondérée par les probabilités de ces valeurs, et on écrit : E[X] = xk P (X = xk ).
k≥0

Variance : La variance d’une v.a. discrète X mesure la dispersion de la v.a. X autour de sa valeur
moyenne et elle est donnée par le réel :

V [X] = E[(X − E[X])2 ]

Écart type : ou déviation standard de la variable aléatoire X, noté par σ(X), est défini comme la racine
carrée positive de la variance :
p
σ(X) = V [X]

13
Remarque : Deux variables ayant même loi ont même espérance, même variance.

Exemple : Calculer l’espérance et la variance de la v.a. X nombre de face quand on lance une pièce de
monnaie 3 fois de suite.
P
Théorème du transfert : Pour toute application g de X(Ω) dans R on a : E[g(X)] = g(xk )P (X =
k≥0
xk ).

Proposition : Soit a une constantes et soient X et Y deux variables aléatoires, on a :

1. E[a] = a et V [a] = 0,

2. E[aX] = aE[X] et V [aX] = a2 V [X],

3. E[X + Y ] = E[X] + E[Y ].

4. V [X] = E[X 2 ] − (E[X])2

Indépendance : Deux v.a. X et Y sont dites indépendantes si, pour tous i et j, les évènements {X = xi }
et {Y = xj } sont indépendants.
P
Probabiltés Totales : Soient X et Y deux v.a.. Pour tout xi ∈ X(Ω), P (X = xi ) = P (X =
xj ∈Y (Ω)
xi |Y = xj )P (Y = xj ).

Exemple : On lance deux dés équilibrés et on note X et Y les deux chiffres obtenus. Soit Z = X + Y .
Quelle est la loi de Z ?

3.2 Variables Aléatoires Conjointes

Loi conjointe : Soit (X, Y ) un couple de variables aléatoires définies sur l’espace de probabilité (Ω, P ).
On appelle loi conjointe du couple (X, Y ) l’application :

P(X,Y ) : X(Ω) × Y (Ω) → [0, 1]

(x, y) 7→ P (X = x, Y = y)

Exemple : On place au hasard deux billes rouge et verte dans deux boites A et B. On note X, la variable

14
 aléatoire « nombre de billes dans la boite A » et Y , la variable aléatoire « nombre de boites vides
». Déterminer la loi conjointe du couple (X, Y ).

Théorème du transfert : Pour toute application g de I = X(Ω) × Y (Ω) dans R on a : E[g(X, Y )] =

P
g(x, y)P (X = x, Y = y).
(x,y)∈I

Proposition : Soient X et Y deux v.a. indépendantes. définies sur le même espace d’événements. Alors :
E[X.Y ] = E[X].E[Y ] et V [X + Y ] = V [X] + V [Y ].

Remarque : La réciproque est fausse.

Covariance : Si X et Y sont deux variables aléatoires définies sur le même espace d’événements Ω, on
appelle covariance de ces deux variables, le réel : cov(X, Y) = E[XY] − E[X]E[Y]

Exemple : Reprendre l’exemple précédent et :

— Calculer E[X], E[Y ] et E[X.Y ].

— Justifier pourquoi les v.a. X et Y ne sont pas indépendantes.

3.3 Lois Discrètes Usuelles

3.3.1 Schéma de Bernoulli

Epreuve de Bernoulli : C’est une expérience aléatoire dont l’espace d’évè-nements se compose seule-
ment de 2 événements élémentaires (succès, échec), par exp : Un patient à l’hôpital survit ou non,
un client signe le contrat ou non,...

Loi de Bernoulli : On associe à l’épreuve de Bernoulli une variable aléatoire Y qui prend la valeur 1 si
l’évènement est réalisé et la valeur 0 sinon. Ainsi, la loi de Y est donnée par : P (Y = 1) = p et
P (Y = 0) = 1 − p. On dit alors que Y suit la loi de Bernoulli de paramètre p, notée B(p).

Proposition : Soit Y une v.a. qui suit la loi de Bernoulli B(p). Alors : E[Y ] = p et V [Y ] = p(1 − p).

Exemple : Urne contenant deux boules bleues et trois vertes. Soit La variable X valant 1 si la boule tirée
est bleue et 0 si c’est une verte. Déterminer la loi de X et calculer son espérance.

15
Schéma de Bernoulli : Un schéma de Bernoulli est la répétition n fois de la même épreuve dans les
mêmes conditions et tels que :

— Chaque épreuve a deux issues : succès [S] ou échec [E].

— Pour chaque épreuve, la probabilité d’un succès est la même, notons : P (S) = p et P (E) =
1 − p.

— Les n épreuves sont indépendantes : la probabilité d’un succès ne varie pas, elle ne dépend
pas des informations sur les résultats des autres épreuves.

3.3.2 Loi Binomiale

Loi Binomiale : Soit X la v.a. qui représente le nombre de succès obtenus lors des n épreuves d’un
schéma de Bernoulli. Alors on dit que X suit la loi Binomiale de paramètres (n, p), notée B(n, p).
Cette loi est données par : P (X = k) = Cnk pk (1 − p)n−k pour tout 0 ≤ k ≤ n.

Proposition : Soit X une v.a. qui suit la loi Binomiale B(n, p). Alors : E[X] = np et V [X] = np(1−p).

Exemple : Soit l’expérience aléatoire consistant à lancer 2 dés. Un succès consiste à obtenir une somme
égale à 7. Si on répète 4 fois cette expérience aléatoire, quelle est la probabilité d’obtenir 2 succès ?

Exemple : Un lot contient 20 articles parmi lesquels 4 sont défectueux. On tire avec remise 7 articles du
lot. Calculer :

1. La probabilité d’observer exactement un article défectueux.

2. La probabilité d’observer au moins 4 articles défectueux.

3. La moyenne et la variance du nombre d’articles défectueux.

3.3.3 Loi de Geometrique

Principe : On répète continuellement et de façon indépendante une épreuve de Bernoulli dont la pro-
babilité de succès est p. Soit X le nombre d’épreuves nécessaires pour obtenir un premier succès.
Alors X suit une loi géométrique de paramètre p, notée par G(p).

16
Loi de Geometrique : Une v.a. X qui suit la loi géométrique G(p) est une v.a. qui prenne ses valeurs n
dans {1, 2, ...} tels que : P (X = n) = p(1 − p)(n−1) .

Proposition : Soit X une v.a. qui suit la loi Géométrique G(p). Alors : E[X] = 1/p et V [X] = (1 −
p)/p2 .

Exemple : Supposons des clients qui achètent des melons au rayon fruits du supermarché. 30% d’entre
eux ont préalablement senti leur melon. Quelle est la probabilité que le quatrième client soit le
premier à humer son achat ?

3.3.4 Loi de Hypergéometrique

Exemple : Considérons une urne contenant N boules dont un pourcentage m sont blanches. On tire
successivement et sans remise n boules de cette urne et on s’intéresse à la v.a. X représentant le
nombre de boules blanches tirées. Quelle est alors la probabilité qu’exactement k boules blanches
sont tirées ?

Principe : On tire sans remise n objets d’un ensemble de N objets dont m = N.p possèdent une carac-
téristique particulière C, en supposant que tous les objets ont la même chance d’avoir C. Soit X le
nombre d’objets de l’échantillon qui possèdent la caractéristique C.

Loi de Hypergéometrique : : Une v.a. X qui suit la loi Hypergéométrique H (N, n, p) est une v.a. qui
CNk p CNn−k
(1−p)
prenne ses valeurs k dans {0, ..., n} tels que : P (X = k) = n
.
CN
Proposition : Soit X une v.a. qui suit la loi Hypergéométrique H (N, D, n). Alors : E[X] = np et
N −n
V [X] = np(1 − p) .
N −1
Exemple : Dans un groupe de 25 personnes, 10 sont fumeurs. On choisit au hasard et simultanément,
quatre de ces personnes pour former un comité.

1. Quel nombre de fumeurs peut-on espérer dans ce comité ?

2. Quelle est la probabilité que le comité ait moins de fumeurs que de non-fumeurs ?

17
3.3.5 Loi de Poisson

Principe : Soit X une v.a représentant le nombre de succès d’une expérience aléatoire, où le futur est
indépendant du passé, dans un intervalle de temps fixé. Alors X suit une loi de Poisson de paramètre
λ, notée par P(λ).

Loi de poisson : Soit v.a. X qui prend toutes les valeurs entières k ∈ {0, 1, 2, ...} dans un intervalle de
λk exp(−λ)
temps fixé. On dit que X suit la loi de Poisson P(λ) si : P (X = k) = .
k!
Remarque : B(n, λ/n) tend vers P(λ) qd n tend vers l’infini.

Proposition : Soit X une v.a. qui suit la loi de Poisson P(λ). Alors : E[X] = λ et V [X] = λ.

Exemple : Une machine utilisée dans une chaîne de production tombe en panne en moyenne 2 fois par
mois. Quelle est la probabilité que dans un mois donné la machine :

1. Ne tombe pas en panne ?

2. Tombe en panne au moins deux fois ?

18
4 Variable Alétoire Continue

4.1 Définitions et Caractéristiques

V.a. Continue : Une variable aléatoire est dite continue si l’ensemble des valeurs prises par cette variable
est infini non dénombrable, par exemple dans un intervalle ou sur tout R.

Exemple : — taille des individus d’une population donnée,

— temps d’attente aux guichets d’une gare de train,

— taux de glucose dans le sang...

Fonction Densité : On appelle fonction densité sur un intervalle I, toute fonction f vérifiant :

1. f continue par morceau sur I,

2. f positive sur I,
R +inf ty
3. −∞ f (x) dx = 1.

Définition : La loi d’une v.a. X continue est donnée pour tout c ≤ d par :

Z d
P (X ∈ [c, d]) = f (x)dx
c

où f , dite fonction densité de X, est une fonction positive et continue sur R, sauf éventuellement
en un nombre fini de points.

Remarques :

1. La fonction densité n’est pas unique.

R +∞
2. −∞ f (x)dx = 1.

3. P (X = a) = 0 pour tout a ∈ R.

4. Une v.a. discrète ne possède pas de fonction densité.

5. Calculer la loi de probabilité d’une v.a. revient à calculer sa fonction densité.

Exemple : Supposons que X a la densité f : f (x) = C(4x − 2x2 ) si 0 < x < 2 et f (x) = 0 sinon.
Quelle est la valeur de C ? Que vaut P (X > 0) , P (X > 1) ?

19
Définition : On définit la fonction de répartition d’une v.a. X continue comme FX (x) = P (X ≤ x) =
Rx
−∞
f (t)dt. où f est la fonction densité de X.

Propriétés :

1. FX (x) ∈ [0, 1] pour tout x ∈ R.

2. FX est une fonction croissante.

3. lim FX (x) = 0 et lim FX (x) = 1.

x→−∞ x→+∞

4. FX est continue sur R.

5. FX est de C 1 sauf éventuellement en un nombre fini de points et lorsque FX est dérivable en

x et on a : FX0 (x) = f (x).

Définition : Soit X une variable aléatoire continue et f sa densité.

R +∞
1. On appelle espérance de X le réel, noté E[X], défini par la relation : E[X] = xf (x)dx.
−∞
R +∞
2. On appelle variance de X le réel, noté V [X], défini par la relation : V [X] = −∞ (x −
E[X])2 f (x)dx.
R +∞
3. Soit g une fonction q.c.q définie sur X(Ω). On a : E[g(X)] = −∞
g(x)f (x)dx.

Remarque : L’espérance et la variance existent à condition que les intégrales, qui les définissent, existent.

Propriétés : Les propriétés de l’espérance et la variance d’une variable aléatoire discrète reste valable
pour une variable aléatoire continue.

Exemple : Soit X une variable aléatoire de densité :


 4 x1/3

si 0 ≤ x ≤ 1
f (x) = 3
 0

sinon.

1. Quelle est la fonction de répartition de X ?

2. Quelle est l’espérance de X ?

3. Quelle est la variance de X ?

4. Quelle est la probabilité de l’évènement {1/3 ≤ X ≤ 1/2} ?

20
4.2 Lois Continues Usuelles

4.2.1 Loi Uniforme

Contexte : La loi uniforme est utilisée pour modéliser une grandeur aléatoire qui prends ses valeurs dans
une intervalle sans préférence pour aucune d’elles.

Loi Uniforme : Soient a et b deux réels tels que a < b. On dit qu’une v.a. X suit la loi uniforme sur
[a, b], noté par U[a, b], si elle admet pour densité la fonction f définie par :

1
si a ≤ x ≤ b


f (x) = b−a
 0

sinon.

Fonction de répartition : La fonction de répartition d’une variable aléatoire suivant une loi uniforme
sur [a, b] est : 



 0 si x ≤ a
x−a

F (x) = si a < x < b


 b−a
si x ≥ b.

 1

a+b (b − a)2
Espérance et Varaiance : E[X] = et V [X] = .
2 12
Exemple : Une personne A prend son petit déjeuner tous les matins entre 7h et 7h 45min au café B.

1. Sachant que la personne A ne vient jamais au café B en dehors de la plage horaire indiquée
et qu’il peut arriver à tout instant avec les mêmes chances, quelle densité peut-on attribuer à
la variable aléatoire : « heure d’arrivée de A » ?

2. Calculer la probabilité que A entre au café B :

a) Après 7h30min b) Avant 7h10min

c) Entre 7h20min, 7h22min d) Exactement à 7h30min

3. Calculer l’heure moyenne d’arrivée de A au café B ?

21
4.2.2 Loi Exponentielle

Contexte : Si une v.a. X représente le temps requis pour obtenir un premier succès ou le temps entre
deux succès consécutifs, alors X obéit à une distribution exponentielle. La loi exponentielle est
utilisée pour mesurer par exp. : des temps d’attente, des temps de service, des durées de vie...

Loi Exponentielle : On dit que X suit la loi exponentielle de paramètre λ positif, noté par E(λ), si sa
densité de probabilité est donnée par :

 λe−xλ

si x > 0
f (x) =
 0
 sinon.

Fonction de répartition : La fonction de répartition d’une variable aléatoire suivant une loi exponen-
tielle E(λ) est : 
 1 − e−xλ

si x > 0
F (x) =
 0
 sinon.

1 1
Espérance et Varaiance : E[X] = et V [X] = 2 .
λ λ
Proposition : Si X ∼ E(λ) Alors : P (X > t + s|X > t) = P (X > s) pour tout s et t positives (sans
mémoire).

Exemple : Le samedi soir, entre 20h et 21h, sur la route entre A et B, il y a en moyenne 5 accidents de
la route. Un samedi soir particulier, entre 20h et 21h,

1. Calculer la probabilité qu’il y ait plus de 10 accidents sur cette route.

2. Si l’on sait qu’un accident vient tout juste de se produire sur cette route, calculer la probabilité
qu’il faille attendre plus de 10 minutes avant qu’il s’y produise un autre accident.

4.2.3 Loi Normale

Contexte : — La loi normale est apparue comme limite de certain processus (Théorème Central Li-
mite).

22
 F IGURE 1 – Densité de la loi normale.

— La loi la plus naturelle pour modéliséer les phénomènes continus qui fluctuent de manière
aléatoire autour d’une valeur moyenne µ, tels que une grande proportion des résultats groupés
autour de la moyenne et de moins en moins lorsqu’on s’en éloigne.

Loi Normale : Soit µ ∈ R et σ 2 > 0. On dit que X suit une loi normale de paramètres µ et σ 2 , noté par
(x − µ)2
1 −
N (µ, σ 2 ), si sa densité f est définie sur R par : f (x) = √ e 2σ 2 . On dit que X suit la
σ 2π
loi normale centrée réduite, si X ∼ N (0, 1).

Espérance et Varaiance : E[X] = µ et V [X] = σ 2 .

Fonction de Répartition :
Rx
— ∀x ∈ R, FX (x) = −∞
f (t)dt.

— Impossible de l’exprimer par des fonctions usuelles.

— Pour X ∼ N (0, 1) et x ≥ 0, FX (x) est approchée numériquement. Les valeurs de FX (x)

sont stockées dans la table suivante :

Les autres cas possibles sont déduites à partir des propriétés suivantes :

1. FX (−x) = 1 − FX (x).

2. P (X ≥ x) = 1 − FX (x).

3. P (a ≤ X ≤ b) = FX (b) − FX (a).

4. Si X ∼ N (µ, σ 2 ) alors aX + b ∼ N (aµ + b, a2 σ 2 ) pour tout a ∈ R∗ et b ∈ R.

X −µ
5. Si X ∼ N (µ, σ 2 ) alors ∼ N (0, 1).
σ

23
 F IGURE 2 – Table de la loi normale

Exemple : Une machine fabrique des rondelles de métal dont le diamètre est distribué normalement avec
une moyenne de 2, 4 cm et un écart type de 0, 05 cm.

1. Des rondelles produites par cette machine, trouvons la proportion de celles dont le diamètre :

(a) excède 2, 5 cm,

(b) n’excède pas 2, 32 cm,

(c) est compris entre 2, 35 cm et 2, 46 cm.

2. Trouvons la valeur de x telle que 5% des rondelles présentent un diamètre qui lui est supérieur.

4.2.4 Loi Pareto

Contexte : En observant que 20 % des Italiens possédaient 80 % des richesses de ce pays, Vilfredo
Pareto a construit cette loi PA(α, x0 ) pour répondre à la question suivante : Quelles proportions
d’une population se situent théoriquement en-deçà et au-delà d’un certain seuil ? où le paramètre α
est un paramètre d’échelle et x0 est un paramètre de position.

Loi Pareto Une v.a. continue X suit une loi de Pareto PA(α, x0 ) si elle admet pour densité de probabilité
la fonction :
α

 αx0

si x > x0
f (x) = tα+1
 0

sinon.

Fonction de répartition : La fonction de répartition d’une variable aléatoire suivant une loi Pareto PA(α, x0 )

24
 F IGURE 3 – Densité de la loi Pareto.

est : 
 1 − x0
 α
si x > x0

F (x) = x
 0

sinon.

αx0
Espérance et Varaiance : Pour α > 1 : E[X] = .
α−1
αx20
Pour α > 2 : V [X] = .
(α − 1)2 (α − 2)

4.3 Théorème Central Limite

Théorème Central Limite : Soit (Xn ) une suite de variables indépendantes identiquement distribuées.
Sn − nµ
On pose : µ = E[X1 ], σ 2 = V [X1 ], Sn = X1 + ... + Xn et Yn = √ . Alors le processus
σ n
(Yn )n converge en loi vers une variable aléatoire de loi N (0, 1). En d’autres termes : P (Yn ≤ x) →
t2
1 R x −
√ −∞
e 2 dt.
2π
Exemple On lance un dé 100 fois. Quelle est la probabilité que la somme des résultats soit entre 340 et
360 ?

Exercice : Lorsque une v.a. X suit B(n, p) où n > 30 et p est voisin de 0.5, alors on peut approximer
cette distribution Binomiale par la distribution Normale N (np, np(1 − p)).
p
Exemple : Soit X une v.a. qui suit B(n = 100, p = 0.5). Vérifier que (X − np)/ np(1 − p) peut être
approximée par une distribution normale N (0, 1).

Exercice : Pour λ assez grand, la loi de Poisson P(λ) peut être approchée par la loi normale N (λ, λ).

25
F IGURE 4 – Simulation du T.C.L. pour la loi uniforme.

26