LICENCE PROFESSIONNELLE

MANAGEMENT ET ADMINISTRATION DES ORGANISATIONS

POLYCOPIÉ DE COURS ET TRAVAUX DIRIGÉS

PROBABILITÉS
Pr. Mohamed El Omari
Enseignant Chercheur, Spécialité : Statistique et Probabilités
Ancien Inspecteur Pédagogique, AREF Laâyoune-Sakia El Hamra

vf-2, 24 Mars 2023

Université Chouaib Doukkali Licence Professionnelle M.A.O
Faculté Polydisciplinaire de Sidi Bennour Semestre 2 - Printemps 2024
Pr. Mohamed El Omari Probabilités

COURS ET TRAVAUX DIRIGES

Contents

I COURS 3

1 Analyse combinatoire 3
1.1 Qu'est-ce que l'analyse combinatoire ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Principe de multiplication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Arrangements et permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Exercice 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6 Exercice 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.7 Exercice 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.8 Exercice 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Calcul des probabilités 5

2.1 Expérience aléatoire, univers et événement . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Terminologie des événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Notion de probabilité: Approche axiomatique . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Probabilité conditionnelle et indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.5 Probabilités totales et théorème de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.6 Exercice 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.7 Exercice 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3 Variables aléatoires 8
3.1 Loi d'une variable aléatoire discrète, espérance et variance . . . . . . . . . . . . . . . . . . 8
3.1.1 Variable de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.2 Variable Binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.3 Exercice 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.4 Variable de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Loi d'une variable aléatoire continue, espérance et variance . . . . . . . . . . . . . . . . . 10
3.2.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2.2 Exercice 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2.3 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2.4 Exercice 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2.5 Exercice 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2.6 Loi normale (ou loi de Laplace-Gauss) . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2.7 Loi du chi-deux (ou khi-carrée) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2.8 Loi de Fisher-Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2.9 Loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

II TRAVAUX DIRIGES 13

4 Analyse combinatoire 13
4.1 Exercice 11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2 Exercice 12. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3 Exercice 13. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5 Calcul des probabilités 13
5.1 Exercice 14. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.2 Exercice 15. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.3 Exercice 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.4 Exercice 17. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.5 Exercice 18. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.6 Exercice 19. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.7 Exercice 20. (Loi sans mémoire) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.8 Exercice 21. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.9 Exercice 22. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.10 Exercice 23. (La loi géométrique) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.11 Exercice 24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.12 Examen: Session normale - 2022 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.13 Correction de l'examen - 2022 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Part I
COURS
1 Analyse combinatoire
1.1 Qu'est-ce que l'analyse combinatoire ?

L'analyse combinatoire est l'étude des diérentes manières de "ranger" des objets. Ces objets
peuvent être des nombres, des individus, des lettres, etc. Nous examinerons ici les cas qui se présentent
le plus fréquemment.

1. Arrangements (avec ou sans répétition).

2. Permutations (avec ou sans répétition).

3. Combinaisons (sans répétition).

1.2 Principe de multiplication

Si une expérience aléatoire est constituée de k étapes et s'il y a nj résultats possibles lors de la j
ème étape, pour j = 1, · · · , k , alors il y a n1 × · · · × nk résultats élémentaires dans l'espace échantillon.
C'est le principe de multiplication.

1.3 Arrangements et permutations

Il faut distinguer le cas où l'on range des objets en tenant compte de l'ordre du cas où l'ordre n'importe
pas. Dans le cas où l'on tient compte de l'ordre, on parle d'arrangements.

ˆ Le nombre d'arrangements possibles de k objets parmi n est donné par:

n!
Akn =
(n − k)!
= n(n − 1)(n − 2) · · · (n − k + 1).

ˆ Si on accepte la répétition des objets choisis, on parle d'arrangements avec répétition (ou avec
remise). Dans ce cas on applique la formule suivante: nk

ˆ Cas particulier: si k = n, on parle alors de permutation de n objets. C'est un rangement, ou un

classement ordonné de n objets.
ˆ Le nombre de permutations possibles de n objets est égal à n! = n × (n − 1) × · · · × 2 × 1.
ˆ Le nombre de permutations que l'on peut obtenir si certains des objets sont identiques est plus
faible que si tous les objets étaient distincts.

ˆ Lorsque nous avons n objets comprenant respectivement n1 , n2 · · · , nr termes identiques, le nombre

de permutations est égal à:
n!
.
n1 !n2 ! · · · nr !

1.4 Combinaisons

ˆ Problème. Dix enfants s'échangent des poignées de mains, chacun à chacun une seule fois. Com-
bien y a-t-il de poignées de mains ?

ˆ Si l'ordre dans lequel les objets ont été choisis ne nous intéresse pas, nous pouvons parler de
combinaisons.

ˆ C'est le cas si nous désirons (par exemple) tirer d'une urne cinq boules au hasard, qui en contient
quinze numérotées.
 ˆ La formule générale du nombre de combinaisons de k objets parmi n est égale à:

n! Ak
k
Cn = = n
k!(n − k)! k!

1.5 Exercice 1.

Vérier les assertions suivantes:

(a) Pour tout n ∈ N∗ et 0≤k≤n : Cnk = Cnn−k .

(b) Pour tout n ∈ N∗ et 0≤k≤n :
k+1
Cnk + Cnk+1 = Cn+1 .

(c) Pour tout n ∈ N∗ et 0≤k≤n :

k−1
kCnk = nCn−1 .

(d) Formule du binôme de Newton:

n
X
∀n ∈ N∗ , ∀(a, b) ∈ R2 : (a + b)n = Cnk ak bn−k .
k=0

n
X
(e) ∀n ∈ N∗ : Cnk (−1)k = 0.
k=0

1.6 Exercice 2.

Un cadenas à numéros a trois roues; chacune porte les numéros 0 à 9.

1.
Combien de nombres secrets y a-t-il ?

2. D'un jeu de 40 cartes, on tire deux cartes simultanément (sans remise). De combien de manières
diérentes est-ce possible ?

3. Combien de nombres diérents de 7 chires existe-t-il

a) Si il n'y a aucune restriction?

b) Si les nombres doivent être divisibles par 5?

c) Si les nombres doivent être divisibles par 2?

d) Si les répétitions de chires sont exclues?

4. Ali va disposer 12 livres sur un rayon de sa bibliothèque. 5 d'entre eux sont des livres de mathé-
matiques, 4 de chimie, 2 d'histoire et un de langue.

Ali aimerait ranger ses livres de façon que tous les livres traitant du même sujet restent groupés.
Combien y a-t-il de dispositions possibles ?

1.7 Exercice 3.

Tirage au sort des groupes de la phase nale de la coupe du monde de football. Une urne contient 32
Calculer,
boules contenant chacune le nom d'un pays qualié dont 8 boules sont des pays têtes de série.
dans chacun des cas suivants, le nombre de tirages possibles d'un groupe de 4 pays :

a) tirage simultané (un seul tirage : on ne tient pas compte de l'ordre et sans remise) des 4 boules.

b) tirage simultané d'une boule parmi les têtes de série et de 3 boules parmi les non têtes de série.

c) tirages successifs (on tient compte de l'ordre) sans remise des 4 boules.

d) tirages successifs avec remise des 4 boules.

1.8 Exercice 4.

Le responsable du personnel d'une usine doit constituer, pour assurer une permanence, une équipe
composée de 3 surveillants et de 2 ouvriers d'entretien. Il dispose de 4 surveillants et de 5 ouvriers
d'entretien.

a) De combien de façons diérentes peut-il constituer cette équipe ?

b) Sachant qu'il doit éviter de placer dans la même équipe le surveillant S1 et l'ouvrier O1 . Entre
combien d'équipes diéremment constituées peut-il choisir ?

2 Calcul des probabilités

2.1 Expérience aléatoire, univers et événement

ˆ Une expérience est dite aléatoire si on ne peut pas prédire a priori son résultat. On note ω un
résultat possible de cette expérience aléatoire. L'ensemble de tous les résultats possibles est appelé
univers et noté Ω.
ˆ On appelle événement tout sous-ensemble de l'univers Ω.
ˆ L'ensemble des événements est noté F.
Exemples.

ˆ On lance une pièce de monnaie. Normalement, on ne peut pas prédire si on obtiendra Pileou
Face.

ˆ On lance un dé à six faces numérotées de 1 à 6. On ne peut pas prédire quel nombre entre 1 et 6
sortira.

ˆ On tire 6 boules dans une sphère contenant 49 boules numérotées de 1 à 49. On ne peut pas prédire
quels sont les six numéros que l'on obtiendra.

Les diérents résultats que l'on peut obtenir après une expérience aléatoire s'appellent les issues de
cette expérience aléatoire ou aussi les résultats possibles ou les éventualités de cette expérience
aléatoire.

2.2 Terminologie des événements

ˆ ∅ est appelé événement impossible.

ˆ Ω est appelé événement certain.

ˆ Tout singleton {ω}, où ω ∈ Ω, est appelé événement élémentaire.

ˆ Nous appelons événements incompatibles ou disjoints deux événements A et B tels que A∩

B = ∅, c'est-à-dire qu'il est impossible que A et B se réalisent simultanément.

ˆ L'événement contraire de l'événement A est noté: Ac . C'est l'événement qui se réalise lorsque
A n'est pas réalisé.
ˆ L'événement  A ou B  est noté: A ∪ B. C'est l'événement qui se réalise lorsque l'un des
événements A et B est réalisé.

ˆ L'événement  A et B  est noté: A ∩ B . C'est l'événement qui se réalise lorsque les deux
événements A et B sont réalisés.

ˆ On dit que l'événement A implique l'événement B si et seulement si A ⊂ B.

Dorénavant, On suppose que l'ensemble des événements est noté F vérie les conditions suivantes:

1. ∅ ∈ F.
2. Si A ∈ F, alors son complémentaire Ac ∈ F (où Ac est le complémentaire de A dans Ω).
3. Toute réunion dénombrable d'événements de F est aussi un événement de F.
Dans ce cas le couple (Ω, F) est appelé espace probabilisable.
2.3 Notion de probabilité: Approche axiomatique

On appelle probabilité sur (Ω, F) une application P de F dans [0, 1] vériant les deux propriétés suivantes:

1. P(Ω) = 1.

2. Pour toute suite (Ai )i∈I dénombrable d'événements de F deux à deux incompatibles, on a

X
P (∪i∈I Ai ) = P(Ai ).
i∈I

Le triplet (Ω, F, P) est appelé espace probabilisé.

En théorie des probabilités, le terme modéliser désigne l'opération qui consiste à associer à une
expérience aléatoire le triplet (Ω, F , P).

Probabilité sur un univers ni:

On considère une expérience aléatoire modélisée par (Ω, F, P) avec Ω = {ω1 , · · · , ωn }. Pour tous
événements A et B de F, on a

ˆ 0 ≤ P(A) ≤ 1.

ˆ Si A ⊂ B, alors P(A) ≤ P(B).

ˆ P(Ac ) = 1 − P(A).

ˆ Si A et B sont incompatibles, alors P(A ∪ B) = P(A) + P(B).

ˆ En général, P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

ˆ Équiprobabilité et probabilité uniforme

Nous disons qu'il y a équiprobabilité lorsque les probabilités de tous les événements élémentaires
sont égales. Dans ce cas, P est la probabilité uniforme sur (Ω, F).

ˆ Conséquence: S'il y a équiprobabilité, pour tout événement A, nous avons alors

Card(A) nombre de cas favorables

P(A) = = .
Card(Ω) nombre de cas possibles

2.4 Probabilité conditionnelle et indépendance

ˆ (Ω, F, P) un espace probabilisé et deux événements A et B , A étant de probabilité non nulle.

Soient
On s'intéresse aux événements sachant A réalisé, c'est-à-dire à la probabilité conditionnelle
sachant A, notée PA (·) et dénie par:

P (B ∩ A)
PA (B) = , ∀B ∈ F.
P(A)

ˆ C'est une application de F dans [0, 1] dénissant une probabilité sur le même espace (Ω, F, P). À
vérier.

Événements indépendants

ˆ L'événement B est indépendant de l'événement A si la probabilité de réalisation de l'événement B

n'est pas modiée par une information concernant la réalisation de l'événement A, c'est-à-dire si :
PA (B) = P(B).
ˆ Les événements A et B sont indépendants et vérient la propriété : P(A ∩ B) = P(A)P(B). À
vérier.
2.5 Probabilités totales et théorème de Bayes

Système complet d'événements:

Soit Ω un univers associé à une expérience aléatoire.

ˆ On appelle système complet d'événements toute famille (Ai )i∈I telle que Ai ⊂ Ω, ∀i, Ai ∩ Aj =
∅, ∀i ̸= j et ∪i∈I Ai = Ω.

ˆ On dit que le système complet d'événements (Ai )i∈I est une partition de Ω si de plus, chaque Ai
est non vide.

Remarque.

ˆ Pour tout événement A, le couple (A, Ac ) est un système complet d'événements.

ˆ La famille ({ω})ω∈Ω est une partition de Ω.

Probabilités totales:
Soit (Ω, F, P) un espace probabilisé ni. Soient n ≥ 2 et (Ai )1≤i≤n un système complet d'événements
tels que P(Ai ) > 0, ∀i. Pour tout événement B , on a
n
X n
X
P(B) = P(B ∩ Ai ) = P(Ai )PAi (B).
i=1 i=1

2.6 Exercice 5.

On lance deux dés supposés discernables, et on considère les événements suivants:

A : sur le premier dé, on obtient un nombre impair;

B : sur le deuxième dé, on obtient un nombre impair;

C : la somme des points apparaissant sur les deux dés est impaire.

- Les événements A, B et C sont-ils indépendants deux à deux indépendants ?

- Comparer P (A ∩ B ∩ C) et P(A)P(B)P(C).

Théorème 2.1 (formule de Bayes) Soit (Ω, F, P) un espace probabilisé ni. Soient (A1 · · · , An ) un
système complet d'événements et B un événement tels que P(Ai ) ̸= 0, ∀i et P(B). Alors
P(A )P (B)
PB (Ak ) = Pn k Ak .
i=1 P(Ai )PAi (B)

2.7 Exercice 6.

Dans une population donnée, un individu peut être atteint d'une certaine maladie (événement M) ou
pas. On fait un test de dépistage sur un individu et le test peut être positif (événement T) ou pas. On
suppose que

- 10% de la population est constituée de personnes malades (ou encore P(M ) = 0, 1),
- 93% des personnes malades ont un test positif (ou encore PM (T ) = 0, 93),
- et 97% des personnes non malades ont un test négatif (ou encore PM c (T c ) = 0, 97).

On veut maintenant la probabilité d'être malade sachant que l'on a un test positif ou
encore on veut PT (M ).
3 Variables aléatoires
Soit (Ω, F, P) un espace probabilisé. Nous appelons variable aléatoire réelle (v.a.r.) toute application de
Ω dans R telle que : pour tout intervalle I de R, l'ensemble

X −1 (I) = {ω ∈ Ω : X(ω) ∈ I} ∈ F.

Notations

- Une variable aléatoire est notée avec une lettre majuscule et sa réalisation (quantité déterministe)
avec une lettre minuscule.

- On note X(Ω) l'ensemble des valeurs prises par la variable aléatoire X dénie sur l'espace proba-
bilisé (Ω, F, P).
- La variable X est dite discrète (resp. continue) si X(Ω) est discret (resp. continu).

−1
- L'ensemble X ({x}) se note {X = x}.
- L'ensemble X −1 (] − ∞, a]) se note {X ≤ a}.
- L'ensemble X −1 (]a, b]) se note {a < X ≤ b}.

3.1 Loi d'une variable aléatoire discrète, espérance et variance

Soit X une variable aléatoire réelle dénie sur un espace probabilisé (Ω, F, P). Nous appelons loi de la
variable aléatoire X la donnée d'une suite numérique (PX (k))k∈X(Ω) telle que

- P(X = k) = PX (k) et 0 ≤ PX (k) ≤ 1.

X X
- PX (k) = 1. P(X ≤ x) = PX (k).
k∈X(Ω) k≤x

L'espérance et la variance de X sont dénies respectivement par

X
E(X) = kPX (k),
k∈X(Ω)
2
Var(X) = E (X − E(X)) .

3.1.1 Variable de Bernoulli

On considère une expérience dont le résultat ne peut prendre que deux valeurs appelées succès ou échec.
Par exemple, un candidat est reçu ou non à un examen, une pièce usinée est bonne ou défectueuse, une
porte est ouverte ou fermée, etc.

À une expérience de ce type, est associée une variable aléatoire X prenant la valeur 1 pour le succès
et la valeur 0 pour l'échec, avec l es probabilités respectives p et q = (1 − p). Cette variable est appelée
variable de Bernoulli.

T.A.F Déterminer l'espérance et la variance de cette variable.

3.1.2 Variable Binomiale

On réalise n épreuves indépendantes de la même expérience telles que:

ˆ chaque épreuve ne peut avoir que deux résultats, soit le succès, soit l'échec,

ˆ la probabilité p de succès est constante à chaque épreuve, la probabilité d'échec est également
constante et égale à q = (1 − p).
 Soit X la variable aléatoire qui compte le nombre de succès au cours de n épreuves. la probabilité
de l'événement (X = k) est donnée par

P (X = k) = Cnk pk (1 − p)n−k . À vérier

T.A.F Déterminer l'espérance et la variance de cette variable.

Domaine d'utilisation:

ˆ Loi binomiale (ou loi des tirages avec remise) décrit des phénomènes ne pouvant prendre que deux
états s'excluant mutuellement, succès ou échec dan s un jeu, bonne pièce ou pièce défectueuse dans
une fabrication, lot acceptable ou lot refusé, défaillance ou fonctionnement d' un matériel...

ˆ Elle est utilisée dans le domaine technique pour déterminer la probabilité de défaillance à la sol-
licitation de matériel s, en contrôle qualité, mais elle ne peut s'appliquer rigoureusement que si les
expériences sont non exhaustives, c'est la loi du tirage avec remise.

ˆ Les événements considérés doivent être indépendants et la probabilité de réalisation d'un événement
doit être constante.

3.1.3 Exercice 7.

Le candidat se présente à un oral de concours. Le jury qui l'a convoqué lui pose 20 questions. Pour
chaque question, le même nombre k ≥ 2 de réponses lui sont proposées dont une et une seule est la
bonne. Le candidat qui n'a pas travaillé son oral, choisit au hasard une des réponses proposées.

1. Le jury attribue un point par bonne réponse. Soit X le nombre de points obtenus à l'issue de l'oral.
Quelle est la loi de la variable aléatoire X ?

2. Lorsque le candidat donne une mauvaise réponse, il peut choisir à nouveau une des autres réponses
proposées. Le jury lui attribue alors 1/2 point par bonne réponse. Soit Y le nombre de 1/2 points
obtenus lors de ces secondes tentatives. Quelle est la loi de la variable aléatoire Y ?

3. Soit T le nombre total de points obtenus. Calculer l'espérance de T, puis déterminer k pour que
le candidat obtienne en moyenne une note supérieure ou égale à 10 sur 20 an qu'il soit admis.

3.1.4 Variable de Poisson

La loi de Poisson de paramètre λ est la loi d'une variable aléatoire discrète réelle X, prenant toutes les
valeurs entières non négatives, avec les probabilités:

e−λ λk
P (X = k) = ,k ∈ N
k!
T.A.F
∞
X
ˆ Vérier que P (X = k) = 1.
k=0

ˆ Déterminer l'espérance et la variance de cette variable.

Domaine d'utilisation:

ˆ La loi de Poisson est la loi discrète d'une variable aléatoire représentant un nombre d'événements.
Elle est utilisée pour décrire par exemple :

- la réalisation d'événements peu probables, dans une succession d'épreuves très nombreuses,
au moins 50,

- le nombre d'accidents dans un atelier, le nombre de défauts sur un appareil,

ˆ Elle a des applications dans le domaine des les d'attente.

ˆ Elle est la loi limite de la loi binomiale quand n tend vers l'inni et p tend vers zéro, le produit np
restant ni.

ˆ La loi de Poisson est la loi des événements rares ou loi des petites probabilités.
3.2 Loi d'une variable aléatoire continue, espérance et variance

ˆ Une variable aléatoire continue X prend ses valeurs sur un ensemble inni non dénombrable de
points X(Ω), elle décrit par exemple la durée de vie d'une batterie de voiture, l'heure d'arrivée des
voitures à un péage donné d'autoroute, ...etc.

ˆ Une variable aléatoire X à valeurs dans R admet une densité de probabilité f si

- f (x) ≥ 0 et pour tout x ∈ R.

Z
- f (x)dx = 1 .
R
Z
Sa loi de distribution est dénie par P (X ∈ A) = f (x)dx, ∀A ⊂ R.
A

ˆ La fonction de répartition de la variable aléatoire X est dénie par:

F (t) = P (X ≤ t) .

Soient X une variable aléatoire continue à valeurs dans R et f sa densité de probabilité. L'espérance
et la variance de X sont dénies respectivement par
Z
E(X) = xf (x)dx,
ZR
2
Var(X) = (x − E(X)) f (x)dx.
R

ˆ La plupart des problèmes rencontrés en statistique peuvent se résoudre à l'aide de quelques lois
fondamentales continues, environ une dizaine.

ˆ uniforme, la loi exponentielle, les lois gamma, les lois bêta, la

Les principales sont la loi
normale et la loi log-normale auxquelles il faut ajouter les lois du chi-deux, de Fisher-
loi
Snedecor et de Student utilisées dans la théorie de l'estimation.

3.2.1 Loi uniforme

Une variable aléatoire réelle X, suit une loi uniforme sur l'intervalle [a, b], si sa loi de probabilité admet
une densité f égale à:

1
f (x) = 1[a,b] (x).
b−a
On écrit X ∼ U (a, b)
T.A.F

1. Déterminer l'espérance et la variance de cette variable.

2. Déterminer la fonction de répartition de X.

La loi uniforme sur [a, b] traduit l'hypothèse d'équirépartition, ou répartition indiérente, sur [a, b]. Les
tables, concernant ce type de répartition, sont les tables de nombres au hasard.

3.2.2 Exercice 8.

Soit X une variable aléatoire à valeurs dans [−1, 1], dont le graphe de la densité de probabilité fX forme
un triangle isocèle (segment sur l'axe des x = hypothénuse).

1. Déterminer l'expression de fX . En déduire celle de la fonction de répartition FX .

2. Calculer l'espérance mathématique et la variance de X.
 
1 2 1
3. Calculer la probabilité suivante P X≤ et X ≤
4 4
4. Déterminer la loi de probabilité de la variable Y, en précisant son espérance et sa variance.
3.2.3 Loi exponentielle

Une variable aléatoire réelle positive X suit une loi exponentielle, de paramètre λ positif, si sa densité
de probabilité est donnée par :

f (x) = λe−λx 1[0,+∞[ (x).

On écrit X ∼ E(a, b)
T.A.F

1. Calculer les moments de cette variable E(X k ), k ≥ 2.

2. Déterminer la variance et la fonction de répartition de X.

3.2.4 Exercice 9.

Soit X une variable aléatoire réelle positive qui suit une loi exponentielle de paramètre λ > 0. Vérier
que pour tout t, s ≥ 0 on a

P (X > t + s | X > t) = P (X > s) .

On dit que la loi exponentielle est sans mémoire .

Soit Y une autre variable sans mémoire et f sa densité de probabilité. On suppose que f est dérivable
telle que f ′ (t) ≤ 0, ∀t ≥ 0 et f (0) > 0. Déterminer la forme explicite de f (t).

3.2.5 Exercice 10.

On suppose que le temps T, en heures, nécessaire pour réparer une machine est une variable aléatoire
suivant une loi exponentielle de paramètre λ = 0, 5.

1. Préciser la densité de probabilité et la fonction de répartition de T.

2. Déterminer la probabilité pour que le temps de réparation dépasse 2 heures.

3. Sachant que la réparation a déjà dépassé 9 heures, quelle est la probabilité qu'elle prenne au moins
10 heures ?

3.2.6 Loi normale (ou loi de Laplace-Gauss)

Une variable aléatoire réelle X suit une loi normale, de paramètres µ et σ2 , si sa densité de probabilité
est donnée par :

1 1 2
f (x) = √ e− 2σ2 (x−µ) .
2πσ 2
On écrit X ∼ N (µ, σ 2 ). La variable X est dite centrée réduite, si µ=0 et σ 2 = 1.

T.A.F

1. Calculer l'espérance et la variance de X.

2. On suppose X est centrée réduite. Calculer les moments de cette variable E(X k ), k ≥ 3 (Distinguer
les deux cas: k est pair et k est impair).

Domaine d'utilisation:

ˆ La loi normale est une des lois de probabilité la plus utilisée. Elle dépend de deux paramètres,
la moyenne µ, paramètre de position, et la variance σ2 , paramètre mesurant la dispersion de la
variable aléatoire autour de sa moyenne.

ˆ Elle s'applique à de nombreux phénomènes, en physique, en économie (erreurs de mesure). De

plus, elle est la forme limite de nombreuses distributions discrètes.
 ˆ Elle représente la loi de distribution d'une variable aléatoire X dépendant d'un grand nombre de
facteurs agissant sous forme additive, chacun ayant une variance faible par rapport à la variance
résultante.

ˆ Elle peut représenter la n de vie des dispositifs subissant un phénomène de vieillissement, usure,
corrosion, etc.

Propriété d'additivité:

Soient X et Y deux variables normales indépendantes telles que: X ∼ N (µ1 , σ12 ) et Y ∼ N (µ2 , σ22 ),
alors
X + Y ∼ N (µ1 + µ2 , σ12 + σ22 ).
T.A.F Pour une démonstration rigoureuse il faut introduire les notions suivantes:

- Indépendance de deux variables;

- Fonction caractéristique d'une variable.

3.2.7 Loi du chi-deux (ou khi-carrée)

Une variable aléatoire réelle X égale à la somme des carrés de ν variables aléatoires indépendantes,
centrées, réduites, gaussiennes, suit la loi du chi-deux, χ2 , à ν degrés de liberté. On écrit X ∼ χ2 (ν).

Propriétés:

ˆ La variable X varie de 0 à +∞.

ˆ La loi suivie par la somme de variables aléatoires indépendantes, suivant chacune des lois du chi-
deux, est une loi du chi-deux dont le degré de liberté est la somme des degrés de liberté de chaque
loi.

ˆ E(X) = ν et Var(X) = 2ν .

3.2.8 Loi de Fisher-Snedecor

On considère deux variables aléatoires indépendantes suivant des lois du chi-deux à ν1 et ν2 degrés de
liberté respectivement. La variable aléatoire F de Fisher est dénie par

χ2 (ν1 )/ν1
F (ν1 , ν2 ) =
χ2 (ν2 )/ν2

Propriétés:

ˆ Propriété évidente: F (ν1 , ν2 ) = 1/F (ν2 , ν1 ).

ˆ La variable F varie de 0 à +∞.

ν2
ˆ L'espérance et la variance de la variable aléatoire F de Fisher sont: E (F ) = si ν2 > 2 et
ν2 − 2
2 2(ν1 + ν2 − 2)
Var (F ) = (E(F )) si ν2 > 4 .
ν1 (ν2 − 4)

3.2.9 Loi de Student

La loi de Student est la loi de la variable aléatoire T dénie par

U
T (ν) = p
χ2 (ν)/ν

où U est une variable aléatoire centrée réduite normale. Propriétés:

ˆ La variable T varie de −∞ à +∞.

 ν
ˆ L'espérance et la variance de la variable aléatoire T de Student sont: E (T ) = 0 et Var (T ) =
ν−2
si ν > 2.

Part II
TRAVAUX DIRIGES
4 Analyse combinatoire
4.1 Exercice 11.

Chacun des quatre boulangers d'un quartier doit choisir un jour hebdomadaire de fermeture qui lui
conviendrait.

1. De combien de façons diérentes peuvent a priori s'énoncer les choix possibles des quatre boulangers?

2. Certains boulangers ayant choisi le même jour de fermeture, ce qui ne peut être accepté pour le
quartier, on leur demande de modier éventuellement leur choix an que les quatre jours choisis
soient diérents.

Quel est alors a priori le nombre de façons diérentes d'énoncer les choix possibles des quatre
boulangers?

4.2 Exercice 12.

1. Combien de matrices carrées d'ordre 2 peut-on former en utilisant les nombres: 17, −8 et 5 ?

2. Même question si on veut construire des matrices symétriques.

 
a b
Hint: Les matrices carrées d'ordre 2 sont de la forme: avec a, b, c, d ∈ R. Si b = c, les matrices
c d
en question deviennent symétriques.

4.3 Exercice 13.

Une serrure électronique d'un core d'une chambre d'hôtel s'ouvre et se referme en saisissant un code
secret sur un clavier numérique sur lequel on doit composer une combinaison alphanumérique codée. Il
est composé de 9 touches : 3 lettres A,B,C et 6 chires 1,2,3,4,5,6. Le code secret doit comporter une
lettre suivie d'un nombre de 3 chires.

1. Combien de codes d'entrée diérents peut-on former?

2. Combien y a-t-il de codes sans le chire 1?

3. Combien y a-t-il de codes comportant au moins une fois le chire 1?

5 Calcul des probabilités

5.1 Exercice 14.

On jette un dé équilibré dont une face numérotée 1, deux faces numérotées 2 et trois faces numérotées 3.

1. Préciser l'univers Ω de cette expérience.

2. Calculer la probabilité de chacun des événements suivants: E =  Obtenir un nombre pair , F =

 Obtenir un nombre impair , A = {1}, B = {2} , C = {3}.
5.2 Exercice 15.

Considérons quatre groupes A, B , C , D d'étudiants. Dans chaque groupe, les proportions d'étudiants
ayant fait des études supérieures de sciences économiques sont respectivement 5%, 10%, 25% et 40%.
Choisissons au hasard l'une des groupes, puis l'un des étudiants dans ce groupe.

1. Calculer la probabilité pour que l'étudiant choisi ait fait des études supérieures de sciences économiques.

2. Sachant l'étudiant ayant eectué des études supérieures de sciences économiques, calculer la prob-
abilité pour qu'il appartienne au groupe C.

5.3 Exercice 16.

On considère un espace probabilisé (Ω, F, P) tel que Ω = {(a, a); (a, b); (b, a); (b, b)}. On suppose que
les événements élémentaires sont équiprobables.

1. Calculer la probabilité chacun des événements suivants: A = {(a, b); (a, a)}, B = {(b, a); (a, a)}
et C = {(a, b); (b, a)}.

2. Les événements A, B et C sont-ils deux à deux indépendants ?

3. Les événements A et B∩C sont-ils indépendants ?

4. Les événements A et B∪C sont-ils indépendants ?

5. Montrer que (en général) si A est indépendant de B, C et B ∩ C, alors A est indépendant de

B ∪ C.

5.4 Exercice 17.

Une télé fabriquée en très grande série peut être défectueuse à cause de deux défauts diérents désignés
par A et B, 10% des appareils ont le défaut A, 8% ont le défaut B et 4% les deux défauts simultanément.
Un client achète l'un des appareils produits.

1. Quelle est la probabilité que l'appareil soit sans défaut?

2. Quelle est la probabilité que l'appareil ne présente que le défaut A?

3. Quelle est la probabilité que l'appareil ne présente que le défaut B?

5.5 Exercice 18.

Un magasin accepte les cartes de crédit American Express ou VISA. 24% de ses clients possèdent une
carte American Express, 61% une carte VISA et 11% possèdent les deux.

Quel est la probabilité qu'un client choisi au hasard possède une carte de crédit acceptée par le
magasin?

5.6 Exercice 19.

Une école propose trois cours de langue : un en espagnol, un en français et un en allemand. Ces cours
sont ouverts aux 100 élèves de l'école. Il y a 28 élèves en espagnol, 26 en français et 16 en allemand. Il
y a 12 élèves qui suivent l'espagnol et le français, 4 qui suivent l'espagnol et l'allemand et 6 qui étudient
le français et l'allemand. De plus, 2 élèves suivent les trois cours.

1. Si un élève est choisi au hasard, quelle est la probabilité qu'il suive exactement un cours de
langue?

2. Si un élève est choisi au hasard, quelle est la probabilité qu'il ne fasse partie d'aucun de ces cours?

3. Si deux élèves sont choisis au hasard, quelle est la probabilité qu'au moins un des deux suive un
cours de langue?
5.7 Exercice 20. (Loi sans mémoire)

Soit X une variable aléatoire réelle positive qui suit une loi exponentielle de paramètre λ > 0.
1. Vérier que pour tout t, s ≥ 0 on a

P (X > t + s | X > t) = P (X > s) .

On dit que la loi exponentielle est sans mémoire .

Soit Y une autre variable sans mémoire et f sa densité de probabilité. On suppose que f est dérivable
telle que f ′ (t) ≤ 0, ∀t ≥ 0 et f (0) > 0.
2. Déterminer la forme explicite de f (t).

5.8 Exercice 21.

On suppose que le temps T, en heures, nécessaire pour réparer une machine est une variable aléatoire
suivant une loi exponentielle de paramètre λ = 0, 5.
1. Préciser la densité de probabilité et la fonction de répartition de T.
2. Déterminer la probabilité pour que le temps de réparation dépasse 2 heures.

3. Sachant que la réparation a déjà dépassé 9 heures, quelle est la probabilité qu'elle prenne au moins
10 heures ?

5.9 Exercice 22.

Complément de cours : Soient X et Y deux variables aléatoires réelles continues (resp. discrètes).

(i) Les deux variables X et Y sont indépendantes si P(X ≤ t, Y ≤ s) = P(X ≤ t)P(Y ≤ s) pour tout
t, s ∈ R (resp. P(X = k, Y = m) = P(X = k)P(Y = m) pour tout k ∈ X(Ω), m ∈ Y (Ω)).
(ii) La fonction caractéristique d'une variable aléatoire continue est dénie par


ϕX (t) = E eitX , pour tout t ∈ R (i2 = −1).

(iii) X et Y sont deux variables aléatoires continues de même loi si et seulement si elles ont la même
fonction caractéristique (ou la même densité, ou la même fonction de répartition).

(iv) Si X et Y sont deux variables aléatoires indépendantes, alors E(φ(X)φ(Y )) = E(φ(X))E(φ(Y ))

pour toute fonction bornée φ.
1 2
(vi) La variable X suit la loi normale centrée réduite N (0, 1) si et seulement si ϕX (t) = e− 2 t , ∀t ∈ R.

Application:
Soient X et Y deux variables normales indépendantes telles que: X ∼ N (µ1 , σ12 ) et Y ∼ N (µ2 , σ22 ).
1. Préciser les fonctions caractéristiques de X et Y.
2. Déterminer la fonction caractéristique de la variable Z =X +Y.
3. En déduire que Z ∼ N (µ1 + µ2 , σ12 + σ22 ).

5.10 Exercice 23. (La loi géométrique)

Dénition: La variable aléatoire X , représentant le nombre d'épreuves nécessaires pour obtenir

unpremier succès dans une suite d'épreuves de Bernoulli indépendantes dont la probabilité du succès
est p > 0, est dite de loi géométrique de paramètre p. On écrit X ∼ G(p). L'ensemble des valeurs
prises par la variable aléatoire X est X(Ω) = N∗ et P(X = k) = (1 − p)k−1 p pour tout k ∈ N∗ .
1. Vérier qu'il s'agit d'une loi de probabilité.

+∞
X 1
On rappelle que pour tout x ∈] − 1, 1[\{0}; xk = .
1−x
k=0

2. Calculer l'espérance et la variance de X.

5.11 Exercice 24.

Pour chacun des contextes suivants, déterminer la loi de la variable aléatoire ainsi que la valeur des
paramètres lorsque l'information est susante.

a) Vous allez travailler en transport en commun. Soit X, le nombre de fois où l'autobus arrive en
retard lors de vos 10 passages hebdomadaires.

b) Un enfant accepte de jouer au jeu de serpents et échelles avec son ami jusqu'à ce qu'il perde une
partie. Soit Y, le nombre de parties jouées (incluant la défaite).

5.12 Examen: Session normale - 2022

Questions de cours: (7pts)

Cocher la bonne réponse:

n
X
1. Soit n ∈ N∗ . Le nombre suivant S= Cnk est égal à:
k=0

0 2n 3n
2. Deux événements A et B sont indépendants si A∩B =∅

Oui Non

3. Deux événements A et B sont incompatibles si P(A ∩ B) = P(A)P(B)

Oui Non

4. Une variable aléatoire est dite discrète si elle prend un nombre ni de valeurs.

Oui Non

5. Soit Y une variable aléatoire ayant pour ensemble de valeurs Y (Ω) = {1; 2; 3; 4}. La suite
(k/5)1≤k≤4 peut dénir une loi de probabilité de Y .

Oui Non

6. Soit Z une variable aléatoire binomiale de paramètres n et p. La probabilité de P(Z = k) est égale
à:

p(1 − p)n−k pk (1 − p)n−k Cnk pk (1 − p)n−k

7. Soit U une variable aléatoire qui suit la loi de Poisson de paramètre λ = 0.5. La probabilité
P(U ≤ 2) est égale à:
√ e−1/2 13
e √
8 8 e
 Exercice 1: (6pts)

On considère un espace probabilisé (Ω, F, P) tel que Ω = {(a, a); (a, b); (b, a); (b, b)}. On suppose
que les événements élémentaires sont équiprobables.

1. Calculer la probabilité de chacun des événements suivants: A = {(a, b); (a, a)}, B = {(b, a); (a, a)}
et C = {(a, b); (b, a)}.
2. Les événements A, B et C sont-ils deux à deux indépendants? (Justier votre réponse).

3. Les événements A et B∩C sont-ils indépendants?(Justier votre réponse).

4. Les événements A et B∪C sont-ils indépendants? (Justier votre réponse).

5. Montrer que (en général) si A est indépendant de B, C et B ∩ C, alors A est indépendant de

B ∪ C.

Exercice 2: (7pts)

Soient X une variable aléatoire continue de densité de probabilité f : [0, +∞[−→ R, et F sa fonc-
tion de répartition.

1. Exprimer F (t) en fonction de f.

2. On suppose que P(X > t) > 0, pour tout t ∈ R+ . Montrer que P (X > s) = 1 − F (s) et
1 − F (t + s)
P(X > t + s|X > t) = , ∀t, s ∈ R+ .
1 − F (t)
3. On suppose que X est sans mémoire, c'est-à-dire,

P(X > t + s|X > t) = P (X > s), ∀t, s ∈ R+ .

a) Montrer que 1 − F (t + s) = (1 − F (s)) (1 − F (t)), ∀t, s ∈ R+ .

b) En dérivant l'égalité gurant à la question a), par rapport à t puis par rapport à s, vérier
que f (t + s) = −f (s)f (t)), ∀t, s ∈ R+ .
c) On suppose que γ = f (0) > 0. En prenant s = 0 dans l'égalité gurant à la question b),
vérier que f (t) = γe−γt , ∀t ∈ R+ .
4. On rappelle que f est densité de probabilité sur [0, +∞[ si f ≥0 et

Z +∞ Z a
f (x)dx := lim f (x)dx = 1.
0 a→+∞ 0

Calculer l'espérance et la variance de X.

5.13 Correction de l'examen - 2022

Questions de cours: (7pts)

Les bonnes réponses sont:

n
X
1. Soit n ∈ N∗ . Le nombre suivant S= Cnk est égal à 2n . On rappelle la formule du binôme de
k=0
n
X
Newton (a + b)n = Cnk ak bn−k , ∀a, b ∈ R. Il sut de prendre a = b = 1.
k=0

2. Non: Deux événements A et B sont indépendants si P(A ∩ B) = P(A)P(B).

3. Non: Deux événements A et B sont incompatibles si A∩B =∅
 4. Non: Une variable aléatoire est dite discrète si l'ensemble de ses valeurs est discret et non néces-
sairement ni. Par exemple, la variable de Poisson est discrète, mais elle prend un nombre inni
de valeurs.

5. Non: Soit Y une variable aléatoire ayant pour ensemble de valeurs Y (Ω) = {1; 2; 3; 4}. La suite
4
X k
(k/5)1≤k≤4 peut dénir une loi de probabilité de Y si et seulement si = 1. Mais ce n'est pas
5
k=1
le cas.

6. Soit Z une variable aléatoire binomiale de paramètres n et p. La probabilité de P(Z = k) est égale
à Cnk pk (1 − p)n−k .
7. Soit U une variable aléatoire qui suit la loi de Poisson de paramètre λ = 0.5. La probabilité
13
P(U ≤ 2) est égale à √ . Il sut d'appliquer la formule
8 e
2
X 2
X 0.5k
P(U ≤ 2) = P(U = k) = e−0.5 .
k!
k=0 k=0

Exercice 1: (6pts)

On considère un espace probabilisé (Ω, F, P) tel que Ω = {(a, a); (a, b); (b, a); (b, b)}. On suppose
que les événements élémentaires sont équiprobables.

1. Calculons la probabilité de chacun des événements suivants: A = {(a, b); (a, a)}, B = {(b, a); (a, a)}
et C = {(a, b); (b, a)}. En vertu de la condition d'équiprobabilité, on peut exprimer la probabilité
de chaque événement en termes de cardinal .

Card(A) 2 1
P(A) = = = .
Card(Ω) 4 2
De même on trouve P(B) = P(C) = 1/2.
2. Les événements A, B et C sont-ils deux à deux indépendants.

Observons tout d'abord que A ∩ B = {(a, a)}; B ∩ C = {(b, a)} et A ∩ C = {(a, b)}. Ce qui
1 1 1
implique que P(A ∩ B) = = × = P(A) × P(B). Autrement dit A et B sont indépendants.
4 2 2
De même on vérie que P(A ∩ C) = P(A) × P(C) et P(B ∩ C) = P(B) × P(C), ce qui achève la
justication demandée.

3. Les événements A et B∩C ne sont pas indépendants.

1 1
On pose E = B ∩ C = {(b, a)}. D'après la question précédente on a P(A)P(E) = × . En outre
2 4
A ∩ E = ∅ qui implique P(A ∩ E) = 0. Il est clair que P(A)P(E) ̸= P(A ∩ E) qui signie que A
et E ne sont pas indépendants.

4. Les événements A et B∪C sont-ils indépendants.

De façon similaire, on pose F = B ∪ C. Calculons P(A)P(F ) et P(A ∩ F ).

1 1 1 3
- On a P(F ) = P(B ∪ C) = P(B) + P(C) − P(B ∩ C) = + − = . Alors P(A)P(F ) = 3/8.
2 2 4 4
Attention: P(B ∪ C) ̸= P(B) + P(C), c'est-à-dire B et C ne sont pas incompatibles.
- On a A ∩ F = A ∩ (B ∪ C) = {(a, b); (a, a)} ∩ {(b, a); (a, a); (a, b)} = A, ainsi P(A ∩ F ) =
P(A) = 1/2. De ce qui précède on déduit que P(A)P(F ) ̸= P(A ∩ F ), c'est-à-dire A et F ne
sont pas indépendants.

Remarque: On peut refaire le calcul comme suit:

P(A ∩ F ) = P [A ∩ (B ∪ C)] = P [(A ∩ B) ∪ (A ∩ C)] ,

= P(A ∩ B) + P(A ∩ C) = 1/4 + 1/4 = 1/2.
Il est important de noter que (A ∩ B) et (A ∩ C) sont incompatibles.
 5. Montrons que (en général) si A est indépendant de B, C et B ∩ C, alors A est indépendant de
B ∪ C. Le mot en général est utilisé ici pour dire que cette question est indépendante des autres.
L'hypothèse suivante: A est indépendant de B, C et B ∩ C est équivalent à

P(A ∩ B) = P(A)P(B),

(⋆) P(A ∩ C) = P(A)P(C),


P(A ∩ (B ∩ C)) = P(A)P(B ∩ C).

On doit montrer que A est indépendant de B ∪ C. On a

P (A ∩ (B ∪ C)) = P ((A ∩ B) ∪ (A ∩ C)) ,

= P(A ∩ B) + P(A ∩ C) − P ((A ∩ B) ∩ A ∩ C)) ,
= P(A ∩ B) + P(A ∩ C) − P (A ∩ B ∩ C) ,
= P(A ∩ B) + P(A ∩ C) − P (A ∩ (B ∩ C)) ,
= P(A)P(B) + P(A)P(C) − P(A)P(B ∩ C) (D'après les égalités (⋆)),
= P(A) [P(B) + P(C) − P(B ∩ C)] ,
= P(A)P(B ∪ C).

D'où le résultat voulu.

Exercice 2: (7pts)

Soient X une variable aléatoire continue de densité de probabilité f : [0, +∞[−→ R, et F sa fonc-
tion de répartition.

1. Exprimons F (t) en fonction de f.

Z t
Soit t ≥ 0. Par dénition F (t) = P(X ≤ t) = f (x)dx
0

2. On suppose que P(X > t) > 0, pour tout t ∈ R+ . Montrons que P (X > s) = 1 − F (s) et
1 − F (t + s)
P(X > t + s|X > t) = , ∀t, s ∈ R+ .
1 − F (t)
On voit que (X > s) est l'événement contraire de (X ≤ s). Par conséquent P (X > s) = 1 − P(X ≤
s) = 1 − F (s). De même P (X > t) = 1 − F (t) et P (X > t + s) = 1 − F (t + s). La probabilité
conditionnelle P(X > t + s|X > t) est donnée par

P [(X > t + s) ∩ (X > t)] P(X > t + s)

P(X > t + s|X > t) = = ,
P(X > t) P(X > t)
1 − F (t + s)
= .
1 − F (t)
La deuxième égalité ci-dessus est justiée par le fait que s≥0 qui implique

(X > t + s) ∩ (X > t) = (X > t + s).

3. On suppose que X est sans mémoire, c'est-à-dire,

(⋆⋆) P(X > t + s|X > t) = P (X > s), ∀t, s ∈ R+ .

 a) Montrons que 1 − F (t + s) = (1 − F (s)) (1 − F (t)), ∀t, s ∈ R+ .
En utilisant la question 2), l'égalité (⋆⋆) devient

1 − F (t + s)
= 1 − F (s), ∀t, s ∈ R+ ,
1 − F (t)

ou bien 1 − F (t + s) = (1 − F (s)) (1 − F (t)), ∀t, s ∈ R+ .

b) Vérions que f ′ (t + s) = −f (s)f (t), ∀t, s ∈ R+ .
En dérivant l'égalité gurant à la question a), par rapport à t (c'est-à-dire s est considéré
comme un paramètre ou constante), on trouve −F ′ (t + s) = (1 − F (s)) (−F ′ (t)). Mais on sait
que F′ = f (voir la question 1). D'où f (t + s) = (1 − F (s)) f (t).
En dérivant cette dernière égalité par rapport à s on trouve

f ′ (t + s) = −F ′ (s)f (t) = −f (s)f (t).

c) On suppose que γ = f (0) > 0. Vérions que f (t) = γe−γt , ∀t ∈ R+ .

En prenant s=0 dans l'égalité gurant à la question b), on obtient f ′ (t) = −γf (t), ∀t ∈ R+ .
En excluant les valeurs de t où la fonction f s'annule, on peut réécrire cette dernière égalité
f ′ (t)
sous la forme = −γ , ∀t ∈ R+ . Par formules d'intégration on a
f (t)
Z ′ Z
f (t)
= − γ + C, où C est constante,
f (t)
⇐⇒ ln(f (t)) = −γt + C,
⇐⇒ f (t) = e−γt+C = eC e−γt .

On sait que f (0) = γ , et par la formule trouvée f (0) = eC , alors f (t) = γe−γt , pour tout t où
f (t) > 0.
Remarque: Il est important de noter qu'il n'existe aucune valeur de t où f s'annule. Sinon,
l'égalité gurant à la question b) implique que f′ = 0 sur R, autrement dit f est constante
et f (t) = γ pour tout t ∈ R+ . Ce qui contredit le fait que f est une densité de probabilité.
Z +∞
L'intégrale f (x)dx ne serait plus égal à 1.
0

4. Calculons l'espérance et la variance de X.

On rappelle que f est densité de probabilité sur [0, +∞[ si f ≥0 et

Z +∞ Z a
f (x)dx := lim f (x)dx = 1.
0 a→+∞ 0

Z +∞ Z a Z a


′
E(X) = xf (x)dx = lim x γe−γx dx = lim x −e−γx dx,
0 a→+∞ 0 a→+∞ 0
 Z a 
 a

= lim −xe−γx 0 − (x)′ −e−γx dx ,
a→+∞ 0
 Z a   Z 

1 a −γx
′
= lim −ae−γa − −e−γx dx = lim −ae−γa − e dx ,
a→+∞ 0 a→+∞ γ 0
   
−γa 1  −γx
 a −γa 1 −γa


= lim −ae − e 0
= lim −ae + 1−e = 1/γ.
a→+∞ γ a→+∞ γ
Un calcul similaire donne
Z a a Z
−γx


′
2
E(X ) = lim x 2
γe
dx = lim x2 −e−γx dx,
a→+∞ 0 a→+∞ 0
 Z a 
 2 −γx a 2 ′ −γx


= lim −x e 0
− (x ) −e dx ,
a→+∞ 0
 Z a 


= lim −a2 e−γa − 2 x −e−γx dx ,
a→+∞ 0
 Z  Z a
2 −γa 2 a
2

= lim −a e + x γe−γx dx = lim x γe−γx dx,
a→+∞ γ 0 γ a→+∞ 0
2 2
= E(X) = 2
γ γ
 2
2 1 1
Par conséquent Var(X) = E(X 2 ) − (E(X))2 = − = 2.
γ2 γ γ