Motivation

Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Chapitre1: Outils fondamentaux pour les

probabilités

4 ème DS & INFINI

A.U: 2025-2026

1 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Plan

1 Espace de probabilité

2 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Plan

1 Espace de probabilité

2 Probabilité conditionnelle et indépendance

2 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Plan

1 Espace de probabilité

2 Probabilité conditionnelle et indépendance

3 Variables aléatoires discrètes

Notions de base
Moments d’une variable aléatoire discrète
Lois discrètes usuelles

2 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Plan

1 Espace de probabilité

2 Probabilité conditionnelle et indépendance

3 Variables aléatoires discrètes

Notions de base
Moments d’une variable aléatoire discrète
Lois discrètes usuelles

4 Variables aléatoires continues

Notions de base
Moments d’une variable aléatoire continue
Variable aléatoire normale (guassienne)
Lois continues usuelles

2 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Motivation

On considère les trois expériences suivantes:

3 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Motivation

On considère les trois expériences suivantes:

Expérience 1:
On tire une boule dans une urne contenant trois boules blanches.

3 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Motivation

On considère les trois expériences suivantes:

Expérience 1:
On tire une boule dans une urne contenant trois boules blanches.

Expérience 2:
On tire une boule dans une urne contenant deux boules blanches et une
boule noire.

3 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Motivation

On considère les trois expériences suivantes:

Expérience 1:
On tire une boule dans une urne contenant trois boules blanches.

Expérience 2:
On tire une boule dans une urne contenant deux boules blanches et une
boule noire.

Expérience 3:
On tire une boule dans une urne contenant trois boules de couleurs
différentes.

3 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Questions se posent naturellement

Qu’elle-est la couleur de la boule

tirée ?

4 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Questions se posent naturellement

Qu’elle-est la couleur de la boule

tirée ?

Quelle est la différence entre ces

trois expériences ?

4 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Réponse
1 Couleur de la boule tirée ?

5 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Réponse
1 Couleur de la boule tirée ?

Dans la première expérience, il y a une seule possibilité, la couleur de

la boule tirée est blanche.

5 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Réponse
1 Couleur de la boule tirée ?

Dans la première expérience, il y a une seule possibilité, la couleur de

la boule tirée est blanche.
Dans la deuxième expérience, il y a deux possibilités, on peut tirer
une boule blanche comme on peut avoir une boule noire.

5 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Réponse
1 Couleur de la boule tirée ?

Dans la première expérience, il y a une seule possibilité, la couleur de

la boule tirée est blanche.
Dans la deuxième expérience, il y a deux possibilités, on peut tirer
une boule blanche comme on peut avoir une boule noire.
Dans la troisième expérience, on ne sait pas la couleur de la boule
tirée.

5 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Réponse
1 Couleur de la boule tirée ?

Dans la première expérience, il y a une seule possibilité, la couleur de

la boule tirée est blanche.
Dans la deuxième expérience, il y a deux possibilités, on peut tirer
une boule blanche comme on peut avoir une boule noire.
Dans la troisième expérience, on ne sait pas la couleur de la boule
tirée.

5 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Réponse
1 Couleur de la boule tirée ?

Dans la première expérience, il y a une seule possibilité, la couleur de

la boule tirée est blanche.
Dans la deuxième expérience, il y a deux possibilités, on peut tirer
une boule blanche comme on peut avoir une boule noire.
Dans la troisième expérience, on ne sait pas la couleur de la boule
tirée.

2 Différence entre ces trois expériences ?

5 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Réponse
1 Couleur de la boule tirée ?

Dans la première expérience, il y a une seule possibilité, la couleur de

la boule tirée est blanche.
Dans la deuxième expérience, il y a deux possibilités, on peut tirer
une boule blanche comme on peut avoir une boule noire.
Dans la troisième expérience, on ne sait pas la couleur de la boule
tirée.

2 Différence entre ces trois expériences ?

Dans la première expérience, on est certains d’avoir la couleur
blanche.

5 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Réponse
1 Couleur de la boule tirée ?

Dans la première expérience, il y a une seule possibilité, la couleur de

la boule tirée est blanche.
Dans la deuxième expérience, il y a deux possibilités, on peut tirer
une boule blanche comme on peut avoir une boule noire.
Dans la troisième expérience, on ne sait pas la couleur de la boule
tirée.

2 Différence entre ces trois expériences ?

Dans la première expérience, on est certains d’avoir la couleur
blanche.
Dans la deuxième expérience, on sait bien tous les résultats possibles,
mais sans savoir qu’elle résultat va se produire.

5 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Réponse
1 Couleur de la boule tirée ?

Dans la première expérience, il y a une seule possibilité, la couleur de

la boule tirée est blanche.
Dans la deuxième expérience, il y a deux possibilités, on peut tirer
une boule blanche comme on peut avoir une boule noire.
Dans la troisième expérience, on ne sait pas la couleur de la boule
tirée.

2 Différence entre ces trois expériences ?

Dans la première expérience, on est certains d’avoir la couleur
blanche.
Dans la deuxième expérience, on sait bien tous les résultats possibles,
mais sans savoir qu’elle résultat va se produire.
Dans la troisième expérience, on n’est pas capable de déterminer les
résultats possibles.
5 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Espace de probabilité

Définition:expérience aléatoire
Une expérience aléatoire est une expérience renouvelable (dans des
conditions identiques), dont l’ensemble des résultats possibles est connu,
sans savoir celui qui se produira.

6 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Espace de probabilité

Définition:expérience aléatoire
Une expérience aléatoire est une expérience renouvelable (dans des
conditions identiques), dont l’ensemble des résultats possibles est connu,
sans savoir celui qui se produira.

Exemples
Tirage pile ou face.

6 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Espace de probabilité

Définition:expérience aléatoire
Une expérience aléatoire est une expérience renouvelable (dans des
conditions identiques), dont l’ensemble des résultats possibles est connu,
sans savoir celui qui se produira.

Exemples
Tirage pile ou face.
Relever l’état d’une case mémoire.

6 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Espace de probabilité

Définition:expérience aléatoire
Une expérience aléatoire est une expérience renouvelable (dans des
conditions identiques), dont l’ensemble des résultats possibles est connu,
sans savoir celui qui se produira.

Exemples
Tirage pile ou face.
Relever l’état d’une case mémoire.
Lancer un dé et regarder la face supérieure.

6 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Espace de probabilité

Définition:expérience aléatoire
Une expérience aléatoire est une expérience renouvelable (dans des
conditions identiques), dont l’ensemble des résultats possibles est connu,
sans savoir celui qui se produira.

Exemples
Tirage pile ou face.
Relever l’état d’une case mémoire.
Lancer un dé et regarder la face supérieure.
Observer le nombre d’articles défectueux dans un lot.

6 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Espace de probabilité

Définition:expérience aléatoire
Une expérience aléatoire est une expérience renouvelable (dans des
conditions identiques), dont l’ensemble des résultats possibles est connu,
sans savoir celui qui se produira.

Exemples
Tirage pile ou face.
Relever l’état d’une case mémoire.
Lancer un dé et regarder la face supérieure.
Observer le nombre d’articles défectueux dans un lot.
Observer la durée de fonctionnement d’une machine.

6 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Univers

Définition:Univers
L’univers désigne l’ensemble de tous les résultats possibles d’une
expérience aléatoire, souvent noté Ω. On l’appelle également espace
fondamental.

7 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Univers

Définition:Univers
L’univers désigne l’ensemble de tous les résultats possibles d’une
expérience aléatoire, souvent noté Ω. On l’appelle également espace
fondamental.

Exemples
Un tirage pile ou face : Ω = {P, F }.

7 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Univers

Définition:Univers
L’univers désigne l’ensemble de tous les résultats possibles d’une
expérience aléatoire, souvent noté Ω. On l’appelle également espace
fondamental.

Exemples
Un tirage pile ou face : Ω = {P, F }.
Lancer un dé et regarder la face supérieure: Ω = {1, 2, 3, 4, 5, 6}.

7 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Univers

Définition:Univers
L’univers désigne l’ensemble de tous les résultats possibles d’une
expérience aléatoire, souvent noté Ω. On l’appelle également espace
fondamental.

Exemples
Un tirage pile ou face : Ω = {P, F }.
Lancer un dé et regarder la face supérieure: Ω = {1, 2, 3, 4, 5, 6}.
Compter les clients d’une file d’attente: Ω = {1, 2, 3, . . . }.

7 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Univers

Définition:Univers
L’univers désigne l’ensemble de tous les résultats possibles d’une
expérience aléatoire, souvent noté Ω. On l’appelle également espace
fondamental.

Exemples
Un tirage pile ou face : Ω = {P, F }.
Lancer un dé et regarder la face supérieure: Ω = {1, 2, 3, 4, 5, 6}.
Compter les clients d’une file d’attente: Ω = {1, 2, 3, . . . }.
Observer la durée de fonctionnement d’une machine:
Ω = {[0, a], a > 0}.

7 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènement
Définition:évènement
Un évènement est un ensemble de résultats possibles d’une expérience
aléatoire, autrement dit est un sous-ensemble de l’univers Ω. On note A
l’ensemble des évènements.

8 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènement
Définition:évènement
Un évènement est un ensemble de résultats possibles d’une expérience
aléatoire, autrement dit est un sous-ensemble de l’univers Ω. On note A
l’ensemble des évènements.

Terminologies:

8 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènement
Définition:évènement
Un évènement est un ensemble de résultats possibles d’une expérience
aléatoire, autrement dit est un sous-ensemble de l’univers Ω. On note A
l’ensemble des évènements.

Terminologies:
Pour A, B ∈ A on adapte les terminologies suivantes:
A = Ω: évènement certain.

8 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènement
Définition:évènement
Un évènement est un ensemble de résultats possibles d’une expérience
aléatoire, autrement dit est un sous-ensemble de l’univers Ω. On note A
l’ensemble des évènements.

Terminologies:
Pour A, B ∈ A on adapte les terminologies suivantes:
A = Ω: évènement certain.
A = ∅: évènement impossible.

8 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènement
Définition:évènement
Un évènement est un ensemble de résultats possibles d’une expérience
aléatoire, autrement dit est un sous-ensemble de l’univers Ω. On note A
l’ensemble des évènements.

Terminologies:
Pour A, B ∈ A on adapte les terminologies suivantes:
A = Ω: évènement certain.
A = ∅: évènement impossible.
Ā = Ω \ A: évènement contraire de A.

8 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènement
Définition:évènement
Un évènement est un ensemble de résultats possibles d’une expérience
aléatoire, autrement dit est un sous-ensemble de l’univers Ω. On note A
l’ensemble des évènements.

Terminologies:
Pour A, B ∈ A on adapte les terminologies suivantes:
A = Ω: évènement certain.
A = ∅: évènement impossible.
Ā = Ω \ A: évènement contraire de A.
A ∩ B: l’évènement A et B, réalisé lorsque les évènements A et B
sont réalisés.

8 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènement
Définition:évènement
Un évènement est un ensemble de résultats possibles d’une expérience
aléatoire, autrement dit est un sous-ensemble de l’univers Ω. On note A
l’ensemble des évènements.

Terminologies:
Pour A, B ∈ A on adapte les terminologies suivantes:
A = Ω: évènement certain.
A = ∅: évènement impossible.
Ā = Ω \ A: évènement contraire de A.
A ∩ B: l’évènement A et B, réalisé lorsque les évènements A et B
sont réalisés.
A ∪ B: l’évènement A ou B, réalisé lorsque l’un des évènements A et
B est réalisé.
8 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènements incompatibles

Définition:Evènements incompatibles
On dit que deux évènements A et B sont incompatibles ou disjoints si
l’évènement A ∩ B est impossible. Autrement dit si ces deux évènements
ne peuvent pas se réaliser en même temps (simultanément).

9 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènements incompatibles

Définition:Evènements incompatibles
On dit que deux évènements A et B sont incompatibles ou disjoints si
l’évènement A ∩ B est impossible. Autrement dit si ces deux évènements
ne peuvent pas se réaliser en même temps (simultanément).

Exemples:
Dans un tirage pile ou face, les évènements P et F sont
incompatibles.

9 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Evènements incompatibles

Définition:Evènements incompatibles
On dit que deux évènements A et B sont incompatibles ou disjoints si
l’évènement A ∩ B est impossible. Autrement dit si ces deux évènements
ne peuvent pas se réaliser en même temps (simultanément).

Exemples:
Dans un tirage pile ou face, les évènements P et F sont
incompatibles.
Lors d’un lancer un dé, les évènements:

A = ”avoir un nombre pair” et B = ”avoir un nombre impair”

sont incompatibles.

9 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Système complet

Définition:Système complet
Soit Ω un espace fondamental et A1 , A2 , . . . , An une famille d’évènements
de Ω. On dit que cette famille forme un système complet si et seulement
si:

10 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Système complet

Définition:Système complet
Soit Ω un espace fondamental et A1 , A2 , . . . , An une famille d’évènements
de Ω. On dit que cette famille forme un système complet si et seulement
si:
Les évènements A1 , A2 , . . . An sont deux à deux incompatibles:

∀i 6= j, Ai ∩ Aj = ∅

10 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Système complet

Définition:Système complet
Soit Ω un espace fondamental et A1 , A2 , . . . , An une famille d’évènements
de Ω. On dit que cette famille forme un système complet si et seulement
si:
Les évènements A1 , A2 , . . . An sont deux à deux incompatibles:

∀i 6= j, Ai ∩ Aj = ∅

Les évènements A1 , A2 , . . . An constituent une partition de Ω :

[
Ai = Ω
i=1:n

10 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Système complet

Définition:Système complet
Soit Ω un espace fondamental et A1 , A2 , . . . , An une famille d’évènements
de Ω. On dit que cette famille forme un système complet si et seulement
si:
Les évènements A1 , A2 , . . . An sont deux à deux incompatibles:

∀i 6= j, Ai ∩ Aj = ∅

Les évènements A1 , A2 , . . . An constituent une partition de Ω :

[
Ai = Ω
i=1:n

10 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Système complet

Définition:Système complet
Soit Ω un espace fondamental et A1 , A2 , . . . , An une famille d’évènements
de Ω. On dit que cette famille forme un système complet si et seulement
si:
Les évènements A1 , A2 , . . . An sont deux à deux incompatibles:

∀i 6= j, Ai ∩ Aj = ∅

Les évènements A1 , A2 , . . . An constituent une partition de Ω :

[
Ai = Ω
i=1:n

Exemple: Pour tout évènement A d’un espace fondamental Ω, la famille

{A, Ā} forme un système complet.
10 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Tribu

Définition:Tribu
Une tribu A sur Ω est une classe de parties de Ω qui vérifie les trois
propriétés suivantes:
Ω ∈ A.

11 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Tribu

Définition:Tribu
Une tribu A sur Ω est une classe de parties de Ω qui vérifie les trois
propriétés suivantes:
Ω ∈ A.
A est stable par passage au complémentaire, i.e. si A ∈ A alors
Ā ∈ A .

11 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Tribu

Définition:Tribu
Une tribu A sur Ω est une classe de parties de Ω qui vérifie les trois
propriétés suivantes:
Ω ∈ A.
A est stable par passage au complémentaire, i.e. si A ∈ A alors
Ā ∈ A .
A est stable par union dénombrable,S i.e. si
∀n ∈ N, A1 , A2 , . . . An ∈ A alors i=1:n Ai ∈ A .

11 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Tribu

Définition:Tribu
Une tribu A sur Ω est une classe de parties de Ω qui vérifie les trois
propriétés suivantes:
Ω ∈ A.
A est stable par passage au complémentaire, i.e. si A ∈ A alors
Ā ∈ A .
A est stable par union dénombrable,S i.e. si
∀n ∈ N, A1 , A2 , . . . An ∈ A alors i=1:n Ai ∈ A .

11 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Tribu

Définition:Tribu
Une tribu A sur Ω est une classe de parties de Ω qui vérifie les trois
propriétés suivantes:
Ω ∈ A.
A est stable par passage au complémentaire, i.e. si A ∈ A alors
Ā ∈ A .
A est stable par union dénombrable,S i.e. si
∀n ∈ N, A1 , A2 , . . . An ∈ A alors i=1:n Ai ∈ A .

Exemples
Tribu grossière notée {∅, Ω} désigne la plus petite tribu sur Ω.
Tribu discrète notée P(Ω) désigne la plus grosse tribu sur Ω
Si A ⊂ Ω, alors {∅, A, Ā, Ω} est une tribu sur Ω.
11 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Probabilité
Définition:Probabilité
On appelle probabilité sur un espace mesurable (Ω, A) toute mesure
P : A → [0, 1] vérifie:
P(Ω) = 1 .

12 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Probabilité
Définition:Probabilité
On appelle probabilité sur un espace mesurable (Ω, A) toute mesure
P : A → [0, 1] vérifie:
P(Ω) = 1 .
Pour A et B deux évènements incompatibles, on a:

P(A ∪ B) = P(A) + P(B)

12 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Probabilité
Définition:Probabilité
On appelle probabilité sur un espace mesurable (Ω, A) toute mesure
P : A → [0, 1] vérifie:
P(Ω) = 1 .
Pour A et B deux évènements incompatibles, on a:

P(A ∪ B) = P(A) + P(B)

12 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Probabilité
Définition:Probabilité
On appelle probabilité sur un espace mesurable (Ω, A) toute mesure
P : A → [0, 1] vérifie:
P(Ω) = 1 .
Pour A et B deux évènements incompatibles, on a:

P(A ∪ B) = P(A) + P(B)

Propriétés
Soient (Ω, A, P) un espace de probabilité et A, B ∈ A, alors on a:
P(Ā) = 1 − P(A) .

12 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Probabilité
Définition:Probabilité
On appelle probabilité sur un espace mesurable (Ω, A) toute mesure
P : A → [0, 1] vérifie:
P(Ω) = 1 .
Pour A et B deux évènements incompatibles, on a:

P(A ∪ B) = P(A) + P(B)

Propriétés
Soient (Ω, A, P) un espace de probabilité et A, B ∈ A, alors on a:
P(Ā) = 1 − P(A) .
P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

12 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Probabilité
Définition:Probabilité
On appelle probabilité sur un espace mesurable (Ω, A) toute mesure
P : A → [0, 1] vérifie:
P(Ω) = 1 .
Pour A et B deux évènements incompatibles, on a:

P(A ∪ B) = P(A) + P(B)

Propriétés
Soient (Ω, A, P) un espace de probabilité et A, B ∈ A, alors on a:
P(Ā) = 1 − P(A) .
P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
Si A ⊂ B, alors P(A) ≤ P(B) .
12 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Espace de probabilité

Définition: Espace de probabilité

Un espace de probabilité est un triplet (Ω, A, P) formé par un ensemble
Ω, d’une tribu A et d’une probabilité (mesure) P définie sur cette tribu.

13 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Espace de probabilité

Définition: Espace de probabilité

Un espace de probabilité est un triplet (Ω, A, P) formé par un ensemble
Ω, d’une tribu A et d’une probabilité (mesure) P définie sur cette tribu.

Un espace de probabilité est une structure mathématique qui permet de

modéliser et d’analyser les phénomènes aléatoires. Il est essentiel pour
formaliser les concepts de probabilité et pour fournir un cadre rigoureux à
l’étude des événements aléatoires.

13 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Application

Soient A, B et C trois évènements associés au même ensemble

fondamental Ω. On définit, les deux évènements:

E1 = A ∩ B̄ ∩ C̄ et E2 = A ∩ (B ∪ C )

1 Montrer que E1 et E2 sont incompatibles.

2 Déterminer l’évènement E1 ∪ E2 .
3 On note que:
P(A) = 0.6, P(B) = 0.4, P(C ) = 0.3, P(A ∩ B) = 0.2, P(A ∩ C ) = 0.1,
P(B ∩ C ) = 0.1, et P(A ∩ B ∩ C ) = 0.025

Calculer P(E2 ) puis P(E1 ).

14 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Probabilité conditionnelle et indépendance

Définition:Probabilité conditionnelle
Soient (Ω, A, P) un espace de probabilité et A, B ∈ A avec P(B) > 0. La
probabilité de l’évènemet A sachant B notée P(A|B) est définie par:

P(A ∩ B)
P(A|B) =
P(B)

15 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Probabilité conditionnelle et indépendance

Définition:Probabilité conditionnelle
Soient (Ω, A, P) un espace de probabilité et A, B ∈ A avec P(B) > 0. La
probabilité de l’évènemet A sachant B notée P(A|B) est définie par:

P(A ∩ B)
P(A|B) =
P(B)

P(A ∩ B) = P(A|B)P(B) = P(B|A)P(A)

15 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Propriétés

Propriétés
La probabilité conditionnelle est aussi une probabilité. En particulier
, on a:

P(Ā|B) = 1 − P(A|B)

16 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Propriétés

Propriétés
La probabilité conditionnelle est aussi une probabilité. En particulier
, on a:

P(Ā|B) = 1 − P(A|B)

P(A ∩ B ∩ C ) = P(A ∩ B|C )P(C )

16 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Propriétés

Propriétés
La probabilité conditionnelle est aussi une probabilité. En particulier
, on a:

P(Ā|B) = 1 − P(A|B)

P(A ∩ B ∩ C ) = P(A ∩ B|C )P(C )

P(A ∩ B|C ) = P(A|B ∩ C )P(B|C )

16 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Formule des probabilités totales

Formule des probabilités totales (FPT)

Soit (Ω, A, P) un espace de probabilité, B1 , . . . , Bn un système complet
d’évènements tous de probabilité non nulle et A un événement alors:
n
X n
X
P(A) = P(A ∩ Bi ) = P(A|Bi )P(Bi )
i=1 i=1

17 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Formule des probabilités totales

Formule des probabilités totales (FPT)

Soit (Ω, A, P) un espace de probabilité, B1 , . . . , Bn un système complet
d’évènements tous de probabilité non nulle et A un événement alors:
n
X n
X
P(A) = P(A ∩ Bi ) = P(A|Bi )P(Bi )
i=1 i=1

Cette formule nous permet de calculer la

probabilité d’un événement en le
décomposant suivant un système complet
d’événements.

17 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Application

Application: Une compagnie d’assurance estime que les gens peuvent

être répartis en deux classes :

• Ceux qui sont enclins aux accidents ’à haut risque’, qui représente 30%
de la population.
• Ceux qui sont dits ’à risque modéré’.

Les statistiques de cette compagnie montrent qu’un individu ’à haut

risque’ a une probabilité de 0.40 d’avoir un accident dans un espace d’un
an. Cette probabilité tombe à 0.20 pour les gens ’à risque modéré’.
Quelle est la probabilié qu’un nouvel assuré soit victime d’un accident
durant l’année qui suit la signature de son contrat ?

18 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Solution: Définissons les évènements suivants:

B: ” Le nouvel assuré a un accident durant l’année qui suit la signature
de son contrat”.
A1 : ” Le nouvel assuré est ’à haut risque’ ”.
A2 : ” Le nouvel assuré est ’à risque modéré’ ”.
En appliquant la formule des probabilités totales (FPT), elle entraı̂ne que:

P(B) = P(B/A1 )P(A1 ) + P(B/A2 )P(A2 ) = 0.4 × 0.3 + 0.2 × 0.7 = 0.26

19 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Formule de Bayes

Théorème: formule de Bayes

Soit (Ω, A, P) un espace de probabilité, B1 , . . . , Bn un système complet
d’événements de A alors:
P(A|Bi )P(Bi ) P(A|Bi )P(Bi )
∀A ∈ A tq P(A) 6= 0, P(Bi |A) = = n
P(A) X
P(A|Bi )P(Bi )
i=1

20 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Formule de Bayes

Théorème: formule de Bayes

Soit (Ω, A, P) un espace de probabilité, B1 , . . . , Bn un système complet
d’événements de A alors:
P(A|Bi )P(Bi ) P(A|Bi )P(Bi )
∀A ∈ A tq P(A) 6= 0, P(Bi |A) = = n
P(A) X
P(A|Bi )P(Bi )
i=1

Remarque
La formule de Bayes nous permet en effet de remonter le temps, i.e. de
calculer la probabilité d’une cause sachant celle de sa conséquence.

20 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Application

Application: Dans un laboratoire, on a fait les constats suivants :

la moitié de la population porte l’anticorps A.
si une souris porte l’anticorps A, alors 2 fois sur 5 elle porte aussi
l’anticorps B.
si une souris ne porte pas l’anticorps A, alors 4 fois sur 5 elle ne
porte pas l’anticorps B.
1 Calculer la probabilité que, si une souris porte l’anticorps B, alors
elle porte aussi l’anticorps A.
2 Calculer la probabilité que, si une souris ne porte pas l’anticorps B,
alors elle ne porte pas l’anticorps A.

21 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Solution:
1 En uilisant la formule des probabilités totales, on commence de
calculer la probabilité de l’évènement:
B =”la souris porte l’anticorps B”.
2 1 1 1 3
P(B) = P(B/A) P(A) + P(B/Ā) P(Ā) = + =
5 2 5 2 10
avec A =”la souris porte l’anticorps A”.
Par suite, en utilisant la formule de Bayes, on obtient:

P(B/A) P(A) 2/10 2

P(A/B) = = =
P(B) 3/10 3
2 De même manière, on trouve:

P(B̄/Ā) P(Ā) 4/10 4

P(Ā/B̄) = = =
P(B̄) 7/10 7

22 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Indépendance
Indépendance
Soient (Ω, A, P) un espace de probabilité et A et B deux événements de
A. On dit que A et B sont indépendants ssi:

P(A ∩ B) = P(A) × P(B)

23 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Indépendance
Indépendance
Soient (Ω, A, P) un espace de probabilité et A et B deux événements de
A. On dit que A et B sont indépendants ssi:

P(A ∩ B) = P(A) × P(B)

L’indépendance est aussi caractérisée par la probabilité conditionnelle.
Autrement dit, A et B sont indépendants ssi:
P(A|B) = P(A)

23 / 59
 Motivation
Espace de probabilité
Probabilité conditionnelle et indépendance
Variables aléatoires discrètes
Variables aléatoires continues

Indépendance
Indépendance
Soient (Ω, A, P) un espace de probabilité et A et B deux événements de
A. On dit que A et B sont indépendants ssi:

P(A ∩ B) = P(A) × P(B)

L’indépendance est aussi caractérisée par la probabilité conditionnelle.
Autrement dit, A et B sont indépendants ssi:
P(A|B) = P(A)

Proposition
Soient (Ω, A, P) un espace de probabilité et A, B et C des événements de
A avec A et B sont indépendants. Alors, on a:
P(A ∩ B|C ) = P(A|C )P(B|C )

23 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Variables aléatoires discrètes

Définition: variable aléatoire

Soient (Ω, A, P) un espace de probabilité et (E , B) un espace mesurable.
On appelle variable aléatoire (en abrégé v.a.) de Ω à valeurs dans E
toute application mesurable:

X :Ω → E
ω → X (ω)

24 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Variables aléatoires discrètes

Définition: variable aléatoire

Soient (Ω, A, P) un espace de probabilité et (E , B) un espace mesurable.
On appelle variable aléatoire (en abrégé v.a.) de Ω à valeurs dans E
toute application mesurable:

X :Ω → E
ω → X (ω)

Remarque: cas discret

Lorsque l’image de Ω par X notée X (Ω) est un ensemble fini ou infini
dénombrable, la v.a. X est dite discrète.

24 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Loi de probabilité

Définition: Loi de probabilité

Soit X une variable aléatoire discrète à valeurs dans
X (Ω) = {x1 , x2 , . . . , xn }. La loi de probabilité de X est donnée par
l’ensemble des probabilités:
n
X
pk = P(X = xk ), ∀k = 1 . . . n, avec pk = 1 .
k=1

25 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Loi de probabilité

Définition: Loi de probabilité

Soit X une variable aléatoire discrète à valeurs dans
X (Ω) = {x1 , x2 , . . . , xn }. La loi de probabilité de X est donnée par
l’ensemble des probabilités:
n
X
pk = P(X = xk ), ∀k = 1 . . . n, avec pk = 1 .
k=1

Remarque
Pour déterminer la loi d’une v.a. discrète, il faut déterminer:
Les valeurs possibles de X .

25 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Loi de probabilité

Définition: Loi de probabilité

Soit X une variable aléatoire discrète à valeurs dans
X (Ω) = {x1 , x2 , . . . , xn }. La loi de probabilité de X est donnée par
l’ensemble des probabilités:
n
X
pk = P(X = xk ), ∀k = 1 . . . n, avec pk = 1 .
k=1

Remarque
Pour déterminer la loi d’une v.a. discrète, il faut déterminer:
Les valeurs possibles de X .
La probabilité de réalisation de chaque valeur possible.

25 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Fonction de répartition

Définition: Fonction de répartition

Soit X une v.a. discrète à valeurs dans X (Ω). La fonction de répartition
de X notée FX est définie sur R par:
FX :R → [0, 1]
X
x 7→ FX (x) = P(X ≤ x) = P(X = y )
y ∈X (Ω)|y ≤x

26 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Fonction de répartition

Définition: Fonction de répartition

Soit X une v.a. discrète à valeurs dans X (Ω). La fonction de répartition
de X notée FX est définie sur R par:
FX :R → [0, 1]
X
x 7→ FX (x) = P(X ≤ x) = P(X = y )
y ∈X (Ω)|y ≤x

Propriétés
Soit X une v.a. discrète de fonction de répartition FX , alors on a:
lim FX (x) = 0 et lim FX (x) = 1.
x→−∞ x→+∞
∀a ∈ R, P(X > a) = 1 − FX (a).
∀a, b ∈ R avec a ≤ b, P(a < X ≤ b) = FX (b) − FX (a).

26 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Indépendance

Proposition
Soient X et Y deux v.a. discrètes de fonctions de répartitions FX et FY ,
avec:

∀x ∈ R, FX (x) = FY (x)

Alors, X et Y ont la même loi de probabilité.

27 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Indépendance

Proposition
Soient X et Y deux v.a. discrètes de fonctions de répartitions FX et FY ,
avec:

∀x ∈ R, FX (x) = FY (x)

Alors, X et Y ont la même loi de probabilité.

Proposition: Indépendance
Soient X et Y deux v.a. discrètes à valeurs dans X (Ω) et Y (Ω). On dit
que X et Y sont indépendantes ssi:

∀x ∈ X (Ω) et y ∈ Y (Ω), P(X = x, Y = y ) = P(X = x) P(Y = y )

27 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Application

Application:
Soient X1 , X2 et X3 trois v.a. indépendantes de même loi de Bernoulli de
paramètre p ∈]0, 1[. On définit les v.a.:

Y1 = X1 X2 et Y2 = X2 X3

1 Déterminer les lois de Y1 et Y2 .

2 Y1 et Y2 sont-elles indépendantes?

28 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Solution:
1 Déterminer les lois de Y1 et Y2 .
La loi de Y1 en tant qu’une variable aléatoire discrète est donnée par
l’ensemble de ses valeurs possibles ainsi que leurs probabilités de
réalisation. En fait, on a:
D’une part, les valeurs possibles de Y1 sont 0 et 1, ainsi
Y1 (Ω) = {0, 1}. D’autre part, en utilisant l’indépendance des Xi , on
montre que P(Y1 = 1) = 41 et P(Y1 = 0) = 34 .
De même, pour Y2 (même loi que Y1 ).
2 Y1 et Y2 sont-elles indépendantes?
Comme P(Y1 = 1, Y2 = 1) = 18 6= P(Y1 = 1)P(Y2 = 1), on conclut
que les variables Y1 et Y2 ne sont pas indépendantes.

29 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Espérance et variance

Définition
Soit X une v.a. discrète, on définit les deux paramètres:
X
Espérance : E[X ] = kP(X = k)
k∈X (Ω)
X
Variance: V[X ] = E[(X − E[X ])2 ] = E[X 2 ] − E[X ]2 = k 2 P(X = k) − E[X ]2
k∈X (Ω)

30 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Espérance et variance

Définition
Soit X une v.a. discrète, on définit les deux paramètres:
X
Espérance : E[X ] = kP(X = k)
k∈X (Ω)
X
Variance: V[X ] = E[(X − E[X ])2 ] = E[X 2 ] − E[X ]2 = k 2 P(X = k) − E[X ]2
k∈X (Ω)

Propriétés
Soit X et Y deux v.a. et a, b ∈ R, alors on a:
1 E[aX + b] = aE[X ] + b et E[X + Y ] = E[X ] + E[Y ].
2 V[aX + b] = a2 V[X ].
3 Si X et Y sont indépendantes, alors on a: V[X + Y ] = V[X ] + V[Y ].

30 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Moment d’ordre supérieur

Définition
Soit X une v.a. discrète à valeurs dans X (Ω). On dit que X admet un
moment d’ordre p ∈ [1, +∞[, ssi:
X
|x|P P(X = x) < +∞
x∈X (Ω)

Dans ce cas, le moment d’ordre p de X est donné par:

X
E[X P ] = x P P(X = x)
x∈X (Ω)

31 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Moment d’ordre supérieur

Définition
Soit X une v.a. discrète à valeurs dans X (Ω). On dit que X admet un
moment d’ordre p ∈ [1, +∞[, ssi:
X
|x|P P(X = x) < +∞
x∈X (Ω)

Dans ce cas, le moment d’ordre p de X est donné par:

X
E[X P ] = x P P(X = x)
x∈X (Ω)

Les moments d’ordre supérieur pour une variable aléatoire permettent de

décrire plus précisément la forme de sa distribution, en termes de
tendance centrale, dispersion, asymétrie.
31 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Schéma de Bernoulli

Définition: épreuve de Bernoulli

En probabilité, une épreuve de Bernoulli de paramètre p ∈]0, 1[ est une
expérience aléatoire comportant deux issues:
le succès S, avec une probabilité p;
l’échec E, avec une probabilité 1 − p.

32 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Schéma de Bernoulli

Définition: épreuve de Bernoulli

En probabilité, une épreuve de Bernoulli de paramètre p ∈]0, 1[ est une
expérience aléatoire comportant deux issues:
le succès S, avec une probabilité p;
l’échec E, avec une probabilité 1 − p.

Définition: schéma de Bernoulli

On appelle schéma de Bernoulli de paramètres n et p toute expérience
aléatoire consistant à répéter n fois de façon indépendante une épreuve
de Bernoulli de paramètre p.

32 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

loi de Bernoulli

Définition : loi de Bernoulli

On définit une variable aléatoire de Bernoulli de paramètre p en posant:
(
1, si l’issue de l’épreuve de Bernoulli est un succès
X =
0, si l’issue de l’épreuve de Bernoulli est un échec

On note X ∼ B(p).

33 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

loi de Bernoulli

Définition : loi de Bernoulli

On définit une variable aléatoire de Bernoulli de paramètre p en posant:
(
1, si l’issue de l’épreuve de Bernoulli est un succès
X =
0, si l’issue de l’épreuve de Bernoulli est un échec

On note X ∼ B(p).

Propriétés
Loi de probabilité: ∀k ∈ {0, 1}, P(X = k) = p k (1 − p)1−k .
Espérance/Variance: E(X ) = p et V (X ) = p(1 − p) .

33 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

loi binomiale

Définition : loi binomiale

On considère un schéma de Bernoulli de paramètres n ∈ N∗ et p ∈]0, 1[.
On définit alors la variable aléatoire X associée au nombre de succès
obtenus. On dit que X suit la loi binomiale de paramètres n et p et on
note X ∼ B(n, p).

34 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

loi binomiale

Définition : loi binomiale

On considère un schéma de Bernoulli de paramètres n ∈ N∗ et p ∈]0, 1[.
On définit alors la variable aléatoire X associée au nombre de succès
obtenus. On dit que X suit la loi binomiale de paramètres n et p et on
note X ∼ B(n, p).

Propriétés
Valeurs possibles: X (Ω) = {0, 1, . . . , n} .
Loi de probabilité: P(X = k) = Cnk p k (1 − p)n−k .
Espérance/Variance: E(X ) = np et V (X ) = np(1 − p) .

34 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Caractérisation et stabilité de la loi binomiale

Proposition
Soit X une v.a. suivant la loi X ∼ B(n, p), alors il existe n v.a.
indépendantes X1 , . . . , Xn de même loi de probabilité la loi de Bernoulli
B(p) tel que:
X = X1 + · · · + Xn

35 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Caractérisation et stabilité de la loi binomiale

Proposition
Soit X une v.a. suivant la loi X ∼ B(n, p), alors il existe n v.a.
indépendantes X1 , . . . , Xn de même loi de probabilité la loi de Bernoulli
B(p) tel que:
X = X1 + · · · + Xn

Proposition
Soit X1 et X2 deux variables aléatoires indépendantes telles que
X1 ∼ B(n1 , p) et X2 ∼ B(n2 , p). Alors, on a:

X = X1 + X2 ∼ B(n1 + n2 , p)

35 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

loi Géométrique

Définition : loi Géométrique

On renouvelle une épreuve de Bernoulli de paramètre p d’une manière
indépendante. On définit alors la variable aléatoire X associée au rang de
premier succès. On dit que X suit la loi Géométrique de paramètres p et
on note X ∼ G(p).

36 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

loi Géométrique

Définition : loi Géométrique

On renouvelle une épreuve de Bernoulli de paramètre p d’une manière
indépendante. On définit alors la variable aléatoire X associée au rang de
premier succès. On dit que X suit la loi Géométrique de paramètres p et
on note X ∼ G(p).

Propriétés
Valeurs possibles: X (Ω) = N∗ .
Loi de probabilité: ∀k ∈ N∗ , P(X = k) = (1 − p)k−1 p .
Espérance/Variance: E(X ) = p1 et V (X ) = 1−p
p2 .

36 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

loi de Poisson

Définition : loi de Poisson

On dit qu’une variable aléatoire X suit la loi de Poisson de paramètre
λ > 0 et on note X ∼ P(λ) si et seulement si:

λk −λ
∀k ∈ N, P(X = k) = e .
k!

37 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

loi de Poisson

Définition : loi de Poisson

On dit qu’une variable aléatoire X suit la loi de Poisson de paramètre
λ > 0 et on note X ∼ P(λ) si et seulement si:

λk −λ
∀k ∈ N, P(X = k) = e .
k!

Propriétés
λk
Loi de probabilité: P(X = k) = k! e −λ .
Espérance/variance: E(X ) = V (X ) = λ .

37 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Stabilité de la loi de Poisson

Proposition : Stabilité de la loi de Poisson

Soient X et Y deux variables aléatoires indépendantes telles que
X ∼ P(λ) et Y ∼ P(µ). Alors la variable aléatoire
S = X + Y ∼ P(λ + µ).

38 / 59
 Motivation
Espace de probabilité Notions de base
Probabilité conditionnelle et indépendance Moments d’une variable aléatoire discrète
Variables aléatoires discrètes Lois discrètes usuelles
Variables aléatoires continues

Stabilité de la loi de Poisson

Proposition : Stabilité de la loi de Poisson

Soient X et Y deux variables aléatoires indépendantes telles que
X ∼ P(λ) et Y ∼ P(µ). Alors la variable aléatoire
S = X + Y ∼ P(λ + µ).

Théorème: théorème d’approximation

Pour n assez grand et p assez faible, la loi binomiale B(n, p) peut être
approchée par la loi de Poisson de paramètre λ = np.

38 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Variables aléatoires continues

Définition: variable aléatoire continue

Soit X une variable aléatoire définie sur un espace de probabilité
(Ω, A, P). On dit que X est continue s’il prend des valeurs dans un
intervalle de R.

39 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Variables aléatoires continues

Définition: variable aléatoire continue

Soit X une variable aléatoire définie sur un espace de probabilité
(Ω, A, P). On dit que X est continue s’il prend des valeurs dans un
intervalle de R.

Exemples:
La durée de vie d’une composante électrique.

39 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Variables aléatoires continues

Définition: variable aléatoire continue

Soit X une variable aléatoire définie sur un espace de probabilité
(Ω, A, P). On dit que X est continue s’il prend des valeurs dans un
intervalle de R.

Exemples:
La durée de vie d’une composante électrique.
La taille d’un homme.

39 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Variables aléatoires continues

Définition: variable aléatoire continue

Soit X une variable aléatoire définie sur un espace de probabilité
(Ω, A, P). On dit que X est continue s’il prend des valeurs dans un
intervalle de R.

Exemples:
La durée de vie d’une composante électrique.
La taille d’un homme.
La durée d’attente dans une file.

39 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Loi de probabilité

Définition: densité de probabilité

On appelle densité de probabilté sur R toute application f : R → R telle
que:
f est positive et mesurable (continue par morceau).
R
R
f (x)dx = 1

40 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Loi de probabilité

Définition: densité de probabilité

On appelle densité de probabilté sur R toute application f : R → R telle
que:
f est positive et mesurable (continue par morceau).
R
R
f (x)dx = 1

Exemple:
La fonction f définie ci-dessous est une densité de probabilité.


 0 si x ∈] − ∞, −1[

1 + x si x ∈ [−1, 0[
f (x) =

 1−x si x ∈ [0, 1[

0 si x ∈ [1, +∞[


40 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. à valeurs réelles et f une densité de probabilté sur R. On
dit que X est continue de densité f si:
Z b
∀a, b ∈ R ∪ {±∞}, P(X ∈]a, b[) = f (x) dx
a

Dans ce cas, la loi de probabilité de X est donnée par sa densité f .

41 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. à valeurs réelles et f une densité de probabilté sur R. On
dit que X est continue de densité f si:
Z b
∀a, b ∈ R ∪ {±∞}, P(X ∈]a, b[) = f (x) dx
a

Dans ce cas, la loi de probabilité de X est donnée par sa densité f .

Plus la densité f est élevée au-dessus d’un segment, plus la chance que X
atteint ce segment est élevée, ce qui justifie le terme ” densité”.

41 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. à valeurs réelles et f une densité de probabilté sur R. On
dit que X est continue de densité f si:
Z b
∀a, b ∈ R ∪ {±∞}, P(X ∈]a, b[) = f (x) dx
a

Dans ce cas, la loi de probabilité de X est donnée par sa densité f .

Plus la densité f est élevée au-dessus d’un segment, plus la chance que X
atteint ce segment est élevée, ce qui justifie le terme ” densité”.
Remarque
La probabilité qu’une v.a. continue prenne une valeur en particulier est
nulle. Autrement dit, pour tout x ∈ R:

P(X = x) = 0

41 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Fonction de répartition

Définition: Fonction de répartition

Soit X une v.a. continue à valeurs dans R de densité de probabilité f . La
fonction de répartition de X notée FX est définie par:

FX :R → [0, 1]
Z x
x 7→ FX (x) = P(X ≤ x) = P(X ∈] − ∞, x]) = f (y ) dy
−∞

42 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Fonction de répartition

Définition: Fonction de répartition

Soit X une v.a. continue à valeurs dans R de densité de probabilité f . La
fonction de répartition de X notée FX est définie par:

FX :R → [0, 1]
Z x
x 7→ FX (x) = P(X ≤ x) = P(X ∈] − ∞, x]) = f (y ) dy
−∞

Remarque
Soit X une v.a. continue de fonction de répartion FX . Si X est positive
(i.e. P(X ≥ 0) = 1), FX est nulle sur ] − ∞, 0], autrement dit:

FX (x) = 0, ∀x ≤ 0

42 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Propriétés
Soit X une v.a. continue à valeurs réelles de fonction de répartition FX et
a, b ∈ R, alors on a:
1 FX est continue et croissante.
2 lim FX (x) = 0 et lim FX (x) = 1.
x→−∞ x→+∞
3 P(X > a) = 1 − FX (a).
4 P(a ≤ X ≤ b) = FX (b) − FX (a).

43 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Propriétés
Soit X une v.a. continue à valeurs réelles de fonction de répartition FX et
a, b ∈ R, alors on a:
1 FX est continue et croissante.
2 lim FX (x) = 0 et lim FX (x) = 1.
x→−∞ x→+∞
3 P(X > a) = 1 − FX (a).
4 P(a ≤ X ≤ b) = FX (b) − FX (a).

Proposition
Soit X une v.a. continue de fonction de répartition dérivable FX . Alors la
densité de probabilité de X est définie par:

f (x) = FX0 (x)

43 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Espérance et variance

Définition
Soit X une v.a. continue à valeurs dans R de densité de probabilité f .
On définit l’espérance et la variance par:
Z
E[X ] = xf (x) dx
R
V[X ] = E[(X − E[X ])2 ] = E[X 2 ] − E[X ]2

avec, E[X 2 ] = R x 2 f (x) dx.

R

44 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Espérance et variance

Définition
Soit X une v.a. continue à valeurs dans R de densité de probabilité f .
On définit l’espérance et la variance par:
Z
E[X ] = xf (x) dx
R
V[X ] = E[(X − E[X ])2 ] = E[X 2 ] − E[X ]2

avec, E[X 2 ] = R x 2 f (x) dx.

R

L’espérance désigne un paramètre de position ainsi que la variance est

une mesure permettant d’expliquer comment une variable aléatoire se
disperse autour de sa moyenne.

44 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Moment d’ordre supérieur

Définition
Soit X une v.a. continue à valeurs dans R de densité de probabilité f .
On dit que X admet un moment d’ordre p ∈ [1, +∞[, ssi:
Z
|x|P f (x) dx < +∞
R

Dans ce cas, le moment d’ordre p de X est donné par:

Z
E[X P ] = x P f (x) dx
R

45 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Moment d’ordre supérieur

Définition
Soit X une v.a. continue à valeurs dans R de densité de probabilité f .
On dit que X admet un moment d’ordre p ∈ [1, +∞[, ssi:
Z
|x|P f (x) dx < +∞
R

Dans ce cas, le moment d’ordre p de X est donné par:

Z
E[X P ] = x P f (x) dx
R

Les moments d’ordre supérieur pour une variable aléatoire permettent de

décrire plus précisément la forme de sa distribution, en termes de
tendance centrale, dispersion, asymétrie.

45 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Indépendance des variables aléatoires

Définition
Soient X et Y deux v.a. réelles définies sur un espace de probabilité
(Ω, A, P). On dit que X et Y sont indépendantes et on écrit X ⊥⊥ Y , ssi
pour toutes fonctions réelles mesurables bornées f et g , on a:
     
E f (X )g (Y ) = E f (X ) E g (Y )

Remarque
Deux v.a. X et Y indépendantes sont décorrélées. Autrement dit:
Cov (X , Y ) = E[XY ] − E[X ] E[Y ] = 0
Le sens inverse est faux.

46 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Définition et propriétés
Définition
Soit X une v.a. continue à valeurs dans R. On dit que X suit la loi
normale de moyenne µ et de variance σ 2 si sa densité de probabilité est
donnée par :
1 −1 x−m 2
f (x) = √ e 2 ( σ )
σ 2π

47 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Définition et propriétés
Définition
Soit X une v.a. continue à valeurs dans R. On dit que X suit la loi
normale de moyenne µ et de variance σ 2 si sa densité de probabilité est
donnée par :
1 −1 x−m 2
f (x) = √ e 2 ( σ )
σ 2π

Figure : Représentation graphique de la densité de probabilité de la loi normale

47 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Remarque
1 La densité f est symétrique par rapport l’axe ∆ : x = m.
2 Le maximum de la fonction f est atteint en point x = m et vaut
1
√
σ 2π

48 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Remarque
1 La densité f est symétrique par rapport l’axe ∆ : x = m.
2 Le maximum de la fonction f est atteint en point x = m et vaut
1
√
σ 2π

48 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Stabilité de la loi normale

Proposition
Soit X1 et X2 deux v.a. indépendantes suivent respectivement N (m1 , σ12 )
et N (m2 , σ22 ) . Alors, la v.a. définie par:

X = X1 + X2

suit la loi normale de moyenne m = m1 + m2 et de variance σ12 + σ22 .

Autrement dit, X ∼ N (m1 + m2 , σ12 + σ22 ).

49 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Stabilité de la loi normale

Proposition
Soit X1 et X2 deux v.a. indépendantes suivent respectivement N (m1 , σ12 )
et N (m2 , σ22 ) . Alors, la v.a. définie par:

X = X1 + X2

suit la loi normale de moyenne m = m1 + m2 et de variance σ12 + σ22 .

Autrement dit, X ∼ N (m1 + m2 , σ12 + σ22 ).

Remarque
Soit X1 et X2 deux v.a. indépendantes suivent respectivement N (m1 , σ12 )
et N (m2 , σ22 ) . Alors, la v.a. définie par:

X = X1 − X2 ∼ N (m1 − m2 , σ12 + σ22 )

49 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

loi normale centrée réduite

Définition
Soit X une v.a. suit la loi normale de moyenne µ et de variance σ 2 . On
dit que X est centrée si µ = 0 et réduite si σ = 1 et on note
X ∼ N (0, 1). Dans ce cas, la densité de probabilité est donnée par:

1 x2
f (x) = √ e− 2
2π

50 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

loi normale centrée réduite

Définition
Soit X une v.a. suit la loi normale de moyenne µ et de variance σ 2 . On
dit que X est centrée si µ = 0 et réduite si σ = 1 et on note
X ∼ N (0, 1). Dans ce cas, la densité de probabilité est donnée par:

1 x2
f (x) = √ e− 2
2π

Proposition: Centralisation et normalisation

Soit X une v.a. suit la loi normale N (m, σ 2 ). Alors, on a:

X −m
Z= ∼ N (0, 1)
σ
En particulier, X = σ Z + m en loi.
50 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Loi uniforme
Définition
Soit X une v.a. continue à valeurs dans R. On dit que X suit la loi
uniforme sur l’intervalle [a, b] et on note X ∼ U([a, b]) si sa densité de
probabilité est donnée par :
(
1
si x ∈ [a, b]
f (x) = b−a
0 sinon

51 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Loi uniforme
Définition
Soit X une v.a. continue à valeurs dans R. On dit que X suit la loi
uniforme sur l’intervalle [a, b] et on note X ∼ U([a, b]) si sa densité de
probabilité est donnée par :
(
1
si x ∈ [a, b]
f (x) = b−a
0 sinon

Figure : Densité de probabilité de la loi uniforme sur l’intervalle [a, b].

51 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. continue à valeurs dans R suit la loi uniforme sur
l’intervalle [a, b]. Alors, la fonction de répartition de X est définie par:

0
 si x ∈] − ∞, a[
FX (x) = x−a b−a si x ∈ [a, b]

1 si x ∈]b, +∞[


52 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. continue à valeurs dans R suit la loi uniforme sur
l’intervalle [a, b]. Alors, la fonction de répartition de X est définie par:

0
 si x ∈] − ∞, a[
FX (x) = x−a b−a si x ∈ [a, b]

1 si x ∈]b, +∞[


Figure : Fonction de répartition de la loi uniforme sur l’intervalle [a, b].

52 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. continue à valeurs dans R suit la loi uniforme sur
l’intervalle [a, b]. Alors, l’espérance et la variance de X sont donnés par:

b+a (b − a)2
E[X ] = et V[X ] =
2 12

53 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. continue à valeurs dans R suit la loi uniforme sur
l’intervalle [a, b]. Alors, l’espérance et la variance de X sont donnés par:

b+a (b − a)2
E[X ] = et V[X ] =
2 12
Application:
La durée d’une communication téléphonique entre Claire et Alice ne
dépasse jamais 1h. On suppose que sa durée en heures est une v.a. X
suit la loi uniforme sur [0, 1]. Déterminer la probabilité que la durée de
communication soit :
1 d’au moins 10 min.
2 d’au plus 3 quarts d’heure.
3 comprise entre 20 min et 40 min.

53 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Loi exponentielle
Définition
Soit X une v.a. continue à valeurs dans R. On dit que X suit la loi
exponentielle de paramètre λ > 0 et on note X ∼ Exp(λ) si sa densité de
probabilité est donnée par :
(
λ e −λx si x ≥ 0
f (x) =
0 sinon

54 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Loi exponentielle
Définition
Soit X une v.a. continue à valeurs dans R. On dit que X suit la loi
exponentielle de paramètre λ > 0 et on note X ∼ Exp(λ) si sa densité de
probabilité est donnée par :
(
λ e −λx si x ≥ 0
f (x) =
0 sinon

Figure : Densité de probabilité de la loi exponentielle de paramètre λ.

54 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. continue à valeurs dans R suit la loi exponentielle de
paramètre λ. Alors, la fonction de répartition de X est définie par:
(
1 − e −λx si x ≥ 0
FX (x) =
0 sinon

55 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. continue à valeurs dans R suit la loi exponentielle de
paramètre λ. Alors, la fonction de répartition de X est définie par:
(
1 − e −λx si x ≥ 0
FX (x) =
0 sinon

Figure : Fonction de répartition de la loi exponentielle de paramètre λ.

55 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. continue à valeurs dans R suit la loi exponentielle de
paramètre λ. Alors, l’espérance et la variance de X sont donnés par:
1 1
E[X ] = et V[X ] = 2
λ λ

56 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition
Soit X une v.a. continue à valeurs dans R suit la loi exponentielle de
paramètre λ. Alors, l’espérance et la variance de X sont donnés par:
1 1
E[X ] = et V[X ] = 2
λ λ
Application:
La durée de vie, en heures, d’un composant électronique est modélisée
par la loi exponentielle de paramètre λ = 0, 05.
1 Quelle est la probabilité que l’un composant ait une durée de vie
inférieure à 100h?
2 Quelle est la probabilité que l’un composant soit encore en état de
marche au bout de 250h?
3 Calculer la durée de vie moyenne d’un composant électrique.

56 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition:Superposition des lois exponentielles

Soit X1 et X2 deux variable aléatoires indépendantes, suivant
respectivement des lois exponentielles de paramètres λ1 et λ2 . Alors, la
variable aléatoire X définie par:

X = min(X1 , X2 )

suit la loi exponentielle de paramètre λ = λ1 + λ2 .

57 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Proposition:Superposition des lois exponentielles

Soit X1 et X2 deux variable aléatoires indépendantes, suivant
respectivement des lois exponentielles de paramètres λ1 et λ2 . Alors, la
variable aléatoire X définie par:

X = min(X1 , X2 )

suit la loi exponentielle de paramètre λ = λ1 + λ2 .

Démonstration:
La variable aléatoire X , à valeurs dans [0, +∞[, est continue possède une
fonction de répartition FX définie, pour tout x ∈ [0, +∞[, par:


FX (x) = P(X ≤ x) = 1 − P(X ≥ x) = 1 − P min(X1 , X2 ) ≥ x


= 1 − P X1 ≥ x, X2 ≥ x



= 1 − P X1 ≥ P X2 ≥ x
= 1 − e −λ1 x e −λ2 x
= 1 − e −(λ1 +λ2 )x
= 1 − e −λx 57 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

Exercice

Une usine fabrique des appareils électriques constitués de deux

composantes dont les fonctionnements sont indépendants. La durée de
vie en mois d’une composante, jusqu’à ce que survienne la première
panne, est une variable aléatoire X suivant une loi exponentielle de
paramètre λ. On note que P(X ≥ 1) = 0.4.
1 Déterminer l’expression de la densité de probabilité de X .
2 1 Calculer la probabilité pour que la durée de vie d’une composante
avant la première panne soit supérieure à 2 mois.
2 Sachant que la composante n’a pas eu de panne au cours des trois
premiers mois, quelle est la probabilité qu’elle soit encore en état de
marche au bout de cinq mois.
3 Que peut-on déduire? Généraliser ce résultat.

58 / 59
 Motivation
Notions de base
Espace de probabilité
Moments d’une variable aléatoire continue
Probabilité conditionnelle et indépendance
Variable aléatoire normale (guassienne)
Variables aléatoires discrètes
Lois continues usuelles
Variables aléatoires continues

L’appareil électrique tombe en panne que si l’une des deux composants

cessent de fonctionner. On note par T la durée de vie en mois de
l’appareil.
1 Déterminer la loi de probabilité de la variable aléatoire T .
2 Calculer la probabilité pour que la durée de vie de l’appareil soit
supérieure à 3 mois.
3 Donner la durée de vie moyenne de l’appareil électrique.

59 / 59