Université de L’arbi Ben M’hidi - Oum El Bouaghi

Faculté des sciences exactes et sciences de la nature et de la vie

Département de Mathématiques et Informatiques

Licence informatique 3ième année, S5

Spécialité : Systèmes Informatiques SI

Probabilités et Statistique
L’enseignante :

Besma Bennour

2024-2025
Table des matières

1 Espaces probabilisés 3
1.1 Expérience aléatoire, ensemble des épreuves . . . . . . . . . . . . . . . . . . 3
1.2 Événement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Types d’événements . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Relations entre les événements . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Opérations sur les événements . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Probabilité d’un événement . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Probabilité générale sur un ensemble fini . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Cas particulier : le cas équiprobabilité . . . . . . . . . . . . . . . . . . 11

2 Variables aléatoires discrètes 13

2.1 Définitions, support d’une v.a.d . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Loi de probabilité d’une v.a.d . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Fonction de masse d’une v.a.d . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Diagramme en bâton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6 Espérance mathématique et variance d’une v.a.d . . . . . . . . . . . . . . . . 18
2.7 Lois discrètes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.7.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.7.2 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.7.3 Loi binomiale (Tirage avec remise) . . . . . . . . . . . . . . . . . . . 21
2.7.4 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7.5 Loi géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7.6 Loi hypergéométrique (Tirage sans remise) . . . . . . . . . . . . . . . 23
2.8 Variables aléatoire indépendantes . . . . . . . . . . . . . . . . . . . . . . . . 24
TABLE DES MATIÈRES 2

3 Variables aléatoires continues 25

3.1 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Densité de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Espérance et variance d’une v.a.c . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Lois de probabilités continues . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4.3 Loi normale (Laplace-Gauss) . . . . . . . . . . . . . . . . . . . . . . . 30
3.4.4 L’approximation de la loi binomiale par une loi normale . . . . . . . . 32
3.4.5 L’approximation de la loi de Poisson par une loi normale . . . . . . . 33

4 Fonctions caractéristiques 36
4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2 Quelques propriétés d’une fonction caractéristique . . . . . . . . . . . . . . . 37
4.3 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

5 Vecteurs aléatoires gaussiens 42

5.1 Covariance et coefficient de corrélation . . . . . . . . . . . . . . . . . . . . . 42
5.2 Définition d’un vecteur gaussien . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3 Loi d’un vecteur gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

6 Estimation paramétrique et intervalle de confiance 50

6.1 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.2 Estimation par intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . 51
Chapitre 1

Espaces probabilisés

1.1 Expérience aléatoire, ensemble des épreuves

Exemple 1 : On lance deux pièces de monnaie différentes et bien équilibrées sur une
surface plane. On registre ce qu’on voit sur la face de chacune des deux pièces.
On pose F pour face et P pour pile.
Exemple 2 : On lance deux dés différents et bien équilibrés, un rouge et un vert.
On enregistre les deux chiffres qui apparaissent sur les deux faces supérieures des dés.
Exemple 3 : On jette un dé à 6 faces plusieurs fois, et on s’arrête lorsque l’on a
obtenu un 6. On s’intéresse au nombre de lancer.
Exemple 4 : On tire au hasard (simulténément) trois boules d’une urne qui contient
10 boules numérotés de 0 à 9.
Exemple 5 : On tire successivement trois boules d’une urne qui contient 10 boules
numérotés de 0 à 9.
Exemple 6 : J’attends le bus, et je m’intéresse au temps aléatoire qu’il va mettre
à arriver, sachant que ça ne peut pas être plus de 10 minutes.

Pour étudier ces phénomènes (expérience) aléatoire, il faut le modéliser par un mo-
dèle probabiliste. Les différents résultats possibles d’une expérience aléatoire s’appellent
les épreuves ou les réalisations de l’expérience. On représente les épreuves par la lettre
minuscule ω, comme ω, ω1 , ..., ωi , ...

Définition 1.1. On appelle ensemble des épreuves (résultats) ou l’univers, noté Ω,

l’ensemble décrivant tous les résultats possibles d’une expérience aléatoire.
1.2 Événement 4

Exemple 1 suit : Ω = {F F, F P, P F, P P } espace fini où card(Ω) = 4.

Exemple 2 suit : Ω = {(i, j), 1 ≤ i ≤ 6et1 ≤ j ≤ 6} espace fini tel que card(Ω) = 36.
Exemple 3 suit : Ω = {1, 2, ..., n, ...} = N∗ espace dénombrable tel que :
n "on obtient 6 au n-ième lancer".
n!
3
Exemple 4 : card(Ω) = C10 , telle que Cnk = est une combinaison.
k! × (n − k)!
n!
Exemple 5 : card(Ω) = A310 , tel que Akn = est un arrangement.
(n − k)!
Exemple 6 suit : Ω = [0, 10] espace infini.
Exemple 7 : On a N = 10000 pièces dont m sont défectueuses. On prend n pièces
tel que m < n. Soit Ωi , i = 1, ..., 4, l’ensemble des résultats possibles.
Cas 1 : On tire les n pièces sans tenir compte de l’ordre. donc : Ω1 = CNn .
Cas 2 : On les tire en tenant compte de l’ordre, donc Ω2 = AnN .
Cas 3 : On tire toutes les pièces en tenant compte de l’ordre, donc Ω = N !.
Cas 4 : On ne s’intéresse qu’un nombre de pièces défectueuses tirées. Donc Ω4 = {0, 1, ..., m}.

1.2 Événement
soit P(Ω) l’ensemble de tous les sous-ensemble de Ω, incluant l’ensemble Ω lui-même et
l’ensemble vide.

Exemple 8 : Soit Ω = {1, 2, 3} un ensemble fini.

P(Ω) = {∅, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, Ω} .

Tout élément de P(Ω) est appelé un événement. On peut donc interpréter chaque évé-
nement avec un sous-ensemble de Ω. On représente les événements par des lettres majuscules
comme A, B, C, E, ....

1.2.1 Types d’événements

1. Événement élémentaire
L’événement qui est réalisable par une seule épreuve s’appelle événement élémentaire
et correspond au singleton (le sous-ensemble comportant un seul élément).
1.2 Événement 5

2. Événement composé
L’événement qui est réalisable par plusieurs épreuves s’appelle événement composé
et le sous-ensemble correspond comportant plusieurs éléments.

3. Événement certain
L’événement qui se réalise à chacune des épreuves, nommé l’événement certain, et
correspond à l’ensemble de toutes les épreuves possibles de l’expérience Ω.

4. Événement impossible
L’événement qui ne peut être réalisé par aucune épreuve, nommé l’événement im-
possible, et correspond à l’ensemble vide ∅.

5. Événement contraire à A, noté Ac ou A, est l’événement qui se réalise si et seule-

ment si A ne se réalise pas.
On remarque que (Ac )c = A. Les sous-ensembles des épreuves rattachées aux événe-
ments A et A sont complémentaires par rapport à l’ensemble Ω (c’est-à-dire A ∪ A =
Ω).

Exemple 1 suit : On a Ω = {P P, F F, P F, F P }. Soit A un événement "obtenir

deux piles" donc A se réalise si On obtient l’épreuve P P . On peut écrire alors
A = {P P } et on dit que A est un événement élémentaire. L’événement A est
"obtenir au moins une face", donc A = {F F, P F, F P } est un évènement composé.
Soit B l’événement "obtenir trois face", donc B = ∅. Soit C l’événement
"obtenir au plus deux faces", donc C = Ω.

1.2.2 Relations entre les événements

1. Équivalence des événements
On appelle événements équivalents, des événements qui se réalisent simultanément.
L’équivalence de deux événements A et B revient à l’égalité des sous-ensembles des
épreuves A = B.

2. L’implication des événements

On dit que l’événement A implique l’événement B si la réalisation de A entraîne néces-
sairement la réalisation de B. Donc A ⇒ B c’est-à-dire dans le contexte ensembliste
A ⊆ B.
1.2 Événement 6

Remarque 1.1. — Tout événement A implique l’événement certain puisque A ⊆ Ω.

— Un événement élémentaire est impliqué seulement soit par lui-même (A ⊆ A), soit
par l’événement impossible.
— L’événement impossible implique tout événement quelconque (∅ ⊆ A).

1.2.3 Opérations sur les événements

Dans P(Ω) l’ensemble de tous les événements reliés à une expérience, on peut introduire
plusieurs opérations.

1. Réunion d’événements
Étant donnés deux événements A et B, leur réunion est l’événement qui se réalise ssi
au moins un des événements A ou B se réalise. On écrit A ∪ B et on lit "A ou B" ou
encore "A réunion B".

2. Intersection d’événements
Étant donnés deux événements A et B, leur intersection est l’événement qui se réalise
si et seulement si au moins un des événements A et B se réalise. On écrit A ∩ B et
on lit "A et B" ou encore "A inter B".

Remarque 1.2. Deux événements A et B sont incompatible ou disjoints si A∩B = ∅.

Dans le cas contraire si A ∩ B 6= ∅, on dit que les événements sont compatibles.

Partition (système complet) Des événements A1 , ..., An forment une partition s’ils
sont deux à deux incompatibles et qu’il y a toujours l’un d’entre eux qui se réalise.
Autrement dit, les conditions suivantes sont satisfaits :
— Ai 6= ∅, ∀i = 1, ..., n
— Ai ∩ Aj = ∅ ∀i 6= j c’est-à-dire Ai et Aj sont disjoints deux à deux.
— ∪ni=1 Ai = Ω

3. Différence d’événements
Étant donnés deux événements A et B, leur différence est l’événement qui se réalise
chaque fois que conjointement A se réalise et que B ne se réalise pas. On écrit A − B
et on lit "A moins B".

A − B = A ∩ B et B = Ω − B

Les opérations entre les événements reviennent aux opérations respectives entre les en-
1.3 Probabilité d’un événement 7

sembles des épreuves correspondantes, et donc les résultats des opérations entre les événe-
ments sont encore des événements reliés à la même expérience.
Conclusion 1 : Quand on manipule les événements deux types de vocabulaire coexistent :
l’un est probabiliste, l’autre est ensembliste. Le tableau suivant indique la correspondance
entre les deux terminologies :

Notations vocabulaire ensembliste vocabulaire probabiliste

ω élément de Ω épreuve, réalisation, éventualité,
ou résultat possible
Ω ensemble plein événement certain
∅ ensemble vide événement impossible
A sous-ensemble ou partie de Ω événement
ω∈A ω appartient à A l’épreuve ω réalise l’événement A
Ac , A complémentaire de A contraire de A
A∩B A inter B A et B
A∪B A union B A ou B
A−B A moins B A se réalise et non B
A∩B =∅ A et B disjoints A et B incompatibles
A⊆B A inclus dans B l’évènement A entraîne l’événement B
A implique B
A=B A est égal B A entraîne B et B entraîne A
A équivalent B

1.3 Probabilité d’un événement

Soit Ω un ensemble fini ou dénombrable.

Définition 1.2. On appelle probabilité sur (Ω, P(Ω)) une application P de P(Ω) dans l’in-
tervalle [0, 1] telle que :

1. P (Ω) = 1.

2. Pour toute suite d’évènements (Ai )n≥1 deux à deux disjoints, on a

  X
P ∪n Ai = P (Ai )
n
1.3 Probabilité d’un événement 8

Le triple (Ω, P(Ω), P ) est appelé espace de probabilité ou espace probabilisé.

Proposition 1.1. Soit (Ω, P(Ω), P ) un espace de probabilités. Alors on a les propriétés
suivantes :

1. 0 ≤ P (A) ≤ 1

2. P (∅) = 0

3. P (A) = 1 − P (A)

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

5. Si A ∩ B = ∅, alors P (A ∩ B) = P (∅) = 0

6. P (A − B) = P (A ∩ B) = P (A) − P (A ∩ B)

Proposition 1.2. Soit (Ai )1≤i≤n une suite d’événements qui constituent une partition de Ω.
Alors pour tout B ∈ P(Ω), on a :
n
X
P (B) = P (B ∩ Ai )
i=1

faire un diagramme correspondant.

Cas particulier : Pour tous événements A et B on a : P (B) = P (B ∩ A) + P (B ∩ A),

car l’ensemble {A, A} forme une partition de Ω.
1.3 Probabilité d’un événement 9

Exemple 9 : Un sac contient des billes noires et rouges, portant une marque
ou non. La probabilité d’observer une bille rouge et marquée est de 2/10, une bille
marqué de 3/10 et une bille noire de 7/10.
1) Quelle est la probabilité d’observer une bille rouge ou marquée ?
2) Quelle est la probabilité d’observer une bille rouge et non marquée ?
3) Quelle est la probabilité d’observer une bille noire et non marquée ?
Solution : Soit N l’évènement "obtenir une billet noire", donc P (N ) = 7/10.
M l’évènement "obtenir une billet marquée", donc P (M ) = 7/10.
R l’évènement "obtenir une billet rouge", donc P (R ∩ M ) = 2/10.
 
1) P (R ∪ M ) = P (R) + P (M ) − P (R ∩ M ) = 1 − P (N ) + P (M ) − P (R ∩ M ) = 4/10.
7 2
2)P (R ∩ M ) = P (R − M ) = P (R) − P (R ∩ M ) = (1 − ) − = ....
10 10
3)P (N ∩ M ) =??
On a P (N ∩ M ) = P (N − M ) = P (N ) − P (N ∩ M ),
on cherche P (N ∩ M ), donc on remarqur que l’ensemble {N, R} forme une partition de Ω alors :
7 2
P (M ) = P (M ∩ N ) + P (M ∩ R) =⇒ P (M ∩ N ) = P (M ) − P (M ∩ R) = − = ....
10 10

Exemple 10 : Lors d’une loterie, 300 billets sont vendus aux personnes.
5 billets sont gagnants. une personne achète 10 billets. Quelle est la probabilité
pour que la personne gagne au moins un lot ?.
10
Solution : On a Ω = C300 . Soit G l’évènement "la personne gagne au moins un lot".
G l’évènement "la personne ne gagne rien", donc
10
cardG C295
P (G) = = 10
. Alors P (G) = 1 − P (G).
cardO mega C300

Exemple 11 : Un étudiant a les probabilités suivantes d’avoir la note i à un module,

le module étant noté sur 10. Quelle est la probabilité que "l’étudiant valide son module" ?.
Note 0 1 2 3 4 5 6 7 8 9 10
Proba 1/11 0 0 1/11 1/11 2/11 2/11 2/11 1/11 1/11 0

Solution : On note V l’événement "l’étudiant valide son module", et Ai l’événement

"l’étudiant obtient la note i". Ai forment une partition de l’ensemble des notes possibles
P10 P10
et l’on a donc : P (V ) = i=0 P (V ∩ Ai ) = i=5 P (Ai ) = 8/11.
1.4 Probabilité générale sur un ensemble fini 10

1.4 Probabilité générale sur un ensemble fini

On considère une expérience aléatoire dont l’univers Ω compte n épreuves, tel que

Ω = {ω1 , ω2 , ..., ωn } , et card(Ω) = n.

La probabilité de l’événement élémentaire {ωi }, i = 1, ..., n, (notée pi ) est la fréquence

d’apparition du résultat ωi au cours d’un grand nombre de répétition de l’expérience. On
 
écrit P {ωi } = pi et alors :
 
 épreuve ω1 ω2 . . . ωn 
n
X
 

 ↓ ↓ ... ↓   tel que : pi = 1.
  i=1
probabilité p1 p2 . . . pn
Soit A = ∪i:ωi ∈A {ωi } un événement, alors
X X
P (A) = P (∪i:ωi ∈A {ωi }) = P ({ωi }) = pi (1.1)
i:ωi ∈A i:ωi ∈A

Exemple 12 : On lance un dé pipé, où l’apparition de la face qui

porte 2 et 5 points est le double de l’apparition de la face qui porte un point
, l’apparition de la face 3 et 4 est le triple de l’apparition de la face une,
et l’apparition de la face 6 est un demi de l’apparition de la face une.
i.e si on pose P ({1}) = p, on trouve :
événement élémentaire {1} {2} {3} {4} {5} {6}
p
probabilité P ({i}) p 2p 3p 3p 2p 2

Déterminer les probabilité des événements élémentaires de cette expérience

aléatoire.
n
X   p
On a Ω = {1, ..., 6}, et P {i} = 1 =⇒ p + 2(2p) + 2(3p) + = 1 =⇒ p = ... (calculer).
i=1 2
Soient l’évènement A "Obtenir un chiffre pair" et B "obtenir un chiffre plus grand que 4".
Calculer P (A), P (Ac ), P (B), et P (A ∩ B).
1.4 Probabilité générale sur un ensemble fini 11

Exemple 13 : On lance deux dés équilibrés, et on note S la somme des deux dés.
L’ensemble des valeurs possibles pour S est Ω = {2, 3, ..., 12}.
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Par exemple P (S = 4) = P ({(1, 3), (2, 2), (3, 1)}) = 3/36
Les probabilités pour les valeurs possibles de S sont alors :
k 2 3 4 5 6 7 8 9 10 11 12
P (S = k) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Soient l’évènement A "au moins la somme de deux dés est égale à 7" et B "au plus la
somme est égale à 4". Calculer P (A), P (Ac ), P (B), et P (A ∩ B).

1.4.1 Cas particulier : le cas équiprobabilité

On considère que toutes les épreuves ωi sont également vraisemblables, c’est-à-dire :

1 1
P ({ωi }) = pi = , ∀ i = 1, ..., n ⇔ P ({ω1 }) = ... = P ({ωn }) =
n n

On peut écrire donc :  

épreuve ω1 ω2 . . . ωn
 
↓ ↓ ... ↓
 
 
 
 1 1 1 
probabilité ...
n n n
Soit A = ∪i:ωi ∈A {ωi } un événement, alors la probabilité P (A) est donnée par :
X X 1 card(A)
P (A) = P (∪i:ωi ∈A {ωi }) = P ({ωi }) = = (1.2)
i:ωi ∈A i:ωi ∈A n card(Ω)

Attention Cette définition classique ou fréquentiste de probabilité utilise seulement pour

les expériences où les événements élémentaires sont équiprobables, c’est-à-dire également
1.4 Probabilité générale sur un ensemble fini 12

vraisemblable.
Les épreuves sont équiprobables, c’est-à-dire les probabilités des événements élémen-
taires sont égales.

Exemple (suit) On prend l’exemple 2 (deux dés non pipés). Donc Ω = {(i, j), 1 ≤ i, j ≤ 6},
1
card(Ω) = 36 et P ({(i, j)}) = 36
∀i, j.
Soit l’évènement A "les valeurs des deux dés sont identiques". donc :
 
6
A = {(1, 1), ..., (6, 6)} et P (A) = P {(1, 1), ..., (6, 6)} = 36

Calculer P (B) tel que B l’évènement "le dé 1 donne le chiffre 2 et le dé 2 donne

un chiffre impair".
P (B) = .............................................
Chapitre 2

Variables aléatoires discrètes

Soient (Ω, P(Ω), P ) un espace de probabilité et E ⊂ R.

Définition 2.1. Une variable aléatoire (v.a) X est une application de Ω dans E, telle que
l’inverse de chaque intervalle de E est un évènement de Ω.

X:Ω→E

X −1 (I ⊂ E) = A ⊂ Ω

2.1 Définitions, support d’une v.a.d

Définition 2.2. Une v.a est dite discrète si elle peut prendre un nombre fini de valeurs
isolées. l’ensemble E est égal à N, Z ou une partie de Z.

Le support d’une v.a est l’ensemble des ses valeurs possibles. On notera S(X) le support
d’une v.a X.

Exemple 1 : On lance une pièce de monnaie une fois. X est le résultat d’obtenir le Pile. Donc
X prend deux valeurs 0 ou 1. C’est-à-dire X = 1 si le résultat de lancer est Pile et X = 0 si non.
Exemple 2 : On lance un dé équilibré. X le résultat obtenu. Alors X est une v.a.d,
et les valeurs possibles de X sont S(X) = {1, 2, ..., 6}
Exemple 3 : On lance deux dés bien équilibrés, un vert et un rouge. Soit S
le total (la somme) des faces supérieures. Donc S est une v.a.d, et le support de X
est S(S) = {2, 3, 4, ..., 12}.
2.2 Loi de probabilité d’une v.a.d 14

Exemple 4 : On lance une pièce de monnaie n = 3 fois. Y représente le nombre de fois

d’obtenir le Pile. Donc Y est une v.a.d et S(Y ) = {0, 1, 2, 3}.
Exemple 5 : On jette un dé à 6 faces plusieurs fois, et on s’arrête lorsque l’on a
obtenu un 6. Soit Y le nombre de lancer nécessaire. Alors Y est une v.a.d
et S(Y ) = {1, 2, 3, ....} = N∗ .

2.2 Loi de probabilité d’une v.a.d

On s’intéresse maintenant à la loi de probabilité d’une v.a.d X, c’est-à-dire la probabilité
P (X = xi ) pour xi ∈ S(x) = {x1 , ..., xn }. Soit Axi = {ω ∈ Ω : X(ω) = xi }

Définition 2.3. La loi de probabilité de X est

P (X = xi ) = P (Axi ) = pi , xi ∈ S(X) (2.1)

Elle a deux propriétés suivantes :

(i) P (X = xi ) ≥ 0, xi ∈ S(X).
X   X
(ii) La probabilité totale P X = xi = pi = 1.
xi ∈S(X) xi ∈S(X)

2.3 Fonction de masse d’une v.a.d






0 si x < 1

1
si 1 ≤ x < 2





 6

2
si 2 ≤ x < 3





 6
PX (x) = 3
 6
si 3 ≤ x < 4

4

si 4 ≤ x < 5


6




 5



 6
si 5 ≤ x < 6


1 si x ≥ 6


2.3 Fonction de masse d’une v.a.d 15

Exemple 1 (suit) : X le nombre de fois d’obtenir le Pile donc S(X) = {0, 1}. La loi de
1
probabilité de X est donnée par : P (X = 1) = P ({P ile}) = p = 2

et P (X = 0) = P ({F ace}) = 1 − p
1
On dit que X suit la loi de Bernoulli de paramètre p = 2
(i.e X ∼ B(p)).
Exemple 2 (suit) : X est le résultat d’un lancé de dé. On a S(X) = {1, 2, ..., 6}.
     
P X = 1 = P Ax=1 = P {1} = 16 , et on trouve
xi 1 2 3 4 5 6
 
1 1 1 1 1 1
P X = xi 6 6 6 6 6 6
1
On dit que X suit la loi uniforme de paramètre p = 6
(i.e X ∼ U(p)).
Exemple 3 (suit) : On a S(S) = {2, 3, ..., 12}, donc la loi de probabilité de S est donnée
dans le tableau suivant :
si 2 3 4 5 6 7 8 9 10 11 12
 
1 2 3 4 5 6 5 4 3 2 1
P S = si 36 36 36 36 36 36 36 36 36 36 36

Exemple 4 (suit) : Y est le nombre de fois d’obtenir le Pile, donc S(Y ) = {0, 1, 2, 3}.
Pour chaque lancer, on a deux résultats Pile ou Face, et on s’intéresse par le Pile.
Donc on peut définir par Xi la v.a.d qui représente "le résultat de iième lancer est le Pile".
C’est-à-dire Xi = 1 si le iième lancer donne Pile et Xi = 0 si non.
On pose P (Xi = 1) = p = 12 , et on remarque que Xi ∼ B(p = 12 ).
3
X
D’autre part Y est le nombre de fois d’obtenir le Pile, on peut donc écrire Y = Xi
i=1
3
X   1 3−k  1 k C3k
pour tout k ∈ S(Y ), P (Y = k) = P Xi = k = C3k 1 − = 3
i=1 2 2 2
On trouve P (Y = 0) = 0.125, P (Y = 1) = 0.375, P (Y = 2) = 0.375, P (Y = 3) = 0.125
1
On dit que Y suit la loi binomiale de paramètre n = 3 et p = 2
(i.e Y ∼ B(3, 21 )).
3
X
Question : vérifier la deuxième propriété de la loi de probabilité (i.e P (Y = k) = 1).
k=0

Exemple 5 (suit) : On jette un dé à 6 faces plusieurs fois, et on s’arrête lorsque l’on a

obtenu un 6. Soit Y le nombre de lancer nécessaire. On a S(Y ) = {1, 2, 3, ....} = N.
 
La loi de Y est P Y = k = ( 56 )k−1 1
6
pour tout k ∈ S(Y )
1
On dit que Y suit la loi géométrique de paramètre p = 6
(i.e Y ∼ Geo(p)).
2.4 Diagramme en bâton 16

Explication de l’exemple 3 :
      1
P S=2 = P As=2 = P {(1, 1)} =
36
      2
P S=3 = P As=3 = P {(1, 2), (2, 3} =
36
      3
P S=4 = P As=4 = P {(1, 3), (2, 2), (3, 1)} =
36
      4
P S=5 = P As=5 = P {(1, 4), (2, 3), (3, 2), (4, 1)} =
36
      5
P S=6 = P As=6 = P {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)} =
36
      6
P S=7 = P As=7 = P {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)} =
36
      5
P S=8 = P As=8 = P {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)} =
36
      4
P S=9 = P As=9 = P {(3, 6), (4, 5), (5, 4), (6, 3)} =
36
      3
P S = 10 = P As=10 = P {(4, 6), (5.5), (6, 4)} =
36
      2
P S = 11 = P As=11 = P {(5, 6), (6, 5)} =
36
      1
P S = 12 = P As=12 = P {(6, 6)} =
36

2.4 Diagramme en bâton

La loi de probabilité d’une v.a.d X peut être représentée graphiquement par un dia-
gramme en bâton comme dans la figure suivante
2.5 Fonction de répartition 17

2.5 Fonction de répartition

Définition 2.4. La fonction de répartition d’une v.a.d X est la fonction définie pour tout
x ∈ R par
X X
FX (x) = P (X ≤ x) = P (X = xi ) = pi (2.2)
xi ≤x xi ≤x

Autrement dit, FX (x) est la probabilité de l’évènement "la valeur de X est inférieure ou égale
à x"

Remarque 2.1. 1) FX (x) ∈ [0, 1] pour tout x ∈ R ;

2) FX est une fonction croissante, c’est-à-dire si x < y, alors FX (x) < FX (y) ;
3) lim FX (x) = 1 et lim FX (x) = 0.
x→∞ x→−∞

Remarque 2.2. La fonction de répartition d’une v.a.d X peut être représentée graphique-
ment par une fonction en escalier comme dans la figure suivante

Exemple 1 (suit) : La fonction de répartition :





 0 si x < 0

FX (x) = 1
 2
si 0 ≤ x < 1


 1 si x ≥ 1


Exemple 2 (suit) : La fonction de répartition de la v.a X :






0 si x < 1

1
si 1 ≤ x < 2





 6

2
si 2 ≤ x < 3





 6
FX (x) = 3
 6
si 3 ≤ x < 4

4

si 4 ≤ x < 5


6




 5



 6
si 5 ≤ x < 6


1 si x ≥ 6


2.6 Espérance mathématique et variance d’une v.a.d 18

Exemple 6 : Soit X une v.a, et soit :






0 si x < 3

 1


3
si 3 ≤ x < 5
FX (x) =
2



 3
si 5 ≤ x < 8


1 si x ≥ 8



sa fonction de répartition. Déterminer la loi de probabilité de la v.a X. Donc :

 
3 5 8 
X


1 1 1
3 3 3

2
On calcule P (2 < X < 6) = FX (6) − FX (2) = 3

2.6 Espérance mathématique et variance d’une v.a.d

Il est utile d’associer à une v.a quelques nombres qui donneront des indications sur
le comportement statistique de cette variable, en particulier sur sa valeur moyenne et sa
dispersion autour de cette valeur moyenne.

Définition 2.5. Si X est une v.a.d et S(X) = {x1 , ..., xn } son support, on appelle espérance
de X la quantité suivante lorsqu’elle existe :
n
X
E(X) = xi P (X = xi ) (2.3)
i=1

L’espérance d’une v.a positive est toujours définie (fini ou infini).

Propriétés de E(X) :

1. E(a) = a, où a est une constante.

2. Soient a, b deux nombres réels, et X, Y deux v.a.d. Si E(X) et E(Y ) sont existent
alors
E(aX + bY ) = aE(X) + bE(Y )

3. E(XY ) = E(X) E(Y ), si les v.a X et Y sont indépendantes.

Définition 2.6. La variance d’une v.a X est

 
V ar(X) = E (X − E(X))2 = E(X 2 ) − E(X)2 (2.4)
2.6 Espérance mathématique et variance d’une v.a.d 19

La variance d’une v.a X peut s’interpréter comme une mesure de degré de dispersion des
valeurs de la v.a X par rapport à son espérance.
Propriétés de V ar(X) :

1. V ar(a) = 0, où a est une constante.

2. V ar(X + b) = V ar(X), pour tout b ∈ R.

3. V ar(aX) = a2 X, pour tout a ∈ R.

4. V ar(aX + b) = a2 V ar(X), pour tout b ∈ R

5. V ar(X + Y ) = V ar(X) + V ar(Y ) ;

Définition 2.7. L’écart-type d’une v.a X est la racine carrée de sa variance.

q
σ(X) = V (X) (2.5)

Question : Calculer l’espérance, la variance, et l’écart-type d’exemples précédents.

2.7 Lois discrètes usuelles 20

Exemple 1 (suit) : On a S(X) = {0, 1}, où P (X = 0) = 1/2 et P (X = 1) = 1/2.

Donc E(X) = 0.P (X = 0) + 1.P (X = 1) = 1/2
V ar(X) = 02 .P (X = 0) + 12 .P (X = 1) − E(X)2 = 0.25.
Exemple 2 (suit) : On a
xi 1 2 3 4 5 6
 
1 1 1 1 1 1
P X = xi 6 6 6 6 6 6
 
xi P X = xi
 
x2i P X = xi
6
X  
Donc E(X) = xi P X = xi = ...........
i=1
6  
x2i P X = xi − E(X)2 = ..........................................................................
X
et V ar(X) =
i=1
Exemple 3 (suit) : On a
si 2 3 4 5 6 7 8 9 10 11 12
 
1 2 3 4 5 6 5 4 3 2 1
P S = si 36 36 36 36 36 36 36 36 36 36 36
 
si P S = si
 
s2i P S = si
11
X  
Donc E(S) = si P S = si = ...........
i=1
11  
s2i P S = si − E(S)2 = ..........................................................................
X
et V ar(S) =
i=1

2.7 Lois discrètes usuelles

Ensuite on traite quelques lois discrètes de probabilité, en particulier les deux lois les
plus importantes, à savoir la loi binomiale et la loi de Poisson.

2.7.1 Loi uniforme

C’est la loi d’un tirage équiprobable sur un espace fini S(X). X prend toutes les valeur
de S(X) avec la même probabilité, alors
1
P (X = xi ) = , pour tout xi ∈ S(X)
card(S(X))
et on dit que X suit une loi uniforme sur S(X). comme l’exemple 2.
Question : On prend l’exemple 2. Rappeler X, S(X), loi de probabilité et son diagramme
en bâton, FX et sa courbe, E(X), et V ar(X).
2.7 Lois discrètes usuelles 21

2.7.2 Loi de Bernoulli

On dit que la v.a X suit la loi de Bernoulli de paramètre p où p ∈ [0, 1], si :

P (X = 1) = p , P (X = 0) = 1 − p = q (2.6)

On note X ∼ Bernoulli(p). revoir l’exemple 1.

1. La fonction de répartition :




 0 si x < 0

FX (x) =  1
2
si 0 ≤ x < 1


 1 si x ≥ 1


• L’espérance de X :
E(x) = p.

• La variance de X : Comme X 2 = X, E(X 2 ) = p ; d’où :

V ar(X) = p(1 − p).

2.7.3 Loi binomiale (Tirage avec remise)

On suppose que l’on répète n fois dans des conditions identiques une expérience aléa-
toire, dont l’issue se traduit par l’apparition d’un évènement A de probabilité p, le résultat
de chaque expérience étant indépendant des résultats précédents. Soit X le nombre d’appa-
rition de l’évènement A parmi ces n expériences.
On dit alors que X suit une loi binomiale de paramètres n et p, notée X ∼ B(n, p).
La deuxième définition de la loi binomiale : X suit une loi binomiale B(n, p) si X est une
somme de n variables de Bernoulli indépendantes et de même paramètre p.
• La loi de probabilité de X est donnée par :

∀k ∈ {0, 1, . . . , n} , P (X = k) = Cnk pk (1 − p)n−k (2.7)

• La fonction de répartition : est définie par

k
Cni pi (1 − p)n−i
X
FX (k) = P (X ≤ k) = , k ∈ {0, 1, . . . , n} .
i=0

• L’espérance de X :
E(X) = np.
2.7 Lois discrètes usuelles 22

• La variance de X :
V ar(X) = np(1 − p).

revoir l’exemple 4.

2.7.4 Loi de Poisson

Une autre loi importante est la loi de Poisson.
Soit λ > 0. La variable aléatoire X est de loi de Poisson de paramètre λ si :

λk
∀k ∈ N, P (X = k) = exp(−λ). (2.8)
k!

• L’espérance de X :
E(X) = λ.

• La variance de X :
V ar(X) = λ.

L’approximation de la loi binomiale par la loi de Poisson

Soit X ∼ B(n, p). Si (n → ∞) et (p → 0), la loi binomiale converge vers la loi de Poisson.
Cela signifie que si n est grand et p petit on peut approximer la loi B(n, p) par une loi
de Poisson P(λ) avec λ = np. En pratique l’approximation est bonne si n > 30 et np < 5.

B(n, p) ∼ P(λ = np).

Exemple 7 : Sur une autorote, il y a en moyenne deux accidents par semaine.

Quelle est la probabilité qu’il y aura cinq accidents par semaine ?
Soit X la v.a qui représente ” le nombre d’accidents par une semaine”, donc la loi
de X suit la loi de Poisson de paramètre λ = 2.
la probabilité qu’il y aura cinq accidents par semaine est :
λ5
P (X = 5) = × e−λ = ...
5!
2.7 Lois discrètes usuelles 23

2.7.5 Loi géométrique

On dit que la v.a X suit la loi géométrique sur N∗ de paramètre p et l’on note X ∼ Geo(p)
si :
∀k ∈ N∗ , P (X = k) = (1 − p)k−1 p (2.9)

• Fonction de répartition de X

∀k ∈ N∗ , FX (k) = P (X ≤ k) = 1 − (1 − p)k

• L’espérance de X :
1
E(X) =
p
• La variance de X :
1−p
V ar(X) =
p2
revoir l’exemple 5.
Typiquement la loi géométrique apparaît dans la situation suivante : on répète "indépen-
damment" une même expérience aléatoire et on note X le nombre de fois qu’il faut réaliser
l’expérience pour voir apparaître un évènement A donné, de probabilité p.

2.7.6 Loi hypergéométrique (Tirage sans remise)

Exemple 8 : une urne contient N = 20 boules, parmi eux N1 = 8 des boules blanches et
les autre des boules noires et vertes. on tire au hasard n = 5 boules sans remise.
X est la v.a. qui représente le nombre de boules blanches tirées. Dans ce cas
S(X) = {0, 1, 2, 3, 4, 5}. Donc :
8−k
C8k C12
∀k ∈ {0, 1, ..., 5}, P (X = k) = 5
C20
On dit que X suit la loi hypergéométrique de paramètres H(n, N1 , N ) tels que
(n = 5, N1 = 8, N = 20). On peut écrire aussi X ∼ H(n, p, N ) où
8
p est la probabilité des boules blanches c’est-à-dire p = 20
= 0.4.

On dit que la v.a X suit la loi hypergéométrique de paramètres (n, N1 , N ) et l’on note
X ∼ H(n, N1 , N ) si :

CNk 1 CNn−k
−N1
∀k ∈ {0, 1, ..., n}, P (X = k) = (2.10)
CNn
2.8 Variables aléatoire indépendantes 24

• L’espérance de X :
N1
E(X) = np, où p =
N
• La variance de X :
N −n
V ar(X) = np(1 − p)
N −1
N1
Remarque 2.3. Si N → ∞, alors H(n, N1 , N ) tend vers B(n, p = N
). En pratique, ce
n
résultat s’applique dés que N
< 0.1, c’est-à- dire dés que la population est 10 fois plus
grande que l’échantillon, ce qui arrive fréquemment en sondages.

2.8 Variables aléatoire indépendantes

Soit X et Y des v.a et leurs loi de probabilité
 
x1 x2 ... xn  Xn
X  et pi = 1

p1 p2 ... pn i=1

et  
y1 y2 ... ym  Xm
Y  et qi = 1

q1 q2 ... qm i=1

Définition 2.8. Les v.a X et Y sont indépendantes si

 
P (X = xi ), (Y = yj ) = P (X = xi ) P (Y = yj ) = pi qj

pour i = 1, ..., n et j = 1, ..., m.

Chapitre 3

Variables aléatoires continues

Dans beaucoup de situations, on veut travailler avec des variables continues comme suit :

1. La durée de vie d’un appareil en mois ∈]0, t],

2. La taille en cm d’une personne ]0, 200],

3. le poids, La vitesse d’une voiture, ...

Soit Ω un ensemble muni d’une probabilité P . Une v.a X est dite continue si elle peut
prendre toutes valeurs comprises dans un intervalle [a, b] ⊆ R.

3.1 Fonction de répartition

Définition 3.1. La fonction de répartition d’une v.a.c X est la fonction définie pour tout
x ∈ R par
FX (x) = P (X ≤ x) (3.1)

Quelques propriétés de FX
1) FX (x) ∈ [0, 1] pour tout x ∈ R ;
2) FX est une fonction croissante, c’est-à-dire si x < y, alors FX (x) < FX (y) ;
3) lim FX (x) = 1 et lim FX (x) = 0.
x→+∞ x→−∞

Remarque 3.1. 1) P (X = a) = 0, pour tout a ∈ R.

2) P (X ≤ a) = P (X < a) car P (X = a) = 0.
3) P (a < X < b) = P (X < b) − P (X < a) = FX (b) − FX (a).
4) P (X > a) = 1 − p(X ≤ a) = 1 − FX (a).
3.2 Densité de probabilité 26

3.2 Densité de probabilité

Définition 3.2. Une variable aléatoire X est continue, s’il existe une fonction fX (x),
appelée densité de X telle que :
Z b
P (a ≤ X ≤ b) = fX (x) dx = FX (b) − FX (a) pour tout a, b ∈ R, a<b
a

Elle a deux propriétés suivantes :

(i) fX (x) ≥ 0, x ∈ R. (c’est-à-dire fX est une fonction non négative).
R +∞
(ii) La probabilité totale −∞ fX (x)dx = 1.
Ainsi FX est une primitive de fX , et fX est donc la dérivée de FX .

Question 01 : Vérifier que la fonction suivante est une densité de probabilité sur R.
x
f (x) = λ1 e− λ pour x ∈]0, +∞[, et λ > 0. Solution :
On constate que f (x) ≥ 0 pour x ∈ R, donc f est une fonction non négative,
et continue sur R Et on a :
R +∞ R0 R +∞ 1 − x  x

−∞ f (x) dx = −∞ 0 dx + 0 e λ λ
dx = 0 + − e− λ |+∞
0 = 0 − (−1) = 1
Question 02 : Soit f (x) = kx(1 − x)2 pour 0 ≤ x ≤ 1. Trouver k pour que f soit
une densité de probabilité sur R.
Solution :
R +∞
f est une fonction non négative, et continue sur R et −∞ f (x) dx = 1 donc :
R1 1
k 0 x(1 − x)2 dx = k 12
=1 ⇒ k = 12.
Question 03 : Soit fX la densité de la v.a X, tel que : fX (x) = x si 0 ≤ x ≤ 1 ; et
1
fX (x) = 2
si 1 < x ≤ 2. Trouver P (X > 1), P (X < 1), P ( 21 < X < 32 ).
Solution :
R +∞ R2 1
P (X > 1) = 1 fX (x) dx = 1 2 dx = 12 ;
R1 R1 1
P (X < 1) = −∞ fX (x) dx = 0 x dx = 2
R1 3
P ( 21 < X < 32 ) = 1 3 1 5
R
1 xdx + 1 2 dx
2
= 8
+ 4
= 8
2

Question 04 : Soit X une v.a dont la densité est donnée par : f (x) = λ e−λ x si x>0
où λ > 0. Trouver la fonction de répartition de X.
Solution :Pour x < 0, on a FX (x) = 0.
R0 Rx  
Pour x ≥ 0, FX (x) = P (X ≤ x) = −∞ 0 dt + 0 λ e−λ t dt = 0 + − e−λ t |x0 = 1 − e−λ x .
3.3 Espérance et variance d’une v.a.c 27

Question 05 : Soit f une fonction est définie par : f (x) = 32 x2 si −1 ≤ x ≤ 1.

Montrer que f (x) est une densité et trouver la fonction de répartition correspondant.
Solution : La fonction f est non-négative, continue sauf en x = −1 et x = 1. De plus
R +∞ R1 3 x3
−∞ f (x)dx = −1 2 x2 dx = 2
|1−1 = 1 ; donc f est une fonction de densité.
On trouve maintenant la fonction de répartition correspondante.
Pour x < −1 , FX (x) = 0.
R −1 Rx 3 2 t3 x3 + 1
Pour −1 ≤ x < 1, FX (x) = P (X ≤ x) = −∞ 0 dx + −1 2t dt = 2
|x−1 = .
2
Pour x ≥ 1, FX (x) = 1. (vérifier)

3.3 Espérance et variance d’une v.a.c

Définition 3.3. Si X est une v.a.c et fX sa fonction de densité, on appelle espérance de X
la quantité suivante lorsqu’elle est bien définie :

Z +∞
E(X) = x fX (x) dx (3.2)
−∞

Quelques propriétés de l’espérance

1. E(a) = a, où a est une constante.

2. Soient a, b deux nombres réels, et X, Y deux v.a,

E(aX + bY ) = aE(X) + bE(Y )

3. E(XY ) = E(X) E(Y ), si les v.a X et Y sont indépendantes.

Question 06 : Soit X une v.a dont la densité est donnée par : fX (x) = 2x si 0 ≤ x ≤ 1.
Trouver E(X). Solution :
R1
2x2 dx = 23 x3 |10 = 2
R
E(X) = R x fX (x) dx = 0 3
2x
Question : 07 Soit X une v.a dont la densité est donnée par : fX (x) = a2
si 0 ≤ x ≤ a.
Trouver E(X). Solution :
R a 2x2 2 x3 2a
|a0 =
R
E(X) = R x fX (x) dx = 0 a2
dx = 3 a2 3
3.3 Espérance et variance d’une v.a.c 28

x
Question 08 : Soit X une v.a dont la densité est donnée par : fX (x) = 12 e− 2 si x > 0.
Trouver E(X). Solution :
R +∞ x
x 12 e− 2 dx = 2. En utilisant l’intégrale par partie.
R
E(X) = R x fX (x) dx = 0

Remarque 3.2. En général, si la densité de la v.a X de la forme fX (x) = λe−λ x pour x > 0
et λ > 0, alors E(X) = λ1 .

1
Question 09 : Soit X une v.a dont la densité est donnée par : fX (x) = b−a
si a < x < b.
R Rb 1 a+b
Trouver E(X). Solution : E(X) = R x fX (x) dx = a x b−a
dx = 2
.

1
Remarque 3.3. Si la densité de la v.a X de la forme fX (x) = b−a
pour a < x < b, alors
a+b
E(X) = 2
.

Définition 3.4. La variance d’une v.a X est

Z +∞
2 2
V ar(X) = E(X ) − E(X) = x2 fX (x) dx − E(X)2 (3.3)
−∞

Quelques propriétés de la variance

1. V ar(a) = 0, où a est une constante.

2. V ar(aX) = a2 X ;

3. V ar(aX + b) = a2 V ar(X).

x
Question 10 : Soit X une v.a dont la densité est donnée par : fX (x) = 12 e− 2 si x > 0.
Trouver V ar(X). Solution :
R +∞ 2 1 − x
E(X 2 ) = x2 fX (x) dx =
R
R 0 x e 2 2
dx = 8. En utilisant l’intégrale par partie.
Donc V ar(X) = 8 − 4 = 4.

Remarque 3.4. En général, si la densité de la v.a X de la forme fX (x) = λe−λ x pour x > 0
 2
2 1 1
et λ > 0, alors V ar(X) = λ2
− λ
= λ2
.
3.4 Lois de probabilités continues 29

1
Question 11 : Soit X une v.a dont la densité est donnée par : fX (x) = b−a
si a < x < b.
Rb 2 2 2
Trouver V ar(X) . Solution : E(X 2 ) = x2 fX (x) dx = 1
= b +ab+a
R
R a x b−a
dx 3
.
2
(a−b)2

b2 +ab+a2 b+a
Donc V ar(X) = 3
− 2
= 12
.

3.4 Lois de probabilités continues

3.4.1 Loi uniforme

On dit que la v.a X suit la loi uniforme sur l’intervalle [a, b], si sa fonction de densité
est donnée par :
1 
si a ≤ x ≤ b


fX (x) =  b − a
 0 si non

1
On écrira alors X ∼ U(a, b). On constate que est une constante.
b−a
La fonction de répartition de la v.a.X :



 0 si x < a
x−a


FX (x) = P (X ≤ x) = si a ≤ x < b


 b−a
si x ≥ b


0

L’espérance et la variance de X sont les suivantes :

a+b (a − b)2
E(X) = et var(X) =
2 12

respectivement.

Question 12 : Soit X ∼ U(0, 10). Calculer P (X ≤ 3), P (X > 6), et P (3 < X < 8).
Solution :
R3 1 3
P (X < 3) = 0 10 dx = 10

P (X > 6) = 610 10
1 4
P (X > 6) = 1 − P (X ≤ 6)
R
dx = 10 ou
R8 1 5
P (3 < X < 8) = 3 10 dx = 10
3.4 Lois de probabilités continues 30

3.4.2 Loi exponentielle

On dit que la v.a X suit la loi exponentielle de paramètre λ où λ > 0, si sa fonction
de densité est donnée par :


 λe−λx si x > 0
fX (x) = 
 0 si x ≥ 0

On écrira alors X ∼ E(λ).

La loi exponentielle sert souvent à modéliser le temps d’attente dans un processus où des
évènements se passent de manière aléatoire.
La fonction de répartition de X est :

FX (x) = 1 − e−λx si x ≥ 0.

L’espérance et la variance de X sont les suivantes :

1 1
E(x) = et var(X) =
λ λ2
respectivement.

Question 13 : Soit X ∼ E(1). Trouver la fonction de répartition de X,

et calculer P (X ≤ 3), P (X > 6), et P (3 < X < 8).
Solution : La fonction de répartition est : FX (x) = 1 − e−x .
P (X ≤ 3) = FX (3) = 1 − e−3
P (X > 6) = 1 − P (X ≤ 6) = 1 − FX (6) = e−6
P (3 < X < 8) = FX (8) − FX (3) = −e−8 + e−3

3.4.3 Loi normale (Laplace-Gauss)

On dit que la v.a X suit la loi normale de paramètres µ et σ 2 , où µ ∈ R et σ > 0, si la
densité de X est définie par :
1 1 x−µ 2
fX (x) = √ e− 2 ( σ ) pour tout x ∈ R (3.4)
σ 2π
On écrira alors X ∼ N (µ, σ 2 ).
L’espérance et la variance de X sont :

E(X) = µ; et V ar(X) = σ 2
3.4 Lois de probabilités continues 31

respectivement.
Cas particulier : si X ∼ N (0, 1), on dit que la loi de X est la loi normale centrée
réduite, et on notera par Z au lieu de X. Dans ce cas, on obtient la fonction de densité
comme suite :
1 x2
fZ (x) = √ e− 2 pour tout x ∈ R (3.5)
2π
Et on note par φ sa fonction de répartition qui est représentée à la table 1 page 40.

Question 14 : Soit Z ∼ N (0, 1). Calculer P (Z ≤ 2), P (Z < −1), P (Z > 2),
et P (| Z |< 1.96).
Solution : En utilisant table 1.
P (Z ≤ 2) = φ(2) = 0.977200
P (Z < −1) = φ(−1) = 1 − φ(1) = 0.158700
P (Z > 2) = 1 − P (Z ≤ 2) = 1 − φ(2)
P (| Z |< 1.96) = P (−1.96 < Z < 1.96) = φ(1.96) − φ(−1.96) = φ(1.96) − [1 − φ(1.96)]
donc P (| Z |< 1.96) = 2φ(1.96) − 1 = 0.95
Question 15 : Soit Z ∼ N (0, 1). Trouver a et b tels que P (Z ≤ a) = 0.582,
P (Z ≤ b) = 0.326.
Solution : En utilisant table 2 ,on obtient
a = 0.207 et P (Z ≤ −b) = 1 − (0.326) = 0.674 → −b = 0.4510 → b = −0.451.

Remarque 3.5. Soit la v.a X suit la loi normale de paramètres µ et σ 2 , on peut écrire
X ∼ N (µ, σ 2 ). Et soit Z ∼ N (0, 1).
X−µ X−µ
Alors σ
∼ N (0, 1), c’est-à-dire Z = σ
.

En utilisant ce remarque pour calculer P (X < a), P (X > a), P (a < X < b), ...,
où a et b ∈ R.
3.4 Lois de probabilités continues 32

Question 16 : 1) Soit Y ∼ N (9, 25). Calculer P (Y < 10).

2) Soit X ∼ N (3.9). Calculer P (X < 1) P (2 < X < 5), P (X > 0), et P (| X − 3 |> 6).
Solution : En utilisant table 1.
Y −9
1) On sait que Y ∼ N (9, 25) =⇒ ∼ N (0, 1), donc :
Y − 9 5
10 − 9 
P (Y < 10) = P < = P (Z < 51 ) = φ( 15 ) = 0.579300
5 5
X −3
2)On sait que X ∼ N (3, 9) =⇒ ∼ N (0, 1), donc :
X − 3 3
1−3 
P (X < 1) = P < = P (Z < −0.67) = φ(−0.67)
3 3
= 1 − φ(0.67) = 1 − 0.748600 = 0.251400

Question 17 : Soit X ∼ N (1, 4). Trouver a tel que P (X < a) = 0.95.

X−1
Solution : On a X ∼ N (1, 4) =⇒ 2
∼ N (0, 1), et en utilisant table 2 ,on obtient
 
X−1 a−1
P (X < a) = P 2
< 2
= φ( a−1
2
) = 0.95. Donc a−1
2
= 1.644900 et a = 4.289800.
Question 18 : Soit X ∼ N (10, 25). Trouver a tel que P (X ≥ a) = 0.95. ( En utilisant table 2.)

3.4.4 L’approximation de la loi binomiale par une loi normale

Soit X ∼ B(n, p), alors X ∼ N (µ, σ 2 ) quand n → +∞, avec µ = n.p et σ 2 = n.p.(1 − p).
En pratique, si n > 25, n.p > 5, et n.(1 − p) > 5 alors on peut estimer la loi binomiale
3.4 Lois de probabilités continues 33

par la loi normale.

3.4.5 L’approximation de la loi de Poisson par une loi normale

Soit X ∼ P(λ), alors X ∼ N (µ, σ 2 ) quand λ est grand, avec µ = λ et σ 2 = λ.
En pratique, si λ > 20.
3.4 Lois de probabilités continues 34

Table 1.

Table de la fonction de répartition φ de la v.a Z ∼ N (0, 1).

φ(x) = P (Z ≤ x ) et φ(−x) = 1 − φ(x) pour x ∈ [0, 3.99]

3.4 Lois de probabilités continues 35

Table 2.

La table donne la valeur de x telle que

P (Z ≤ x) = p où Z ∼ N (0, 1) et p ∈ [0.5, 0.999].

Note : Si p < 0.5, alors il suffit d’utiliser cette relation

P (Z < x) = p ⇔ P (Z < −x) = 1 − p
Chapitre 4

Fonctions caractéristiques

La fonction caractéristique d’une variable aléatoire a plusieurs applications importantes

en informatique, où elle permet de simplifier l’analyse et la manipulation des distributions
de probabilités dans des systèmes complexes. Voici les principaux domaines d’application :
Apprentissage automatique et intelligence artificielle
Traitement du signal et de l’image ;
Files d’attente et modélisation des systèmes de services ;
Analyse de performance des algorithmes ;
Cryptographie et sécurité ; ...

4.1 Définition
On appelle fonction caractéristique de la variable aléatoire X la fonction ϕX : R → C
définie par :
∀t ∈ R , ϕX (t) = E(eitX )

où i est la partie imaginaire qui vérifie i2 = 1.

La fonction ϕX (t) existe et est bien définie sur R car elle est borné (propriété 2).
Cas discret
E(eitX ) = eitx P (X = x)
X

x
Cas continu : si X admet une desité de probabilité alors,
Z
itX
E(e )= eitx fX (x) dx
R
4.2 Quelques propriétés d’une fonction caractéristique 37

4.2 Quelques propriétés d’une fonction caractéristique

1. ϕX (0) = 1, car :
ϕX (0) = E(ei(0)X ) = E(1) = 1.

2. ∀t ∈ R , | ϕX (t) |≤ 1, car :
| ϕX (t) |=| E(eitX ) |≤ E(| eitX |) = E(1) = 1
et
q
| eitx |=| cos(tx) + i sin(tx) |= cos2 (tx) + sin2 (tx) = 1.

3. ∀t ∈ R, ϕX (−t) = ϕX (t),
où z est le conjugué du nombre complexe z.

4. ∀a, b ∈ R , ϕaX+b (t) = eitb ϕX (at), ∀t ∈ R

   
car ϕaX+b (t) = E eit(aX+b) = E eitaX × eitb = E(eitaX ) E(eitb ) = eitb ϕX (at)

5. Soient X et Y deux variables aléatoire indépendantes. Alors

ϕX+Y (t) = ϕX (t) ϕY (t)

       
car ϕX+Y (t) = E eit(X+Y ) = E eitX eitY = E eitX E eitY = ϕX (t) ϕY (t).

4.3 Quelques exemples

Chaque loi de probabilité a une fonction caractéristique unique, ce qui permet d’identifier
les distributions en connaissant leur fonction caractéristique.
Cas discret

Loi de probabilité Fonction caractéristéque

Bernouli X ∼ B(p) φX (t) = 1 − p + p eit )

 n
Binomiale X ∼ B(n, p) φX (t) = 1 − p + peit

it −1)
Poisson X ∼ P(λ) φX (t) = eλ (e

p eit
Géométrique X ∼ G(p) φX (t) =
1 − (1 − p)eit
4.4 Exercices 38

Cas continu

Loi de probabilité Fonction caractéristéque

eitb − eita
Uniforme X ∼ U([a, b]) φX (t) =
it(b − a)
sint
Cas particulier : si a = −1 et b = 1 φX (t) =
t

λ
Exponentielle X ∼ E(λ) φX (t) =
λ − it

−t2
Normale centrée réduite X ∼ N (0, 1) φX (t) = e 2

t2 σ 2
Normale (ou gaussienne)X ∼ N (µ, σ 2 ) φX (t) = eitµ e− 2

4.4 Exercices

Exercice 01 (files d’attente)

1. Soit X une variable aléatoire suivant une loi exponentielle de paramètre λ.
Trouver sa fonction caractéristique.

2. Un serveur web reçoit des demandes de façon aléatoire, chaque demande prend un
certain temps pour être traitée. Supposons que Ti représente le temps de traitement
de demande i, tel que Ti suit la loi exponentielle de paramètre λ, et le temps moyen
de traitemet d’une demande est 0.5 minutes. Soit T le temps total de traitement de
n demandes. Trouver la fonction caractéristique de T .

3. En déduire la loi de T .

4. Calculer la probabilité que le temps total de traitement de 3 demandes est 1.5 minutes.

5. Calculer la probabilité que les trois demandes soient traitées en moins de 1.5 minutes.
4.4 Exercices 39

Exercice 02 (Bruit gaussien dans la transmission de données)

1. Soit X une variable aléatoire suivant une loi normale de paramètres µ et σ 2 . Trouver
la fonction caractéristique de X.

2. Supposons que dans un système de communication sans fil, un signal est transmis
plusieurs fois pour renforcer la fiabilité de la tranmission. Chaque fois qu’un signal
est transmis, il est affecté par un bruit gaussien.
Soient X1 , X2 , et X3 trois v.a représentant les bruits ajoutés au signal lors de chaque
tranmission. On suppose que Xi ∼ N (0, 1), (i = 1, 2, 3).
Si le bruit total S est la somme de trois bruits X1 , X2 , et X3 . Trouver la fonction
caractéristique de S.

3. En déduire la loi de S. Interpréter ce résultat.

Solution

1. On a X ∼ N (µ, σ 2 ). Alors la fonction caractéristique de X est donnée par :

t2 σ 2
φX (t) = eitµ e− 2

2. Soit Xi une v.a représente le bruit i, tel que Xi ∼ N (0, 1), i = 1, 2, 3. Donc la fonction
t2
caractéristique de Xi est donnée par : φXi (t) = e− 2 .
P
D’autre part, soit S = Xi = X1 + X2 + X3 le bruit total. Alors sa fonction carac-
téristique est :
   
φS (t) = E(eitS ) = E eit(X1 +X2 +X3 ) = E eitX1 × eitX2 × eitX3
= E(eitX1 ) × E(eitX2 ) × E(eitX3 )
= φX1 (t) × φX2 (t) × φX3 (t)
t2 t2 t2
= e− 2 × e− 2 × e− 2
t2 t2 σ 2
= e−3 2 = eitµ e− 2

tels que : µ = 0 et σ 2 = 3.

3. La loi de S est la loi normale de moyenne 0 et de variance 3.

Interprétation : la somme de bruits gaussiens reste un bruit gaussien. En général, si
X ∼ N (µ1 , σ12 ) et Y ∼ N (µ2 , σ22 ) alors X + Y ∼ N (µ1 + µ2 , σ12 + σ22 ).
4.4 Exercices 40

Exercice 03 (modèle de comptages : nombre de requêtes sur un

serveur)
1. Soit X une variable aléatoire suivant une loi de Poisson de paramètre λ ( oú λ est le
nombre moyen d’événements qui se produisent dans une période donnée).
Trouver la fonction caractéristique de X.

2. Considérons un serveur qui reçoit en moyenne trois requêtes par minute pour traiter
des données. Soient Xi le nombre de requêtes reçues par le serveur pendant la minute
Pn
i, i = 1, ..., n, et N = i=1 Xi la somme (le nomre total) de requêtes reçues pendant
n minutes.
Trouver la fonction caractéristique de N .

3. En déduire la loi de la somme de N . Interpréter ce résultat.

4. Calculer la probabilité que le serveur reçoive 10 requêtes en 5 minutes.

Autre exemple de modèle de comptages : nombre d’erreurs de transmission dans un réseau.

Solution

1. On a X ∼ P(λ). Alors la fonction caractéristique de X est donnée par :

it −1)
φX (t) = eλ(e

2. Soit Xi une v.a représente le nombre de requêtes reçues par le serveur pendant la
minute i, tel que Xi ∼ P(λ), i = 1, ..., n.
P
D’autre part, soit N = Xi = X1 + ... + Xn le le nomre total de requêtes reçues
pendant n minutes. Alors sa fonction caractéristique est :
   
φN (t) = E(eitN ) = E eit(X1 +...+Xn ) = E eitX1 × ... × eitXn
= E(eitX1 ) × ... × E(eitXn )
= φX1 (t) × ... × φXn (t)
it −1) it −1)
= eλ(e × ... × eλ(e
it −1)
= enλ(e

3. La loi de N est la loi de Poisson de paramètre n λ.

Interprétation : la somme de Poissons reste un Poisson. En général, si X ∼ P(λ1 ) et
Y ∼ P(λ2 ) alors X + Y ∼ P(λ1 + λ2 ).
4.4 Exercices 41

Exercice 04 (nombre de requêtes sur un serveur)

Un serveur web reçoit des requêtes en moyenne 2.1 par seconde.

1. Calculer la probabilité que ce serveur reçoive 2 requêtes dans une période de 3 se-
condes.

2. Calculer la probabilité que ce serveur ne reçoive aucune requête durant 3 secondes.

Solution
Soit Xi le nombre de requêtes reçues par le serveur pendant la seconde i, tel que
Xi ∼ P(λ = 2.1), i = 1, ..., n.
P
D’autre part, soit N = Xi = X1 + ... + Xn le le nomre total de requêtes reçues pendant n
secondes. D’après l’exercice 03, on a N ∼ P(n λ). La loi de probabilité de N est :

(nλ)k −(nλ)
P (N = k) = e , k = 0, 1, 2, ...
k!

1. P (N = k) tels que : k = 2, n = 3, λ = 2.1.

2. P (N = k) tels que : k = 0, n = 3, λ = 2.1.

Chapitre 5

Vecteurs aléatoires gaussiens

Un vecteur gaussien, qui est un vecteur de variables aléatoires suivant une distribution
normale multivariée, a de nombreuses applications en informatique, notamment dans les
domaines suivants :
* Apprentissage automatique et intelligence artificielle (ACP, MMG, ...),
* Traitement du signal et vision par ordinateur,
* Cryptographie et sécurité informatique (LWE),
* Optimisation et simulation numérique (CMA-EA),
* Télécommunications et réseaux (modélisation du bruit, MIMO),
* Finance quantitative et séries temporelles, ...

5.1 Covariance et coefficient de corrélation

Définition : soient X et Y deux variables aléatoires. La covariance de X et Y est définie
comme suite :
cov(X, Y ) = E(XY ) − E(X).E(Y )

Remarque : cov(X, X) = E(XX) − E(X).E(X) = var(X)

Propriétés :

1. cov(X, Y ) = cov(Y, X)

2. Si a, b, c, et d sont des constantes, alors :

cov(aX + b, cY + d) = ac cov(X, Y )
5.1 Covariance et coefficient de corrélation 43

car,
 
cov(aX + b, cY + d) = E (aX + b).(cY + d) − E(aX + b).E(cY + d)
    
= E acXY + adX + bcY + bd − aE(X) + b . cE(Y ) + d

= acE(XY )+adE(X)+bcE(Y )+bd − acE(X).E(Y )−adE(X)−bcE(Y )−bd = ac cov(X, Y )

3. Si X et Y deux variables aléatoires indépendantes, alors cov(X, Y ) = 0.

Exercice 01 :
Soient X ∼ N (0, 22 ) et Y ∼ N (1, 32 ) et X est indépendante de Y .

1. Calculer E(U ) et var(U ),telle que U = X + 2Y .

2. Calculer E(V ) et var(V ),telle que V = X − Y .

3. Calculer cov(U, V ).

Exercice 02 :
Soient X et Y deux variables aléatoires telles que :

E(X) = 2, E(Y ) = 3, var(X) = 4, var(Y ) = 9, et E(XY ) = 12

1. Calculer cov(3X − 2, 5Y + 4).

2. Vérifier si X et Y sont indépendantes.

Définition : soient X et Y deux variables aléatoires. Le coefficient de corrélation linéaire

de X et Y est défini comme suit :

cov(X, Y )
ρ(X, Y ) =
σX × σY

Remarques :

1. −1 ≤ ρ(X, Y ) ≤ 1

2. Si ρ(X, Y ) est proche de 1 ou -1 alors il existe une liaison linéaire très forte entre X
et Y .

3. Si ρ(X, Y ) est proche de 0 alors il existe une liaison linéaire très faible entre X et Y .

Propriétés :

1. ρ(X, Y ) = ρ(Y, X)
5.2 Définition d’un vecteur gaussien 44

2. Si a, b, c, et d sont des nombres réels positifs, alors :

ρ(aX + b, cY + d) = ρ(X, Y )

car,

cov(aX + b, cY + d) ac . cov(X, Y )
ρ(aX + b, cY + d) = q q = = ρ(X, Y )
var(aX + b) × var(cY + d) a σX × c σY

3. Si X et Y deux variables aléatoires indépendantes, alors ρ(X, Y ) = 0.

Exercice 03 :
Soient X et Y deux variables aléatoires telles que :

E(X) = 5, E(Y ) = −1, var(X) = 16, var(Y ) = 25, et E(XY ) = −14

1. Calculer cov(2X + 3, −Y + 4), et déterminer ρ(2X + 3, −Y + 4)

2. Si Z = 2X − 3Y , calculer E(Z) et var(Z).

*Revoir l’exercice 01 série 05.

5.2 Définition d’un vecteur gaussien

Soit (Ω; A, P ) un espace probabilisé.
Soient X1 , ..., Xn des variables aléatoires définies sur (R, B(R)).
On dit que le vecteur X = (X1 ...Xn )t est gaussien si toute combinaison linéaire de ses
composantes est une variable aléatoire réelle gaussienne. On peut écrire : Dans ce cas, X un
vecteur gaussien de moyenne µX et de matrice de covariance ΣX , tels que :
 
  a
 11
a12 . . . a1n 
µX1  
   a21 a22 . . . a2n 
 .. 
µX = . et ΣX =  .
 
.. .. 
 
   . . . 
   . 
µXn  
an1 an2 . . . ann

tel que : µXi = E(Xi ) , aii = varXi et aij = cov(Xi , Xi ).

On peut écrire : X ∼ Nn (µX , ΣX ).
5.2 Définition d’un vecteur gaussien 45

Exemple 01
Soit X = (X1 X2 X3 )t un vecteur gaussien de moyenne µX = (1 0 2)t et de matrice de
covariance :
 
 2 0 −1 
 
ΣX = 
 0 3 −2 

 
−1 −2 4
c’est-à-dire : E(X1 ) = µX1 = 1, E(X2 ) = µX2 = 0, E(X3 ) = µX3 = 2 ;
2
σX 1
= var(X1 ) = cov(X1 , X1 ) = 2,
2
σX 2
= var(X2 ) = cov(X2 , X2 ) = 3,
2
σX 3
= var(X3 ) = cov(X3 , X3 ) = 4 ;
cov(X1 , X2 ) = 0, cov(X1 , X3 ) = −1, cov(X2 , X3 ) = −2 ;

Remarques
1. Si X = (X1 ...Xn )t un vecteur gaussien de moyenne µX et de matrice de covariance
ΣX , alors les variables aléatoires Xi (i = 1, ..., n) sont des variables gaussiennes de
2
moyenne µXi et de variance σX i
= var(Xi ) = cov(Xi , Xi ).
2. Soient X et Y deux variables aléatoires gaussiennes et cov(X, Y ) = 0, alors X et Y
sont des variables indépendantes.
3. Si les variables aléatoires Xi (i = 1, ..., n) sont des variables gaussiennes et indépen-
dantes, alors X = (X1 ... Xn )t un vecteur gaussien de moyenne µX et de matrice de
covariance ΣX , tels que :
 
  σ2
 X1
0 ... 0 
µX1  2

   0 σX ... 0 
 ..  2
µX = . et ΣX =  
   . .. .. 
   . .
   . . 

µXn 
2

0 0 . . . σX n

4. Une combinaison linéaire de variables aléatoires gaussiennes indépendantes est une

variable aléatoire gaussienne.
Exemple : Soient X1 ∼ N (µ1 , σ12 ) et X2 ∼ N (µ2 , σ22 ). On suppose que X1 est
indépendante de X2 alors Y = aX1 + bX2 ∼ N (µY , σY2 ) , avec

µy = aµ1 + bµ2 et σY2 = a2 σ12 + b2 ; σ22

5.3 Loi d’un vecteur gaussien 46

5.3 Loi d’un vecteur gaussien

Soit X = (X1 ... Xn )t un vecteur gaussien de moyenne µX et de matrice de covariance
ΣX , on peut écrire X ∼ Nn (µX , ΣX ).
On définit un nouvel vecteur Y = A X + B, telles que
A est une matrice de m lignes et n colonnes (A ∈ Mm×n ), et
B est une matrice de m lignes et une colonne(B ∈ Mm×1 ),
alors Y est un vecteur gaussien de moyenne µY et de matrice de covariance ΣY . De plus :

µY = A µX + B et ΣY = A ΣX At

Exemple 02 (m = 1)
Soit X ∼ Nn=3 (µX , ΣX ) tels que :
   
 0   2 1 0 
   
µX = 
 1 
 et ΣX = 
 1 3 −1 

   
−1 0 −1 4

On définit la variable aléatoire Y = X1 − 2X2 + X3 , d’après la définition d’un vecteur

gaussien, la variable Y est une v.a gaussienne de moyenne µY et de variance σY2 car elle est
une combinaison linéaire de composants du vecteur X. De plus :

Y = X1 − 2X2 + X3 = A × X = (1 − 2 1) × (X1 X2 X3 )t

µX = A µX = (1 − 2 1) × (0 1 − 1)t = −3 et σY2 = A ΣX At = ...(calculer)

Exemple 03 (m > 1)
Soit X ∼ Nn=2 (µX , ΣX ) tels que :
   
1  4 2 
µX =  et ΣX = 
 
 
2 2 3

On définit le vecteur aléatoire Y comme suit

 
2X1 − X2 + 3 
Y =


X2 + 1
5.3 Loi d’un vecteur gaussien 47

On remaeque que :
     
2 −1   X1   3 
Y = AX + B =  × +


0 1 X2 1

D’après le théorème précédent, le vecteur Y est un vecteur gaussien de moyenne µY et de

matrice de covariance ΣY . De plus :
     
2 −1   1   3 
µY = A µX + B = 
 × +  = ... (calculer)
0 1 2 1
et
     
 2 −1   4 2   2 0 
ΣY = A ΣX A t =  × ×  = ... (calculer)
0 1 2 3 −1 1

Exemple 04 (m > 1)
Soit X ∼ Nn=4 (µX , ΣX ) tels que :
   

3  
2 1 0 1 
   
 −2   1 1 0 1 
µX =  et ΣX = 
   
 
 1   0 0 1 0
   

   
4 1 1 0 2

On définit le vecteur aléatoire Y comme suit

 
 X1 − X2 
 
Y =
 4X2 + X3 

 
X4 − X2

On remarque que :  
  X
 1 
1 −1 0 0   

   X2 
Y = AX = 0 4 1 0 ×
  
 
    X3 

0 −1 0 1  
X4
D’après le théorème précédent, le vecteur Y est un vecteur gaussien de moyenne µY et de
matrice de covariance ΣY . De plus :
5.3 Loi d’un vecteur gaussien 48

 
  3 
1 −1 0 0  
 

   −2 
µY = A µX = 0 4 1 0 × = .... ∈ M3×1 (calculer)
  
 
    1 

0 −1 0 1  
4
et

   
 2 1 0 1   1 0 0 
1 −1 0 0 
   
  1 1 0 1   −1 4 −1 
   
t

ΣY = A ΣX A = 
 0 4 1 0  × × = .... ∈ M3×3 (calculer)
 
   
   0 0 1 0   0

1 0 

0 −1 0 1    
1 1 0 2 0 0 1

Cas particulier
Soit X = (X1 ... Xn )t un vecteur gaussien de moyenne µX et de matrice de covariance
ΣX , on peut écrire X ∼ Nn (µX , ΣX ).
La loi du vecteur Y = (X1 ... Xk )t , tel que k ≤ n, est un vecteur gaussien de moyenne µY
et de matrice de cavariance ΣY , avec
 
2
  σX 1
cov(X1 , X2 ) . . . cov(X1 , X2 ) 
µ1 
 2


 ..

  cov(X2 , X1 ) σX 2
. . . cov(X2 , Xk ) 
µX = . et ΣX =
 
.. .. ..
   
.
 
  
 . . 

µk 
2

cov(Xk , X1 ) cov(Xk , X2 ) . . . σX k

Exemple 05
Soit X ∼ Nn=4 (µX , ΣX ) tels que :
   

3  
2 −1 0 −2 
   
 −2   −1 1 −3 0.5 
µX =  et ΣX = 
   
 
 1 
 
 0

−3 3 −0.5 

   
4 −2 0.5 −0.5 4

1) Le vecteur aléatoire Y = (X1 X2 X3 )t est un vecteur gaussien de moyenne µY et de

matrice de covariance ΣY . De plus :
5.3 Loi d’un vecteur gaussien 49

   
 3   2 −1 0 
   
µX = 
  et ΣY =  −1 1 −3
−2   

   
1 0 −3 3
2) Le vecteur aléatoire Z = (X1 X2 X4 )t est un vecteur gaussien de moyenne µZ et de
matrice de covariance ΣZ . De plus :
   
 3   2 −1 −2 
   
 −2  et ΣZ =  −1 1 0.5
µZ =    

   
4 −2 0.5 4
3) Le vecteur aléatoire W = (X2 X4 )t est un vecteur gaussien de moyenne µW et de
matrice de covariance ΣW . De plus :
   
 −2   1 0.5 
µW =  et ΣW = 
4 0.5 4
Chapitre 6

Estimation paramétrique et intervalle

de confiance

Idée d’estimation
Estimer un paramètre définie sur une population (l’espérance µ, l’écart-type σ,
proportion p,...) à partir d’observations réalisées x1 , .., xn sur un échantillon de
cette population.
6.1 Estimation ponctuelle 51

6.1 Estimation ponctuelle

6.2 Estimation par intervalle de confiance