Polycopié du cours :

Partie I : Probabilités

Année Universitaire : 2025–2026

Table des matières

1 Dénombrement et probabilités 3
1.1 Dénombrement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 p-listes, arrangements et combinaisons . . . . . . . . . . . . . . . . 4
1.2 Introduction aux probabilités . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Opérations logiques sur les ensembles . . . . . . . . . . . . . . . . . 7
1.2.2 Notion d’événement . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Opérations sur les événements . . . . . . . . . . . . . . . . . . . . . 9
1.2.4 Probabilité sur un univers fini . . . . . . . . . . . . . . . . . . . . . 9
1.2.5 Probabilités conditionnelles-Théorème de Bayes . . . . . . . . . . . 10
1.2.6 Formule des probabilités totales . . . . . . . . . . . . . . . . . . . . 11
1.2.7 Théorème ou formule de Bayes . . . . . . . . . . . . . . . . . . . . 12
1.2.8 Indépendance, produit de deux espaces probabilisés . . . . . . . . . 13

2 Lois de probabilités discrètes 15

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Variables aléatoires discrètes finies v.a.d.f. . . . . . . . . . . . . . . . . . . 17
2.3 Couple de variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . 18
2.4 Espérance mathématique ou moyenne, moments centrés, variance et écart
type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.1 Variable aléatoire normée . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.2 Covariance et coefficient de corrélation . . . . . . . . . . . . . . . . 22
2.5 Lois de probabilités discrètes finies et infinies . . . . . . . . . . . . . . . . . 25
2.5.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

1
 2.5.2 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5.3 Loi binômiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.4 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Approximation de la loi binomiale par la loi de Poisson . . . . . . . . . . . 28

3 Lois de probabilités de variables aléatoires continues 31

3.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Espérance, variance et écart type d’une v.a. continue . . . . . . . . . . . . 33
3.4 Lois de v.a. continues usuelles . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.3 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.4 Loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . 35
3.5 Approximation par la loi normale . . . . . . . . . . . . . . . . . . . . . . . 35
3.5.1 Approximation d’une loi binômiale par une loi normale . . . . . . . 35
3.5.2 Approxiamtion d’une loi de Poisson par une loi normale . . . . . . . 36

2
Chapitre 1
Dénombrement et probabilités

1.1 Dénombrement
Définition 1.1 — On appelle cardinal d’un ensemble fini E le nombre d’éléments de
E. On le note |E| ou card(E), et les éléments de E peuvent être notés e1 , e2 , ...en
où les ek sont deux à deux distincts.
— card(∅) = 0.
— Dénombrer un ensemble fini non vide E, c’est déterminer le cardinal de E, c’est
à dire le nombre de ses éléments.
— On dit que l’ensemble E est infini dénombrable s’il existe une bijection de N dans E.
Les éléments de E peuvent être notés e0 , e1 , ... où les ek sont deux à deux distincts.

Exemple 1.2 — N est dénombrable.

— N∗ est dénombrable : bijection N −→ N∗ , n 7−→ n + 1

Proposition 1.3 Soit E un ensemble fini. Si F est un ensemble tel qu’il existe une
bijection de E dans F , alors F est un ensemble fini et card(E) = card(F ).

Proposition 1.4 Soit E un ensemble fini. Toute partie A de E est fini et card(A) ≤
card(E). Si A est une partie de E, A = E ⇔ card(A) = card(E)

Proposition 1.5 Soient E et F deux ensembles finis. Alors

— Si E ⊂ F , on a card(E) ≤ card(F ), avec égalité si et seulement si E = F .
— card(E × F ) = card(E) × card(F ).
— card(E ∪ F ) = card(E) + card(F ) − card(E ∩ F ).

3
 — Le cardinal des applications de E dans F vaut card(E)card(F ).
— card(P(E)) = 2card(E) .

Exemple 1.6 E = {1, 2, 5}, card(E) = 3 et F = {6, 7, 8}, card(F ) = 3 alors card(E ×
F ) = 9 et E × F = {(1, 6), (1, 7), (1, 8), (2, 6), (2, 7), (2, 8), (5, 6), (5, 7), (5, 8)}

1.1.1 p-listes, arrangements et combinaisons

Définition 1.7 Etant donné un ensemble E à n éléments, on appelle p-liste de E toute
suite (x1 , x2 , ...xp ) où chaque xk est élément de E.

Remarque 1 — L’ordre des éléments de la p-liste est important : deux p-listes

contenant les mêmes éléments dans des ordres différents sont différents : Deux
p-listes sont identiques ssi elles sont constituées des mêmes éléments aux mêmes
places par exemple (1, 6, 7) et (7, 6, 1) sont deux triplets distincts.
— Une p-liste peut contenir plusieurs fois le même élément.
— Une p-liste est aussi appelée p-uplet.

Exemple 1.8 Soit E = {1, 2, 3, 4}, alors (1, 2, 2), (2, 4, 3) sont deux 3-listes d’éléments
de E, de plus (1, 2, 4) et (4, 1, 2) sont deux 3-listes différentes (non identiques).

Exemple 1.9 Dans un pays imaginaire, un numéro de téléphone comporte 5 chiffres. Il

doit commencer par 0, le second chiffre est compris entre 1 et 5, il indique la région. Les
autres chiffres sont libres. Combien de numéros de téléphones différents peut-on former
dans ce pays ?
Solution : Pour le premier chiffre on a une seule possibilité, pour le deuxième on a 5
possibilités et pour les 3 derniers chiffres, on a 3-listes parmi les nombres {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} :
le nombre de 3-listes parmi 10 éléments est 103 .
d’ou le nombre de numéros possibles est 1 × 5 × 103 = 5000.

Théorème 1.10 Il y’a np p-listes d’un ensemble à n éléments.

Exemple 1.11
— (a, n, a, n, a, s) est une 6−liste de E = {a, b, c, ...z}

4
 — Tirage avec remise : une urne U contient n boules numérotés de 1 à n. On tire
successivement p boules de U en remettant chaque fois dans l’urne la boule qu’on
vient de tirer. On note (x1 , x2 ., .., xp ) la suite des numéros obtenus. (x1 , x2 , ..., xp )
est une p-liste. Le nombre de tirages possibles est donc np .

Définition 1.12 E étant un ensemble à n éléments, on appelle arrangement de p éléments

de E toute p-liste d’élément distincts de E. On note Apn le nombre d’arrangements de p-
éléments parmi n. On a

n!
Apn = = n(n − 1) × ... × (n − p + 1)
(n − p)!
— Cette formule s’établit par un raisonnement élémentaire. Pour le premier élément
qu’on choisit, on a n choix. Pour le deuxième éléments, on a n − 1 choix.
— Un arrangement de n éléments parmi n s’appelle une permutation de E d’après la
formule précédente, il y a n! permutations de E : Ann .
On peut aussi interpréter Apn comme le nombre d’injections d’un ensemble à p-éléments
dans un ensemble à n éléments.

Théorème 1.13 Il y a n! façons de ranger n éléments distincts dans tous les ordres
possibles. Par conséquence, il y a n! façons de ranger n éléments distincts dans tous les
ordres possibles (ordre ou désordre).

Exemple 1.14 17 chevaux sont au départ d’un grand prix. Combien y a-t-il de tiercés
possibles ?
1◦ ) au total ?
2◦ ) dans lesquels les 3 chevaux de tête sont dans l’ordre ?
3◦ ) dans lesquels les 3 chevaux de tête sont dans l’ordre ou dans le désordre ?
4◦ ) dans le désordre ?

Solution : L’ordre des chevaux à l’arrivée intervient bien entendu et on choisit 3 chevaux
parmi les 17 donc
1◦ ) A317 = 17 × 16 × 15 = 4080 tiercés possibles ?
2◦ ) un seul.
3◦ ) 3! = 6 autant que de permutations dans un ensemble de 3 chevaux.
4◦ ) 6 − 1 = 5.

5
 Exemple 1.15 1◦ ) Combien existe-t-il de nombres écrits avec 3 chiffres tous différents
pris parmi les chiffres {1, 2, 3, 4, 5, 6, 7, 8, 9}?
2◦ ) Combien exist-t-il de nombres écrits avec 3 chiffres tous différents pris parmi les
chiffres {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}?

Solution : 1◦ ) Tout nombre formé avec 3 chiffres différents pris parmi {1, 2, 3, 4, 5, 6, 7, 8, 9}
est un arrangement de ces neuf chiffres pris trois à trois : deux nombres distincts différent
l’un de l’autre soit par la nature soit par l’ordre des 3 chiffres. On peut donc former
A39 = 9 × 8 × 7 = 504 nombres différents.
2◦ ) Avec les 10 chiffres {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} on peut former A310 = 10 × 9 × 8 = 720
nombres. Cependant parmi ceux-ci figurent les nombres commençant par 0 qui sont des
nombres de deux chiffres distincts. Or il existe A29 = 9 × 8 = 72 nombres différents
débutant par 0. Donc finalement 720 − 72 = 648 nombres de trois chiffres différents pris
parmi l’ensemble {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}.

Exemple 1.16 — Tirage sans remise : une urne U contient n boules numérotés
de 1 à n. On tire successivement p boules de U sans les remettre dans l’urne, et on
note (x1 , ..., xp ) un résultat de cette expérience (x1 , x2 , ..., xp ) est un arrangement
de p éléments parmi n. Il y’a Apn tirage différents possibles.
— (a, n, a, n, a, s) n’est pas un arrangement de lettres de l’alphabet : il y a répétition.

Définition 1.17 E étant un ensemble à n éléments. On appelle combinaison de p éléments

de E toute collection non ordonnée de p éléments distincts de E, i.e. toute partie de E à
n!
p éléments. On note Cnp le nombre de combinaisons de p éléments parmi n : Cnp = p!(n−p)!

Remarque 2 — Les éléments d’une combinaison de p éléments de E sont deux à

deux distincts, donc 0 ≤ p ≤ card(E).
— L’ordre des éléments d’une combinaison n’a pas d’importance.

Exemple 1.18 Soit E = {1, 2, 3, 4, 5}

— A = {2, 3, 4} est une combinaison de 3 éléments de E.
— B = {3, 4, 5} = {5, 4, 3} (l’ordre n’a pas d’importance).
— C = {1, 5, 5} n’est pas une combinaison de 3 éléments de E (ni de 2 éléments de
E).

6
Proposition 1.19 Pour n ∈ N et p ∈ {0, 1, ..., n}
— Cnp = Cnn−p
— Cn0 = Cnn = 1
— Pour n ∈ N∗ et p ∈ {1, 2, ..., n − 1} Cn1 = Cnn−1 = n
p−1 p
— Cnp = Cn−1 + Cn−1
p−1
— Cnp = np Cn−1

1.2 Introduction aux probabilités

Une épreuve est une expérience dont l’issue est incertaine. Les résultats éventuels
d’une épreuve font généralement appel au hasard. L’ensemble des résultats éventuels (les
résultats possibles, les éventualités) s’appelle ensemble fondamental (référentiel, ensemble
de référence, population mère).

Exemple 1.20 Une pièce de monnaie possède deux figures (éventualités) : pile et face.
Si la pièce n’est pas trafiquée et lancé loyalement, pile a autant de chances d’apparaı̂tre
que face. On dit alors que les deux éventualités sont équiprobables.

A chaque élément de l’ensemble des éventualités, on peut associer un nombre, la pro-

babilité d’obtenir l’éventualité.

1.2.1 Opérations logiques sur les ensembles

La complémentarité

Soit un sous-ensemble A de Ω. On appelle complémentaire de A par rapport à Ω, noté

A ou ⌝A,le sous-ensemble de Ω constitué de tous les éléments qui n’appartiennent pas à
A. A = CΩA .

Ensembles disjoints

Deux ensembles A et B sont dits disjoints s’ils n’ont pas d’éléments en commun. On
termes d’événements, on dit que A et B sont incompatibles.

7
Réunion ou addition logique

On appelle réunion de A et B, l’ensemble dont les éléments appartiennent soit à A,

soit à B, soit simultanément à A et B. On note généralement A ∪ B.

Intersection ou produit logique

Soient 2 ensembles A et B. On appelle intersection de A et B l’ensemble des éléments

qui appartiennent à la fois à A et à B. On note A ∩ B

1.2.2 Notion d’événement

Soit un événement fondamental Ω constitué de plusieurs éventualités équiprobables.
— L’événement fondamental peut être subdivisé en plusieurs sous-parties. Dans chaque
sous-partie, il y a plusieurs éventualités équiprobables.
— Un événement est défini comme un sous-ensemble des parties de Ω. Il est constitué
d’une ou plusieurs éventualités équiprobables.
— Une sous-partie E est dite élémentaire si elle n’est constituée que d’une seule
éventualité.
— CΩA = A, c’est la non-réalisation de l’événement A, c.à.d. si A est réalisé, A ne l’est
pas.

Définition 1.21 Etant donné deux événements A et B. On définit :

— A ∩ B la conjonction des événements A et B, réalisé si A et B sont tous deux
réalisés.
— Si A∩B = ∅, on dit que les événements A et B sont incompatibles ou mutuellement
exclusifs.
— A ∪ B, réalisé si, A ou B (A et B sont réalisés).
— A \ B, réalisé si A est réalisé, mais pas B.

Exemple 1.22 Si nous lançons un dé à 6 faces, les résultats possibles sont {1, 2, 3, 4, 5, 6}.
— Considérons les événements suivants A = ”obtenir la face 1” et B =” obtenir un
nombre pair”, donc A = {1} et B = {2, 4, 6}. A et B sont donc incompatibles car
A ∩ B = ∅.
— Considérons les événements A =”obtenir un nombre inférieur à 3” et B =”obtenir
un nombre impaire”. Alors A = {1, 2, 3} et B = {1, 3, 5}. De plus A∩B = {3} =
̸ ∅.

8
1.2.3 Opérations sur les événements
Soient les événements suivants, A, B et C.
— A=A
— A ∪ (B ∪ C) = (A ∪ B) ∪ C = A ∪ B ∪ C
— A ∩ (B ∩ C) = (A ∩ B) ∩ C = A ∩ B ∩ C
— A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
— A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
— A∪B =A∩B
— A∩B =A∪B

1.2.4 Probabilité sur un univers fini

Soit Ω un univers fini. On note P(Ω) l’ensemble des événements de Ω.

Définition 1.23 On appelle probabilité sur l’univers Ω, toute application notée P de

P(Ω) sur [0, 1] vérifiant
— P(Ω) = 1
— ∀(An )n∈N suite d’événements de Ω deux à deux incompatibles (ou disjoints Ai ∩Aj =
∅ si i ̸= j)
X
P (∪n≥1 An ) = P (An )
n≥1

Le triplet (Ω, P(Ω), P ) s’appelle espace probabilisé fini.

L’étude d’un problème de probabilité commence par la détermination de l’ensemble des

événements P(Ω) et par celle de la probabilité P . Dans le cas, où l’on choisit P(Ω) pour
ensemble des événements et que l’on fait une hypotèse d’équiprobabilité, le calcul des
probabilités se ramène à des problèmes de dénombrement.
Propriétés
— A ∈ P(Ω), 0 ≤ P (A) ≤ 1
— ∀A ∈ P(Ω), P (A) = 1 − P (A)
— P (∅) = 0, d’ou P (Ω) = 1
— ∀A, B ∈ P(Ω), A ⊂ B ⇒ P (A) ≤ P (B)
— ∀A, B ∈ P(Ω), A ∩ B = ∅, P (A ∪ B) = P (A) + P (B)
— ∀A, B ∈ P(Ω), P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

9
 — Si A1 , A2 , ..., An sont des événements élémentaires et ∪ni=1 Ai = Ω, alors

P (A1 ) + P (A2 ) + ...P (An ) = 1

1
Si tous les événements élémentaires sont équiprobables , c.à.d. si P (Ak ) = n
pour
k = 1, ...n, alors si A est constitué de m événements de ce type
m card(A)
P (A) = =
n card(Ω)
On dit que P est la loi uniforme sur Ω.
— Si A ⊂ B, alors P (B \ A) = P (B) − P (A)

1.2.5 Probabilités conditionnelles-Théorème de Bayes

Pour une situation aléatoire, la probabilité d’un événement dépend de tous les ren-
seignements dont on dispose sur cette situation. Si on nous donne un renseignement
supplémentaire la probabilité de l’événement s’en trouve modifiée comme on va le voir
dans l’exemple suivant : Envisageons les deux problèmes suivants :
— On lance un dé. Quelle est la probabilité pour obtenir 3 ?
— On lance un dé, on obtient un nombre impair. Quelle est la probabilité pour que ce
soit 3 ? Dans le premier cas on répond 16 , mais dans le second 31 . Pour formaliser le
deuxième problème, on peut prendre Ω = {1, 3, 5} muni de la probabilité P telle que
P (1) = P (3) = P (5) = 13 , mais on peut prendre aussi Ω = {1, 2, 3, 4, 5, 6} muni de
la probabilité Q définie sur les événements élémentaires Q(1) = Q(3) = Q(5) = 13 ,
Q(2) = Q(4) = Q(6) = 0.
Cette façon de procéder à l’avantage de conserver le même univers de possibles que
dans le premier problème et de montrer que la différence des deux problèmes est liée à
un changement de l’application probabilité. On peut d’ailleurs déterminer le lien entre les
deux applications probabilités. Soit Ω = {1, 2, 3, 4, 5, 6}. Soit P l’application probabilité
correspondant au jet d’un dé (sans condition). Soit Q l’application probabilité corres-
pondant au jet d’un dé avec le renseignement supplémentaire (le résultat obtenu est un
P (A∩B)
nombre impair). Si B = {1, 3, 5} pour tout événement A on a Q(A) = P (B)
.

Exemple 1.24 Vérifions cette relation pour A = {1, 2, 3}

2 1 3 P (A∩B)
A ∩ B = {1, 3} ,P (A ∩ B) = 6
= 3
, P (B) = 6
= 12 , P (B)
= 23 .
1 1 P (A∩B)
Or Q(A) = Q(1) + Q(2) + Q(3) = 3
+0+ 3
= 23 , donc Q(A) = P (B)
, est noté
P (A/B), qui se lit ”probabilité de A sachant que B est réalisé”

10
Définition 1.25 (probabilité conditionnelle) Soient A et B deux événements tels que
P (B) ̸= 0. La probabilité conditionnelle de A sachant B est
P (A ∩ B)
P (A/B) = .
P (B)
On en déduit la formule dite des probabilités composées

P (A ∩ B) = P (B)P (A/B) = P (A)P (B/A)

1.2.6 Formule des probabilités totales

Définition 1.26 (Système complet d’événements) {An }n≥1 forme un système com-
plet d’événements lorsque {An }n≥1 forme une répartition de Ω, i.e.
— ∀n ≥ 1, An ̸= ∅
— ∀i, j ≥ 1, i ̸= j, Ai ∩ Aj = ∅
— ∪n≥1 An = Ω

Théorème 1.27 (Formule des probabilités totales) Soit {An }n≥1 un système com-
plet d’événements. Alors, quelque soit l’événement B, on a
X
P (B) = P (An )P (B/An )
n≥1

Exemple 1.28 Soit A un événement, B et B deux événements complémentaires. En

appliquant la formule des probabilités totales, on obtient

P (A) = P (B)P (A/B) + P (B)P (A/B)

Exemple 1.29 Une usine d’ampoules dispose de 3 machines qui fabriquent respective-
ment 20, 30 et 50% de la production. Sachant que la probabilité qu’une ampoule défectueuse
ait été fabriqué par A, B, C est P (D/A) = 0.05, P (D/B) = 0.04, P (D/C) = 0.01 Calculer
1◦ ) La probabilité qu’une ampoule soit défectueuse.
2◦ ) La probabilité pour qu’une ampoule défectueuse provienne de A.
3◦ ) La probabilité pour qu’une ampoule non défectueuse provienne de C.

Solution 1◦ ) Considérons les événements suivants A =”l’ampoule est fabriquée par

l’usineA”, B =”l’ampoule est fabriquée par l’usine B” et C =”l’ampoule est fabriquée
par l’usine C” et D =”l’ampoule est défectueuse”.

11
 P (D) = P (D ∩ (A ∪ B ∪ C)), or les événements D ∩ A, D ∩ B et D ∩ C étant
incompatibles, donc P (D) = P (D ∩ A) + P (D ∩ B) + P (D ∩ C). En utilisant la formule
des probabilités composées, on obtient

P (D) = P (A)P (D/A) + P (B)P (D/B) + P (C)P (D/C)

Or P (A) = 0.2, P (B) = 0.3 et P (C) = 0.5, donc

P (D) = 0.01 + 0.012 + 0.05 = 0.027

2◦ ) En utilisant la formule des probabilités conditionnelles

P (A ∩ D) 0.01
P (A/D) = = = 0.37
P (D) 0.027
.

3◦ )
P (C ∩ D) P (C)P (D/C)
P (C/D) = =
P (D) P (D)
Or P (D/C) = 1 − P (D/C) = 0.99 et P (D) = 1 − P (D) = 0.973, d’ou

P (C/D) = 0.51

1.2.7 Théorème ou formule de Bayes

Théorème 1.30 Soit (An )n≥1 un système complet d’événements, et soit B un événement
tel que P (B) ̸= 0. On a, pour tout i
P (Ai ∩ B) P (Ai )P (B/Ai ) P (Ai )P (B/Ai )
P (Ai /B) = = =P
P (B) P (B) n≥1 P (An )P (B/An )

Exemple 1.31 Pour se rendre à la faculté, un étudiant a le choix entre quatre itinéraires :
1
A, B, C et D. La probabilité qu’il a de choisir A (resp. B, C) est 3
(resp. 14 , 12
1
). La proba-
1 1 1
bilité d’arriver en retard en empruntant A (resp. B, C) est 20
(resp. , ).
10 5
En empruntant
D, il n’est jamais en retard.
1◦ ) Quelle est la probabilité que l’étudiant choisisse l’itinéraire D ?

2◦ ) L’étudiant arrive en retard. Quelle est la probabilité qu’il ait emprunté l’itinéraire
C?

12
Solution : 1◦ ) Les événements {A, B, C, D} forme un système complet d’événements :
P (A) + P (B) + P (C) + P (D) = 1, donc P (D) = 31 .

2◦ ) Soit R =”l’étudiant arrive en retard”. On a P (R/A) = 1

20
, P (R/B) = 1
10
, P (R/C) =
1
5
et P (R/D) = 0. On cherche P (C/R).

P (C)P (R/C) 2
P (C/R) = = .
P (A)P (R/A) + P (B)P (R/B) + P (C)P (R/C) + P (D)P (R/D) 7

1.2.8 Indépendance, produit de deux espaces probabilisés

Dans une partie de pile ou face, le résultat obtenu au deuxième coup ne dépend pas
du résultat du premier jet de la pièce. Les événements élémentaires sont indépendants.
Traduisons de façon mathématique l’idée d’indépendance de deux événements.

Définition 1.32 Les événements A et B sont indépendants si

P (A/B) = P (A)

ce qui réalise que la probabilité que A se réalise est indépendante du fait que B soit réalisé
ou non.
Dans l’exemple du jet d’une pièce de monnaie deux fois, soit A =” le deuxième coup
1 1
donne face” et B =”le premier coup donne face”. P (A/B) = 2
or P (A) = 2
donc
P (A/B) = P (A)
De même P (A ∩ B) = P (A)P (B) = 14 .
Deux événements A et B sont indépendants ssi

P (A ∩ B) = P (A)P (B)

Conséquences
— Si A et B sont indépendants, il en est de même de A et B, de A et B, de A et B.
— Tout événement A est indépendant de l’événement certain Ω et de l’événement
impossible ∅.
— En général, on a P (A/B) ̸= P (A), ce qui signifie que ”A dépend de B”.

Définition 1.33 Soit une suite (finie ou non) d’événements (An )n∈N
Ces événements sont globalement indépendants si pour toute famille finie {Ai }i∈I ex-
traite de la suite An on a
Y
P (∩i∈I Ai ) = P (Ai )
i∈I

13
 Exemple 1.34 (Dépendance ou indépendance de 3 événements) On lance deux pièces
de monnaie et on considère les événements
— A =” la première pièce donne face”
— B =” la deuxième pièce donne pile”
— C =” les deux pièces donnent le même résultat”
1◦ ) Les événements A, B, C sont-ils indépendants deux à deux ?
2◦ ) L’événement C est-il indépendant de A ∩ B ?
3◦ ) Les événements A, B et C sont-ils globalement indépendants ?

Solution : 1◦ ) Le lancer d’une pièce peut donner lieu à d̀eux événements Ω = {pile, f ace}.
Donc P (A) = 12 , P (B) = 12 .
Le lancer simultané de deux pièces donne l’un des résultats suivants :

Ω′ = {(pile, pile), (pile, f ace), (f ace, pile), (f ace, f ace)}

card(Ω′ ) = 4, d’ou P (C) = 1

2

On a bien P (A ∩ B) = P (A)P (B) = 14 . A et B sont indépendants.

De même P (A ∩ C) = P (A)P (C) = 12 × 21 = 1
4
et P (B ∩ C) = P (B)P (C) = 21 × 12 = 14 .
Les événements A, B, C sont donc indépendants deux à deux.
2◦ ) L’evénement C est-il indépendant de A ∩ B ?
L’événement C sera indépendant de A ∩ B si et seulement si
P (C ∩ (A ∩ B)) = P (C)P (A ∩ B) or P (C ∩ (A ∩ B)) = 0, car si A et B sont réalisé
C ne peut l’être, mais P (C) = 12 , P (A ∩ B) = 1
4
et 0 ̸= 1
2
× 1
4

L’événement C n’est pas indépendant de A ∩ B.

3◦ ) Les événements A, B et C sont-ils globalement indépendants ?
Trois événements A, B et C sont indépendants si et seulement si

P (A ∩ B ∩ C) = P (A)P (B)P (C)

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

Vérifions si la première égalité est bien vraie.

On a P (A)P (B)P (C) = ( 21 )3 = 1
8
et A ∩ B ∩ C = ∅, donc P (A ∩ B ∩ C) = 0. Les
événements A, B et C sont non globalement invariants.

14
Chapitre 2
Lois de probabilités discrètes

2.1 Introduction
Supposons que l’on considère l’épreuve ”lancer deux fois une pièce de monnaie”. L’uni-
vers sera alors Ω = {P P, F P, P F, F F }. Intéressons-nous au nombre de fois où ”Face est
apparu” au cours de ces deux lancers.

Définition 2.1 On définit ainsi une application de Ω vers R définie par

Ω PP PF FP FF
R 0 1 1 2

A chaque événement élémentaire, on fait correspondre ainsi un nombre réel. Cette

application de Ω vers R s’appelle une variable aléatoire discrète, car elle ne prend qu’un
nombre fini de valeurs.

La variable aléatoire X qui à chaque événement élémentaire fait correspondre le nombre

de ”face” définit de nouveaux événements :
1
X = 0 ”aucune face n’a été tirée”, P (X = 0) = 4
1
X = 1 ”une face a été tirée”, P (X = 1) = 4
1
X = 2 ” deux faces ont été tirées”, P (X = 2) = 4

Définition 2.2 On appelle loi de probabilité de la variable aléatoire X la fonction définie

par : x 7→ P (X = x)

Exemple 2.3 On s’intéresse à la distribution de probabilités des garçons et des filles

dans des familles de 3 enfants en supposant que les probabilités à la naissance sont égales.

15
Soit G =”un garçon est né dans la famille” et F =” une fille est née dans la famille”.
On a P (F ) = P (G) = 12 , les probabilités à la naissance sont égales. On s’intéresse aux
familles de 3 enfants. On peut donc avoir les événements (incompatibles) suivants :
— 3 garçons : (G, G, G) et P (GGG) = P (G)3 = ( 21 )3 = 1
8
. Le fait d’avoir un
deuxième garçon est indépendant du fait d’avoir eu un premier garçon. Il s’agit
donc d’événements indépendants deux à deux et dans leur ensemble, on généralise
P (A ∩ B) = P (A)P (B). Ici (GGG) = (G ∩ G ∩ G).
— 2 garçons et une fille : (GGF ) ou (GF G) ou F GG. Ces événements sont incom-
patibles. On obtient

P ((GGF ) ∪ (GF G) ∪ (F GG)) = P (GGF ) + P (GF G) + P (F GG)

1 1 1 3
= P (G)P (G)P (F ) + P (G)P (F )P (G) + P (F )P (G)P (G) = + + =
8 8 8 8
— 1 garçon et 2 filles : (GF F ) ou (F GF ) ou (F F G)

3
P ((GF F ) ∪ (F GF ) ∪ (F F G)) = P (GF F ) + P (F GF ) + P (F F G) =
8

— 3 filles : (F F F ). On a P (F F F ) = 18 .

Supposons que l’on s’intéresse au nombre de garçons dans ces familles de 3 enfants. On
peut représenter la loi de probabilité de la variable aléatoire X par le tableau suivant :

xi 0 1 2 3
1 3 3 1
pi 8 8 8 8

Définition 2.4 On appelle fonction de répartition de la variable aléatoire X la fonction

FX : R −→ [0, 1], x 7→ P (X ≤ x)

Propriétés
— FX est croissante et

lim FX (x) = 0, lim FX (x) = 1

x→−∞ x→+∞

— Si a < b, alors
P (a < X < b) = FX (b) − FX (a)

16
Exemple 2.5 On représente la fonction de répartition de l’exemple précédent par le
tableau suivant :

x −∞ 0 1 2 3 +∞
1 1 4 4 7 7
FX (x) 0 8 8 8 8 8 8
1 1

Solution :
— Pour x = − 21 , on a F (− 12 ) = P (X ≤ − 12 ) = 0.
1
— Pour x = 0, on a F (0) = P (X ≤ 0) = P (X = 0) = 8

De même pour les autres valeurs de x.

Figure 2.1 – Fonction de répartition

On distingue deux types de variables aléatoires discrètes :

— variable aléatoire discrète finie lorsque X(Ω) est un sous ensemble fini de R.
— variable aléatoire discrète infini, lorsque X(Ω) est un sous-ensemble infini dénombrable
de R.

Exemple 2.6 1◦ ) Une urne contient une boule noire et une boule blanche. On tire avec
remise deux boules de cette urne, et on note X le nombre de boules blanches obtenues. X
est une variable aléatoire définie sur Ω = {(b, b), (b, n), (n, b), (n, n)}, X(Ω) = {0, 1, 2}.
2◦ ) On lance un dé cubique jusqu’à ce que l’on obtienne un 6. Soit X le nombre
de lancer effectués. X est une variable aléatoire discrète infinie car X(Ω) = N∗ . (La
probabilité de ne jamais obtenir un 6 est nulle, mais cet événement n’est pas impossible.)

2.2 Variables aléatoires discrètes finies v.a.d.f.

Soit X une v.a.d.f. et soient x1 , x2 , ... ses valeurs possibles, ordonnées par ordre crois-
sant. On suppose que la probabilité de chacune de ces valeurs est

P (X = xk ) = f (xk ), k = 1, 2, 3, ...

Définition 2.7 On définit la fonction de probabilité ou densité discrète f (xk ) telle que :
— 1.f (xk ) ≥ 0
P
— 2. xk ∈X(Ω) f (xk ) = 1, où la somme est prise sur les valeurs possibles de X.

17
 Remarque 3 — La fonction de répartition d’une v.a.d. X se déduit de la fonction
de probabilité puisque
X
FX (x) = P (X ≤ x) = P (X = Xk )
xk ≤x

— Soit X une v.a qui prend des valeurs entière positives. On peut utiliser les tech-
niques suivantes pour résoudre des exercices de calcul des probabilités :

P (X = k) = P (X ≥ k) − P (X ≥ k + 1) = P (X > k − 1) − P (X > k)

= P (X ≤ k) − P (X ≤ k − 1) = P (X < k + 1) − P (X < k)
k
X +∞
X
P (X ≤ k) = P (X = i), P (X ≥ k) = P (X = i)
i=0 i=k

2.3 Couple de variables aléatoires discrètes

Un vecteur aléatoire (X, Y ) prend des valeurs dans R2 . Si on cherche à définir la loi
d’un tel vecteur, il faut considérer tous les couples I × J d’intervalles.

Définition 2.8 Soit (X, Y ) un vecteur aléatoire réel. On appelle loi conjointe de (X, Y )
la probabilité définie sur R2 par

P(X,Y ) (I × J) = P (X ∈ I et Y ∈ J)

Les lois de probabilité de X et Y sont alors appelés lois marginales de (X, Y ).

En particulier, lorsque X et Y sont à valeurs finies, la loi conjointe de (X, Y ) est
l’ensemble P ((X = xi ) ∩ (Y = yj )).
On a coutume de représenter la loi conjointe (X, Y ) sous forme d’un tableau à double
entrée :

Y
y1 y2 ... ys Totaux
X
x1 p11 p12 p1s p1.
x2 p21 p22 p2s p2.
..
.
xr pr1 pr2 ... prs pr.
Totaux p.1 p.2 p.s 1

18
 avec s
X
p1. = p1j = P (X = x1 )
j=1

Il est toujours possible à l’aide de loi conjointe, de retrouver les lois marginales : Si
X(Ω) = {x1 , x2 , ....xp } et Y (Ω) = {y1 , y2 , ....yq }, on a :
q
X
P (X = xi ) = P (X = xi , Y = yj ), (ligne)
j=1

p
X
P (Y = yj ) = P (X = xi , Y = yj ), (colonne)
i=1

Sur le tableau, cela correspond aux sommations par ligne ou par colonne.

Remarque 4 En général, il n’est pas possible de réaliser la démarche inverse, c.à. d.,
étant données les deux lois marginales, retrouver la loi conjointe. Il faut en effet avoir des
informations supplémentaires sur la façon dont les variables aléatoires X et Y dépendants
l’une de l’autre. En particulier, si X et Y sont indépendants, on a :

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

Cela n’est plus vraie en général :

P (X = xi , Y = yj ) = P (X = xi )P (Y = yj /X = xi )

Exemple 2.9 Soit une urne contenant 6 boules blanches et 4 boules noires. On effectue
deux tirages successifs sans remise. On définit la v.a.d. X par

X = 0 si la première boule tirée est noir (N1 )

X = 1 si la première boule tirée est blanche (B1 )

donc X concerne le premier tirage.

De même, on définit la v.a.d. Y par

Y = 0 si la deuxème boule tirée est noir (N2 )

Y = 1 si la deuxième boule tirée est blanche (B2 )

1◦ ) Quelle est la loi conjointe du couple (X, Y ) ?

2◦ ) Définir les lois marginales de X et Y
3◦ ) En déduire si X et Y sont indépendantes.

19
Solution Il faut calculer
4 3 12
P (X = 0, Y = 0) = P (X = 0)P (Y = 0/X = 0) = × =
10 9 90
4 6 24
P (X = 0, Y = 1) = P (X = 0)P (Y = 1/X = 0) = × =
10 9 90
6 4 24
P (X = 1, Y = 0) = P (X = 1)P (Y = 0/X = 1) = × =
10 9 90
6 5 30
P (X = 1, Y = 1) = × =
10 9 90
En général, on représente ces résultats dans un tableau à double entrée :

Y
0 1 Totaux
X
12 24 26
0 90 90 90
24 30 54
1 90 90 90
36 54
Totaux 90 90
1

Remarque 5 La somme des probabilités doit être égale à 1.

2◦ ) Lois marginales de X et de Y :

36 2 54 3
P (X = 0) = = , P (X = 1) = =
90 5 90 5
36 54 3
P (Y = 0) = , P (Y = 1) = =
90 90 5
3◦ ) Puisqu’il n’y a pas de remise dans l’urne de la première boule tirée, les événements
(les deux tirages) sont dépendants. En effet, (technique de vérification)

24 36 54
P (X = 0, Y = 1) ̸= P (X = 0)P (Y = 1), car ̸= ×
90 90 90

2.4 Espérance mathématique ou moyenne, moments

centrés, variance et écart type
Définition 2.10 On appelle espérance mathématique (ou moyenne) d’une v.a.d. finie
prenant les valeurs xi , 1 ≤ i ≤ n, le nombre noté X ou E(X) définie par
n
X
E(X) = xi p i
i=1

20
Exemple 2.11 Dans l’exemple 2.3
1 3 3 1 3
E(X) = 0 × +1× +2× +3× =
8 8 8 8 2
Définition 2.12 On appelle moment d’ordre k de la v.a.d. finie X prenant les valeurs
xi , 1 ≤ i ≤ n , le nombre
n
X
mk (X) = xki pi
i=1

Définition 2.13 On appelle moment centré d’ordre k due v.a.d.f X prenant les valeurs
xi , 1 ≤ i ≤ n , le nombre
n
X
µk (X) = (xi − E(X))k pi
i=1

Définition 2.14 On appelle variance d’une v.a.d.f. X prenant les valeurs xi , 1 ≤ i ≤ n ,

le nombre n
X
V (X) = (xi − E(X))2 pi = µ2
i=1

Définition 2.15 On appelle écart-type d’une v.a.d. X prenant les valeurs xi , 1 ≤ i ≤ n ,

le nombre
p
σ(X) = V (X)

Propriétés de l’espérance
— Si X et Y deux v.a.d. et (λ, µ) ∈ R2

E(λX + µY ) = λE(X) + µE(Y )

en particulier
E(X + µ) = E(X) + µ

E(X − X) = 0, la v.a.(X − X) est dite centrée

Si de plus X et Y sont indépendantes

E(XY ) = E(X)E(Y )

Propriétés de la variance
Si X et Y sont deux v.a.d.f. et (λ, µ) ∈ R2
—
V (λX + µ) = λ2 V (X)

21
 — Si X et Y sont deux variables indépendantes

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

V (X) = E(X 2 ) − E(X)2

2.4.1 Variable aléatoire normée

Définition 2.16 On dit qu’une v.a. Z est normée si sa moyenne est nulle et si son écart
X−X
type est égal à 1. La v.a. Z = σ
est une v.a. normée. En effet

1
E(Z) = E(X − X) = 0
σ
1 1
V (Z) = 2
V (X − X) = 2 V (X) = 1
σ σ

2.4.2 Covariance et coefficient de corrélation

Définition 2.17 La covariance de deux v.a. X et Y est le réel

cov(X, Y ) = E(XY ) − E(X)E(Y )

On a aussi
cov(X, Y ) = V (X + Y ) − V (X) − V (Y )

De la dernière relation on déduit une condition nécessaire pour que deux v.a. soient
indépendentes :
cov(X, Y ) = 0

Définition 2.18 Le coefficient de corrélation ρ de deux v.a. X et Y est

cov(X, Y )
ρ=
σ(X)σ(Y )

c’est un réel compris entre −1 et 1.

Remarque 6 On généralise les notions vues précédemment au cas où les v.a.d. infinies.
Toutes les sommes rencontrées précédemment sont remplacées pas des sommes de séries
numériques, dans le cas où ces séries sont convergentes.

22
Exemple 2.19 Un atelier fonctionne avec deux équipes d’ouvriers, une du matin et une
du soir. Chaque jour on enregistre le nombre d’ouvriers absents et on note X le nombre
d’abscence dans l’équipe de jour et par Y le nombre d’absences dans l’équipe du soir. La
loi de probabilité du couple (X, Y ) est donnée dans le tableau suivant :

Y
0 1 2 3
X
0 0.25 0.25 0.05 0
1 0.20 0.10 0.05 0.05
2 0.05 0.02 0.02 0.01

1◦ ) Donner la loi de probabilité de X, celle de Y .

2◦ ) Calculer l’espérence et la variance de X et de Y .
3◦ ) Calculer le coefficient de corrélation linéaire entre X et Y
4◦ ) Donner la loi de probabilité de Y sachant que X ≥ 1
5◦ ) Une abscence coûte 100 F à l’usine. Quelle est la perte journalière moyenne due
aux absences ?

Solution
1◦ ) En utilisant le tableau de la loi conjointe du couple (X, Y ), et en faisant la somme
des lignes (on trouve la loi de X) et la somme des colonnes (on trouve la loi de Y ) :

Y
0 1 2 3 marg X
X
0 0.25 0.25 0.05 0 0; 50
1 0.20 0.10 0.05 0.05 0.40
2 0.05 0.02 0.02 0.01 0.10
marg Y 0.50 0.32 0.12 0.06 1

D’ou les lois de probabilité de X et Y sont définies par

X 0 1 2 Y 0 1 2 3
P (X = xi ) 0.50 0.40 0.10 P (Y = yi ) 0.50 0.32 0.12 0.06
2◦ ) Calcul de l’espérance et la variance de X et Y

E(X) = 0 × 0.50 + 1 × 0.40 + 2 × 0.10 = 0.6, E(Y ) = 0.74

23
 E(X 2 ) = 02 × 0.50 + 12 × 0.40 + 22 × 0.10 = 0.8, E(Y 2 ) = 1.34

V (X) = E(X 2 ) − E(X)2 = 0.8 − (0.6)2 = 0.44, V (Y ) = 0.7924

3◦ ) Calcul du coefficients de corrélation linéaire

X
cov(X, Y ) = pij xi yj − E(X)E(Y ) = 0.086
i,j

E(XY ) = 0.35 + 0.18 = 0.53

cov(X, Y ) 0.086
ρ(X, Y ) = =√ = 0.14565
σ(X)σ(Y ) 0.44 × 0.7924
4◦ ) Loi de probabilité de Y sachant X ≥ 1

P (Y = yj ; X = 1) P (Y = yj ; X = 2)
P (Y = yj /X ≥ 1) = +
0.50 0.50
donc
Y = yj 0 1 2 3
P (Y = yj /X ≥ 1) 0.50 0.24 0.14 0.12
5◦ ) Perte journalière moyenne due aux absences

100E(X + Y ) = 100(E(X) + E(Y )) = 100 × 1.34 = 134F

Exemple 2.20 Une urne contient 3 boules blanches et 4 boules rouges. On tire succes-
sivement 2 boules de cette urne, dans un premier avec remise, dans le second cas, sans
remise.
Soit X la v.a. prenant la valeur 1 si la première boule tirée est blanche, 0 sinon.
Soit Y la v.a. prenant la valeur 1 si la deuxième boule tirée est blanche, 0 sinon.
1◦ ) Donner, sous forme de tableau, la loi du couple (X, Y )
2◦ ) Calculer les lois marginales.
3◦ ) Conclure.

Solution
1◦ ) Les lois du couple (X, Y ) sont données par (Avec remise à gauche et sans remise
à droite)

Y Y
0 1 marg X 0 1 marg X
X X
16 12 28 4 2 2 4
0 49 49 49
= 7
0 7 7 7
12 9 21 3 2 1 3
1 49 49 49
= 7
1 7 7 7
4 3 4 3
marg Y 7 7
1 marg Y 7 7
1

24
Dans le cas avec remise, on a
4 3
P (X = 0) = ; P (X = 1) =
7 7
4 3
P (Y = 0) = ; P (Y = 1) =
7 7
les événements sont indépendennts.
Dans le cas sans remise, on constate que les lois marginales sont les mêmes dans
les deux cas, alors que les lois conjointes sont différentes. On conclut que la donnée des
lois marginales est insuffisante pour reconstituer la loi conjointe. Les événements sont
dépendants.

2.5 Lois de probabilités discrètes finies et infinies

2.5.1 Loi uniforme

Définition 2.21 On dit qu’une variable aléatoire X avec X(Ω) = {x1 , x2 , ...., xn } suit
une loi uniforme si
1
∀i ∈ {1, 2, ..., n}, P (X = xi ) =
n

2.5.2 Loi de Bernoulli

Définition 2.22 On dit qu’une v.a. X suit une loi de Bernoulli de paramètre p si

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

On note X ,→ B(p)

Exemple 2.23 Une urne contient 2 boules rouges et 3 boules vertes. On tire une boule
de l’urne. On considère la v.a. X =”nombre de boules rouges tirées”.
X est une v.a. de Bernoulli
2 3
X(Ω) = {0, 1} et P (X = 1) = 5
= p; P (X = 0) = 5
=q

Remarque 7 Plus généralement, on utilisera une v.a. de Bernoulli lorsqu’on effectue

une épreuve qui n’a que deux issues : le succès ou l’échec. Une telle expérience est alors
appelée épreuve de Bernoulli. On affecte alors 1 à la variable en cas de succès et 0 en cas
d’échec :
P (X = k) = pk q 1−k , ∀k ∈ {0, 1}

25
2.5.3 Loi binômiale
La loi binômiale est la loi de probabilité d’une série d’épreuves répétées possédant les
propriétés suivantes :
— Chaque épreuve donne lieu à deux éventualités exclusives de probabilités constantes
p et q = 1 − p
— Les épreuves répétées sont indépendantes les unes des autres.
— La v.a. a pour valeur le nombre de succès dans une suite de n épreuves.

Exemple 2.24 La loi binomiale B(n, p) est suivi par la v.a. X dans les exemples sui-
vants :
— 1) X est égale au nombre de ”piles” obtenus au cours de n lancers indépendants
d’une pièce équilibrée, ici p = 21 .
— 2) X est égale au nombre de boules rouges extraites au cours de n tirages successifs
indépendants, avec remise, d’une boule dans une urne contenant des boules rouges
et blanches dans les proportions p et q = 1 − p.
X suit une loi binomiale notée B(n, p)
— X(Ω) = {0, 1, 2, ..., n}
— ∀k ∈ X(Ω), P (X = k) = Cnk pk q n−k
— E(X) = np
— V (X) = npq

Propriété Soit X1 et X2 deux v.a. indépendantes telles que X1 ,→ B(n1 , p) et X2 ,→

B(n2 , p), alors la v.a. X1 + X2 ,→ B(n1 + n2 , p)

Exemple 2.25 On lance un dé à 6 faces non pipé. On s’intéresse au fait suivant : ”ob-
tenir 6”. On considère ce fait comme succèes, avec la probabilité 61 , l’échec étant ”obtenir
1
”1, 2, 3, 4, 5”, donc q = 1 − 6
= 56 .
On lance 10 fois ce dé. Soit X la v.a. correspondant au nombre de succès.
1◦ ) Calculer P (X = 5)
2◦ ) Calculer la probabilité d’obtenir au moins une fois le 6, au cours des 10 lancers.

Solution
L’expérience aléatoire permet de dire que X ,→ B(10, 16 )
1◦ ) P (X = 5) = C10
5 1 5 5 5
(6) (6)

26
 2◦ )P (X = 0) = C10
0 1 0 5 10
( 6 ) ( 6 ) = ( 65 )10 .
L’événement {X = 0} est le contraire de {X ≥ 1}. On a donc

5
P (X ≥ 1) = 1 − ( )10 ≃ 0.84
6

Remarque 8 — Cette loi porte le nom de binômiale car elle fait intervenir les Cnk
coefficients du développement du binôme (a + b)n
— Les valeurs P (X = k) sont tabulées, pour certaines valeurs de n, (k ≤ n).

2.5.4 Loi de Poisson

Définition 2.26 Soit X une v.a. à valeurs dans N (X(Ω) = N). X suit une loi de Poisson
de paramètre λ(λ > 0) et on note X ,→ P(λ) ssi

λk
P (X = k) = e−λ , k∈N
k!

Conséquences
P+∞ P+∞ −λ λk
— k=0 P (X = k) = 1 donc k=0 e k!
=1
√
— E(X) = λ, σ(X) = λ
Pp
— La fonction de répartition est F (p) = P (X ≤ p) = k=0 P (X = k)
Le domaine d’application de la loi de Poisson a été longtemps limité à celui des événements
rares comme les suicides d’enfants, les arrivées de bateaux dans un port ou les accidents
dus aux coups de pied de cheval dans les armés. C’est la loi des petites probabilités et
sans mémoire, dans un intervalle de temps donné. Depuis quelques décennies, son champ
d’application s’est considérablement élargie. Actuellement, on l’utilise beaucoup dans les
télécommunications (pour compter le nombre de communications dans un intervalle de
temps donné, le contrôle de qualité statistique, la biologie, la météorologie, la finance pour
modéliser la probabilité de défaut d’un crédit
Autres exemples
— le nombre de chèque émis sans provision
— le nombre de fautes d’impression dans les pages d’un livre
— le nombre de personnes atteintes d’une maladie
— le nombre d’accidents sur une portion de route
— le nombre d’accidents annuels provoqués par un automobiliste assuré
— le nombre de déchets dans une fabrication

27
 — le nombre d’atomes désintégrés par unité de temps.

Remarque 9 Les valeurs de P (X = k) sont tabulées pour certains certaines valeurs λ.

2.6 Approximation de la loi binomiale par la loi de

Poisson
Les variables aléatoires de Poisson peuvent être utilisées pour approcher des variables
aléatoires binomiales de paramètre (n, p) pour autant que n soit grand et p assez petit
pour que np soit d’ordre de grandeur moyen (environ 5).
Pour s’en convaincre, admettons que X soit une v.a. binomiale de paramètre (n, p) et
posons λ = np.
n! λ λ
P (X = k) = Cnk pk (1 − p)n−k = ( )k (1 − )n−k
k!(n − k)! n n
n(n − 1)...(n − k + 1) λk (1 − nλ )n
=
nk k! (1 − nλ )k
Maintenant, pour n grand et λ modéré, on a :
n(n − 1)...(n − k + 1) λ n −λ λ k
≈ 1, (1 − ) ≈ e , (1 − ) ≈1
nk n n
Donc, pour n grand et λ modéré :
k
−λ λ
P (X = k) ≈ e
k!
Exemple 2.27 Un certain vaccin provoque chez un individu sur 800 environ une réaction
dangereuse. Quelle probabilité y-a-t-il, en vaccinant 3000 personnes, qu’il y ait
1◦ ) 3 réactions dangereuses ?
2◦ ) plus de 2 réactions dangereuses ?

Solution Soit X la v.a. indiquant le nombre total de réactions dangereuses. On a une

1
distribution binomiale avec p = 800
; n = 3000 ; λ = np = 3.75
1◦ )
3000! 1 3 799 2997
P (X = 3) = ( )( )
3!2997! 800 800
les calcules sont longs et fastidieux, pour cela, on applique la loi de Poisson qui donne une
bonne approximation de résultat. Donc
3.753 e−3.75
P (X = 3) ≈ = 0.2067
3!
28
(On voit que le calcul est grandement facilité par le recours à la loi de Poisson).
2◦ )

P (X > 2) = 1 − P (X ≤ 2) = 1 − [P (X = 0) + P (X = 1) + P (X = 2)]

3.750 e−3.75 3.751 e−3.75 3.752 e−3.75

≈1−[ + + ] = 0.7229
0! 1! 2!
Remarque 10 — Cette approximation peut être appliquée pour n ≥ 0 et np ≤ 5 ou
1
n ≥ 20 et p < 30
. Elle est d’autant meilleure que n est grand et p et proche de 0.
— On peut utiliser cette approximation pour p voisin de 1 car q ≃ 0, on considère
λ′ = nq.

Exemple 2.28 Pour une femme ayant eu entre 50 et 52 ans en l’an 2000, le nombre
d’enfants, noté X, suit une loi de poisson de paramètre inconnu λ. Un échantillon de 1000
de ces femmes donne 135 sans enfants.
1◦ ) Donner une estimation de λ
2◦ ) Estimer la proportion de ces femmes ayant plus de 3 enfants.
3◦ ) Conclure

Solution 1◦ ) Si on admet que l’échantillon est représentatif de la population, on a P (X =

0) = e−λ ≃ 0.135, ce qui donne λ = − ln(0.135) ≃ 2
λ2 λ3
2◦ ) P (X > 3) = 1 − P (X ≤ 3) = 1 − [1 + λ + 2
+ 3!
] ≃ 0.145
3◦ ) Parmi les femmes qui ont eu entre 50 et 52 ans en l’an 2000, il y en a donc environ
145 sur 1000 qui ont plus de 3 enfants.

Exemple 2.29 On suppose qu’une urne contient 1 boule blanche et 99 boules noires. On
effectue n tirages successifs d’une boule avec remise. Déterminer n pour que la probabilité
de tirer au moins une fois la boule blanche soit supérieure ou égale à 0.95

Solution Soit X la v.a. ” nombre de fois où on tire la boule blanche au cours de n tirages”,
donc X ,→ B(n, p = 0.01)

P (X ≥ 1) = 1 − P (X = 0) = 1 − (0.99)n

Si on veut que P (X ≥ 1) ≥ 0.95, il faut que (0.99)n ≤ 0.05, ce qui veut dire que
ln(0.05)
n ≥ 0.99
, c.à.d. n ≥ 298.1, or n est entier, alors n ≥ 299. Il faut donc effectuer 299
tirages au moins pour être sûr à 95% d’avoir au moins une boule blanche.

29
Remarque 11 (Utilisation d’approximation par la loi de Poisson) On a n est grand et
n 1
p faible, on approche pour cela X par la loi de Poisson de paramètre np = 1+99
= 100

(100 est le nombre de boules dans l’urne). Donc,

n
P (X ≥ 1) = 1 − P (X = 0) = 1 − e 100

n
Pour avoir P (X ≥ 1) ≥ 0.95, il faut que e− 100 ≤ 0.05, c.à.d. n ≥ −100 ln(0.05) ≃ 299.6.
Par conséquence n ≥ 300.

30
Chapitre 3
Lois de probabilités de variables aléatoires
continues

Si on choisit au hasrad un individu parmi un groupe d’adultes, la probablilité pour que

sa taille soit exactement de 1.80m est évidemment nulle. La v.a. définie sur l’ensemble Ω de
ces individues, et qui à chaque individu fait correspondre sa taille est une variable aléatoire
continue. Cependant comme la probabilité pour que X prenne une valeur particulière est
nulle, on ne peut définir une loi de probabilité comme dans le cas d’une variable aléatoire
discrète. Cependant la probabilité pour que la v.a. X soit comprsie entre deux valeurs
différentes a un sens.

3.1 Définitions
Définition 3.1 Soit f une fonction réelle. On dit que f est une densité de probabilité ssi
— f est continue sur R privé éventuellement d’un nombre fini de points.
— ∀x ∈ R, f (x) ≥ 0
R +∞
— −∞ f (x) = 1

Exemple 3.2 On considère la fonction f définie sur R par


 cos(x) si x ∈ 0, π  ,
2
f (x) =
 0 sinon.
1◦ ) f est continue sur R au point 0
2◦ ) f (x) ≥ 0

31
 R +∞
3◦ ) −∞
f (x)dx = 1

Définition 3.3 On dit que X est une v.a. continue s’il existe une fonction densité de
probabilité f telle que la fonction de répartition de X soit définie pour tout x réel par
Z x
P (X ≤ x) = F (x) = f (t)dt.
−∞

La fonction F est appelée fonction de répartition de la v.a. X.

Exemple 3.4 1◦ ) Montrer que la fonction F définie par


 ex si x ≤ 0,
2
F (x) =
 1 si x > 0,

est une fonction de répartition.

2◦ ) La fonction f définie par f (x) = F ′ (x) est-elle une densité de probabilité ?.

Solution 1◦ ) Pour que F soit une fonction de répartition, il faut vérifier les 3 conditions
suivantes :
— 1) F est croissante au sens large
— 2) Valeurs de F aux limites

 F (+∞) = lim
x→+∞ F (x) = 1,
 F (−∞) = limx→−∞ ex = 0
2

— F est continue à droite en tout point :

1 ex
Pour x = 0, on a F (0) = 2
= limx−→0+ 2

Pour x ̸= 0, on a F est continue, donc elle est continue à droite.

2◦ ) La fonction f telle que

ex
′

2
si x ≤ 0,
f (x) = F (x) =
 0 si x > 0,
R +∞
n’est pas une densité de probabilité car −∞ f (x)dx = 21 ̸= 1

3.2 Propriétés
— 1)
P (a < X ≤ b) = F (b) − F (a)
Z b Z a Z b
= f (x)dx − f (x)dx = f (t)dt
−∞ −∞ a

32
 — 2) Supposons b fixé et faisons tendre a vers b dans l’expression précédente, on
obtient Z b
lim P (a < X ≤ b) = P (X = b) = f (t)dt = 0
a−→b b
donc
∀b ∈ R, P (X = b) = 0

ce qui justifie les inégalités suivantes :

P (a < X < b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤ b)

Donc on écrira indifféremment P (X ≤ a) ou P (X < a), ces deux quantités étant

égales.

3.3 Espérance, variance et écart type d’une v.a. conti-

nue
Soit X une v.a. continue de densité f
R +∞
Définition 3.5 — 1) L’espérance de X est E(X) = −∞
xf (x)dx
R +∞
— 2) La variance de X est V (X) = E(X 2 ) − E(X)2 = E((X − E(X))2 ) = −∞
(x −
E(X))2 f (x)dx
p
— 3) L’écart-type de X est σ(X) = V (X)

Exemple 3.6 Soit X la v.a. de densité f définie dans l’exemple 3.2.

π
Z +∞ Z
2 π
E(X) = xf (x)dx = x cos(x)dx = − 1.
−∞ 0 2

3.4 Lois de v.a. continues usuelles

3.4.1 Loi uniforme

Définition 3.7 Soient a et b deux nombres réels avec a < b. On appelle v.a. continue
uniforme sur [a, b] une v.a. qui admet une densité de probabilité f définie par



 0 si x < a,
f (x) = 1
b−a
si a ≤ x ≤ b,


0 si x > b.


33
Proposition 3.8 — 1) La fonction de répartition F est donnée par



 0 si x < a,
F (x) = x−a
b−a
si a ≤ x ≤ b


1 si x > b


a+b (b−a)2 b−a

— 2) E(X) = 2
, V (X) = 12
, σ(X) = √ .
2 3

3.4.2 Loi exponentielle

Définition 3.9 Soit λ un réel strictement positif. On appelle v.a. exponentielle, de pa-
ramètre λ une v.a. continue qui admet une densité de probabilité f définie par

 0 si x < 0,
f (x) =
 λe−λx si x ≥ 0.

Proposition 3.10 — 1) La fonction de répartition F est donnée par


 0 si x < 0,
F (x) =
 1 − e−λx si x ≥ 0

— 2) E(X) = λ1 , V (X) = 1
λ2
, σ(X) = λ1 .

3.4.3 Loi normale

Définition 3.11 Soit m ∈ R et σ ∈ R∗+ . On appelle v.a. normale de paramètres m et σ
et on la note N (m, σ 2 ) une v.a. continue admettant comme densité la fonction f telle que
1 (x−m)2
f (x) = √ e− 2σ2 .
σ 2π
Cette loi intervient dans la modélisation de phénomènes aléatoires possédant de nom-
breuses causes indépendantes dont les effets s’ajoutent, sans que l’un d’eux soit dominant.

Proposition 3.12 — 1) La fonction de répartition est donnée par

Z x
F (x) = P (X ≤ x) = f (t)dt
−∞

— 2)E(X) = m, V (X) = σ 2 , σ(X) = σ.

Comme il n’y a pas de formule permettant de calculer F (x), on à tabulé la variable

X−m
T = σ
, on fera donc systématiquement ce changement de variable.

34
3.4.4 Loi normale centrée réduite
X−m
Définition 3.13 Soit X une v.a. continue qui suit une loi normale, alors la v.a. T = σ

est dite centrée et réduite (on écrit T ,→ N (0, 1)) et vérifie

X −m X −m
E(T ) = E( ) = 0, V (T ) = V ( )=1
σ σ
t2
La fonction de densité de probabilité est donnée par φ(x) = √1 e− 2 . Elle admet l’axe
2π
des ordonnées comme axe de symétrie et les points d’inflexion ont pour abscisses −1 et 1.
Propriétés
Rt x 2
— La fonction de répartition est donnée par F (t) = P (T ≤ t) = √1 e− 2 dx. Elle
−∞ 2π
n’est tabulée que pour des valeurs de t ≥ 0 en raison de la symétrie.
On a F (−∞) = 0, F (+∞) = 1, F (0) = 0.5, F (−t) = 1 − F (t)
Soient X1 ,→ N (m1 , σ12 ) et X2 ,→ N (m2 , σ22 ) deux v.a. normales. Alors, si X1
et X2 sont indépendantes
— 1) La v.a. X1 + X2 est une v.a. normale ,→ N (m1 + m2 , σ12 + σ22 )
— 2) La v.a. X1 − X2 est une v.a. normale ,→ N (m1 − m2 , σ12 + σ22 )

3.5 Approximation par la loi normale

3.5.1 Approximation d’une loi binômiale par une loi normale

On lance 500 fois une pièce de monnaie non truquée. Soit X le nombre de ”face”
obtenues. Alors X ,→ N (500, 21 ). Pour calculer P (X = 100) = C500
100 1 100 1 400
( 2 ) ( 2 ) , ces
calcules sont longs et fastidieux. C’est pour cela on utilise les méthodes d’approximations.
L’approximation par la loi de Poisson n’est pas valable puisque, n est grand mais ni p ni
q ne sont pas proches de 0.
Les calculs et les méthodes expérimentales ont prouvé que l’on pouvait approcher
(x−m)2
P (x = k) par f (k) où f (x) = √1 e− 2σ 2 (fonction de Gauss), avec σ 2 = npq et
σ 2π
m = np.
Application σ 2 = 500 × 0.5 × (1 − 0.5) = 125 et m = 500 × 0.5 = 250. On obtient

1 (150)2 1
P (X = 100) ≃ √ √ e− 2×125 = √ √ e−90
125 2π 125 2π
P (X = 100) = ϵ, nombre très proche de 0.

35
 Une autre méthode est celle d’encadrer la valeur proposée et de se ramener au calcul
d’une fonction de répartition. On a 100 ∈ [99.5, 100.5]
P (X = 100) ≃ P (99.5 ≤ X ≤ 100.5) que l’on calcul par changement de variables et
l’utilisation de la loi N (0, 1).

Remarque 12 Le résultat est conforme à la propriété des v.a. continues : si X est

une v.a. continue, P (X = a) = 0. On peut aussi répondre à la question : quelle est la
probabilité d’obtenir entre 230 et 270 faces. On doit alors déterminer P (230 ≤ X ≤ 270).
X−250
Soit T = √
125
. On a

P (230 ≤ X ≤ 270) = P (X ≤ 270) − P (X < 230)

20 20
= P (T ≤ √ ) − P (T < − √ )
125 125
20
2P (T ≤ √ ) − 1 = 2P (T ≤ 1.79) − 1 = 2 × 0.9633 − 1 ≃ 0.9266
125
Remarque 13 Dans la pratique, la fonction de Laplace-Gauss donne une bonne ap-
proximation de la loi binômiale si 0.2 < p < 0.8 et n ≥ 30. Si np et nq sont supérieurs à
10, cette approximation est très bonne.

3.5.2 Approxiamtion d’une loi de Poisson par une loi normale

On démontre de la même manière que si λ > 20, on peut approcher une loi de Poisson
P(λ) par la loi normale N (λ, λ).

Exemple 3.14 On s’intéresse au poids moyen d’un nouveau né. On suppose que ce poids
suit une loi normale de moyenne 3.1 kg et d’écart-type 0.5 kg.
1◦ ) Quelle est la probabilité qu’un nouveau né pèse plus de 4 kg ?
2◦ ) Quelle est la probabilité qu’il pèse moins de 3 kg ?
3◦ ) Quelle est la probabilité que son poids soit compris entre 2.9 kg et 3.5 kg ?

Solution
Le poids suit la loi normale N (m, σ 2 ) avec m = 3.1 et σ = 0.5
1◦ ) P (X > 4) = 1 − P (X ≤ 4). On effectue le changement de variable T = X−m
σ
, alors
4−3.1
T ,→ N (0, 1). Si X = 4, alors T = σ
= 1.8.
On a 1 − P (T ≤ 1.8) = 1 − 0.09641 = 0.0359, donc P (X > 4) = 0.036

36
 2◦ ) P (X ≤ 3) = P (T ≤ −0.2) = 1 − P (T < 0.2) = 1 − 0.05793 = 0.4207
3◦ ) On a
P (2.9 ≤ X ≤ 3.5) = P (X ≤ 3.5) − P (X < 2.9)
3.5 − 3.1 2.9 − 3.1
= P (T ≤ ) − P (T ≤ )
0.5 0.5
= P (T ≤ 0.8) − P (T ≤ −0.4)

= P (T ≤ 0.8) − (1 − P (T ≤ −0.4))

= P (T ≤ 0.8) + P (T ≤ 0.4) − 1

= 0.78881 + 0.6554 − 1 = 0.4435

Exemple 3.15 On lance 200 fois une pièce non truquée.

1◦ ) Déterminer la probabilité pour que X, le nombre de ”faces”, soit compris entre 80
et 120.
2◦ )Déterminer la probabilité pour que X soit exactement 100.

Solution 1◦ ) Il s’agit d’une loi binômiale B(200, 120) ∼ N (np, npq), avec m = 100, σ 2 =
√
50 c.à.d. σ = 5 2.
−20 20
P (80 ≤ X ≤ 120) = P ( √ ≤ T ≤ √ )
5 2 5 2
avec T ,→ N (0, 1)
√ √ √ √
= P (−2 2 ≤ T ≤ 2 2) = P (T ≤ 2 2) − P (T ≤ −2 2)
√ √
= P (T ≤ 2 2) − (1 − P (T ≤ 2 2))
√
= P (T ≤ 2 2) − 1 = 2 × 0.9976 − 1 ≃ 0.9952

2◦ ) On cherche P (X = 100). Il y a deux méthodes.

Première méthode : On considère 99.5 ≤ 100 ≤ 100.5 et on approche P (X = 100)
par P (99.5 ≤ X ≤ 100.5).
0.5 0.5
P (X = 100) ≃ P (T ≤ √ ) − P (T ≤ − √ )
5 2 5 2
avec T ,→ N (0, 1)
0.5
= 2P (T ≤ √ ) − 1 = 2 × 0.5279 − 1 ≃ 0.0558.
5 2
(x−m)2
Deuxième méthode : Soit f la fonction de densité f (x) = √1 e− 2σ 2 . Dans ce
σ 2π
(x−100)2
√1 e − 100 √ 1√ ,
cas f (x) = 5 2π
. Alors P (X = k) ≃ f (k), donc P (X = 100) ≃ 5 2 2π
c.à.d.
P (X = 100) ≃ 0.0564.
On remarque que ces résultats diffèrent très peu.

37