Département de Mathématiques,

Cours de Probabilité et Statistique

Pr. [Link]

Filière: IA(S3)

Année Universitaire : 2025-2026

Contents

1 Notions de probabilités 5
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Expérience aléatoire , univers, événement . . . . . . . . . . . . . . . . . 5
1.1.2 Opérations sur les événements . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Définition et propriétées d’une Probabilité . . . . . . . . . . . . . . . . . . . . 6
1.3 Probabilité sur un ensemble fondamental fini . . . . . . . . . . . . . . . . . . . 8
1.4 Quelques résultats combinatoires . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Échantillons ordonnés. . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.2 Arbre de dénombrement . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.3 Permutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.4 L’arrangement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.5 Combinaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Probabilité Conditionnelles-Indépendance . . . . . . . . . . . . . . . . . . . . . 11
1.5.1 Probabilité Conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.2 Indépendance des événements . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.3 Théorème du Probabilité Totale et Théorème de BAYES . . . . . . . . 13

2 Variables aléatoires 16
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Less variables aléatoires Discrétes et continues . . . . . . . . . . . . . . . . . . 16
2.2.1 Loi de Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2 Variables aléatoires Discrètes: Loi de probabilité . . . . . . . . . . . . . 17
2.2.3 Variable aléatoire continue: loi de probabilité . . . . . . . . . . . . . . 17
2.2.4 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Espérance Mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.3 Variances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Indépendance et conditionnement . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5 Loi de la somme et du produit . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.1 Loi de la somme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.2 Loi du produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3 Loi de probabilité 23
3.1 Lois discrètes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1 Loi Bernoulli, B(p), avec p ∈]0, 1[. . . . . . . . . . . . . . . . . . . . . 23
3.1.2 Loi Binomiale, B(n, p), avec p ∈]0, 1[, ∀n ≥ 1. . . . . . . . . . . . . . 23
3.1.3 Loi Géométrique, G(p), avec p ∈]0, 1[. . . . . . . . . . . . . . . . . . . . 24
3.1.4 Loi de Poisson, P (λ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2
Probabilité et Statistique [Link]

3.1.5 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.2 Lois à densité usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.1 Loi Uniforme, U ([a, b]), avec a, b ∈ R, a < b. . . . . . . . . . . . . . . . 25
3.2.2 Loi Exponentielle, E(λ), avec λ > 0 un réel. . . . . . . . . . . . . . . 25
3.2.3 Loi Normale (ou loi Gaussienne), N (σ, m), avec m ∈ R, σ > 0 réel. . 26
3.2.4 Loi normale : cas général . . . . . . . . . . . . . . . . . . . . . . . . . . 27

4 Couple de variables aléatoires discrètes 30

4.1 Loi d’un couple de variables aléatoires . . . . . . . . . . . . . . . . . . . . . . 30
4.1.1 Loi conjointe d’un couple de variables aléatoires discrètes . . . . . . . . 30
4.1.2 La Loi marginale d’un couple de variables aléatoires . . . . . . . . . . . 31
4.2 Fonctions de répartition d’un couple de v.a.d.: . . . . . . . . . . . . . . . . . . 32
4.3 La loi conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 Indépendance de variables aléatoires discrètes . . . . . . . . . . . . . . . . . . 32
4.4.1 Cas de deux variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.5 Somme de deux variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . 33
4.5.1 Théorème de transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.5.2 Espérance d’une somme . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.6 Produit de deux variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . 34
4.6.1 Espérance d’un produit . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.7 Variance et covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.7.1 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.7.2 Corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

December 6, 2025
Introduction

La théorie des probabilités ne cesse de se développer pour répondre à de réels besoins aussi
multiples que variés. Les jeux de hasard, les files d’attentes, la fiabilité des systèmes, la prop-
agation d’une épidémie, les télécommunications, les finances ... ont été à l’origine de certains
problèmes mathématiques difficiles dont la théorie des probabilités fournit des solutions totales
ou partielles. Le résultat d’un jet de dé ou d’un scrutin est un exemple simple d’événements
issus d’une expé- rience dont le résultat ne peut être prédit. De tels événements, dépendant du
hasard, sont dits aléatoires et constituent un concept important en théorie des probabilités.

Ce cours a pour but de familiariser l’étudiant avec le raisonnement probabiliste. Par rap-
port à un autre cours de mathématiques, il se distingue par l’ambition de modéliser certains
phénomènes réels. Un modèle mathématiquement correct ne suffirait donc pas toujours, il
faudrait encore que celui-ci corresponde aux observations. Cette partie se divise en deux par-
ties principales : la premi ère concerne les probabilités discrètes et la seconde les probabilités
continues. A ses débuts, la théorie du "calcul des probabilités" a concerné principalement
l’étude et la modélisation des jeux de hasard. les premiers travaux sont attribués à Pascal et
à Fermat (1654) sur des problèmes posés par le Chevalier de Méré, joueur professionnel et
mathématicien amateur. La probabilité est définie comme le nombre de cas favorables sur le
nombre de cas possibles et la solution fait souvent appel au dénombrement.
Imaginons maintenant que je joue une partie de tennis contre un joueur P professionnel. Si
on veut bien avoir l’indulgence d’admettre qu’il y a deux solutions pour le joueur P, il ne parait
pas raisonnable de leur donner la même probabilité. Il faut donc généraliser la notion de proba-
bilité, c’est ce qui est fait au Chapitres 1 . On y définit dans sa plus grande généralité la notion
de probabilité sur un ensemble fini ou dénombrable. C’est la partie "probabilités discrètes".
Dans certaines situations, le cadre théorique précédent est insuffisant, c’est le cas en partic-
ulier quand on s’intéresse à une mesure physique (poids, tension électrique, ...) qui prend ses
valeurs sur R qui n’est malheureusement pas dénombrable. Ce sont alors d’autres techniques
qui sont employées au chapitre 4 qui est consacré à la notion de densité de probabilité et à
l’approximation par la loi normale. C’est la partie "probabilités continues".

Afinn de mettre l’accent sur les problèmes fondamentaux de conditionnement et de modéli-

sation, nous avons réduit à sa plus simple expression le matériel théorique de ce cours. Nous
avons en particulier toujours privilégié la démarche constructive à la démarche axiomatique.

4
Chapter 1

Notions de probabilités

1.1 Définitions
1.1.1 Expérience aléatoire , univers, événement
Définitions.
1. Epreuve déterministe: C’est une épreuve qu’on peut répeter dans les mêmes conditions
et qui donne les mêmes résultats.
Exemple. : Si à différents endroit et un même appareil, on mesure la vitesse de la
lumiére, on trouve(aux erreurs du mesure prés) toujours les mêmes resultats. C’est une
épreuve qu’on peut répeter dans les mêmes conditions et qui donne les mêmes résultats.

2. Epreuve aléatoire: une expérience aléatoire est une expérience renouvelable (en théorie
si ce n’est en pratique), dont le résultat ne peut être prévu à l’avance, et qui, renouvelée
dans des conditions identiques.
3. Univer: Il s’agit d’un ensemble, noté habituellement Ω, dont les éléments correspondent
à tous les résultats possibles de l’expérience aléatoire que l’on cherche à modéliser. On
l’appelle également l’espace des observables, ou encore l’espace échantillon.
Exemple.
(a) Jet un dé, Ω = {1, 2, 3, 4, 5; 6}.
(b) Jet une pièce de monnaie. Ω = {F, P }.
(c) Jet 2 dés.Ω = {(x, y) ∈ {1, 2, 3, 4, 5; 6}}.

Définition. (Événement) un événement lié à une expérience aléatoire est un ensemble dont
les éléments sont des résultats possibles pour cette expérience.
Exemple. en jettant deux dés; Ω = {(x, y) ∈ {1, 2, 3, 4, 5; 6}}.
L’évenement A="La somme de deux faces est égale à 4"={(1, 3), (2, 2), (3, 1)}.
Remarque.
1. Un événement est une partie de Ω.
2. ∅ l’événement qui n’est jamais realisé si un événement impossible.
3. Ω est l’événement qui est réalisé toujours ou événement certain.

5
Probabilité et Statistique [Link]

1.1.2 Opérations sur les événements

Proposition. (Logique des événements)

1. Complémentaire de A: événement constitué des résultats élémentaires de Ω qui ne sont

pas dans A. Soit ω le résultat de l’expérience:

Ā = {ω ∈ Ω, ω ∈
/ A}.

(Ā se réalise si et seulement si A ne se réalise pas: non A).

2. Réunion de A et B: événement constitué des résultats élémentaires de Ω qui appartien-

nent à A ou à B (ou aux deux). Soit ω le résultat de l’expérience:

A ∪ B = {ω ∈ Ω, ω ∈ A ou ω ∈ B}.

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

3. Intersection de A et B: événement constitué des résultats élémentaires de Ω qui appar-

tiennent à A et à B . Soit ω le résultat de l’expérience:

A ∩ B = {ω ∈ Ω, ω ∈ A et ω ∈ B}.

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

4. Disjonction ou incompatibilité: A et B sont disjoints ssi A et B n’ont pas d’éléments

communs:
A et B disjoints ⇔ A ∩ B = ∅.
(A et B incompatibles, càd deux événements qui ne peuvent pas se réaliser simultanément.
A et Ā deux événements incompatible).

Exemple. On jette deux dés. On considère les évènements suivant:A =la somme des points
vaut 6, B =la somme des points est un multiple de , C =avoir au moins un 6. On a alors

A = {(1, 5), (5, , 1), (2, , 4), (4, , 2), (3, , 3)}

B = {(1, 2), (2, 1), (1, 5), (5, 1), (2, 4), (4, 2), (3, 3), (3, 6), (6, 3), (4, 5), (5, 4), (6, 6)}
C = {(1, 6), (6, 1), (2, 6), (6, 2), (3, 6), (6, 3), (4, 6), (6, 4), (5, 6), (6, 5), (6, 6)} .
On a A ⊂ B, A ∩ C = ∅ et C = {n′ avoir aucun 6}.

1.2 Définition et propriétées d’une Probabilité

On se limite dans ce cours à étudier les univers dénombrables. La probabilité d’un événement
est une valeur numérique qui représente la proportion de fois où l’événement va se réaliser,
quand on répète l’expérience dans des conditions identiques.

Définition. Une mesure de probabilité, ou plus simplement une probabilité, est une application
sur l’ensemble Ω
P : A ⊂ Ω −→ [0, 1]
possédant les trois propriétés suivantes:

December 6, 2025
Probabilité et Statistique [Link]

1. 0 ≤ P (A) ≤ 1, pour tout événement A ∈ Ω.

P
2. P (A) = P (ω) pour tout événement de A
ω
P
3. P (Ω) = P (ω) = 1
ω

On dit alors que Ω est muni d’une loi de probabilité P .

Exemple. Que signifie un événement A a pour probabilité..."?

• 0.95 : A va probablement se produire.

• 0.03 : A peu de chance d’être réalisé.

• 4.0 : incorrect.

• -2 : incorrect.

• 0.4: A va se produire dans un peu moins de la moitié des essais.

• 0.5 : une chance sur deux.

• 0 : aucune chance que A soit réalisé.

Les propriétées suivantes d’une probabilité sont des conséquences immédiates de la dé- fini-
tion précédente.

Proposition.

1. P (∅) = 0.

2. Pour tout A ∈ P(Ω), P (Ac ) = 1 − P (A).

3. (Additivité) Pour toutA, B ∈ P(Ω) tels que A ∩ B = ∅, P (A ∪ B) = P (A) + P (B).

4. Pour tout A ⊆ B ∈ A, P (B) ≥ P (A).

5. Pour tout A, B ∈ P(Ω), P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

6. Plus généralement, soient A1 , A2 , · · · , An ∈ P(Ω),

n
[ n
X n
X n
X
P( Ai ) = P (Ai )− P (Ai ∩Aj )− P (Ai ∩Aj ∩Ak )+(−1)n+1 P (A1 ∩A2 ∩· · ·∩An ).
i=1 i=1 1≤i≤j 1≤i≤j≤k

7. Pour toute collection A1 ; A2 · · · An ∈ A,

n
[ n
X
P( Ai ) ≤ P (Ai ).
i=1 i=1

Preuve.

• (Additivité) imméediat d’aprèes le second point de la définition d’une probabilité.

• Comme A et Ac sont incompatibles, 1 = P (Ω) = P (A ∪ Ac ) = P (A) + P (Ac ).

December 6, 2025
Probabilité et Statistique [Link]

• P (∅) = 1 − P (∅c ) = 1 − P (Ω) = 0.

• La technique est très souvent la même pour calculer la probabilité d’une réunion d’ensembles:
on écrit cette réunion comme une union d’ensembles incompatibles, puis on utilise le 1).
Ici, on écrit A ∪ B = A ∪ (B ∩ Ac ) et on obtient: P (A ∪ B) = P (A) + P (A ∪ (B ∩ Ac )).
Puis on écrit B = (B ∩ A) ∪ (B ∩ Ac ) pour déduire P (B) = P (B ∩ A) + P (B ∩ Ac ). En
rassemblant ces deux égalitées, on obtient la proposition.

Signalons une définition plus générale de probabilité, valable pour des espaces des possibles
non dénombrables.

Définition. Soit une expérience aléatoire et Ω l’espace des possibles associé. Une probabilité
sur Ω est une application, définie sur l’ensemble des événements, qui vérifie:

• axiome 1: 0 ≤ P (A) ≤ 1„ pour tout événement A

• axiome 2: pour toute suite d’événements (Ai )i∈N , deux à deux incompatibles,
[ X
P ( Ai ) = P (Ai ).
i∈N i∈N

• axiome 3 : P (Ω) = 1.

1.3 Probabilité sur un ensemble fondamental fini

Définition. (Equiprobabilité). On dit qu’il y a équiprobabilité lorsque Ω est fini, de cardinal n,
et tous les événements simples sont de même probabilité, c’est à dire elles ont la même chance
de se réaliser. Dans ce cas
1 1
P (ω) = = ∀ ω ∈ Ω.
card(Ω) n

la probabilité P sur Ω est dite uniforme.

En effet:
Soit Ω un ensemble fini. Il arrive, comme quand on lance un dé équilibré, que les événe-
ments élémentaires ont tous la même probabilité. On parle alors d’événements élémentaires
équiprobables. Notons p la probabilité de chaque événement élémentaire. Alors
X X
1 = P (Ω) = p(ω) = p = p × card(Ω)
ω∈Ω ω∈Ω

Proposition. lorsqu’il y a équiprobabilité, la probabilité d’un événement A est simplement

donnée par
card(A) N ombre de cas f avorables A
P (A) = = .
card(Ω) N ombre de cas possibles
Exemple. On jette deux dés de couleurs différentes. On note i le résultat du premier dé et j
du second dé. On a donc

Ω = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), · · · , (5, 6), (6, 6)}.

December 6, 2025
Probabilité et Statistique [Link]

Card(Ω) = 36. On munit cet ensemble de la probabilité uniforme;

1
P (ω) = .
36
Soit l’événement A = {le produit des deux résultats qui vaut 6} = {(1, 6), (6, 1), (2, 3); (3, 2)}.
Alors
card(A) 4 1
P (A) = = = .
card(Ω) 36 9

1.4 Quelques résultats combinatoires

Nous allons à présent rappeler certains résultats de combinatoire élémentaires qui sont régulière-
ment utilisés.

1.4.1 Échantillons ordonnés.

Considérons un ensemble de n éléments a1 ; · · · ; an . Un échantillon ordonné de taille r est
une suite ordonnée de r éléments de l’ensemble. Deux procédures sont possibles: le tirage avec
remise, durant lequel chaque élément de l’ensemble peut être choisi à plusieurs reprises, et le
tirage sans remise, durant lequel chaque élément de l’ensemble ne peut être choisi qu’au plus
une fois (dans ce cas, on doit évidemment avoir r ≤ n).

1.4.2 Arbre de dénombrement

Lorsqu’une situation comporte p étapes orant respectivement n1 , n2 , · · · , np possibilités (où
chaque nk ne dépend que de l’étape k), le nombre total d’issues est n1 × n2 × · · · × np . Une
telle situation peut être représentée par un arbre.

Exemple. SoitE = {1, 2, 3, 4}. Dénombrer tous les nombres formés de 3 chiffres distincts
de E et commençant par 1. En effet figure 1.1,

Ω = {123, 124, 132, 134, 142, 143}

Soient E1 , E2 , · · · , En des ensembles finis. On note E = E1 × E2 × · · · × En . Alors on a:

Card(E) = Card(E1 ) × Card(E2 ) × · · · × Card(En ).

1.4.3 Permutation
1. Permutation sans répétition
Définition. une permutation de n éléments distinctse1 , · · · , en est un réarrangement ordonné,
sans répétition de ces n éléments.
Le nombre de permutations de n éléments distincts est

n! = n(n − 1) · · · 1.

Exemple. "a", "b" et "c" sont trois éléments. Les arrangements possibles sont abc, acb, bac,
bca, cab, cba. Le nombre de permutation est donc 3! = 6.

December 6, 2025
Probabilité et Statistique [Link]

2. Permutation avec répétition

Définition. Lorsqu’un objet peut être observé plusieurs fois dans un arrangement, le nombre
de permutations possibles des n objets doit être rapporté aux nombres de permutations des k
objets identiques.
n!
Pn = .
k!
Exemple. Considérons le mot «CELLULE». Le nombre de mots possibles (avec ou sans
signification) que l’on peut écrire en permutant ces 7 lettres est :

7!
P7 = = 420 mots possibles.
2!3!

1.4.4 L’arrangement
1. Arrangement sans répétition
Définition. Un arrangement sans est une permutation de k éléments pris parmi n éléments
distincts (k ≤ n). Les éléments sont pris sans répétition et sont ordonnés.
Le nombre de permutations de k parmi n est noté

• 0 si k > n.
n!
• Akn = si k ≤ n.
n − k!
Exemple. Les arrangements de 2 éléments pris dans {1, 2, 3, 4} sont

{1, 2}, {1, 3}, {1, 4}, {2, 1}, {2, 3}, {2, 4}, {3, 1}, {3, 2}, {3, 4}, {4, 1}, {4, 2}, {4, 3}.

Il y en a 12. ou bien le nombre d’arrangement

4!
A24 = .
4 − 2!

2. Arrangements avec répétitions

Définition. Lorsqu’un objet peut être observé plusieurs fois dans un arrangement, le nombre
d’arrangement avec répétition de k objets pris parmi n, est alors:

Akn = nk ave k ≤ k ≤ n.

Exemple. Construire un chiffre de 2 chiffres avec répétition pris dans {1, 2, 3} sont

{1, 2}, {1, 3}, {2, 1}, {2, 3}, {3, 1}, {3, 2}, {1, 1}, {2, 2}, {3, 3}.

Il y en a 9. ou bien le nombre d’arrangement avec répétition

A23 = 32 .

Remarque. Quand p = n On retrouve le nombre de permutations (sans répétition) de n objets

distincts n!.

December 6, 2025
Probabilité et Statistique [Link]

1.4.5 Combinaison
1. Combinaison sans répétition
Définition. Une combinaison de k éléments pris dans un ensemble à n éléments distincts est
un sous-ensemble à k éléments de cet ensemble. Les éléments sont pris sans répétition et ne
sont pas ordonnés.
Le nombre de combinaisons de k parmi n est noté
n!
Cnk = .
(n − k)!k!
qui est appelé coefficient binomial.
Exemple. les combinaisons de 2 éléments pris dans {1, 2, 3, 4} sont {1, 2}, {1, 3}, {1, 4},
{2, 3}, {2, 4}, {3, 4}. Il y en a C42 = 6.

2. Combinaison avec répétition

Définition. Un échantillon non ordonné avec répétitions de taille k sur Ω ou le nombre de
combinaisons avec répétitions de taille k sur Ω est une liste de k éléments de Ω non ordonné
et non nécessairement distincts.
Le nombre d’échantillon non ordonné avec répétitions de taille k sur Ω est

k (n + k − 1)!
Cn+k−1 = .
(n − 1)!k!

1.5 Probabilité Conditionnelles-Indépendance

1.5.1 Probabilité Conditionnelles
On jette deux dés distincts. On a

Ω = {(1, 1), (1, 2), ..., (5, 6), (6, 6)} .

On a donc 36 événements élémentaires qui ont chacun la même probabilité d’apparaître, soit
1/36. On veut connaître la probabilité de l’événement A: "la somme des dés vaut 8". On
remarque que

A = {(2, 6), (6, 2), (3, 5), (5, 3), (4, 4)} , P (A) = 5/36.

Maintenant on cherche toujours la même probabilité P (A), mais on sait déjà que le premier
dé donne un 3. On note B l’événement: "le premier dé vaut 3". Que vaut alors la probabilité
que B sachant que le premier dé vaut 3? La probabilité recherchée est appelée probabilité
conditionnelle de A sachant B .
Définition. Soient P une probabilité sur un ensemble Ω, A et B deux événements. On suppose
que l’événement B étant de probabilité non nulle. La probabilité de l’événement A sachant que
l’événement B est réalisé est notée pB (A) (ou aussi p(A \ B)). Elle est donnée par la formule
P (A ∩ B)
P (A \ B) = .
P (B)
On dit aussi probabilté de A si B est vraie.

December 6, 2025
Probabilité et Statistique [Link]

Exemple. On jette un dé deux fois de suite. Quelle est la probabilité d’obtenir un total in-
férieur à 5 sachant que l’on a obtenu 2 au premier jet? Soit Ω l’ensemble des rśultats, alors
Ω = {(i, j), i, j ∈ {1, 2, 3, 4, 5, 6}}.
Ainsi card(Ω) = 36. Soit A = {l’événement obtenir 2 au premier jet}
Alors
A = {(2, 1), (2, 2), (2, 3), 2, 4), 2, 5), 2, 6)},
alors card(A) = 6 et
6 1
P (A) = =
36 6
Soit
B = {l’événement "la somme des deux nombres obtenus est inférieure à 5"}
B = {(1, 1), (1, 2), (1, 3), (2, 1), (2, 2), (3, 1)}, B ∩ A = {(2, 1), (2, 2)}, Card(A ∩ B) = 2.
Alors
card(A ∩ B) 2 1
P (A ∩ B) = = =
card(Ω) 36 18
P (B ∩ A) 1
La probabilité cherchée est: P (B/A) = = .
P (A) 3

1.5.2 Indépendance des événements

Définition. Soient A et B deux événements. A et B sont indépendants si et seulement si
p(A ∩ B) = p(A) × p(B).
La réalisation de l’un des événements ne modifie pas la réalisation de l’autre événement.
Exemple. On lance deux fois un dé cubique.
Ω = {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6} et Card(Ω) = 36.
• A1 : "Le premier nombre obtenu est pair"= {2, 4, 6} × {1, 2, 3, 4, 5, 6}.
• A2 : "Le deuxième nombre obtenu est impair"= {1, 2, 3, 4, 5, 6} × {1, 3, 5}.
On Card(A1 ) = 18, Card(A2 ) = 18, A1 ∩ A2 = {2, 4, 6} × {1, 3, 5}. On a
Card(A1 ) 1 Card(A2 ) 1
P (A1 ) = = , P (A2 ) = =
Card(Ω) 2 Card(Ω) 2
et
Card(A1 ∩ A2 ) 1 1
P (A1 ∩ A2 ) = = , P (A1 ) × P (A2 ) = .
Card(Ω) 4 4
Ainsi les deux événements sont indépendants.
Définition. (Independances mutuelle de n événements)
Soient n événements A1 , · · · , An associés à une même expérience aléatoire. On dit que les
événements A1 , · · · , An sont mutuellement indépendants si pour toute sous-famille Ai1 , · · · , Aik
avec 1 ≤ i1 < · · · < ik ≤ n, on a :
P (Ai1 ∩ · · · ∩ Aik ) = P (Ai1 ) × · · · × P (Aik ).
Remarque. L’indépendance mutuelle implique évidemment l’indépendance deux à deux et la
réciproque est fausse .

December 6, 2025
Probabilité et Statistique [Link]

1.5.3 Théorème du Probabilité Totale et Théorème de BAYES

Définition. Soit (Ai )i∈I une famille d’événements. On l’appelle partition de Ω si elle vérifie
les deux conditions:

•
S
Ai = Ω.
i∈I

• Les Ai sont deux à deux incompatibles: pour tous i ̸= j, Ai ∩ Aj = {∅}.

Théorème. (Probabilité Totale généralisée)

Soient B, un événement de probabilité non nulle; et A1 , · · · , Ap , des événements qui forment
une partition de l’ensemble fondamental de tous les résultats possibles. Alors,
p p
X X
P (B) = P (B ∩ Ai ) = P (B|Ai )P (Ai ).
i=1 i=1

Le Théorème de BAYES permet de terminer la probabilité pour un événement qui est sup-
posé déja realisé soit dût a une certaine cause qu’à une autre.

Théorème. ((Formule de Bayes généralisée)

Soient B, un événement de probabilité non nulle; et A1 , · · · , Ap , des événements qui forment
une partition de l’ensemble fondamental de tous les résultats possibles. Alors,

P (Aj ) × P (B|Aj )
P (Aj |B) = p .
P
P (Ai ) × P (B|Ai )
i=1

Exemple. Trois machines A, B et C produisent respectivement 60%, 30% et 10% de la pro-

duction des pièces d’une entreprise. La machine A (respectivement B et C) produit 2% (re-
spectivement 3% et 4%) d’objets défectueux.

1. On choisit une pièce au hasard à la sortie de l’usine. Calculez la probabilité de l’événement:

"La pièce est défectueuse".

2. On choisit une pièce au hasard à la sortie de l’usine et on voit qu’elle est défectueuse.
Calculez la probabilité de l’événement: "Cette pièce a été fabriquée par la machine B

En effet:

1. Ici le hasard intervient à deux niveaux, le choix de la machine et la conformité de la pièce.

{M A, M B, M C} forme un système complet d’événements où M A (respectivement M B
et M C ) est l’événement "la pièce est fabriquée par A (respectivement par B et C)". Si
T est l’événement "la pièce est défectueuse", on a l’égalité

p(T ) = p(T ∩ M A) + p(T ∩ M B) + p(T ∩ M C)

= p(T /M A)p(M A) + p(T /M B)p(M B) + p(T /M C)p(M C) .
= 0.02 × 0.6 + 0.03 × 0.3 + 0.04 × 0.1 = 0.025

2. On cherche la probabilité de l’événement B/T . On connait

p(B ∩ T ) p(T /B)p(B) 0.03 × 0.3

p(T /B) = = = = 0.36.
p(B) p(T ) 0.025

December 6, 2025
Probabilité et Statistique [Link]

Exercice 1. Deux opérateurs de saisie, A et B, entrent respectivement 100 et 200 tableaux sur
informatique.

• Les tableaux de A comportent des fautes dans 5, 2% des cas

• et ceux de B dans 6, 7% des cas.

On prend un tableau au hasard. Il comporte des fautes. Quelle est la probabilité pour que A se
soit occupé de ce tableau?

Exercice 2. On considère deux urnes.

• La première contient quatre boules noires et deux blanches,

• la seconde deux noires et quatre blanches.

On choisit une urne au hasard, on tire simultanément trois boules sans remise. Donner la
probabilité de tirer une troisième boule noire sachant que l’on a déjà tiré deux boules noires
avant.

Proposition.

• Soient A et B deux évenements non impossibles. Si A et B sont disjoints, alors A et B

ne sont pas indépendants.

• Si A et B sont indépendants alors A et B c le sont aussi.

(Démonstration en TD).

December 6, 2025
Probabilité et Statistique [Link]

TD1: Notion de probabilité

Exercice 3. Dans une usine, on utilise conjointement deux machines M1 et M2 pour fabriquer
des pièces cylindriques en séerie. Leurs probabilités de tomber en panne sont respectivement
0, 01 et 0, 008. De plus la probabilité de l’événement ’la machine M2 est en panne sachant que
M1 est en panne" est égale à 0, 4.

1. Quelle est la probabilité d’avoir les deux machines en panne au même moment?

2. Quelle est la probabilitée d’avoir au moins une machine qui fonctionne?

Exercice 4. Soit P une probabilité sur un ensemble Ω et deux événements A et B. On suppose

que
P (A ∪ B) = 7/8, P (A ∩ B) = 1/4, P (A) = 3/8.
Calculer P (B), P (A ∩ B c ), P (B ∩ Ac ).

Exercice 5. Supposons que 23 personnes sont dans une même salle. Quelle est la probabilité
qu’au moins deux d’entre elles aient l’anniversaire le même jour? (On ne considérera pas les
années bissextile).

Exercice 6. Lors d"une loterie, 300 billets sont vendus aux enfants de l’école; 4 billets sont
gagnants. J’achète 10 billets, quelle est la probabilité pour que je gagne au moins un lot?

Exercice 7. Supposons que les faces d’un dé sont truquées de telle manière que les numéros
impairs ont chacun la même chance d’apparaitre, chance qui est deux fois plus grande que
pour chacun des numéros pairs. On jette le dé. Quelle est la probabilité d’obtenir un nombre
supérieur ou égal à 4?

Exercice 8. Dans une usine, on utilise conjointement deux machines M1 et M 2 pour fabriquer
des pièces cylindriques en série. Pour une période donnée, leurs probabilités de tomber en panne
sont respectivement 0, 01 et 0, 008. De plus la probabilité de l’événement "la machine M2 est
en panne sachant que M1 est en panne" est égale à 0, 4.

1. Quelle est la probabilité d’avoir les deux machines en panne au même moment ?

2. Quelle est la probabilité d’avoir au moins une machine qui fonctionne?

Exercice 9. Parrmi les étudiants d’un lycée, 40% suivent l’option A1 , 30% suivent l’option A2
et 30% suivent l’option A3 . Chaque étudiant suive une seule option. La proportion d’étudiants
qui n’ont pas la moyenne dans l’option A1 est de 10%, dans l’option A2 de 5% et dans l’option
A3 de 5%. On choisit un étudiant au hasard.

1. Calculer la probabilité qu’il n’ait pas la moyenne.

2. Sachant qu’il n’a pas la moyenne, calculer la probabilité a posteriori qu’il ait suivi l’option
A1 , A2 ou A3 .

Exercice 10.

1. Soient A et B deux évenements non impossibles. Si A et B sont disjoints, alors A et B

ne sont pas indépendants.

2. Si A et B sont indépendants alors A et B c le sont aussi.

December 6, 2025
Chapter 2

Variables aléatoires

2.1 Introduction
La notion de variable aléatoire est la formulation mathématique qui assigne des valeurs aux
résultats d’une expérience aléatoire.
Définition. Une variable aléatoire (v.a) X est une fonction de l’ensemble fondamental Ω à
valeurs dans R,
X : Ω → ∆ ∈ R.
w → X(w)
Parmi les cas les plus fréquent, on a
1. Cas Discret: ∆ = {x1 , x2 , · · · , xn } cas finie.
2. Cas Continue: ∆ =]a, b[.
Exemple. On lance trois fois une pièce et on s’intéresse au nombre X de fois ou PILE appa-
raît. Il y a deux manières de formaliser cette phrase. À chaque valeur de X, on associe des
événements de Ω. Ainsi,
valeurs de X 0 1 2 3
événement {F F F } {P F F, F F P, F P F } {P P F, P F P, F P P } {P P P }
On peut d’emblée observer que les événements (X = 0), (X = 1), (X = 2) et (X = 3) sont
deux à deux disjoints, de plus ∪k (X = k) = Ω.
Proposition. Soient X et Y deux v.a sur Ω et λ ∈ R, alors:
X + Y, λX, XY, X − Y, sup(X, Y ) et inf (X, Y )
sont des v.a sur Ω.

2.2 Less variables aléatoires Discrétes et continues

On distingue deux types de v.a:
• Si X(Ω), l’ensemble des possibilités, est fini ou dénombrable, on dit que X est une v.a
discrète c’est à dire, X ne prend que des valeurs numériques isolées.
• Si X(Ω), l’ensemble des possibilités, est un interval ou une réunion d’intervalles de R,
on dit que X est une v.a continue.

16
Probabilité et Statistique [Link]

2.2.1 Loi de Probabilité

La loi de probabilité d’une variable aléatoire permet de connaitre les chances d’apparition des
différentes valeurs de cette variable. On se place sur l’espace de probabilité (Ω, P ).

Définition. On appelle loi de probabilité d’une V.a X définie sur un ensemble fondamental
Ω; la donnée des probabilité P (X ∈ E) pour tout interval E ∈ R ou

P (X ∈ E) = {ω ∈ Ω; X(ω) ∈ E} = X −1 (E).

2.2.2 Variables aléatoires Discrètes: Loi de probabilité

Définition. une variable aléatoire qui ne prend que des valeurs ponctuelles ("isolées"). Si X
est à valeurs discrétes dans {x1 , · · · , xn } (ou {x1 , · · · , xn , · · · }), la loi de X est entièrement
caractérisée par {P (X = xi ), i ≥ 1}.

On remarque que

1. pour tout i ≥ 1, P (X = xi ) ∈ [0, 1],

P
2. P (X = xi ) = 1.
i≥1

Exemple. nous avons déjà la liste de tous les événements élémentaires et ils sont équiprobables,
de probabilité 1/8. D’après la composition des événements [X = k], pour k = 0, · · · , 3, on
peut déduire facilement la loi de X.
valeurs de X 0 1 2 3
événement {F F F } {P F F }, {F F P }, {F P F } {P P F, P F P, F P P } {P P P }
probabilité 1/8 3/8 3/8 1/8

2.2.3 Variable aléatoire continue: loi de probabilité

Une variable aléatoire continue est une variable aléatoire dont l’ensemble des valeurs est R
ou une réunion d’intervalles de R. Une variable aléatoire X est à densité, ou continue, est
toujours définie par une fonction f définie sur R, appelé fonction de densité. où f est une
fonction intégrable sur R satisfaisant les conditions suivantes:

1. f (t) ≥ 0 pour tout t ∈ R,

R +∞
2. −∞ f (t)dt = 1.

Exemple. Soit la fonction définie par

( 1
si x ∈ [a, b]
f (x) = b−a
0 sinon

est une fonction densité

Remarque. Soit X une variable aléatoire à densité. Alors pour tout

x ∈ R, P (X = x) = 0.

December 6, 2025
Probabilité et Statistique [Link]

2.2.4 Fonction de répartition

Définition. Soit X une variable aléatoire. La loi de probabilité de X est définie par la fonction
FX , appelée fonction de répartition de la variable X, définie par

FX : R → [0, 1]
x → P (X ≤ x).

On dit que deux variables aléatoires X et Y ont la même loi si elles ont la même fonction
de répartition FX = FY .

Remarque. Soit a ≤ b, on a P (X ∈ [a, b]) = P (X ≤ b) − P (X < a).

Proposition.

1. La fonction de répartition d’une variable discréte est constante par morceaux. Si X est
une variable discréte à valeurs dans {x1 , · · · , xn } avec x1 < · · · < xn alors pour x ∈ R
k
X
FX (x) = P (X ≤ x) = P (X = xi ), xk ≤ x < xk+1 .
i=1

2. Soit X une variable aléatoire à densité f . La fonction de répartition de X s’écrit

Z x
∀x ∈ R; FX (x) = P (X ≤ x) = f (t)dt.
−∞

Exemple.
X est le nombre de Face quand on lance trois fois une pièce. On a vu que la loi de X est

P [X = 0] = 1/8, P [X = 1] = P [X = 2] = 3/8, P [X = 3] = 1/8.

D’où,


 0 si x<0
 1/8 si 0≤x<1


FX (x) = 4/8 si 1≤x<2
7/8 si 2≤x<3




1 si x≥3


Pour une v.a. discrète, la fonction de répartition est une fonction en escalier, avec un saut
en chaque valeur k de X(Ω) et la hauteur de ces sauts est la probabilité P (X = k).

Proposition. Soit X une v.a admettant une densité f et soit F sa fonction de répartition.
Alors:

• F est continue sur R.

• F est dérivable en tout point x0 où f est continue et on a

F ′ (x0 ) = f (x0 ).

December 6, 2025
Probabilité et Statistique [Link]

2.3 Moments
2.3.1 Espérance Mathématique
Une fois la loi d’une v.a. établie, on peut calculer, comme pour une série statistique, un
indicateur de position (l’espérance) et un indicateur de dispersion (la variance).

Définitions. L’espérance d’une variable aléatoire X est notée E[X]. Elle représente la
valeur moyenne prise par la variable X.

1. Si X est une variable discréte à valeurs dans ∆ = {x1 , · · · , xn }, son espérance est
k
X
E[X] = x1 P (X = x1 ) + · · · + xn P (X = xn ) = xi P (X = xi ).
i=1

2. Si X est une variable discréte à valeurs dans ∆ = {xi , i ≥ 1}, son espérance est
∞
X
E[X] = xi P (X = xi ).
i=1

3. Si X est une variable à densité f , lorsque l’intégrale est bien définie, son espérance est
Z +∞
E(X) = xf (x)dx.
−∞

Lorsqu’une variable X vérifie E[X] = 0, on dit que la variable est centrée.

Un résultat remarquable permet de calculer facilement l’espérance d’une fonction de X

connaissant la loi de X: c’est le théorème du transfert.

Théorème. Pour toute fonction g,

X
E[g(X)] = g(k)P [X = k].
k

Exemple. nous avons la loi du nombre X de PILE quand on lance trois fois une pèce.
3
X 1 3 3 1 3
E[X] = kP [X = k] = 3. + 2. + 1. + 0. =
k=0
8 8 8 8 2

Proposition.

1. L’espérance est linéaire : soient a et b ∈ R, deux variables aléatoires X et Y d’espérance

finie alors
E[aX + bY ] = aE[X] + bE[Y ].

2. Si X ≤ 0, alors E[X] ≤ 0.

3. Si X ≤ Y , alors E[X] ≤ E[Y ].

December 6, 2025
Probabilité et Statistique [Link]

2.3.2 Moments
Définition. Soit X une v.a. On appelle moment d’ordre k (k ≥ 1) de la v.a X, l’espérance
mathématique de la v.a X k
mk = E(X k ).

2.3.3 Variances
Définition. La variance mesure ainsi la déviation moyenne autour de la moyenne espérée
E[X], et est définie par
V ar(X) = E(X − E(X))2 ,

Remarque. La variance s’écrit aussi V ar(X) = E(X 2 ) − E(X)2 .

Proposition.

1. V ar(X) = 0 ssi X est constante.

2. Soient a et b ∈ R, alors V ar(aX + b) = a2 V ar(X).

Définition. Pour mesurer la dispersion d’une variable aléatoire X, on considère souvent en

statistiques l’écart-type, lié à la variance par:
p
σX = V ar(X).

L’espérance d’une v.a. est la moyenne des valeurs que peut prendre X, pondérée par les
probabilités de ces valeurs. On appelle souvent l’espérance tout simplement moyenne de X:
elle correspond à une valeur moyenne autour de laquelle sont réparties les valeurs que peut
prendre X. L’écart-type (ou la variance) mesure la dispersion de la v.a. X autour de sa valeur
moyenne E[X].
L’espérance et sa variance ne dépendent de X qu’à travers sa loi: deux variables qui ont même
loi ont même espérance, même variance.

Exemple. Pour la loi du nombre X de PILE quand on lance trois fois une pèce. La variance
de X est égale à:
3
V ar(X) = E[X 2 ] − E[X]2 = k 2 P [X = k] − E[X]2
P
k=0  2
1 2 3 2 3 2 1 3
= 32 . + 2 . + 1 . + 0 . −
8 8 8 8 2
3
=
4
Exercice 11. La loi de probabilité d’une variable aléatoire X est donnée par le tableau suivant:
xi 1 2 3 4 5 6
P (X = xi ) a 2a 3a 3a 2a a

1. A quelle(s) condition(s) sur a ce tableau définit bien une loi de probabilité?

2. Calculer P (X ≤ 3) et P (X > 4).

3. Calculer l’espérance et la variance de X.

December 6, 2025
Probabilité et Statistique [Link]

0  si x < −1 ou x > 0
Exercice 12. On considère la fonction f définie par: f (x) = x + 1 si x ∈ [−1; 0]
−x + 1 si x ∈ [0; 1]


1. Montrez que f est une densité de probabilité d’une variable aléatoire X.

2. Déterminez la fonction de répartition de X, on la note F .

3. Écrivez en fonction de F puis calculer p(X < −0, 5); p(0, 5 ≤ X ≤ 0, 5), p(X > 0, 25).

4. Montrez que X admet une espérance et une variance que l’on déterminera.

2.4 Indépendance et conditionnement

Définition. On dit que deux variables aléatoires X et Y sont indépendantes, si et seulement
si pour tous les 1 ≤ i ≤ m et les 1 ≤ j ≤ n,

p(i, j) = p(i) × q(j),

c’est à dire
P (X = xi et Y = yj ) = P (X = xi )P (Y = yj ).
Attention! Si X et Y ne sont pas indépendantes, connaître la loi de X et celle de Y ne
suffit pas pour connaître la loi de (X, Y ), qui est la donnée, pour tous i et j, de

P [(X, Y ) = (i, j)] = P [X = i, Y = j].

Définition. (La loi conditionnelle):

La loi conditionnelle de X sachant Y = j est la loi de la variable Z définie par

∀i ∈ X(Ω), P [Z = i] = P[Y =j] [X = i].

On définit de même les lois conditionnelle de Y sachant X = i.

P ([X = i] ∩ [Y = j])
P [Z = i] = P[Y =j] [X = i] = .
P [Y = j]
Proposition. (La formule des probabilités totales) Soient X et Y deux v.a.. Pour tout i ∈
X(Ω), X
P [X = i] = P [X = i/Y = j]P [Y = j].
j∈Y (Ω

Preuve. : on peut appliquer la formule des probabilités totales car les événements {[Y = j]}j
forment une partition de Ω.

2.5 Loi de la somme et du produit

2.5.1 Loi de la somme
Définition. Soient X et Y deux v.a. La loi de X + Y est définie par:
X X
P (X + Y = z) = P ((X = x) ∩ (Y = z − x)) = P ((X = z − y) ∩ (Y = y))
x∈X(Ω) y∈Y (Ω)

December 6, 2025
Probabilité et Statistique [Link]

Si X et Y sont indépendantes, alors

P
P (X + Y = z) = P ((X = x) ∩ (Y = z − x))
x∈X(Ω))
P
= P ((X = z − y) ∩ (Y = y))
y∈Y (Ω)

Exemple. On lance deux dés équilibrés et on note X et Y les deux chiffres obtenus. Soit
Z = X + Y . Quelle est la loi de Z ?
On a Z(Ω) = {2, 3, 4, · · · 12}. les événements {X = i}, pour (1 ≤ i ≤ 6), forment une partition
de Ω. Alors, en utilsant le théorème des probabilités totales, on obtient
6
P
P [Z = j] = P [Z = j/X = i]P [X = i]
i=1
6
1X
= P [X + Y = j/X = i]
6 i=1
6
1X
= P [Y = j − i/X = i]
6 i=1
6
1X
= P [Y = j − i]
6 i=1

La dernière égalité vient du fait que X et Y sont indépendants. Il suffit maintenant de se

1
rappeler que P [Y = k] = seulement si k est dans {1, 2, · · · , 6}.
6
Théorème.

1. Pour toutes v.a. X et Y , E[X + Y ] = E[X] + E[Y ].

2. Si X et Y sont indépendantes, V ar(X + Y ) = V ar(X) + V ar(Y ).

2.5.2 Loi du produit

Soient Xet Y deux v.a. La loi de X × Y est définie par

Définition. Soient X et Y deux v.a. La loi de X × Y est définie par:

X
P (X × Y = z) = P ((X = x) × (Y = y))
x×y=z∈X(Ω)×Y (Ω)

December 6, 2025
Chapter 3

Loi de probabilité

3.1 Lois discrètes usuelles

3.1.1 Loi Bernoulli, B(p), avec p ∈]0, 1[.
Une variable aléatoire X de Bernoulli est une variable qui ne prend que deux valeurs: l’échec
(au quel on associe la valeur 0) et le succés (auquel on associe la valeur 1) d’une expérience.
Cette expérience est appelée épreuve de Bernoulli. Par exemple, on souhaite savoir si une
cellule est atteinte par un virus. On associe la valeur 1 si elle est atteinte (succés) et la valeur
0 si elle est saine (échec). La loi est donnée par:

P (X = 1) = p; P (X = 0) = 1 − p.

On dit alors que Y suit une loi de Bernoulli de paramètre p, notée B(p). La v.a. Y a pour
espérance p et pour variance p(1 − p). En effet,

E[Y ] = 0 × (1 − p) + 1 × p = p

et
V ar(Y ) = E[Y 2 ] − E[Y ]2 = 02 × (1 − p) + 12 × p − E[Y ]2 = p(1 − p).

3.1.2 Loi Binomiale, B(n, p), avec p ∈]0, 1[, ∀n ≥ 1.

Schéma de Bernoulli :

1. Chaque épreuve a deux issues: succés [S] ou échec [E].

2. Pour chaque épreuve, la probabilité d’un succées est la même, notons P (S) = p et P (E) =
q = 1 − p.

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

On note X le nombre de succés obtenus à l’issue des n épreuves d’un schéma de Bernoulli.
Alors on dit que X suit une loi binomiale de paramètres (n, p), notée B(n, p). Cette loi est
donnée par: On a

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

23
Probabilité et Statistique [Link]

Proposition. Si X est une v.a. de loi B(n, p), l’espérance de X vaut E(X) = np et sa
variance V ar(X) = np(1 − p).
Exemple. Un nouveau traitement résout le problème de fragilité d’un matériel dans 50% des
cas. Si on essaye sur 15 objets, quelle est la probabilité pour qu’au plus 6 de ces objets soient
résistants, pour que le nombre d’objets résistants soit compris entre 6 et 10,
On suppose que les résultats concernant les 15 objets sont indépendants. Soit X le nombre
d’objets résistants à la suite du nouveau traitement. Alors X suit une loi B(15, 0 : 5) et On a
la probabilité qu’un objet soit résistant est p = 0.5, alors
• la probabilité pour qu’au plus 6 de ces objets soient résistants:
P [X ≤ 6] = P [X = 0] + P [X = 1] + · · · + P [X = 6]
= C1 50 (0.5)0 (1 − 0.5)15 + C1 51 (0.5)1 (1 − 0.5)14 + · · · + C1 50 (0.5)6 (1 − 0.5)9
= 0.304.

• La probabilité le nombre d’objets résistants soit compris entre 6 et 10,

P [6 ≤ X ≤ 10] = P [X = 6] + P [X = 7] + P [X = 8] + P [X = 9] + P [X = 10] = 0.790.

3.1.3 Loi Géométrique, G(p), avec p ∈]0, 1[.

Au lieu de réaliser un nombre fixé d’essais lors d’un schéma de Bernoulli, l’expérimentateur
s’arrête au premier succés. La valeur qui nous intéresse est le nombre d’essais effectués jusqu’au
premier succés inclus. Le nombre de succés est donc fixé `‘a 1, mais le nombre d’essais total Y
est aléatoire et peut prendre n’importe quelle valeur entière supérieure ou égale à 1. De plus:
P (X = k) = p(1 − p)k−1 , avec k ∈ N, k ≥ 1.
Proposition. Soit X une variable aléatoire qui suit la loi géométrique G(p). L’espérance et
la variance de X sont:
E(X) = 1/p, V ar(X) = (1 − p)/p2
Exercice 13. On lance une pièce truquée jusqu’à ce qu’on obtienne une fois "Pile". On note p
la probabilité de tomber sur "Pile". On veut connaitre la probabilité d’avoir "pile" au premier
lancer, au deuxième, ..., au kième lancer, .... On note X le nombre de lancers nécessaires pour
avoir un succès. P (succes) = 21 = p.
• X = 1 −→ w1 = {P ile}, alors P (x = 1) = p.
• X = 2 −→ w2 = {(F ace, pile)}, alors P (x = 2) = p(1 − p).
• X = 3 −→ w3 = {(F ace, F ace, pile)}, alors P (x = 3) = p(1 − p)2 .
• X = k −→ w3 = {(F ace, F ace, · · · , F ace, pile)}, alors P (x = k) = p(1 − p)k−1 .
| {z }
k−1 f ois

3.1.4 Loi de Poisson, P (λ)

La loi de Poisson est aussi appelé la Loi des évenements rares. Une v.a. X de loi de Poisson
de paramètre λ, notée P (λ), vérifie
λk
P [X = k] = exp(−λ)¸ , ∀ k ∈ N.
k!
L’espérance et la variance de X sont égales λ.

December 6, 2025
Probabilité et Statistique [Link]

3.1.5 Loi uniforme

La loi uniforme est la loi de l’absence d’information. Supposons qu’une v.a. X prenne les
valeurs 1, 2, · · · , n, mais que nous n’ayons aucune idée de la loi de probabilité de X. Dans ce
cas, après justiffication, on peut affecter à chaque valeur le même poids: 1/n. Et
1
∀ k = 1, · · · , n, P [X = k] =
n
n+1 (n+1)(n−1)
On montre facilement que E[X] = 2
, et V ar(X) = 12
.

3.2 Lois à densité usuelles

On utilise des v.a. discrètes pour compter des événements qui se produisent de manière aléa-
toire, et des v.a. continues quand on veut mesurer des grandeurs "continues" (distance, masse,
pression...).

3.2.1 Loi Uniforme, U ([a, b]), avec a, b ∈ R, a < b.

Cette loi est l’analogue continu de l’équiprobabilité dans le cas discret. Elle permet de modéliser
le tirage d’un nombre aléatoire dans l’intervalle [a, b].

Définition. Soit X une v.a à densité, sa fonction de denité f :

( 1
si x ∈ [a, b]
f (x) = b−a
0 sinon
Remarque: on vérifie facilement que f est une densité. La fonction de répartition F de
X est donnée par : Densité :

 0
 x− si x<a
a
FX (x) = si x ∈ [a, b]
 b−a

1 si x>b
Proposition. Soit X une v.a à densité, alors L’espérance et la variance de X :

a+b (b − a)2
E(X) = , V ar(X) = .
2 12
Exercice: Soit X de loi uniforme sur [0, 10]. Calculer P [X < 3], P [X > 6], P [3 < X <
8].

3.2.2 Loi Exponentielle, E(λ), avec λ > 0 un réel.

Cette densité de probabilité permet en général de modéliser des durées de vie d’êtres non soumis
au vieillissement (par exemple, la durée de vie d’une bactérie) ou des temps d’attente (par
exemple, le temps d’attente entre deux signaux synaptiques).
 −λx
λe si x ≥ 0
f (x) =
0 si x < 0
La v.a. X de loi E(λ) ne prend que des valeurs positives. Elle est utilisée dans de nom-
breuses applications:

December 6, 2025
Probabilité et Statistique [Link]

• durée de fonctionnement d’un matériel informatique avant la première panne,

• désintégration radioactive,
• temps séparant l’arrivée de deux clients dans un phénomène d’attente (guichet, accès à
un serveur informatique, arrivée d’un accident du travail...).
Proposition. La fonction de répartition de la loi E(λ) est égale à

0 si x < 0
FX (x) = −λx
1−e si x ≥ 0
De plus,
1 1
E(X) = , var(X) = 2
λ λ
Proposition. Pour tous réels k et h positifs, la probabilité conditionnelle qu’une variable aléa-
toire X soit supérieure à k + h sachant que X est supérieure à k est égale à la probabilité que
X soit supérieure à h.
P(X>k) (X > k + h) = P (X > h).
Exercice 14. A un standard téléphonique, on entend "Votre temps d’attente est estimé à 5
minutes".
Ce temps d’attente en minute, noté T , est une variable aléatoire qui suit une loi exponentielle.
Vous avez déjà attendu plus d’une minute. Quelle est la probabilité d’attendre plus de 10
minutes au total?

3.2.3 Loi Normale (ou loi Gaussienne), N (σ, m), avec m ∈ R, σ > 0
réel.
La loi Normale est une loi centrale dans la théorie des probabilités. Elle est notamment très
utilisée en statistique. Une grandeur influencée par un grand nombre de paramètres indépen-
dants est souvent modélisée par une loi normale (par exemple, les erreurs de mesures lors d’une
expérience).
Définition. Une v.a. X suit une loi normale La loi normale centré réduite N (0, 1), si sa
densité f est donnée par
x2
1 −
f (x) = √ e 2 , avec x ∈ R.
2π
La courbe de la densité de la loi normale N (0, 1) porte le nom de "courbe en cloche".
Elle tend vers 0 en l’infini, est croissante sur R, puis décroissante. Elle admet donc un maxi-
mum en 0. On peut voir aussi qu’elle est symétrique, de centre de symétrie 0.
Proposition. La v.a. X est centrée, c’est-à-dire de moyenne nulle, et réduite, c’est- à-dire de
variance 1. De plus, −X suit encore une loi normale centrée réduite.
Utilisation des tables

Pour calculer P [a ≤ X ≤ b] ou P [X ≤ x], on a recours au calcul numérique sur ordina-

teur ou, plus simplement, à une table qui donne P [X ≤ x] pour tout décimal positif x à deux
chiffres après la virgule. Puis il faut remarquer que
P [a ≤ X ≤ b] = P [X ≤ b] − P [X ≤ a]

December 6, 2025
Probabilité et Statistique [Link]

puis on lit les probabilités dans la table si a et b sont positifs. Pour trouver P [X ≤ −x] quand
x > 0, on utilise le fait que X et −X ont même loi :

P [X ≤ −x] = P [−X ≥ x] = P [X ≥ x] = 1 − P [X ≤ x].

Exemple. Soit X v.a qui suit la N (0, 1) on cherche à calculer P [1 ≤ X ≤ −1].

P [1 ≤ X ≤ −1] = P [X ≤ 1] − P [X ≤ −1] = P [X ≤ 1] − (1 − P [X ≤ 1])

= 2P [X ≤ 1] − 1 = 2 × 0.8413 − 1 = 0.6826.

3.2.4 Loi normale : cas général

Définition. Soient m ∈ R et 0 < σ. Une v.a. X suit une loi normaleLa lN (m, σ), si sa
densité f est donnée par

(x − m)2
1 −
f (x) = √ e 2σ 2 , pour tout x ∈ R.
σ 2π
X −m
Proposition. Si X suit une loi normale N (m, σ), Z = suit une loi normale centrée
σ
réduite N (0, 1).
Preuve. soient deux réels a < b.
X −m
P [a ≤ Z ≤ b] = p[a ≤ ≤ b]
σ
= p(m + aσ ≤ X ≤ m + bσ]
Z m+bσ (x − m)2
1 −
= √ e 2σ 2 dx
m+aσ σ 2π
X −m
Changement de variable: z =
σ
Z b
x2
1 −
P [a ≤ Z ≤ b] = √ e 2 dx.
a 2π
on en déduit que Z suit une loi normale centrée réduite N (0, 1).
Proposition. Si X suit une loi normale N (m, σ), alors

E[X] = m, V ar(X) = σ 2 .

Preuve. immédiat avec la proposition précédente et la linéarité de l’espérance. 2

Exemple. Soit X une v.a. de loi N (15, 4). Quelle est la probabilité P [10 ≤ X ≤ 22] ?
10 − 15 x − 15 22 − 15
P [10 ≤ X ≤ 22] = P ( ≤ ≤ ) = P [−1.25 ≤ Y ≤ 1.75].
4 4 4
où Y suit une loi N (0, 1). Ainsi,

P [10 ≤ X ≤ 22] = P [Y ≤ 1.75] + P [Y ≤ 1.25] − 1 = 0.9599 + 0.8944 − 1 = 0.8543.

December 6, 2025
Probabilité et Statistique [Link]

TD2: Les variables aléatoires et la Loi de probabilité

Exercice 15. Soit X une v.a. dont la loi est donnée par

P [X = −1] = 0, 2, P [X = 0] = 0, 1, P [X = 4] = 0, 3; P [X = 5] = 0, 4.

Calculer P [X ≤ 3], P [X > 2], l’espérance et la variance de X.

Exercice 16. On lance deux dés. Modéliser l’expérience. Quelle est la probabilité pour obtenir
au moins un 4? Quelle est la probabilité pour que le plus petit donne un nombre inférieur ou
égal à 4? Quelle est l’espérance de la somme des deux dés?

Exercice 17. Une boîte contient 4 boules rouges, 3 boules vertes et 7 boules jaunes. On tire
simultanément 2 boules de la boîte et on suppose que les tirages sont équiprobables.

1. . On considère les événements suivants:

A : "obtenir 2 boules de la même couleur",

B : "obtenir 2 boules de couleurs différentes".

Calculez les probabilités p(A) et p(B).

2. On répète 10 fois l’épreuve précédente en remettant les 2 boules tirées dans la boîte, après
chaque tirage. Les 10 épreuves aléatoires élémentaires sont donc indépendantes. On note
X la variable aléatoire qui, à chaque partie de 10 épreuves, associe le nombre de fois où
l’événement A est réalisé.

(a) Expliquez pourquoi X suit une loi binomiale. Donner les paramètres de cette loi.
(b) Donnez une loi de probabilité de X en complétant, après l’avoir reproduit, le tableau
suivant, dans lequel on fera figurer des valeurs approchées arrondies avec un seul
chiffre différent de zéro.
(c) Calculez l’espérance mathématique E(X) . Que représente E(X)?

Exercice 18. 3% des bouteilles d’eau fabriquées par une usine sont défectueuses. On appelle
X la variable aléatoire qui, à tout lot de 100 bouteilles prises au hasard, associe le nombre de
bouteilles défectueuses. On admet que X suit une loi de Poisson de paramètre 3. Trouvez la
probabilité de chacun des 3 événements suivants:

1. "Un tel lot n’a aucune bouteille défectueuse"

2. "Un tel lot a deux bouteilles défectueuses"

3. "Un tel lot a trois bouteilles défectueuses"

Exercice 19. On considère une urne contenant 3 boules blanches et 7 boules noires. On tire
successivement et sans remise les dix boules de l’urne. On note X1 le numéro du tirage où l’on
obtient une boule blanche pour la première fois. Déterminez la loi de X1 .

Exercice 20. On jette un dé ordinaire jusqu’à ce que le 1 apparaisse pour la première fois
et on appelle X la variable aléatoire égale au nombre de coups nécessaires pour obtenir ce 1.
Déterminer la loi de probabilité de X.

December 6, 2025
Probabilité et Statistique [Link]

Exercice 21. Un réceptionniste reçoit en moyenne deux appels par heure. S’il s’absente une
heure, quelle est la probabilité qu’il ne rate aucun appel? Et quelle est la probabilité qu’il en
rate un?

Exercice 22. La variable aléatoire X suit une loi normale N (20; 5). Calculer

1. p(X ≤ 28).

2. p(X ≥ 28).

3. p(X ≤ 12).

4. p(X ≥ 12).

5. p(12 ≤ X ≤ 28).

Exercice 23.

1. Retrouver la valeur de l’espérance et la variance d’une loi de Poisson de paramètre λ.

2. Montrer qu’une somme de deux variables aléatoires indépendantes suivant chacune une
loi de Poisson (de paramètre respectif λ et µ) suit encore une loi de Poisson.

Exercice 24. Soient X et Y deux variables aléatoires indépendantes de lois respectives B(n, p)
et B(n′ , p). Quelle est la loi de la somme X + Y ?

December 6, 2025
Chapter 4

Couple de variables aléatoires discrètes

L’étude de couples de variables aléatoires est l’étude simultanée de deux variables aléatoires.

4.1 Loi d’un couple de variables aléatoires

Définition. Un couple de variables aléatoires (X, Y ) est la donnée de deux variables aléatoires
définies sur le même espace probabilisé Ω. Une façon plus technique de voir les choses est de
dire qu’un couple est une application

(X, Y ) : Ω −→ R2

Exemple. On lance simultanément deux dés , et on note X le plus grand des deux chiffres
obtenus et Y le plus petit.

4.1.1 Loi conjointe d’un couple de variables aléatoires discrètes

Définition. La loi d’un couple de variables aléatoires (X, Y ) est la donnée des probabilités

P ((X = i) ∩ (Y = j)) pour i ∈ X(Ω) et j ∈ Y (Ω).

Cette loi est aussi appelée loi conjointe du couple (X, Y ).

Remarque. Certaines des probabilités P ((X = i) ∩ (Y = j))) peuvent être nulles, même si
P (X = i) et P (Y = j) sont toutes les deux non nulles.

Exemple. Une urne contient 3 boules blanches, 4boules vertes et 5 boules bleues. On tire 3
boules dans l’urne et on note X le nombre de boules blanches obtenues et Y le nombre de boules
vertes. On a ici
X(Ω) = {0, 1, 2, 3} et Y (Ω) = {0, 1, 2, 3}.
On ne peut bien sûr avoir X + Y > 3 puisqu’on ne tire que trois boules. Alors, on a

C3i C4j C53−i−j

P ((X = i) ∩ (Y = j)) = 3
.
C12

Loi conjointe et tableau de contingence

30
Probabilité et Statistique [Link]
Y
0 1 2 3
X
1 3 3 1
0 22 22 44 220
4 6 3
1 22 22 55
0
3 9
2 22 110
0 0
1
3 55
0 0 0
Remarque. On note parfois l’évenement (X = i) ∩ (Y = j) sous la forme (X, Y ) = (i, j)
Proposition. Les événements (X = i)∩(Y = j) pour i parcourant X(Ω) et j parcourant Y (Ω)
forment un système complet d’événements. On a
X
P ((X = i) ∩ (Y = j)) = 1
i∈X(Ω), j∈Y (Ω)

4.1.2 La Loi marginale d’un couple de variables aléatoires

Définition. Si (X, Y ) est un couple de variables aléatoires, les lois de X et de Y sont appelées
lois marginales du couple
Proposition. Si (X, Y ) est un couple de variables aléatoires discrètes, on peut obtenir les lois
marginales à partir de la loi conjointe :
X
∀i ∈ X(Ω), P (X = i) = P ((X = i) ∩ (Y = j))
j∈Y (Ω)

et symétriquement pour la loi de Y

X
∀j ∈ Y (Ω), P (Y = j) = P ((X = i) ∩ (Y = j))
i∈X(Ω)

Exemple. Prenant l’exemple précédent. Pour connaitre les lois marginales à partir du tableau
précédemment établi, c’est très simple, il suffit de faire les sommes des lignes du tableau (pour
la loi Y ) ou des colonnes (pour celle X). En effet

Y
0 1 2 3 P (X = i)
X
1 3 3 1 14
0 22 22 44 220 55
4 6 3 28
1 22 22 55
0 55
3 9 12
2 22 110
0 0 55
1 1
3 55
0 0 0 55
21 27 27 1
P (Y = j) 55 55 220 220
1

Exemple.
• Une urne contient 3 boules blanches et 4 boules noires. On tire deux boules de l’urne.

• Soit X la variable aléatoire égale à 1 si la première boule est blanche, à 0 sinon.

• Soit Y la variable aléatoire égale à 1 si la deuxième boule est blanche, à 0 sinon.

• Déterminons la loi conjointe du couple (X, Y ) et ses lois marginales.

• On distingue les deux types de tirage avec ou sans remise.

December 6, 2025
Probabilité et Statistique [Link]

4.2 Fonctions de répartition d’un couple de v.a.d.:

Définition. Soient X, Y deux v.a d. définies sur un espace probabilisé (Ω, A, P ). On définit:

• La fonction de répartition conjointe de X et Y par:

FXY (x, y) = P [(X ≤ x) ∩ (Y ≤ y)].

• Les fonctions de répartition marginales de X et Y par:

FX (x) = FXY (x, +∞) = P (X ≤ x),

FY (y) = FXY (+∞, y) = P (Y ≤ y),

4.3 La loi conditionnelle

Définition.
Soient X, Y des variables aléatoires discrètes sur un espace probabilisé (Ω, A, P ) à valeurs
dans E et F .
Pour: j ∈ Y (Ω), tel que {Y = j} ne soit pas négligeable (i.e., P (Y = j) > 0), on définit la loi
conditionnelle de X sachant {Y = j} par:

P ([X = i] ∩ [Y = j])
∀i ∈ X(Ω), P [Z = i] = P[Y =j] [X = i] = .
P [Y = j]
On définit de même les lois conditionnelle de Y sachant X = i.
P ([X = i] ∩ [Y = j])
P [Z = i] = P[X=i] [Y = j] = .
P [X = i]

Théorème. (La formule des probabilités totales)

Soient X et Y deux v.a.. Pour tout i ∈ X(Ω),
X
∀j ∈ Y (Ω), P [X = i] = P [X = i/Y = j]P [Y = j].
j∈Y (Ω)

Preuve: On peut appliquer la formule des probabilités totales car les événements [Y = j]
forment une partition de Ω.

4.4 Indépendance de variables aléatoires discrètes

4.4.1 Cas de deux variables
Variables aléatoires indépendantes: Cas de deux variables
Définition. On dit que deux variables aléatoires X et Y sont indépendantes, si et seulement
si pour tous les 1 ≤ i ≤ m et les 1 ≤ j ≤ n,

P (X = xi et Y = yj ) = P (X = xi )P (Y = yj ).

Exemples.

December 6, 2025
Probabilité et Statistique [Link]

1. Si on lance deux dés simultanément et qu’on note X le résultat du premier dé et Y

celui du deuxième dé, X et Y sont des variables aléatoires indépendantes. On a ∀ i ∈
{1, · · · , 6} × {1, · · · , 6}.
1
P ((X = i) ∩ (Y = j)) = P ((X = i) × P (Y = j) = .
36

2. Par contre, toujours dans le cas de l’inépuisable lancer de deux dés, si on prend pour X la
somme des deux dés et pour Y leur produit, les deux variables ne sont pas indépendantes.
On a par exemple
1 5 1
P ((X = 8) ∩ (Y = 15)) = , P ((X = 8) = et P (Y = 15)) = .
18 36 18

Cas de n variables
Définition. (Variables aléatoires indépendantes: Cas de n variables)

• On dit que les variables aléatoires discrètes X1 , · · · , Xn sont mutuellement indépendantes

si et seulement si ∀ (x1 , · · · , xn ) ∈ Rn ,
n
Y
P ([X1 = x1 ] ∩ [X2 = x2 ] ∩ · · · ∩ [Xn = xn ]) = P ([Xk = xk ]).
k=1

• On dit que (Xn )n∈N est une suite de variables aléatoires mutuellement indépendantes si
pour tout n ∈ N les variables aléatoires X0 , · · · , Xn sont mutuellement indépendantes.

4.5 Somme de deux variables aléatoires

Définition. (Somme de deux v.a)
Soient X et Y deux v.a. La loi de X + Y est définie par:
P
P (X + Y = z) = P ((X = x) ∩ (Y = z − x))
x∈X(Ω))
P
= P ((X = z − y) ∩ (Y = y))
y∈Y (Ω)

Si X et Y sont indépendantes, alors

P
P (X + Y = z) = P ((X = x) ∩ (Y = z − x))
x∈X(Ω)
P
= P (X = z − y)P (Y = y).
x∈X(Ω)

Exemple. On considère deux jeux dont les gains sont donnés :

• Pour le premier jeu, par la variable aléatoire X qui prend les valeurs 1 et 2.

• Pour le second jeu, par la variable aléatoire Y qui prend les valeurs −2, 3 et 4.

December 6, 2025
Probabilité et Statistique [Link]

Par exemple, l’évènement {(X = 1) ∩ (Y = −2)} signifie qu’on a gagné 1dh au premier jeu et
perdu 2dh au deuxième jeu.
Considérons la variable aléatoire somme X + Y donnant le gain total cumulé aux deux jeux.
Alors le support de la variable aléatoire

(X + Y )(Ω) = {−1, 0, 4, 5, 6}.

En effet, on a par exemple X + Y = 0 avec {(X = 2) ∩ (Y = −2)}. Par ailleurs, pour calculer
par exemple, la probabilité de l’évènement X + Y = 5, on cherche toutes les sommes X + Y
égales à 5. On a ainsi:

P (X + Y = 5) = P (X = 1) ∩ (Y = 4)) + P (X = 2) ∩ (Y = 3))

Si de plus, les évènements X et Y sont indépendants, alors on a:

P (X + Y = 5) = P (X = 1) × P (Y = 4) + P (X = 2) × P (Y = 3).

Exercice 25. On lance deux dés équilibrés et on note X et Y les deux chiffres obtenus. Soit
Z = X + Y . Quelle est la loi de Z ?

4.5.1 Théorème de transfert

Théorème. de transfert Soit (X, Y ) un couple de variables aléatoires discrètes, g une fonction
définie sur X(Ω)) × Y (Ω) à valeurs réelle. Alors: L’espérance de g(X, Y ), si elle existe, est
donnée par: X X
E(g(X, Y )) = g(i, j)P ([X = i] ∩ [Y = j]).
i∈X(Ω) j∈Y (Ω)

4.5.2 Espérance d’une somme

Proposition.
1. Pour toutes v.a. X et Y , E[X + Y ] = E[X] + E[Y ].

2. Si X et Y sont indépendantes, V ar(X + Y ) = V ar(X) + V ar(Y ).

4.6 Produit de deux variables aléatoires

Définition. Soient X et Y deux v.a. La loi de X × Y est définie par:
X
P (X × Y = z) = P ((X = x) ∩ (Y = y))
x×y=z∈X(Ω)×Y (Ω)

Exemple. Soit le tableau de contingence suivant du couple de V.a.d (X, Y )

Y
0 1 P (x = i)
X
0 2/7 2/7 4/7 E(X) = 3/7, E(Y ) = 3/7,
1 2/7 1/7 3/7
P (Y = i) 4/7 3/7 1

December 6, 2025
Probabilité et Statistique [Link]

Soit Z = X × Y et Z(Ω) = {0, 1}. Loi de Probabilité de Z = X × Y est donnée par:

Z=k 0 1
E(Z) = E(X × Y ) = 1/7.
P (Z = k) 6/7 1/7
On a trouvé que
E(XY ) ̸= E(X) × E(Y ).

4.6.1 Espérance d’un produit

Définition. Soit (X, Y ) un couple de deux variables aléatoires discrètes. Alors, sous réserve
de convergence absolue,
X X
E(XY ) = ijP ([X = i] ∩ [Y = j]).
i∈X(Ω) j∈Y (Ω)

Proposition. Si X et Y sont indépendantes et admettent une espérance, alors XY admet une

espérance, et on a
E(XY ) = E(X)E(Y ).

4.7 Variance et covariance

4.7.1 Covariance
Définition. Soient (X, Y ) deux variables aléatoires discrètes admettant des moments d’ordre
2. La covariance de X et Y est définie par:
cov(X, Y ) = E((X − E(X))(Y − E(Y ))).
Remarque. (Régle de calcul).
• Soient (X, Y ) deux variables aléatoires discrètes admettant des moments d’ordre 2.
Alors:
cov(X, Y ) = E(XY ) − E(X)E(Y ).
En particulier, on a: cov(X, X) = V (X).
• Si X et Y sont indépendantes alors Cov(X, Y ) = 0 (la réciproque n’est pas vraie).

4.7.2 Corrélation
Définition. On définit le coefficient de corrélation d’un couple (X; Y) par:
cov(X; Y )
corr(X; Y ) = ρ(X; Y ) =
σX σY
On a toujours ρ(X, Y ) ∈ [−1, 1]. Plus |ρ(X, Y )| est proche de 1 plus la dépendance entre
les variables X et Y est forte.
Exercice 26. On considère deux Tirages indépendants et uniformes dans {1, 2, 3, 4}. X = T1
(résultat de premier tirage) et Y = max(T1 , T2 ).
1. Déterminer la loi conjointe du couple (X, Y ), les lois marginales, ainsi que leurs es-
pérances.
2. Calculer Cov(X, Y ). Les v.a.r. X et Y sont-elles indépendantes?
3. Déterminer les lois conditionnelles de Y sachant (X = k).

December 6, 2025
Probabilité et Statistique [Link]

TD3. Couple de Variables aléatoires discrètes

Exercice 27. On dispose de n boites numérotées de 1 à n. La boite k contient k boules

numérotées de 1 à k. On choisit au hasard de façon équiprobable une boite, puis une boule
dans cette boite. On note X le numéro de la boite et Y le numéro de la boule.

1. Déterminer la loi conjointe du couple (X, Y ).

2. En déduire la loi de Y .

3. Calculer l’espérance de Y .

Exercice 28. Soient X et Y deux variables aléatoires à valeurs dans N ∗ N, telles que:
a
P ((X = i) ∩ (Y = j)) =
2i+j
pour tous (i, j) ∈ N∗ .

1. Calculer a.

2. Déterminer les lois marginales de X et Y .

3. X et Y sont-elles indépendantes?

Exercice 29. Soit X et Y deux variables aléatoires indépendantes suivant la même loi géométrique
de paramètre p ∈]0, 1[. On pose Z = min(X, Y ) et q = 1−p. Soit en outre n un entier stricte-
ment positif.

1. Calculer P (X ≥ n).

2. Calculer P (Z ≥ n). En déduire P (Z = n).

3. Quelle est la loi de Z?

4. Les variables X et Z sont-elles indépendantes?

Exercice 30. On suppose que le nombre N d’enfants dans une famille suit une loi de Poisson
de paramètre λ > 0. On suppose qu’à chaque naissance, la probabilité que l’enfant soit une
fille est p ∈]0, 1[ et celle que ce soit un garçon est q = 1 − p. On suppose aussi que les sexes
des naissances successives sont indépendants. On note X la variable aléatoire correspondant
au nombre de filles par familles, et Y celle du nombre de garçons.

1. Déterminer la loi conjointe du couple (N, X).

2. En déduire la loi de X et celle de Y .

Exercice 31. Soit n et N deux entiers non nuls. Une urne contient n jetons numérotés de 1
à n. On effectue N tirages avec remise dans cette urne. Soit Fi le nombre de fois que le jeton
n
P
i a été tiré. Calculer la loi de Fi , son espérance et sa variance. On pose F = Fi . Calculer
i
la loi de F , son espérance, sa variance.

December 6, 2025