Rappels de Probabilité

Master1
Ecole Nationale Supérieure des Postes, des
Télécommunications et des TIC

Siméon FOTSO
Département de Mathématiques
Ecole Normale Supérieure
Université de Yaoundé 1
e-mail : simeonfotso@[Link]

Yaoundé, le 7 décembre 2016

Table des matières

1 Espaces probabilisables 3
1.1 Expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Espaces probabilisables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Tribu (ou -algèbre) de parties d’un ensemble . . . . . . . . . . . . 3
1.2.2 Espace probabilisable . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Espace probabilisable associé à une expérience aléatoire . . . . . . . 4
1.2.4 Composition des évènements . . . . . . . . . . . . . . . . . . . . . . 4

2 Espaces probabilisés 5
2.1 Trois façons de dé…nir une probabilité . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Equiprobabilité sur . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.2 Approche fréquentiste . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.3 Approche subjective . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Probabilité, espace probabilisé . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1 Dé…nition et exemple . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.2 Propriétés immédiates d’une probabilité . . . . . . . . . . . . . . 7
2.2.3 Autres propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3 Indépendance 10
3.1 Généralités sur l’indépendance . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.1.1 Indépendance de deux évènements . . . . . . . . . . . . . . . . . . . 10
3.1.2 Indépendance de deux familles d’évènements . . . . . . . . . . . . . 11
3.2 Indépendance mutuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Théorème de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

4 Variables aléatoires réelles 14

4.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1.2 Loi de probabilité d’une v.a.r . . . . . . . . . . . . . . . . . . . . . 14
4.1.3 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2 V.A.R discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2.1 Loi de probabilité de X: . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2.2 Fonction de répartition de X . . . . . . . . . . . . . . . . . . . . . . 15
4.2.3 Opérations sur les v.a.r . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2.4 Espérance mathématique de X . . . . . . . . . . . . . . . . . . . . 17
4.2.5 Variance et écart-type de X . . . . . . . . . . . . . . . . . . . . . . 18
4.2.6 Moments d’une variable aléatoire . . . . . . . . . . . . . . . . . . . 18
4.3 V.A.R continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.3.1 Loi de probabilité de X . . . . . . . . . . . . . . . . . . . . . . . . 19
4.3.2 Fonction de répartition de X: . . . . . . . . . . . . . . . . . . . . . 19

1
 4.3.3 Espérance mathématique, variance et écart-type de X: . . . . . . . 19
4.3.4 Moments d’une variable aléatoire . . . . . . . . . . . . . . . . . . . 20
4.4 Indépendance de deux v.a.r . . . . . . . . . . . . . . . . . . . . . . . . . . 20

5 Lois de probabilité 21
5.1 Loi de Bernoulli B(1; p); 0 p 1: . . . . . . . . . . . . . . . . . . . . . . 21
5.2 Loi binomiale B(n; p); 0 p 1: . . . . . . . . . . . . . . . . . . . . . . . 21
5.3 Loi de Poisson P( ); 2 R+ : . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.4 Loi multinômiale M(n; p1 ; p2 ; :::; pk ): . . . . . . . . . . . . . . . . . . . . . 22
5.5 Loi géometrique G(p): . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.6 Loi continue uniforme sur [a; b]; U[a;b] . . . . . . . . . . . . . . . . . . . . . 23
5.7 Loi normale ou loi de Laplace-Gauss N ( ; ): . . . . . . . . . . . . . . . . 24
5.7.1 Loi normale centrée reduite N (0; 1): . . . . . . . . . . . . . . . . . . 24
5.7.2 Cas de N ( ; ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.7.3 Quelques approximations par la loi normale . . . . . . . . . . . . . 27
5.8 La loi lognormale LN ( ; ) . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.9 Loi exponentielle; E( ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.10 Loi gamma (r; ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.11 Loi du Chi-deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2
Chapitre 1

Espaces probabilisables

1.1 Expérience aléatoire

Faire une expérience consiste à réaliser un ensemble donné de conditions et à observer
ce qui se produit comme conséquence de la réalisation de ces conditions. Cette conséquence
peut être simple ou complexe ; dans tous les cas, elle doit être décrite avec précision. Il
existe 2 types d’expérience : les expériences déterministes et les expériences aléatoires.
Une expérience déterministe est une expérience dont le résultat ne change pas. Un
ensemble donné de conditions détermine donc un résultat unique. On dit encore que les
mêmes causes produisent les mêmes e¤ets. Les sciences physiques et la biologie nous
o¤rent beaucoup d’expériences de ce type.
A l’inverse, une expérience aléatoire est une expérience dont le résultat échappe à toute
prévision. En répétant plusieurs fois les mêmes conditions, le résultat de l’expérience peut
changer sans qu’on ne puisse déterminer la cause. La seule chose dont on est sûr est que le
résultat est élément d’un ensemble appélé ensemble fondamental. L’ensemble fondamental
d’une expérience aléatoire est donc l’ensemble des résultats possibles de cette expérience ;
il est souvent appelé univers des possibles.
Exemple 1.1 Jet d’un dé, tirage d’une carte dans un jeu de 52 cartes, nombre d’appels
reçus par un standard téléphonique pendant une durée déterminée.

1.2 Espaces probabilisables

1.2.1 Tribu (ou -algèbre) de parties d’un ensemble
Soit un ensemble non vide et A une famille non vide de parties de (ceci signi…e
que les éléments de A sont des sous ensemble de ):
Dé…nition 1.1 A est une tribu (ou -algèbre) des parties de ; si les conditions suivantes
sont véri…ées :
(i) 8(An )n2N une famille d’éléments de A; [ An 2 A:
n2N
(ii) 8A 2 A;8B 2 A; A B 2 A:
(iii) 2 A:
Propriétés
Si A est une tribu de parties de ; alors
– A est stable pour la di¤érence symétrique.
– A est stable pour l’intersection dénombrable.
– A est stable pour la complémentation.

3
1.2.2 Espace probabilisable
Dé…nition 1.2 On appelle espace probabilisable, tout couple ( ; A) où est un ensemble
non vide et A une tribu de parties de :

Il en découle les dé…nitions suivantes :

Dé…nition 1.3 Soit ( ; A) un espace probabilisable.

(i) 8A 2 A; A est appelé évènement.
(ii) Un évènement élémentaire est un évènement reduit à un singleton.
(iii) est appelé évènement certain et ; évènement impossible.
(iv) Deux évènements A et B sont incompatibles si A \ B = ;:

Remarque 1.1 Lorsque est …ni ou dénombrable; on choisit en général A = P( ): Si

= R; on choisit A = BR la tribu des boréliens de R (c’est à dire la tribu engendrée par
l’ensemble des intervalles ouverts de R):

1.2.3 Espace probabilisable associé à une expérience aléatoire

Dans la dé…nition de la notion d’espace probabilisable, nous n’avons fait aucune réfé-
rence à la notion d’expérience aléatoire. Cependant la notion d’espace probabilisable est
sans signi…cation intuitive en déhors d’une expérience aléatoire.
En e¤et à toute expérience aléatoire, on peut associer au moins un espace probabili-
sable. Réciproquement à tout espace probabilisable ( ; A), on peut associer au moins une
expérience aléatoire dont l’univers des possibles est :

1.2.4 Composition des évènements

– Soit ( ; A) l’espace probabilisable associé à une expérience aléatoire. Une édition de
l’expérience donne lieu à l’observation d’un résultat élémentaire, c’est à dire d’un
élément ! de :
Un évènement A est réalisé si le résultat élémentaire observé ! appartient à A: Plusieurs
évènements peuvent donc être réalisés à l’issue d’une expérience aléatoire. Par
exemple est toujours réalisé (d’où le nom évènement certain donné à ) et à
l’inverse ; n’est jamais réalisé (d’où le nom évènement impossible).
– Considérons l’ensemble des évènements associés à une expérience aléatoire. Dans
cet ensemble, on dé…nit les opérations suivantes : soient A et B 2 évènements.
– Opération "ou" : L’évènement "A ou B" est celui qui est réalisé ssi A est réalisé
ou B est réalisé. "A ou B" est donc réalisé ssi le résultat élémentaire observé
appartient à A [ B: "A ou B" est noté A [ B:
– Opération "et" : L’évènement "A et B" est celui qui est réalisé ssi A est réalisé et B
est réalisé. "A et B" est donc réalisé ssi le résultat élémentaire observé appartient
à A \ B: "A et B" est noté A \ B:
– Négation d’un évènement : L’évènement "nonA" est celui qui est réalisé ssi A n’est
pas réalisé. Donc "nonA" est réalisé ssi le résultat élémentaire observé n’appartient
pas à A: "nonA" est noté A; avec A = C A = A; le complémentaire de A dans
:

4
Chapitre 2

Espaces probabilisés

Soit ( ; A) l’espace probabilisable associé à une expérience aléatoire ; A un élément

de A: Nous voulons donner une expression quantitative des chances de réalisations de A
dans le cadre de l’expérience. Ce nombre sera noté P (A) et sera appelé probabilité de
l’évènement A.

2.1 Trois façons de dé…nir une probabilité

Trois démarches di¤érentes conduisent à la dé…nition axiomatique d’une probabilité.

2.1.1 Equiprobabilité sur

Considérons l’expérience aléatoire qui consiste à jeter un dé et à observer le numéro
de la face supérieure. Si nous supposons le dé symétrique et parfaitement homogène (donc
parfait), il est raisonnable de penser que chaque face a les mêmes chances de paraitre que
n’importe quelle autre face. On peut donc écrire

P ( ) = P (f1g) + P (f2g) + ::: + P (f6g) = 1

pour exprimer le fait que a 100% de chance d’être réalisé. On en déduit

1
P (f1g) = P (f2g) = ::: = P (f6g) = :
6
Les évènements élémentaires f1g ; f2g ; :::; f6g sont alors dits équiprobables.
De façon générale, si les éléments de sont équiprobables, la probabilité d’un évène-
ment A s’écrit
card(A)
P (A) = :
card( )
Cette formule s’exprime en disant : en cas d’équiprobabilité des évènements élémentaires,
la probabilité d’un évènement A est égale au nombre de cas favorables à sa réalisation
(card(A)) divisé par le nombre de résultats possibles de l’expérience (card( )):
L’hypothèse d’équiprobabilité est généralement faite lorsqu’elle est justi…ée, par exemple
dans les cas de tirages de boules dans les urnes.

2.1.2 Approche fréquentiste

On repète n fois une expérience aléatoire et les n répétitions sont indépendantes. Soit
A un évènement et nA le nombre de réalisations de A au cours des n répétitions. La

5
probabilité de A est dé…nie par
nA
P (A) = lim :
n!+1 n

Le réel fA = nnA ; fréquence empirique de A; est une approximation de la probabilité de

A: L’inégalité de Bienaymé-Tchebyche¤ assure la convergence en probabilité de fA vers
P (A):
L’approche féquentiste dé…nit donc la probabilité d’un évènement comme la fréquence
empirique de cet évènement.
Exemple 2.1 Sur une période de 100 jours, une compagnie d’assurance a observé que le
nombre de voitures assurées par jour se repartit de la manière suivante :
Nombre de voiture(s) assurée(s) 0 1 2 3 4 5 6
Nombre de jours 7 16 18 23 20 11 5
On en déduit les probabilités
Nombre de voiture(s) assurée(s) (x) 0 1 2 3 4 5 6
Probabilité d’assurer x voiture(s) 0.07 0.16 0.18 0.23 0.20 0.11 0.05
Remarque 2.1 On remarquera la similitude du tableau précédent avec les tableaux sta-
tistiques à une variable.

2.1.3 Approche subjective

L’approche précédente élargit le champ des expériences probabilisables. Cependant
elle ne permet pas de parler de probabilité dans le cadre d’une expérience qui ne peut
pas être répétée plusieurs fois dans les mêmes conditions. Dans ce cas la probabilité d’un
évènement est l’objet des croyances, des convictions ou intuitions, pourvues qu’elles soient
fortes.
Exemple 2.2 Considérons un jour donné, un match de football entre deux équipes A et
B. Un expert estime que la probabilité pour que l’équipe A gagne est 35 : Ici, on ne peut pas
parler d’expérience qui peut être répétée plusieurs fois dans les mêmes conditions. On ne
peut pas non plus parler d’équiprobabilité. La probabilité donnée par l’expert s’appuie sur
appréciation subjective des prestations des deux équipes à une période précise.

2.2 Probabilité, espace probabilisé

2.2.1 Dé…nition et exemple
Dé…nition 2.1 (Probabilité). Soit ( ; A) un espace probabilisable. On appelle probabilité
sur ( ; A); toute application P : A ! [0; 1] véri…ant les propriétés suivantes :
P
(i) 8(An )n2N suite d’éléments de A 2 à 2 disjoints, P [ An = P (An ) .
n2N n2N
(ii) P ( ) = 1:

Si P est une probabilité sur ( ; A); le triplet ( ; A;P ) est appelé espace probabilisé.
Remarque 2.2 La propriété (i) ci-dessus est appelée -additivité de P:

6
2.2.2 Propriétés immédiates d’une probabilité
Théorème 2.1 Soit ( ; A;P ) un espace probabilisé, A et B deux évènements.
(i) P (A) = 1 P (A):
(ii) P (;) = 0:
(iii) A B ) P (A) P (B) et P (B A) = P (B) P (A):
(iv) 0 P (A) 1:
(v) P (A [ B) = P (A) + P (B) P (A \ B) (c’est le théorème des probabilités totales).

Théorème 2.2 Soit ( ; A;P ) un espace probabilisé,

(i) Additivité simple. Si A1 ; A2 ; ::::; An sont n éléments de A 2 à 2 disjoints,

n X
n
P [ Ai = P (Ai ):
i=1
i=1

(ii) Sous additivité simple. Si A1 ; A2 ; ::::; An sont n éléments de A non nécessairement 2

à 2 disjoints,
n Xn
P [ Ai P (An ):
i=1
i=1

Preuve 2.1 (i) Cette propriété a déjà été utilisée dans les preuves du théorème précédent ;
montrons la maintenant. On dé…nit la suite (Bi )i 1 par Bi = Ai si i n et Bi = ; si
n n
i > n: Les Bi sont 2 à 2 disjoints et on a [ Bi = [ Bi = [ Ai : La additivité implique
i 1 i=1 i=1

n X
+1 X
n
P [ Ai = P [ Bi = P (Bi ) = P (Ai )
i=1 i 1
i=1 i=1

car P (;) = 0:
(ii) Par recurrence sur n:

2.2.3 Autres propriétés

Théorème 2.3 (continuité croissante ou décroissante) Soit ( ; A;P ) un espace proba-
bilisé, (An )n 1 une suite d’évènements de A qui soit ou bien croissante (c’est à dire
An An+1 8n 1) ou bien décroissante (c’est à dire An+1 An ): Alors, dans le cas
croissant
+1
lim P (An ) = P [ An ;
n!+1 n=1

et dans le cas décroissant

+1
lim P (An ) = P \ An :
n!+1 n=1

Preuve 2.2 Dans le cas d’une suite croissante, posons B1 = A1 et Bn = An An 1 : Les

X n X
n
Bn sont 2 à 2 disjoints et P [ Bn = P (Bn ): On a P (An ) = P [ Bi = P (Bi ): En
n 1 i=1
n 1 i=1
passant à la limite, on a

X
+1
lim P (An ) = P (Bn ) = P [ Bn =P [ An :
n!+1 n 1 n 1
n=1

7
car [ An = [ Bn :
n 1 n 1
Dans le cas d’une suite décroissante, on se ramène au cas précédent par passage au com-
plémentaire :
lim P (An ) = 1 lim P (An )
n!+1 n!+1

= 1 P [ An
n 1

= 1 1 P \ An
n 1

= P \ An :
n 1

Théorème 2.4 (Sous additivité dénombrable) Soit ( ; A;P ) un espace probabilisé, (An )n 1 une
X
+1
suite d’évènements de A: Alors ou bien la série P (An ) diverge ; ou bien elle converge
n=1
+1 X
+1
et dans ce cas P [ An P (An ):
n=1
n=1

Preuve 2.3 La suite Bn = A1 [ A2 [ ::: [ An est croissante et on peut lui appliquer le

théorème précédent. En utilisant la sous additivité …nie, on a donc
X
+1
P [ An = lim P (Bn ) lim (P (A1 ) + P (A2 ) + ::: + P (An )) = P (An ):
n 1 n!+1 n!+1
n=1

2.3 Probabilités conditionnelles

Soit ( ; A) un espace probabilisable et A 2 A: On dé…nit la famille suivante des parties
de A;

AA = fB \ A; B 2 Ag :
Proposition 2.1 AA est une tribu des parties de A; de sorte que (A; AA ) est un espace
probabilisable.
Soit P une probabilité sur ( ; A) telle que P (A) 6= 0: A l’aide de P; nous allons dé…nir
une probabilité sur (A; AA ): Considérons l’application
P0 : AA ! [0; 1]
P (B\A) :
B\A 7 ! P (A)

Proposition 2.2 P 0 est une probabilité sur (A; AA ); donc (A; AA ; P 0 ) est un espace pro-
babilisé.
Proposition 2.3 Soit ( ; A;P ) un espace probabilisé. Soit A 2 A tel que P (A) 6= 0: On
dé…nit
P ( =A) A ! [0; 1]
B 7 ! P P(A\B)(A)

P ( =A) est une probabilité sur ( ; A): Donc ( ; A;P ( =A)) est un espace probabilisé.

8
Théorème 2.5 (des probabilités composées) Soit ( ; A;P ) un espace probabilisé. Soit A 2
A tel que P (A) 6= 0: Alors 8B 2 A; P (A \ B) = P (A):P (B=A):

Ce résultat est utilisé pour calculer la probabilité de l’intersection de 2 évènements.

Théorème 2.6 (Formule des probabilités totales) Soient A1 ; A2 ; :::; An n évènements de

l’espace probabilisé ( ; A;P ): Alors

P (A1 \ A2 \ ::: \ An ) = P (A1 )P (A2 =A1 )P (A3 =A1 \ A2 ):::P (An =A1 \ A2 \ ::: \ An 1 )

9
Chapitre 3

Indépendance

3.1 Généralités sur l’indépendance

3.1.1 Indépendance de deux évènements
Dé…nition 3.1 Soit ( ; A;P ) un espace probabilisé, A et B 2 éléments de A: A et B sont
indépendants en probabilité (relativement à P) si P (A \ B) = P (A):P (B): Dans le cas
contraire, A et B sont dits dépendants.

Exemple 3.1 Soit = fa; b; c; dg ; A =P( ) et P l’équiprobabilité sur : On dé…nit

les évènements : A = fa; bg ; B = fa; cg ; C = fa; dg :
On a P (A) = P (B) = 21 et P (A\B) = P (A)P (B) = 14 : Donc A et B sont P-indépendants
(c’est à dire indépendants relativement à P).
Comme P (C) = 12 ; P (:=C) est une probabilité sur ( ; A): Posons P 0 (E) = P (E=C) 8E 2
A: On a P 0 (A) = P 0 (B) = 12 : On a également P 0 (A \ B) = 12 : Donc A et B ne sont plus
P 0 -indépendants.

Remarque 3.1 On a ainsi sur l’espace probabilisable ( ; A); deux évènements qui sont
tantôt indépendants, tantôt dépendants, selon la probabilité de ( ; A):

Remarque 3.2 L’indépendance dépend de la probabilité P. Deux évènements de A peuvent

être indépendants pour une probabilité de ( ; A) et ne plus l’être pour une autre probabilité
de ( ; A).

Théorème 3.1 Soit ( ; A) un espace probabilisable. Pour toute probabilité de ( ; A); 8A 2

A; les évènements ; et A (resp. A et ) sont indépendants.

Théorème 3.2 Soit ( ; A;P ) un espace probabilisé. Pour tout évènement A de A; A est
indépendant de A ssi P (A) = 0 ou P (A) = 1:

Théorème 3.3 Soit ( ; A;P ) un espace probabilisé, A et B 2 éléments de A: Si A et B

sont indépendants, alors

(i) A et B sont indépendants.

(ii) A et B sont indépendants.
(iii) A et B sont indépendants.

10
Preuve 3.1 (i) On a = B [ B; donc A = A \ = A \ (B [ B) = (A \ B) [ (A \ B):
Il vient

P (A) = P (A \ B) + P (A \ B)
= P (A)P (B) + P (A \ B) (car A et B sont indépendants)

On en déduit

P (A \ B) = P (A) P (A)P (B) = P (A)(1 P (B)) = P (A)P (B)

(ii) On permute les rôles de A et de B dans ce qui précède.

(iii) Appliquer (i) à (ii) ou bien (ii) à (i).

3.1.2 Indépendance de deux familles d’évènements

Dé…nition 3.2 Soit ( ; A;P ) un espace probabilisé, F1 et F2 deux familles d’évènements.
F1 et F2 sont indépendants si :

8F1 2 F1 ; 8F2 2 F2 ; F1 et F2 sont indépendants.

Remarque 3.3 On peut choisir F1 et F2 comme deux sous tribus de A; et donc parler
de l’indépendance de deux sous tribus de A:

Théorème 3.4 Soit ( ; A;P ) un espace probabilisé, A et B deux évènements. A et B sont

indépendants ssi les tribus ;; A; A; et ;; B; B; ; qu’ils engendrent respectivement,
sont indépendantes.

3.2 Indépendance mutuelle

Dé…nition 3.3 Soit ( ; A;P ) un espace probabilisé, A1 ; A2 ; :::; An n sous tribus de A: On
dit que les sous tribus A1 ; A2 ; :::; An sont mutuellement indépendantes si : 8Ai 2 Ai ; i =
1; 2; :::; n; on a
n
P \ Ai = P (A1 )P (A2 ):::P (An ):
i=1

Remarque 3.4 Si n = 2; l’indépendance mutuelle des sous tribus A1 et A2 de A est

identique à leur indépendance dé…nie ci-dessus.

Théorème 3.5 Si n sous tribus A1 ; A2 ; :::; An sont mutuellement indépendantes, p quel-

conques d’entre elles (p < n) sont mutuellement indépendantes.

Preuve 3.2 Soient Aj1 ; Aj2 ; :::; Ajp p des n sous tribus mutuellement indépendantes et
soient Aj1 ; Aj2 ; :::; Ajp quelconques choisis dans ces p sous tribus. Si Ai n’est pas une des
p sous tribus retenues, on choisit dans Ai Ai = : On a donc
n
P \ Ai = P (A1 )P (A2 ):::P (An )
i=1

qui s’écrit encore

p
P \ Ajk = P (Aj1 )P (Aj2 ):::P (Ajp )
k=1

puisque P ( ) = 1: D’où l’indépendance des p sous tribus.

11
Dé…nition 3.4 Soit ( ; A;P ) un espace probabilisé, A1 ; A2 ; :::; An n évènements de A: On
dit que ces n évènements sont mutuellement indépendants si les sous tribus ;; Ai ; Ai ; ;i =
1; 2; :::; n; qu’ils engendrent respectivement, sont mutuellement indépendantes.

Remarque 3.5 Si n = 2; l’indépendance mutuelle de 2 évènements est identique à leur

indépendance dé…nie plus haut. Mais pour n > 2; l’indépendance mutuelle ne se confond
plus avec l’indépendance 2 à 2.

Théorème 3.6 Si n évènements A1 ; A2 ; :::; An sont mutuellement indépendants, p quel-

conques d’entre eux (p < n) sont mutuellement indépendants.

Preuve 3.3 Soient Ai1 ; Ai2 ; :::; Aip p des n évènements mutuellement indépendants. Les
sous tribus Aik = ;; Aik ; Aik ; k = 1; 2; :::; p; engendrées respectivement par ces p
évènements sont p sous tribus choisies parmi les n sous tribus mutuellement indépendantes
Ai = ;; Ai ; Ai ; i = 1; 2; :::; n: Le résultat s’en suit en appliquant le théorème précédent.

Corollaire 3.1 Si n évènements A1 ; A2 ; :::; An sont mutuellement indépendants, alors ils

sont indépendants deux à deux.

Remarque 3.6 La réciproque du résultat précédent est fausse. En d’autres termes, l’in-
dépendance deux à deux de n évènements n’entraine pas l’indépendance mutuelle de ces
évènements.

Exemple 3.2 Les évènements A, B et C de l’exemple (3.1) sont indépendants 2 à 2,

mais ne sont pas mutuellement indépendants.

Interprétation de l’indépendance
En général, pour 2 évènements A et B, on a P (B=A) 6= P (B); ceci a une signi…cation
intuitive évidente : la réalisation ou la non réalisation de A in‡ue sur les chances de
réalisation de B. Autrement dit, "B dépend de A d’une certaine manière". Dans le cas où
A et B sont indépendants, on a P (A \ B) = P (A):P (B) = P (A):P (B=A) d’où l’on tire
P (B) = P (B=A) si P (A) 6= 0: Par symétrie, si P (B) 6= 0 on a aussi P (A) = P (A=B): Donc
A et B sont indépendants ssi la réalisation (ou la non réalisation) de l’un, n’a aucune
in‡uence sur la réalisation (ou la non réalisation) de l’autre.

3.3 Théorème de Bayes

Dé…nition 3.5 Soit ( ; A;P ) un espace probabilisé. On appelle système complet d’évène-
ments, une partition de en n évènements ; c’est à dire une famille B1 ; B2 ; :::; Bn d’éléments
de A telle que
(i) Bi 6= ; 8i = 1; :::; n
(ii) Bi \ Bj = ; 8i 6= j (les Bi sont 2 à 2 disjoints)
n
(iii) [ Bi = :
i=1

Théorème 3.7 (de Bayes) Soit ( ; A;P ) un espace probabilisé et B1 ; B2 ; :::; Bn un sys-
tème complet d’évènements tel que P (Bi ) 6= 0 8i = 1; :::; n: Pour tout évènement A de
probabilité non nulle, on a : 8i = 1; :::; n
P (Bi ):P (A=Bi )
P (Bi =A) = P
n :
P (Bk ):P (A=Bk )
k=1

12
 P (Bi ) est appelé probabilité a priori de Bi et P (Bi =A) est appelé probabilité a poste-
riori de Bi :

Preuve 3.4 On a

P (A \ Bi ) = P (Bi )P (A=Bi ) = P (A)P (Bi =A)

d’où l’on tire

P (Bi )P (A=Bi )
P (Bi =A) = : (3.1)
P (A)
Mais n n
A=A\ =A\ [ Bk = [ (A \ Bk ):
k=1 k=1

Comme les A \ Bk sont 2 à 2 disjoints, on obtient

X
n X
n
P (A) = P (A \ Bk ) = P (Bk )P (A=Bk ): (3.2)
k=1 k=1

En remplaçant dans (3.1) P (A) par sa valeur dans (3.2), on a le résultat.

Interprêtation du théorème de Bayes

Les Bi sont parfois appelés les causes de l’évènement A; la réalisation de A étant dûe à
une et une seule de ces causes. A est alors considéré comme une conséquence. La formule
de Bayes permet alors de calculer la probabilité pour que telle cause soit responsable de
la réalisation de A.

Exemple 3.3 Dans une usine, le montage de 30% des appareils est e¤ectué par un spé-
cialiste hautement quali…é et celui de 70% par un spécialiste de quali…cation moyenne. La
…abilité de fonctionnement de l’appareil est de 0.9 au cas où le montage a été e¤ectué par
un spécialiste hautement quali…é, et de 0.8 si le montage a été e¤ectué par un spécialiste
de quali…cation moyenne. Un appareil choisi au hasard s’est avéré d’un fonctionnement
…able. Calculons la probabilité que son montage ait été e¤ectué par un spécialiste haute-
ment quali…é.

Exemple 3.4 Sur 1000 PME, 50 font faillite dans une année. Sur 1000 grandes entre-
prises, 3 font faillite dans une année. Une entreprise fait faillite, déterminer la probabilité
que ce soit une PME. Il y a 90% de PME dans l’ensemble des entreprises.

13
Chapitre 4

Variables aléatoires réelles

4.1 Généralités
4.1.1 Dé…nition
Soit ( ; A; P ) un espace probabilisé, ( 0 ; B) un espace probabilisable tel que 0

R; X : ! 0 une application.
1
Dé…nition 4.1 X est une variable aléatoire réelle (v.a.r) si 8B 2 B; X (B) 2 A:

Donc X est une v.a.r si l’image réciproque d’un évènement est un évènement.

Remarque 4.1 Pour une application dé…nie sur et à valeurs dans 0 ; le fait d’être
0
une v.a.r dépend des tribus A et B sur et respectivement. Ainsi en changeant les
tribus A et B, l’application peut tantôt être une v.a.r, tantôt cesser de l’être. La propriété
d’être une v.a.r n’est donc pas une propriété intrinsèque (c’est à dire liée à la dé…nition)
de l’application comme la propriété de continuité dans R par exemple.

Remarque 4.2 Cependant on ne véri…era jamais que nos "v.a.r" satisfont la condition
de la dé…nition précédente.

4.1.2 Loi de probabilité d’une v.a.r

0
Si X : ! est une v.a.r, on dé…nit l’application

PX : B ! [0; 1]
1
B 7 ! P (X (B)):
1
On peut encore noter PX = P X :

Théorème 4.1 PX est une probabilité sur ( 0 ; B): La probabilité PX est appelée loi de
probabilité ou distribution de probabilité de la v.a.r X: PX est encore appelée probabilité
image de P par X.

Remarque 4.3 La v.a.r X tranforme donc la probabilité P sur ( ; A) en une autre

probabilité PX sur ( 0 ; B):

14
4.1.3 Fonction de répartition
Dé…nition 4.2 On appelle fonction de répartition de la v.a.r X, la fonction F : R !
[0; 1] dé…nie par : 8x 2 R; F (x) = P (X x) = PX (] 1; x]): C’est la probabilité que
X prenne une valeur x:

Théorème 4.2 Soit F la fonction de répartition de la v.a.r X: Alors :

(i) F est croissante.
(ii) F est continue à droite.
(iii) lim F (x) = 0 et lim F (x) = 1
x! 1 x!+1

Remarque 4.4 L’ensemble image de par X; X( ); peut être …ni, dénombrable ou

continu. Lorsque X( ) est …ni ou dénombrable, la v.a.r X est dite discrète. Si X( ) est
continu, la v.a.r est dite absolument continue.

4.2 V.A.R discrètes

Dans ce cas, on choisit en général A = P( ) et B = P( 0 ): Toute application de
dans 0 est alors une v.a.r.

4.2.1 Loi de probabilité de X:

Dé…nition 4.3 La loi de probabilité de la v.a.r X est réprésentée par l’application

p: X( ) ! [0; 1]
x 7 ! px = PX (fxg)):

On a encore px = PX (fxg) = P (X 1 (fxg)) probabilité de l’élément x de X( ):

Lorsque le nombre d’éléments de X( ) est petit, on présente la loi de probabilité de
X dans un tableau.

Notation 4.1 P (X 1 (fxg)) est encore noté P ([X = x]) ; donc X 1 (fxg) = f! 2 ; X(!) = xg est
noté [X = x] : P (X = x) est alors la probabilité que la v.a.r X prenne la valeur x:

Notation 4.2 De façon générale, si X est une v.a.r, on utilise les notations abrégées :

f! 2 ; X(!) ag se note [X a]
f! 2 ; X(!) < ag se note [X < a]
f! 2 ; X(!) ag se note [X a]
f! 2 ; X(!) > ag se note [X > x]
f! 2 ; a X(!) bg se note [a X b]
f! 2 ; a < X(!) bg se note [a < X b]
f! 2 ; a X(!) < bg se note [a X < b]
f! 2 ; a < X(!) < bg se note [a < X < b]

4.2.2 Fonction de répartition de X

Dé…nition 4.4 (Rappel) C’est, la fonction F : R ! [0; 1] dé…nie par : 8x 2 R; F (x) =
P (X x) :

15
Théorème 4.3 Soit X une v.a.r discrète prenant les valeurs (xi )ni=1 avec les probabilités
respectives (pi )ni=1 :
(i) La fonction de répartition de X est dé…nie par
8
< 0 si x 2] 1; x1 [
F (x) = p1 + p2 + ::: + pi 1 si x 2 [xi 1 ; xi [; i = 2; 3; :::; n
:
1 si x xn :
(ii) pi = P (X = xi ) = F (xi ) F (xi 1 ); i = 2; 3; :::; n:
Preuve 4.1 Découle de la dé…nition de F.

4.2.3 Opérations sur les v.a.r

– Soit X une v.a.r dé…nie sur ; c et deux réels. Les v.a.r X + c et X sont dé…nies
sur par
8! 2 (X + c)(!) = X(!) + c
8! 2 ( X)(!) = X(!)
Si X( ) = fx1 ; x2 ; :::; xn ; :::g est l’ensemble image de X; alors
(X + c)( ) = fx1 + c; x2 + c; :::; xn + c; :::g
( X)( ) = f x1 ; x2 ; :::; xn ; :::g
sont les ensembles images respectifs de X + c et X: Les lois de probabilité sont
dé…nies par
P (X + c = x) = P (X = x c)
P ( X = x) = P (X = x ) ( 6= 0):
– Soient X et Y deux v.a.r dé…nies sur :
– La somme X + Y est la variable aléatoire dé…nie sur par
8! 2 (X + Y )(!) = X(!) + Y (!):
L’ensemble image de Z = X + Y est formée de réels zk tels que zk = xi + yj: La
probabilité image (ou loi de probabilité) est alors
X
P (Z = zk ) = pij
(i;j)

la sommation étant faite sur l’ensemble des couples (i; j) tels que zk = xi + yj :
– Le produit XY est la variable aléatoire dé…nie sur par
8! 2 (XY )(!) = X(!)Y (!):
L’ensemble image de T = XY est formée de réels tk tels que tk = xi yj: La
probabilité image (ou loi de probabilité) est alors
X
P (Z = zk ) = pij
(i;j)

la sommation étant faite sur l’ensemble des couples (i; j) tels que tk = xi yj :
– sup(X; Y ) et inf(X; Y ) sont les v.a.r dé…nies par
8! 2 ; sup(X; Y )(!) = sup(X(!); Y (!)) et inf(X; Y )(!) = inf(X(!); Y (!))
Notons qu’en général, on n’a pas sup(X; Y ) = X ou bien sup(X; Y ) = Y (resp.
inf(X; Y ) = X ou bien inf(X; Y ) = Y ): Pour certains ! 2 ; sup(X; Y )(!) =
X(!) et pour les autres sup(X; Y )(!) = Y (!): Il en est de même pour inf(X; Y ):

16
4.2.4 Espérance mathématique de X
Soit X une v.a.r discrète dé…nie de ( ; P( ); P ) à valeurs dans ( 0 ; P( 0 )); de loi de
probabilité PX :

Dé…nition 4.5 On appelle espérance mathématique de X, le nombre réel noté E(X), s’il
existe, dé…ni par X
E(X) = X(!)P (f!g) : (4.1)
!2

Propriétés
– E(X + Y ) = E(X) + E(Y ): L’espérance mathématique de la somme de deux v.a.r
est la somme de leurs espérances mathématiques.
– E( X) = E(X) pour tout réel :

Remarque 4.5 Ainsi E est une forme linéaire sur l’espace vectoriel des v.a.r dé…nies
sur ( ; P( ); P ):

Expression équivalente de E(X)

1
Posons X( ) = fx1 ; x2 ; :::; xn ; :::g ; I = f1; 2; :::; n; :::g et k =X (fxk g) = [X = xk ] ; k 2
I: Les k ; k 2 I forment une partition de : On a :
X
E(X) = X(!)P (f!g)
!2
XX
= X(!)P (f!g)
k2I !2 k
XX
= xk P (f!g)
k2I !2 k
X X
= xk P (f!g)
k2I !2 k
X
= xk P ( k)
k2I
X
= xk P (X = xk ) :
k2I

Donc X
E(X) = xk P (X = xk ) : (4.2)
k2I

On retrouve ici la formule classique de calcul de E(X): Dans (4.1) les calculs sont faits à
partir de l’espace de départ ; alors que dans (4.2) ils sont faits dans l’espace d’arrivée.
Intreprétation
Le tableau donnant la loi de probabilité de X peut être considéré comme le tableau
des fréquences d’un caractère statistique qui prend les modalités x1 ; x2 ; :::; xn ; ::: avec les
fréquences respectives P (X = x1 ) ; P (X = x2 ) ; :::; P (X = xn ) ; :::: Dans ces conditions
E(X) est exactement la moyenne du caractère statistique. Ainsi E(X) s’interpréte comme
la valeur moyenne que prend la v.a.r X:

17
4.2.5 Variance et écart-type de X
Dé…nition 4.6 - On appelle variance de X, le nombre réel noté V(X), s’il existe, dé…ni
par X
V (X) = (X(!) E(X))2 P (f!g) :
!2

- L’écart-type de X est p
(X) = V (X):

Comme dans le cas de E(X); avec les mêmes notations, on a la formule équivalente :
X
V (X) = (xk E(X))2 P (X = xk ) :
k2I

Théorème 4.4 (Formule de Koënig) On a encore

V (X) = E(X 2 ) (E(X))2 :

Interprétation
V (X) est la moyenne des carrés des écarts à la moyenne E(X); l’écart-type (X)
est la moyenne quadratique des écarts à la moyenne. Il mesure la dispersion de la v.a.r
X autour de sa moyenne E(X):

Remarque 4.6 Si X( ) est …ni, les quantités précédentes existent. Cependant si X( ) est
dénombrable et in…ni, l’existence de ces quantités est liée à la convergence des séries qui
les dé…nissent.

4.2.6 Moments d’une variable aléatoire

Soit f une fonction dé…nie sur X( ): On dé…nit sous reserve d’existence, les moments
suivants : X
E(f (X)) = f (x)P (X = x):
x2X( )

En particulier pour les fonctions puissances entières, on a :

Dé…nition 4.7 (i) On appelle moment d’ordre k de X, la quantité

X
E(X k ) = xk P (X = x):
x2X( )

h i
(ii) E (X E(X))k est appelé moment centré d’ordre k de X:

Ainsi, l’espérance mathématique de X est le moment d’ordre 1 de X et la variance le

moment centré d’ordre 2.

4.3 V.A.R continues

On ne peut plus choisir A = P( ) ou B = P( 0 ): A (resp. B) est une tribu de parties
de (resp. 0 ) di¤érente de P( ) (resp. P( 0 ):

18
4.3.1 Loi de probabilité de X
La loi de probabilité de X est alors dé…nie par l’intermédiaire d’une densité de proba-
bilité. C’est une fonction f : X( ) ! R telle que
(i) fR (x) 0 8x 2 X( ) et
(ii) X( ) f (x)dx = 1:
Dans ce cas, si [a; b] X( );
Z b
P (X 2 [a; b]) = P (a X b) = f (x)dx:
a
Donc
Z b
P (a X b) = P (a X < b) = P (a < X b) = P (a < X < b) = f (x)dx:
a

Remarque 4.7 Si X est une v.a.r continue, la probabilité que X prenne une valeur isolée
x est nulle. Ceci signi…e que 8x 2 X( ); P (X = x) = 0:
Montrons ce dernier résultat
Pour tout " > 0; on a 0 P (X = x) P (x " < X x) = F (x) F (x ") où
F est la fonction de répartition de X: En prenant la limite quand " tend vers 0, on a le
résultat car F est continue (voir ci-dessous).

4.3.2 Fonction de répartition de X:

Dé…nition 4.8 C’est F : R ! [0; 1] dé…nie par
Z x
F (x) = P (X x) = f (t)dt:
1

Propriétés
Soit F la fonction de répartition de X:
(i) F est croissante.
(ii) F est continue.
(iii) lim F (x) = 0 et lim F (x) = 1
x! 1 x!+1
(iv) F 0 (x) = f (x)

4.3.3 Espérance mathématique, variance et écart-type de X:

Espérance mathématique de X
Dé…nition 4.9 C’est la quantité notée E(X); si elle existe, dé…nie par
Z
E(X) = xf (x)dx:
X( )

Variance de X
Dé…nition 4.10 C’est la quantité notée V (X); si elle existe, dé…nie par
Z
V (X) = (x E(X))2 f (x)dx:
X( )

Théorème 4.5 (Formule de Koënig) On a

V (X) = E(X 2 ) (E(X))2 :

19
Ecart-type de X
Dé…nition 4.11 C’est (X) dé…ni par
p
(X) = V (X):

Remarque 4.8 E(X); V (X) et (X) ont la même interpêtation et les mêmes propriétés
que pour les variables discrètes.

4.3.4 Moments d’une variable aléatoire

De façon analogue, et sous reserve d’existence, on dé…nit les moments suivants :
Z
E(h(X)) = h(x)f (x)dx
X( )

pour toute fonction h dé…nie sur X( ): En particulier pour les fonctions puissances en-
tières, on a :

Dé…nition 4.12 (i) On appelle moment d’ordre k de X, la quantité

Z
k
E(X ) = xk f (x)dx:
X( )
h i
(ii) E (X E(X))k est appelé moment centré d’ordre k:

4.4 Indépendance de deux v.a.r

Soit ( ; A; P ) un espace probabilisé, ( 1 ; B1 ) et ( 2 ; B2 ) deux espaces probabilisables.
X et Y deux v.a.r dé…nies dans ; à valeurs respectivement dans 1 et 2 :

X 1 (B1 ) = fX 1 (B1 ); B1 2 B1 g est une sous tribu de A:

Y 1 (B2 ) = fY 1 (B2 ); B2 2 B2 g est également une sous tribu de A:
1 1
Les deux sous tribus X (B1 ) et Y (B2 ) de A peuvent être indépendantes ou non.

Dé…nition 4.13 On dit que les v.a.r X et Y sont indépendantes (relativement à P) si les
deux sous tribus X 1 (B1 ) et Y 1 (B2 ) sont indépendantes.

La dé…nition précédente est équivalente à : X et Y sont indépendantes si : 8B1 2

B1 ; 8B2 2 B2 ;
1 1 1 1
P X (B1 ) \ Y (B2 ) = P X (B1 ))P (Y (B2 ) = PX (B1 )PY (B2 )

Lorsque les v.a.r X et Y sont discrètes, X et Y sont indépendantes si : 8(! 1 ; ! 2 ) 2

1 2;

1 1 1 1
P X (! 1 ) \ Y (! 2 ) = P X (! 1 ))P (Y (! 2 ) = PX (! 1 )PY (! 2 )

ou encore : 8(! 1 ; ! 2 ) 2 1 2;

P (X = ! 1 ; Y = ! 2 ) = P (X = ! 1 )P (Y = ! 2 ):

20
Chapitre 5

Lois de probabilité

Nous présentons ici les principales lois de probabilité que l’on rencontre en pratique.
Rappelons que :
Une loi discrète est connue si on se donne :
- X son ensemble de valeurs possibles et
- P (X = x) la probabilité de l’élément x de X:
Une loi continue est connue si on se donne f (x) sa densité de probabilité ; c’est une
fonction de R vers R+ dont l’intégrale sur R est égale à 1.
Si X est une v.a.r qui suit la loi L, nous noterons X # L.

5.1 Loi de Bernoulli B(1; p); 0 p 1:

Elle est dé…nie par :
- X = f0; 1g et
- P (X = 1) = p ( donc P (X = 0) = 1 p ).
Si X # B(1; p); alors E(X) = p et V arX = p(1 p):
Sa fgm1 est (en posant q = 1 p)

MX (t) = q + pet

Condition d’application
On considère une expérience aléatoire ayant 2 résultats possibles et 2 seulement : E1
succès et E2 echec par exemple, avec P (E1 ) = p et P (E2 ) = 1 p: Une telle expérience
est appelée expérience de Bernoulli. On dé…nit la v.a.r X par :

1 si succès
X= .
0 si échec.

La loi de probabilité de X est la loi B(1; p):

5.2 Loi binomiale B(n; p); 0 p 1:

Elle est dé…nie par :
- X = f0; 1; 2; :::; ng:
- P (X = x) = Cnx px (1 p)n x :
Si X # B(n; p), alors E(X) = np et V arX = np(1 p):
1
La fonction génératrice des moments (fgm) de X est dé…nie par MX (t) = E(etX ): Cette notion sera
étudiée ultérieurement.

21
 Sa fgm est
MX (t) = (q + pet )n
Condition d’application
On repète n fois une expérience de Bernoulli et les n essais sont supposés indépendants.
Soit X la v.a.r égale au nombre de succès obtenus à l’issue des n essais. La loi de probabilité
de X est une loi B(n; p):
Remarque 5.1 La loi issue d’une expérience de Bernoulli est une loi de Bernoulli. Une
loi de Bernoulli est donc une loi B(1; p): On en déduit qu’une v.a de loi B(n; p) est la
somme de n v.a de Bernoulli indépendantes de loi B(1; p): En e¤et dé…nissons la v.a.r
1 si succès au ieme essai
Xi =
0 si echec.
Alors Xi # B(1; p); de plus X1 ; X2 ; :::; Xn sont des v.a.r indépendantes et on a X =
Pn
Xi :
i=1

Théorème 5.1 Si X # B(n; p) et Y # B(m; p), X et Y indépendantes, alors X + Y #

B(n + m; p):

5.3 Loi de Poisson P( ); 2 R+ :

Elle est dé…nie par :
- X = N:
x
- P (X = x) = e x! :
Si X # P( ); alors E(X) = et V arX = :
Sa fgm est
(et 1)
MX (t) = e
Théorème 5.2 Si X # P( ) et Y # P( ); X et Y indépendantes, alors X + Y #
P( + ):
Condition d’application
I On rencontre généralement une loi de Poisson lorsqu’on étudie un phénomène rare :
nombre d’accidents mortels survenus à un carrefour pendant une journée, nombre de
naissances de quadruplets dans un grand hôpital au cours d’une année,....
I La loi de Poisson intervient également dans l’étude des phénomènes de …le d’attente ;
on parle alors de processus de Poisson. On peut citer par exemple : le nombre d’appels
à un standard téléphonique, nombre d’arrivées de clients à un guichet, nombre d’arrivées
de voitures à un poste de péage d’automobiles..

5.4 Loi multinômiale M(n; p1; p2; :::; pk ):

C’est la généralisation de la loi binômiale à plus de 2 évènements E1 ; E2 ; :::; Ek tels
P
k
que P (Ei ) = pi et pi = 1:
i=1
Lors d’une expérience aléatoire, on obtient un des k résultats possibles. Lorsque l’ex-
périence est repétée n fois de façon indépendante, la probabilité d’obtenir les résultats
suivants : E1 ; x1 f ois; :::; Ek ; xk f ois est donnée par :
n!
P (X1 = x1 ; X2 = x2 ; :::; Xk = xk ) = px1 1 px2 2 :::pxk k
x1 !x2 !:::xk !

22
où Xi est la v.a égale au nombre d’apparitions de l’évènement Ei au cours des n repetitions.
On dit alors que le vecteur aléatoire X = (X1 ; X2 ; :::; Xk ) suit la loi multinômiale
M(n; p1 ; p2 ; :::; pk ): On a :
P
k
X = f(x1 ; x2 ; :::; xk ) : xi = 0; 1; :::; n; i = 1; :::; k avec xi = ng:
i=1
8i = 1; :::; k Xi # B(n; pi ); donc E(Xi ) = npi et V arXi = npi (1 pi ):

5.5 Loi géometrique G(p):

Elle est dé…nie par :
-X=N :
- P (X = x) = (1 p)x 1 p; p 2 [0; 1]:
Si X # G(p), alors E(X) = p1 et V arX = 1p2p :
Sa fgp2 est
X
+1
PX (t) = pk tk
k=1
X
+1
= (1 p)k 1 ptk
k=1
X
+1
= p (1 p)k tk+1
k=0
X
+1
= pt [t(1 p)]k
k=0
pt 1
= (si jt(1 p)j < 1; c-à-d jtj < ):
1 t(1 p) 1 p
Condition d’application
Lors d’une expérience de Bernouilli, on note X la v.a égale au nombre de répétitions
de l’expérience pour avoir …nalement un succès au dernier essai. Si p est la probabilité
d’obtenir un succès lors d’une expérience, X # G(p):
Quelques résultats asymptôtiques

Théorème 5.3 Soit (Xn )n2N une suite de v.a telles que Xn # B(n; p): Si n ! +1;
p ! 0 et np ! ; alors Xn converge en loi vers la loi de Poisson P( ).

Théorème 5.4 Soit (Xn )n2N une suite de v.a telles que Xn # B(n; p): Si n ! +1 ( p
reste …xe ) alors Xpnnpqnp converge en loi vers la loi normale centrée reduite N (0; 1):

5.6 Loi continue uniforme sur [a; b]; U[a;b]

Dé…nition 5.1 Soient a et b 2 réels tels que a < b: Une v.a.r X suit la loi uniforme
sur l’intervalle [a; b] si sa densité f est constante sur [a; b] et nulle à l’extérieur de cet
intervalle, soit
1
b a
si a x b
f (x) = :
0 sinon
2
La fonction génératrice des probabilités (fgp) de X v.a à valeurs entières est dé…nie par PX (t) =
E(tX ): Cette notion sera étudiée plus tard.

23
 1
Remarque 5.2 Nous noterons encore f (x) = 1 (x)
b a [a;b]
où 1A est la fonction indicatrice
de A, A R; 1A est dé…nie par
1 si x 2 A
1A (x) = :
0 sinon
Fonction de répartition de X
Elle est dé…nie par 8
< 0 si x < a
x a
F (x) = b a
si a x b
:
1 si x > b
Les moments
On peut aisement véri…er que
a+b (b a)2
E(X) = et V (X) = :
2 12
Remarque 5.3 La loi uniforme de réference est la loi U[0;1] : Si X # U[a;b] alors Y =
X a
b a
# U[0;1] et réciproquement si Y # U[0;1] alors X = (b a)Y + a # U[a;b] :

5.7 Loi normale ou loi de Laplace-Gauss N ( ; ):

Dé…nition 5.2 Une v.a.r X suit une loi normale de paramètres et ; si sa densité g a
pour expression " #
2
1 1 x
g(x) = p exp ; x 2 R:
2 2

Les paramètres sont notés et du fait qu’ils correspondent respectivement à la

moyenne et à l’écart-type de X (voir preuve après).
R +1
Remarque 5.4 On a bien 1 g(x)dx = 1:

5.7.1 Loi normale centrée reduite N (0; 1):

Pour = 0 et = 1; on a la loi normale centrée reduite.

Dé…nition 5.3 Une v.a.r T suit la loi normale centrée reduite si sa densité de probabilité
est
1 t2
f (t) = p exp ; t 2 R:
2 2
La variable est centrée car sa moyenne est nulle et reduite car sa variance est 1.

Proposition 5.1 Si X # N ( ; ) alors T = X

# N (0; 1):

Preuve 5.1 Soient FX et FT les fonctions de répartition de X et T respectivement, alors

X
FT (t) = P (T t) = P ( t) = P (X + t) = FX ( + t):

En dérivant FX et FT on obtient
" #
2
1 1 + t 1 t2
fT (t) = fX ( + t) = p exp = p exp :
2 2 2 2

24
 Réciproquement, on montre que si T # N (0; 1) alors X = + T # N ( ; ) et plus
généralement, ceci implique que toute fonction linéaire d’une v.a.r gaussienne est une v.a.r
gaussienne.
Fonction génératrice des moments
Soit u 2 R

Z +1 Z +1 u2 Z +1
uT 1 t2 1 1
u)2 u2 e2 1 2
MT (u) = E(e ) = eut p e 2 dt = p e 2
(t
e dt = p
2 e 2
z
dz
1 2 2 1 2 1

d’où
u2
MT (u) = e 2 :
Calculons E(T ) et V (T ):
u2
MT0 (u) = ue 2 et E(T ) = MT0 (0) = 0:
u2
MT00 (u) = (1 + u2 )e 2 et V (T ) = E(T 2 ) = MT00 (0) = 1
Représentation graphique de f
Ce graphique est appelé la courbe de Gauss, ou courbe en cloche.

Donc pour une loi normale centrée reduite N (0; 1); la quasi totalité des observations
sont rassemblées dans un intervalle de longueur 6 autour de l’origine. Il s’ensuit que pour
N (m; ); la quasi-totalité des observations sont rassemblées dans un intervalle de six
écart-types autour de la moyenne.
Fonction de repartition :
Elle est notée et est dé…nie par
Z t Z t
1 x2
(t) = P (T t) = f (x)dx = p e 2 dx:
1 2 1

C’est l’aire de la partie hachurée :

Pour tout t; on a
( t) = 1 (t):
Table de (t)
Elle donne la valeur de (t) pour t 0: Comme ( t) = 1 (t); on calcule facilement
(t) quand t < 0:

25
 Quelques valeurs particulières
A partir de la table de la fonction de répartition de N (0; 1) (donc celle de ); on peut
obtenir les quantiles d’ordre 0.95, 0.975, 0.99 et 0.995. On a
(1:645) = 0.95
(1:96) = 0.975
(2:326) = 0.99
(2:57) = 0.995
On en deduit que si X # N ( ; ); alors
P( 1:645 X + 1:645 ) = 0:9
P( 1:96 X + 1:96 ) = 0:95
P( 2:326 X + 2:326 ) = 0:98
P( 2:57 X + 2:57 ) = 0:99

5.7.2 Cas de N ( ; )
X
Soit X une v.a.r qui suit la loi N ( ; ): Posons T = ; T suit la loi N (0; 1).
Fonction génératrice des moments
( u)2
MX (u) = E(euX ) = E(eu( + T)
) = e u E(e uT
) = e ue 2

d’où
u+ 12 2 u2
MX (u) = e :
En dérivant cette fonction une première fois et ensuite une deuxième fois, on trouve
successivement E(X) = et V (X) = 2 : Ces 2 moments peuvent être obtenus à partir
de la relation X = + T et en utlisant les valeurs E(T ) = 0 et V (T ) = 1:
Fonction de répartition
Notons FX la fonction de répartition de X: On a
x x
FX (x) = P (X x) = P (T )= :

On en déduit que si x est le quantile d’ordre de N ( ; ); alors x = + t où t est

le quantile d’ordre de N (0; 1):
Exemple 5.1 Soit X # N (5; 2): Calculer P (X 9); P (X 8:36) et P (6 X
8):
Nous donnons maintenant une propriété importante pour les développements statis-
tiques.
Proposition 5.2 Toute combinaison linéaire de v.a.r gaussiennes indépendantes est une
v.a.r gaussienne.
Preuve 5.2 Il su¢ t de démontrer cela avec 2 v.a.r, la généralisation à plusieurs va-
riables se fait de proche en proche. De plus, si X est gaussienne alors Y = aX est
aussi gaussienne. Il su¢ t de montrer que : si X1 # N ( 1 ; 1 ); X2 # N ( 2 ; 2 ); X1 et
X2 indépendantes, alors X1 + X2 suit une loi gaussienne. On a
MX1 +X2 (t) = MX1 (t)MX2 (t)
2 2
1 2 2 2
= exp 1t + t exp 2t + t
2 2
1 2 2
= exp ( 1 + 2 )t + 1 + 2 t2
2
p
2 2
qui est la fgm de la loi N ( 1+ 2; 1 + 2 ):

26
Remarque 5.5 La proposition précedente n’est pas vraie si les v.a.r sont dépendantes.
Ainsi X1 et X2 peuvent avoir des lois marginales gaussiennes, sans pour au tant que toute
combinaison linéaire de celle-ci soit gaussienne, car cela depend de la nature de leur loi
conjointe.
Corollaire 5.1 Soient X1 ; X2 ; :::; Xn n v.a.r indépendantes de loi N ( ; ): Alors X n =
1
P
n
n
Xi suit la loi N ( ; pn ):
i=1

Conditions d’application
- Si une variable X est la résultante d’un très grand nombre de causes indépendantes
se composant de manière additive, chacune de ces causes ayant un e¤et négligeable devant
l’e¤et global, alors X est distribué suivant une loi normale.
- La loi normale peut être obtenue comme limite de autres lois de probabilité. On peut
citer la loi binomiale, la loi de Poisson, la loi de Student, la loi du Chi-deux etc....
- la loi normale est également obtenue comme loi limite de la moyenne d’un gros
échantillon : c’est le théorème central limite.
Proposition 5.3 (Théorème central limite) Soient X1 ; X2 ; :::; Xn n v.a.r indépendantes
et de même loi (on note encore iid) de moyenne et de variance 2 : On pose X n =
P
n
1
n
Xi : Alors X np converge en loi vers N (0; 1):
i=1 n

5.7.3 Quelques approximations par la loi normale

Approximation de la loi binomiale par la loi normale
Théorème 5.5 Soit une loi B(n; p) telle que :
n ! +1:
p n’est pas très voisin de 0, ni de 1.
p
Alors B(n; p) t N (np; npq)
Remarque 5.6 En pratique, si les produits np et nq dépassent 15 à 20 unités, on ap-
p
proxime la loi B(n; p) par la loi N (np; npq): Cette approximation est d’autant meilleure
que p et q sont plus voisins de 12 :
p
Remarque 5.7 Soit X # B(n; p): Si on approxime B(n; p) par N (np; npq); on a :
b + 0:5 np a 0:5 np
P (a X b) = p p (5.1)
npq npq

Approximation de la loi de Poisson par la loi normale

Théorème
p 5.6 Soit une loi de Poisson P( ) telle que ! +1: Alors P( ) t
N( ; ):
p
Remarque 5.8 En pratique, on remplace la loi P( ) par la loi N ( ; ); dès que 20:
p
Soit X # P( ):Si on approxime P( ) par N ( ; ); alors
b + 0:5 a 0:5
P (a X b) = p p : (5.2)

Dans les formules de calcul 5.1 et 5.2, l’on a ajouté 0.5 à la borne supérieure b et l’on
a retranché 0.5 à la borne inférieure a: Ceci est dû au fait que dans les 2 cas, l’on passe du
discret au continu et pour cela il faut corriger les données pour calculer les probabilités :
c’est la correction de continuité.

27
5.8 La loi lognormale LN ( ; )
Dé…nition 5.4 Soit X une v.a.r à valeurs strictement positives. On dit que X suit une
loi lognormale de paramètres et si ln X suit une loi N ( ; ):

Fonction de répartition et densité de X:

Posons Y = ln X: On a
ln x
F (x) = P (X x) = P (eY x) = P (Y ln x) =

et en dérivant on obtient la densité

1
p exp 2
1
2 (ln x )2 si x > 0
f (x) = x 2 :
0 si x 0:

Moments
k+ 12 2 k2
E(X k ) = E(ek ln X ) = E(ekY ) = GY (k) = e :
Pour k = 1 puis k = 2; on obtient :
2
E(X) = e + 2
2
E(X 2 ) = e2 +2

d’où
2 2
V (X) = e2 +
(e 1):
Conditions d’application
1. Par analogie à la loi normale, si X est la resultante d’un très grand nombre de causes
indépendantes, à e¤ets positifs, se composant de manière multiplicative, chacune de
ces causes ayant un e¤et négligeable devant l’e¤et global, alors X est distribuée
suivant la loi lognormale.
2. La loi lognormale est souvent un bon modèle pour les v.a.r strictement positives
ayant une distribution asymétrique avec allongement vers les valeurs elevées. En
particulier on rencontre ce type de variable dans les domaines biologique (poids des
personnes par exemple), économique (distribution de salaires, de revenus, de chi¤res
d’a¤aire), physique (les caractéristiques d’un matériel : résistance, conductiblité,
dureté,...) et télécommunication (durée d’un appel téléphonique).

5.9 Loi exponentielle; E( )

Dé…nition 5.5 Une v.a.r X suit la loi exponentielle de paramètre ; si sa densité est

e x si x 0
f (x) = :
0 si x < 0
x
ou encore f (x) = e :1R+ (x):

Fonction de répartition
Elle est dé…nie par
x
1 e si x 0
F (x) = :
0 si x < 0

28
 Fonction génératrice des moments
Z +1 Z +1
tX
MX (t) = E(e ) = etx e x
dx = e(t )x
dx
0 0

Posons u = (t )x et supposons t < pour la convergence de l’intégrale, on obtient

Z 0
MX (t) = eu du = :
t 1 t

Moments
On a
2
MX0 (t) = et MX00 (t) = :
( t)2 ( t)3
On en deduit
1 2
E(X) = MX0 (0) = ; E(X 2 ) = MX00 (0) = 2

donc
2 1 1
V (X) = E(X 2 ) (E(X))2 = 2 2 = 2:

Condition d’application
I Un processus de Poisson compte le nombre d’occurrences d’un évènement dans
l’intervalle ]0; t]; la loi de Poisson est le nombre d’occurrences dans une unité de temps.
La loi exponentielle est celle du temps X s’écoulant entre 2 occurences successives lors
d’un tel precssus.
Le paramètre de E( ) est le nombre moyen d’occurrences par unité de temps, 1 est
donc la durée moyenne entre 2 occurrences successives. On reparamétrise souvent E( ) en
posant = 1 ; d’où
1 x
f (x) = e ; x 0

qui met en évidence sa moyenne E(X) = et sa variance devient alors V (X) = 2 :

I La loi E( ) est également le modèle de durée de vie pour un système (idéal) sans
usure, 1 étant l’espérance de vie du sytème. En e¤et par un calcul simple, on montre que
P (X > t+h = X > t) = P (X > h); ce qui signi…e que l’âge du système ne joue aucun rôle
quant aux chances de survie à un horizon, puisque la probabilité précédente ne dépend
pas de t: On dit encore que la loi exponentielle est sans mémoire.

5.10 Loi gamma (r; )

P
r
Dé…nition 5.6 Soient X1 ; X2 ; :::; Xr r v.a.r i.i.d, de loi E( ); et T = Xi : Alors T suit
i=1
une loi appelée loi gamma de paramètres r et ; notée (r; ); de densité de probabilité
r
(r 1)!
xr 1 e x
si x 0
f (x) = :
0 si x < 0

Des propriétés des sommes des v.a.r i.i.d, on déduit immédiatement

r
r r
E(T ) = ; V (T ) = 2; et MT (t) = si t < :
t

Généralisation

29
 On généralise la loi (r; ) à une valeur de r non entière mais strictement positive, en
remplaçant dans la densité, l’expression (r 1)! par la fonction gamma d’Euler dé…nie
par Z +1
8r > 0; (r) = xr 1 e x dx:
0
Ainsi cette loi de probabilité doit son nom à cette fonction.

Dé…nition 5.7 Soient r et 2 paramètres strictement positifs. On dit qu’une v.a.r X

suit la loi (r; ); si sa densité de probabilité est dé…nie par :
( r
R +1
x 1 e x dx
r
xr 1 e x si x 0
f (x) = 0
0 si x < 0

La fonction de répartition de cette loi n’est pas explicite et nécessite le recours à un

logiciel.
Le moment d’ordre k a pour expression

(r + k)
E(T k ) = k
:
(r)

Propriétés
1 p de (r)
- 2
= p
3
- 2
= 2
- 8r > 0; (r + 1) = r (r)
- Si r 2 N ; (r) = (r 1)!
- (r) ' 1r si r ! 0:
Conditions d’application de (r; ); r 2 N
(r; ) modélise en particulier le temps séparant une occurrence de la rieme suivante
dans un processus de Poisson. Elle joue un rôle similaire à celui de la loi binomiale néga-
tive3 dans le processus de Bernouilli.

5.11 Loi du Chi-deux

Dé…nition 5.8 Si X suit une loi N (0; 1), alors Y = X 2 suit une loi du Chi deux à 1
y 1
dégré de liberté. Cette loi est notée X 2 (1): Sa densité est : f (y) = p12 e 2 :y 2 :1R+ (y):

Dé…nition 5.9 Soient X1 ; X2 ; :::; Xn n v.a indépendantes suivant toutes la loi N (0; 1):
Pn
Alors Y = Xi2 suit une loi du Chi deux à n dégrés de liberté. Elle est notée X 2 (n):
i=1

Si Y # X 2 (n); alors E(Y ) = n et V (Y ) = 2n:

Théorème 5.7 Si X # X 2 (n) et Y # X 2 (m); X et Y indépendantes, alors X + Y #

X 2 (n + m):

3
Cette loi compte le nombre de répétitions d’une expérience de Berboulli jusqu’au reme succès.

30