Probabilité

01/01/2019 1
 Chapitre 1
Analyse Combinatoire

01/01/2019 2
 Opérations ensemblistes

Soient  un ensemble A, B et C trois sous - ensembles de .

On définit les opérations ensemblistes suivantes :

 Intersection de A et B est l’ensemble: A  B  x   / x  A et x  B

 Réunion de A et B est l’ensemble: A  B  x   / x  A ou x  B

 Complémentaire de A est l’ensemble: A  CA  x  / x  A 

 La différence des ensembles A et B est l’ensemble:

A  B  A / B  x  / x  A et x  B  A  B

 La différence symétrique est l’ensemble: A B   A  B  /  A  B 

01/01/2019 Probabilité 3
 Propriétés des opérations ensemblistes

A B  B  A  A  B  x  A  x  B
A  B  A  B et A B  A  B (Lois de MORGAN)

A  B  x  , x  A  x  B  A  B et B  A

01/01/2019 Probabilité 4
 Propriétés des opérations ensemblistes

Plus généralement, si I  IN , et Ei iI est une famille d’ensembles de  alors :

 E  x  Ω/ i  I, x  Ε 
iI
i i

 E  x  Ω/ i  I, x  Ε 
iI
i i

Les lois de MORGAN généralisées sont données par:

E  E
iI
i
iI
i

Ε  Ε
iI
i
iI
i

01/01/2019 5
 Propriétés des opérations ensemblistes

Si on a:

Ω   Εi
iI

Εi  Ε j   i, j  I avec i  j

Εi  Ø i  I ,

Alors Εi iI forme une partition de 

Produit cartésien d’ensembles

Soient A et B sont deux ensembles non vides. On définit le produit cartésien de A et B

comme suit:

A  B  a, b / a  A et b  B

01/01/2019 6
 Propriétés des opérations ensemblistes

Plus généralement, si  Ai iI 1,2,..,n est une famille d’ensembles de 

alors on définit le produit cartésien des n ensembles Ai , 1  i  n comme suit :

 Ai  A1  A2  ...  An  a1 , a2 ,..., an  / ai  Ai , 1  i  n

n

i 1

Remarque:
Le produit cartésien n’est pas commutatif, c’est-à-dire dans le cas général on a :

A B  B  A

01/01/2019 Probabilité 7
 Analyse Combinatoire

 L’objectif de l’analyse combinatoire est le comptage des groupes d’éléments que l’on
peut construire à l’aide des éléments d’un ensemble fini.

 L’analyse combinatoire permet de répondre à plusieurs problèmes de calcul des

probabilités basés sur la détermination des choix possibles.

01/01/2019 8
 Eléments discernable et indiscernable

 Il existe deux types d’éléments qui forment les ensembles qui sont couramment étudiés:

 Eléments discernables:
Ce sont les éléments qui sont tous différents.

Exemple 1:   a, b, c, d 

 Eléments indiscernables:
Ce sont les éléments qui ne sont pas tous distingués.

Exemple 2 :   a, a, a, b, b, c, c, c, c, d , d 

01/01/2019 9
 Disposition

 La disposition est un groupe d’éléments pris d’un ensemble. On peut distinguer

plusieurs types de dispositions .

 Disposition sans répétition:

C’est une disposition dont chaque élément ne peut apparaitre plus qu’une fois.

Exemple 1 :
Soit une urne qui contient deux boules numérotées 1 et 2. On tire sans remise les deux
boules successivement.

Alors les résultats possibles sont: (1,2) et (2,1).

Donc les couples (1,2) et (2,1) sont des dispositions sans répétition.

01/01/2019 10
 Disposition

 Disposition avec répétition:

C’est une disposition dont chaque élément peut apparaitre plus qu’une fois.

Exemple 2 :
Soit une urne qui contient deux boules numérotées 1 et 2.
Supposons que la première boule tirée est remise dans l’urne avant de réaliser le
second tirage.

Alors les résultats possibles sont: (1,1) ; (1,2); (2,1) et (2,2).

Donc les couples (1,1) ; (1,2); (2,1) et (2,2) sont des dispositions avec répétition.

01/01/2019 11
 Disposition

 Disposition ordonnée:
C’est une disposition dont l’emplacement des éléments joue un rôle dans
la composition de celle-ci.

Exemple 1:

  1, 2,3, 4

 Disposition non ordonnée:

C’est une disposition dont l’emplacement des éléments ne joue aucune rôle dans
la composition de celle-ci.

Exemple 2 :

  2,1, 4,5,3,6

01/01/2019 12
 Multiplets

 Soient E1 ,E2,…,EN N ensembles formés d’éléments tous discernables.

Un multiplet est une disposition ordonnée a1 , a2 ,...a N  qui contient N éléments
où ai  Ei i  1,.., N 

 Le nombre de multiplets qu’on peut construire à partir des ensembles E1 ,E2,…,EN est
égale à : n  n1  n2  ...  nN

où ni  Card  Ei  , i  1, 2,.., n

Card  E  = « Cardinal de E » = nombre d’éléments d’un ensemble de E.

01/01/2019 13
 Multiplets
Exemple 1:
Pour avoir une tenue (une chemise , un pantalon et une paire de chaussures), une personne
peut choisir une chemise parmi 6 chemises, un pantalon parmi 5 pantalons et une paire de
chaussures parmi 3 paires de chaussures.
Alors cette personne peut s’habiller de 90  6  5  3 façons différentes.

Exemple 2:
Un investisseur financier peut choisir un portefeuille diversifié d’actions relatives à
divers secteurs d’activité: Une action parmi 6 du secteur agroalimentaire, une action
parmi 4 du secteur énergétique, et une action parmi 3 du secteur bancaire.

Alors le nombre de choix possibles pour un éventuel investissement est égal à :

72  6  4  3

01/01/2019 14
 Permutation sans répétition

 Une permutation sans répétition d’un ensemble de n éléments est une disposition
ordonnée de ces éléments dont chaque élément ne figure qu’ une seule fois et occupe
un rang donné.

 Le nombre de permutation sans répétition qu’ on peut former à partir d’un ensemble de
n éléments est égal à n!  n   n  1   n  2   ...  2 1

Exemple 1:
Les permutations qu’on peut construire à partir de l’ensemble E={a,b,c} sont:
(a,b,c),(a,c,b)
(b,a,c),(b,c,a)
(c,a,b),(c,b,a).
Le nombre de permutation est égal à 3!  3  2 1  6

01/01/2019 15
 Permutation sans répétition
Exemple 2:

Soit E un ensemble constitué de n lettres de l’alphabet. Etant donné un tableau formé de

p cases. On veut écrire une lettre dans chacune des cases de ce tableau.

Case 1 Case 2 ….… Case p

 Pour la case N°1, on va choisir une seule lettre parmi n lettres.

Alors on aura n choix possibles pour la première case.

 Dans notre cas , on suppose que p = n.

01/01/2019 16
 Permutation sans répétition

Une fois la case N°1 est occupée, il ne reste à choisir qu’:

 Une lettre parmi les (n-1) lettres restantes pour la case N° 2;

 Une lettre parmi les (n-2) lettres restantes pour la case N° 3;

……………………………

 La dernière lettre parmi restante pour la case N° p;

D’où le résultat:

Pn  n   n  1   n  2   ...  2 1

01/01/2019 17
 Permutation avec répétition

 Soit E un ensemble construit à partir de k sous-ensemble discernables E1, E2, …, Ek

et contient n éléments .

 Les Ei sont supposés discernables entre eux mais les éléments formant Ei ne le sont pas.
On a n  n1  n2  ...  nk où ni est le cardinal de Ei

Exemple:

L’ensemble E= {a,a,a,b,b,c,c,c,c} est formé de 3 groupes d’éléments discernables qui

sont :
E1= {a,a,a}
E2 ={b,b}
E3 ={c,c,c,c}.

01/01/2019 18
 Permutation avec répétition

 Une permutation avec répétition de n éléments d’un ensemble E est une disposition
ordonnée dont le premier élément figure n1 fois, le second n2 fois,… et le dernier
élément figure nk fois.

 Le nombre de permutation avec répétition est égal à

n!
Pn 
n1 !n2 !...nk !
Exemple:

Soit E = {7,1,7,1} , E1 = {1,1} et E2 = {7,7} Alors on aura :

1177, 1717, 1771, 7711,7171, 7117

4! 4  3  2 1 24
Le nombre est égal à : Pn    6
2!2! 2 1 2 1 4

01/01/2019 19
 Arrangements sans répétition

 Un arrangement sans répétition de p éléments choisis parmi n est une disposition

ordonnée sans répétition de p éléments choisis parmi n de E. On suppose que p < n.

Exemple:

Soit E = {a,b,c}, les arrangements sans répétition sont:

{a,b}, {a,c}
{b,a}, {b,c}
{c,a}, {c,b}

 Le nombre d’arrangement sans répétition de p éléments choisis parmi n est égal à

n!
Anp 
 n  p !

01/01/2019 20
 Arrangements sans répétition

Exemple 1:

Supposons qu’ on a 5 candidats A,B,C,D et E dans une assemblée qui vont élire un
bureau comprenant 3 personnes (président, vice-président et trésorier).
Alors le nombre de bureaux possibles est égale à

5! 5! 5  4  3  2 1 120
A53      60
 5  3! 2! 2 1 2

Exemple 2:

Etant donné 3 joueurs A,B et C qui lancent chacun un dé à six faces. Alors le nombre de
résultats possibles est égal à
6! 6! 6  5  4  3  2 1 720
A63      120
 6  3! 3! 3  2 1 6

01/01/2019 21
 Arrangements sans répétition
Exemple 3:

Soit E un ensemble constitué de n lettres de l’alphabet. Etant donné un tableau formé de

p cases. On veut écrire une lettre dans chacune des cases de ce tableau.

Case 1 Case 2 ….… Case p

 Pour la case N°1, on va choisir une seule lettre parmi n lettres. Alors on aura n choix
possibles pour la première case.

 Dans ce cas, on suppose que n > p et qu’ une lettre ne peut être écrite qu’une
seule fois

01/01/2019 22
 Arrangements sans répétition

Une fois la case N°1 est occupée, on aura:

 (n-1) lettres restantes pour la case N° 2;

 (n-2) lettres restantes pour la case N° 3;

……………………………

 (n-p+1) lettres restantes pour la case N° p;

D’où le résultat:

Anp  n   n  1   n  2  ...  n  p  1

01/01/2019 23
 Arrangements avec répétition

 Un arrangement avec répétition de p éléments choisis parmi n est une disposition

ordonnée avec répétition de p d’entre les n éléments.

Exemple 1:

Soit E = {a,b,c}, les arrangements de 2 éléments qu’on peut former à partir des
éléments de E sont:
{a,a}, {a,b} ,{a,c}
{b,a}, {b,b}, {b,c}
{c,a}, {c,b}, {c,c}

 Le nombre d’arrangement avec répétition de p éléments qu’on peut former à partir de

n éléments est égal à n  n  ...  n  n
p

p. fois

01/01/2019 24
 Arrangements avec répétition

Exemple 2:

Supposons que le numéro de téléphone est constitué de 9 chiffres. Alors le nombre de

lignes téléphoniques qu’on peut accorder dans une ville est égal à

10 10  ... 10  109

9. fois

NB: Le numéro 000000000 peut être considéré comme un numéro de téléphone.

01/01/2019 25
 Arrangements avec répétition
Exemple 3:

Soit E un ensemble constitué de n lettres de l’alphabet. Etant donné un tableau formé de

p cases. On veut écrire une lettre dans chacune des cases de ce tableau.

Case 1 Case 2 ….… Case p

 Pour la case N°1, on va choisir une seule lettre parmi n lettres. Alors on aura n choix
possibles pour la première case.

 Dans ce cas, la répartition est permise. Donc une même lettre peut être écrite
dans plusieurs cases.

01/01/2019 26
 Arrangements avec répétition

Dans ce cas, on aura:

 Le choix entre n lettres possibles pour la case N° 2;

 Le choix entre n lettres possibles pour la case N° 3;

……………………………

 Le choix entre n lettres possibles pour la case N° p;

D’où le résultat:
n  n  n  ...  n  n p
p. fois

01/01/2019 27
 Combinaison sans répétition

 La combinaison sans répétition de p éléments choisis parmi n éléments d’un ensemble

E est une disposition non ordonnée et sans répétition de p éléments choisis parmi n
éléments.

 Le nombre de combinaison sans répétition de p éléments qu’on peut former à partir de

n!
n éléments est égal à Cnp 
p ! n  p !

Exemple:
Supposons qu’ on a 5 candidats A,B,C,D et E dans une assemblée qui vont élire un
bureau comprenant 3 personnes (la fonction de chacun des membres n’est pas spécifiée).
Alors le nombre de bureaux possibles est égal à

5! 5! 5  4  3  2 1 120
C53      10
3! 5  3! 2! 3  2  2 1 12

01/01/2019 28
 Combinaison avec répétition

 La combinaison avec répétition de p éléments choisis parmi n éléments d’un ensemble

E est une disposition non ordonnée et avec répétition de p éléments choisis parmi n
éléments.

 Le nombre de combinaison avec répétition de p éléments choisis parmi n éléments est égal
à
C p

 n  1  p !
p ! n  1!
n  p 1

Exemple:

Soit E = {a,b,c}, les combinaisons avec répétition qu’on peut former à partir des
éléments de E sont:
{a,a}, {a,b} ,{a,c}
{b,b}, {b,c},{c,c}

01/01/2019 29
C1320102
Propriété de Combinaison Sans Répétitions

Cnp  Cnn p

Cnp  Cnp11  Cnp1 Relation de PASCAL

Cette relation donne lieu au triangle de PASCAL.

01/01/2019 30
 Propriété de Combinaison Sans Répétitions

Soient a, b  IR et n  IN , on a:
n
a  b n
  C np a p b n p (Binôme de NEWTON)
p 0

Si a = b = 1 on aura :

 n
C p

p 0
 2 n

01/01/2019 31
 Résumé sur des cas pratiques

 Cas de l’urne:

Il s’agit de tirer p éléments à partir d’une urne qui contient n éléments. L’application de
la formule dépend de deux éléments qui sont:

 L’ordre des éléments dans l’urne.

 Avec ou sans remise des éléments dans l’urne.

L’ordre est pris en L’ordre est n’est pas pris en

compte compte
Sans remise Anp Cnp
Avec remise np Cnp p 1

01/01/2019 32
 Résumé sur des cas pratiques

 Cas de cases:

Il s’agit de placer p objets dans n cases. Le nombre de possibilités dépend de deux

éléments qui sont:

 Discernable ou non des objets à placer.

 Nombre d’objets à placer par case.

Discernables des objets Non discernables des objets

Un seul Anp Cnp

Un ou plusieurs np Cnp p 1

01/01/2019 33
 Exercices
Exercice 1:
Une organisation contient 25 membres dont 4 gestionnaires.
De combien de manières peut-on former un comité composé de 3 membres parmi lesquels
on trouve :
a) un et un seul gestionnaire ?
b) au moins un gestionnaire ?

4 Gestionnaires 21 Non Gestionnaires

4 21

1 Gestionnaire et 2 Non Gestionnaires 𝐴  𝐵

1 2

𝐶41 X 2
𝐶21
La réponse est : M  C 4  C 21  4  210  840.
1 2

01/01/2019 34
 Exercices

4 Gestionnaires (G) 21 Non Gestionnaires (NG)

4 21

1G et 2 NG 2G et 1NG 3G et 0 NG
1 2 ou 2 1 ou 3 0
𝐴  𝐵  𝐶  D  𝐶  D

1
𝐶41 X 2
𝐶21 + 𝐶42 X 𝐶21 + 𝐶43

le nombre de comités le nombre de comités le nombre de

comprenant un seul comprenant 2 comités de 3
gestionnaire gestionnaires gestionnaires

C  𝐶43
C 1
4 C 2
21  2
4 C 1
21

La réponse est : M  C41  C21

2
 C42  C21
1
 C43  970.

01/01/2019 35
 Chapitre 2
Introduction au Calcul des Probabilités

01/01/2019 36
 Définitions et Vocabulaires

1. Expérience aléatoire
L’expérience aléatoire est une expérience dont le résultat n’est pas connu
avec certitude à l’avance.

Exemple :
 Lancement d’une pièce de monnaie
 Lancement d’un dé

2. Espace fondamental
C’est l’ensemble des résultats possibles d’une expérience aléatoire , on le
note par Ω .

01/01/2019 37
 Définitions et Vocabulaires

Exemple :
 Dans le cas de lancement d’une pièce de monnaie ,   P, F 
 Dans le cas de lancement d’un dé,   1,2,3,4,5,6

3. Evénement
C’est une partie de l’espace fondamental Ω . Il existe plusieurs types
d’événement :

3.1 Evénement certain : c’est l’événement qui est constitué de tous les
éléments de Ω.
3.2 Evénement impossible : c’est l’événement qui ne contient aucun
élément de Ω , on le note par  .

01/01/2019 38
 Définitions et Vocabulaires

3.3 Evénement contraire de A : c’est l’ensemble des éléments de Ω qui

n’appartient pas à A , on le note par A .

3.4 Eventualité : c’est un événement qui est constitué d’un seul élément de Ω.

Remarque

Les événements sont des éléments de P (l’ensemble des parties de  )

Le couple  , P     est appelé espace probabilisable

01/01/2019 39
 Définitions et Vocabulaires

4. Définition de probabilité
Soit  , P     un espace probabilisable et p une application définie comme
suit : p:  0,1
A  p( A)
p est une probabilité si elle vérifie les éléments suivants:
p()  1

A  P    , on a : p  A  0
Pour tout événement A et B
On a : p  A  B   p  A  P  B   p  A  B 

Le triplet  , P    , p  est appelé un espace de probabilité.

01/01/2019 40
 Propriétés de probabilité

Soient A et B deux évènements:

pØ  0

p( A)  1  p( A)

A B p( A)  p( B)

p( A)  p( A  B)  p( A  B )

pB  A   pB  p A  B

01/01/2019 41
 Hypothèse d’équiprobabilité

Etant donnée une expérience aléatoire E qui possède n résultats possibles, i.e :

  R1 ,..., Rn 

On dit que les événements élémentaires Ri  , i  1, 2,..., n sont équiprobables

s’ils ont la même probabilité d’apparition.

 n  n
p     1  p  Ri     p Ri   n p Ri  i  1,..., n  .
 i 1  i 1

 p Ri  
1
 i  1,..., n 
n

01/01/2019 42
 Hypothèse d’équiprobabilité

Si A   avec Card  A  m , la probabilité de l’événement sous l’hypothèse

d’équiprobabilité est :
card ( A) m
p( A)  
card () n
Exemple :
Soit l’expérience aléatoire suivante : « Lancement d’un dé » , alors:

  1,2,3,4,5,6
On a:

1
P(i) 
6

Si A  1,2,4 alors P  A 
3 1

6 2

01/01/2019 43
 Propriétés de probabilité

Exemple :
Etant donné 400 investissements en portefeuille de devises dont 160 investissements
en $ ; 240 investissements en € et 90 investissements dans les deux devises.
a) Quelle est la probabilité qu’un investisseur investit au moins dans une devise ?
b) Quelle est la probabilité qu’il détient un portefeuille uniquement en € ?

Solution :
Soient :
 A l’événement : « Portefeuille investi en -$-»
 B l’événement : « Portefeuille investi en -€-».

01/01/2019 44
 Propriétés de probabilité

p A  B  p A  pB  p A  B 
160 240 90
a)    0.4  0.6  0.225  0.775
400 400 400

b) Il faut prendre l’événement :

B / A  B

Card  B /  A  B   240  90  150

150
pB /  A  B    0.375
400

pB  A   pB   p A  B 
 0.6  0.225  0.375

01/01/2019 45
 Probabilités conditionnelles

 Soient , P, p  un espace probabilisé fini et A, B  P    tel que : p  A  0

 La probabilité conditionnelle de B par rapport à A qui se lit « probabilité de B

sachant A » est définie par :

p  A  B
p  B A  p A  B  
p  A

01/01/2019 46
 Formule des Probabilités Totales et de Bayes

 Soient Bi i 1,...,n une partition de  et A  P tel que : p A  0

 La formule des probabilités totales est donnée par l’expression suivante:

n
p A   p A  Bi 
i 1

 Formule de Bayes est définie comme suit:

n
Comme p  A  Bi   p  A / Bi   p  Bi  alors p A   p A / Bi   pBi 
i 1

Par conséquence on aura:

p  Bi   p  A Bi 
p  Bi A 
 p B  p  A B 
n

j j
j 1

01/01/2019 47
 Formule des Probabilités Totales et de Bayes

 Soient Bi i 1,...,n une partition de  et A  P tel que : p A  0

 La formule des probabilités totales est donnée par l’expression suivante:

n
p A   p A  Bi 
i 1

 Formule de Bayes est définie comme suit:

n
Comme p  A  Bi   p  A / Bi   p  Bi  alors p A   p A / Bi   pBi 
i 1

Par conséquence on aura:

p  Bi   p  A Bi 
p  Bi A 
 p B  p  A B 
n

j j
j 1

01/01/2019 48
 Probabilités conditionnelles

Exemple:
Dans une enquête, 20% des investisseurs investissent en obligations. Parmi ceux-ci
70% investissent aussi en actions . Ainsi parmi ceux qui ne placent pas en obligations,
15% détiennent des actions.

Quelle est la probabilité qu’un investisseur pris au hasard investit :

1) A la fois dans les obligations et les actions ?

2) Dans les obligations, sachant qu’il détient des actions ?

01/01/2019 49
 Probabilités conditionnelles
 Considérons les deux événements caractérisant ces deux types d’investisseurs :

I1 = Investisseurs teneurs d’obligations

I2 = Investisseurs non teneurs d’obligations

On a: I1  I 2  , pI1   0.2, pI 2   1  pI1   0.8

 Soit A l’événement « investisseur choisi, investit en actions »

Alors on obtient: p  A / I1   0.7 et p  A / I 2   0.15.

p A  I 1 
p A / I 1    p  A  I1   0.7  0.2  0.14.
p I 1 

01/01/2019 50
 Probabilités conditionnelles

D’après la Formule de Bayes on a :

p  I1  . p  A / I1 
p  I1 / A 
p  I1  p  A / I1   p  I 2  p  A / I 2 

0.2  0.7

0.2  0.7  0.8  0.15

 0.5384

01/01/2019 51
 Evénements indépendants

 Soient A, B  P , les événements A et B sont dits indépendants si et seulement si :

p A  B  p A  pB

 Si p A  0 et pB  0 A et B sont indépendants si et seulement si

 p  A / B   p  A

 p  B / A  p  B 

 On dit que les événements  Ai 1in de P sont indépendants dans leur ensemble, si
et seulement si
 k  k
p  Aik    pA jk 

 j 1  j 1

01/01/2019 52
 Evénements indépendants
Exemple
Nous jetons un dé deux fois. Soit l’événement A : obtenir « face 1 » au premier jet ;
l’événement B : obtenir « face 1 » au second jet et l’événement C : obtenir « le
même résultat aux deux jets » .

Vérifions l’indépendance des événements A, B, et C.

1 1 1
p A  B      p A  pB 
36 6 6
1 1 1
p A  C      p A  pC 
36 6 6

1 1 1
p B  C      pB   pC 
36 6 6

Donc A, B, et C sont indépendants deux à deux.

01/01/2019 53
 Evénements indépendants

Par contre, on a:
1 1 1 6
p A  B  C    p A  pB   pC    
36 6 6 36

Donc A, B, et C ne sont pas indépendants dans leur ensemble.

01/01/2019 54
 Chapitre 3
Variables Aléatoires Discrètes
à une Seule Dimension

01/01/2019 55
 Les variables aléatoires discrètes
1. Définition
Une variable aléatoire est définie lorsqu’on associe à chacun des résultats

possibles d’une expérience aléatoire un nombre réel x .

Autrement dit ,
C’est une application X de  dans , i.e :

X : 
i  X i  X i 

Une variable aléatoire est dite discrète si elle prend des valeurs entières.

01/01/2019 56
 Les variables aléatoires discrètes
Exemple
Considérons l’expérience aléatoire suivante :
« Lancement d’une pièce de monnaie »
Soit X une variable aléatoire définie comme suit :

 X  0 Si le résultat est pile


 X  1 Sinon
Alors on a :
X :   P, F   0,1

i  X i  X (i )

Si 1  P alors X (1 )  X ( P)  0

Si 2  F alors X (2 )  X ( F )  1

01/01/2019 57
 Les variables aléatoires discrètes
2. Loi de probabilité (distribution)

La loi (ou distribution) de probabilité d’une variable aléatoire X est une

fonction qui associe les valeurs possibles de X à la probabilité qui leur
correspond.

Autrement dit, C’est l’ensemble des valeurs de X et les probabilités

correspondantes , i.e :
 x , p  / i  1, 2,..., n
i i

Avec : pi  P  X i   xi  où pi  pX  xi 

n
On a : p
i 1
i 1

01/01/2019 58
 Les variables aléatoires discrètes

Exemple : Dans l’exemple précédent , la probabilité d’avoir pile est : 0,5 et celle
d’avoir face est 0,5. Le tableau suivant donne la loi de probabilité de variable
aléatoire étudiée.

Résultat de l’expérience Pile Face

Les valeurs associées aux résultats possibles xi 0 1

Les probabilités de réalisation des résultats P(X=xi) 0,5 0,5

Expérience aléatoire : Lancement d’une pièce de monnaie

Exemple : Soit l’expérience aléatoire suivante : « Lancement d’un dé ».

Supposons qu’un individu reçoit 5 si l’un des numéros 1ou 2 est obtenu, et 10
si l’un des numéros 3,4,5 ou 6 est le résultat.

01/01/2019 59
 Les variables aléatoires discrètes

Résultat de l’expérience (1,2) (3,4,5,6)

Les valeurs associées aux résultats possibles xi 5 10

⅓ ⅔
Les probabilités de réalisation des résultats P(X=xi)

01/01/2019 60
 Les variables aléatoires discrètes
3. Fonctions de répartition
La fonction de répartition F d’une variable aléatoire X est définie comme suit :

F : I  0,1
xi F  xi   p  X  xi   p  X  x1   ....  p  X  xi 
I
i
où
F xi   p1  p 2  ...  pi   p k
k 1

Propriétés

 F est une fonction positive , croissante et prend ses valeurs dans 0,1
 lim F ( x)  0 et lim F ( x)  1
x  x 
 F est continue à gauche xi , xi 1 
 F reste constante sur l’intervalle

01/01/2019 61
 Les variables aléatoires discrètes

Exemple :
Soit X une variable aléatoire de loi de probabilité par le tableau suivant :

Xi 1 2 3 4

Pi = P(X=xi) 0,2 0,3 0,4 0,1

F(xi) 0,2 0,5 0,9 1

01/01/2019 62
 Les variables aléatoires discrètes

4. Caractéristique d’une variable aléatoire discrète

4.1 Espérance mathématique
L’espérance mathématique d’une variable aléatoire X de loi de probabilité
xi , pi  pour i = 1,..,n , notée E  X  , est donnée par la quantité suivante:
n n
E ( X )   P( X  xi )  xi   pi  xi 9
i 1 i 1

Exemple :

Considérons deux joueurs A et B à pile ou face.

Si le résultat de lancement est pile , le joueur A paye 2Dh au joueur B, sinon ,
le joueur B paye 4Dh au joueur A.
Calculer l’espérance mathématique de gain du joueur A.

01/01/2019 63
 Les variables aléatoires discrètes

Solution
Soit X une variable aléatoire qui désigne le gain du joueur A.
La loi de probabilité de cette variable aléatoire est comme suit :

Expérience aléatoire : lancement d’une pièce de monnaie

Résultat de l’expérience (espace fondamental Ω) Pile face

Les valeurs associées aux résultats possibles xi

-2 4

Les probabilités associées aux résultats possibles Pi = P(X=xi) 0,5 0,5

Donc l’espérance mathématique est égale à :

2
E ( X )   P( X  xi )  xi  2  0, 5  4  0, 5  1  2  1
i 1

01/01/2019 64
 Les variables aléatoires discrètes

5. Propriétés de l’espérance
Soient X et Y deux variables aléatoires, a et b deux nombres réels.

E(aX  b)  aE( X )  b 8

E ( X  Y )  E ( X )  E (Y ) 9

E X  Y   E X   EY  10 

01/01/2019 65
 Les variables aléatoires discrètes

6. La variance et l’écart type

La variance d’une variable aléatoire X de loi de probabilité
 xi , p i  pour i = 1,..,n , notée V  X  , est donnée par la quantité suivante:

V  X   EX  E  X 
2

n 2

  pi xi  E  X  11
i 1

  X2

L’écart-type d’une variable aléatoire est donné par la formule suivante : X

01/01/2019 66
 Les variables aléatoires discrètes

7. Propriété de la variance

V (aX  b)  a 2V ( x) 13

Exemple :
Considérons deux joueurs A et B à pile ou face. Si le résultat de lancement est
pile , le joueur A paye 2Dh au joueur B, sinon , le joueur B paye 4Dh au joueur
A.
Calculer la variance de gain du joueur A.

01/01/2019 67
 Les variables aléatoires discrètes

Solution: Soit X une variable aléatoire qui désigne le gain du joueur A.

La loi de probabilité de cette variable aléatoire est comme suit :

Résultat de l’expérience (espace fondamental Ω) Pile face

Les valeurs associées aux résultats possibles xi

-2 4

Les probabilités associées aux résultats possibles Pi = P(X=xi) 0,5 0,5

Expérience aléatoire : lancement d’une pièce de monnaie

Donc l’espérance mathématique est égale à :

2
E ( X )   P( X  xi )  x 2i  0, 5  4  0, 5 16  2  8  10
2

i 1

V ( X )  E  X 2    E  X    10  1  9
2
Alors:

01/01/2019 68
 Moments d’ordre supérieur à deux

 Le moment d’ordre k de X est l’espérance mathématique de X k , i.e:

n n
mk  E ( X )   P( X  xi )  x   pi  xik
k k
i
i 1 i 1

 Le moment d’ordre k de X est l’espérance mathématique de X k , i.e:

n n
mk  E ( X )   P( X  xi )   xi  E  X     pi   xi  E  X  
k k k

i 1 i 1

 Le moment d’ordre 1 : m1  E  X 
V  X   m2  m12
 Le moment d’ordre 2:  
m2  E X 2

01/01/2019 69
 Fonction génératrice des moments
 La fonction génératrice des moments d’une variable aléatoire X est la fonction :

M X t   E e    e pX  x 
n
tX txi
i
i 1


Xk X X2 Xn
 Sachant que : e 
X
   ...   ...
k 0 k ! 1! 2! n!

 Xt   Xt   Xt   Xt 
k 2 n

e 
tX
   ...   ...
k 0 k! 1! 2! n!

 Alors:
       
2 n

M X t   E e   E 
Xt Xt Xt
tX
  ...   ... 
 1! 2! n ! 
 

01/01/2019 70
 Moments d’ordre supérieur à deux

 2
tk n
M X  t    E  X k   E  X   E  X 2   ...  E  X n   ...
t t t
k 0 k ! 1! 2! n!


tk t t2 tn
  mk  m1  m2  ...  mn  ...
k 0 k ! 1! 2! n!

01/01/2019 71
 Exemple d’application

Un responsable de Maroc-Telecom a dénombré la demande journalière concernant

l’annulation du téléphone fixe pour une période de 200 jours. La distribution obtenue se
présente comme suit :

Demande Nombre de
1. Déterminer la loi de probabilité de X
d’annulation (X) jours
2. Calculer E X  et V  X  0 14
1 28
3. Quelle est la probabilité d’obtenir une
2 36
demande journalière dans l’intervalle
3 60
E X     X , E X     X  4 38
5 14
6 10

01/01/2019 72
 Exemple d’application

a)
xi 0 1 2 3 4 5 6

pi 0.07 0.14 0.18 0.3 0.19 0.07 0.05

b) E  X   0.14  2  0.18  3  0.3  4  0.19  5  0.07  6  0.05

 2.81
E X  2  2.812  7.8961

 
V  X   E X 2  E  X 
2

E X  2  2.812  7.8961  

E X 2  0.14  1  0.18  4  0.3  9
 0.19  16  0.07  25  0.05  36
 10.15.
Donc :   X   V  X   1.5013

01/01/2019 73
 Exemple d’application

c)
E   , E     1.3087;4.3113

p 1.3087  X  4.3113  F  4.3113  F 1.3087 

 0.18  0.3  0.19
 0.67.

01/01/2019 74
 Lois Discrètes Usuelles : Loi Uniforme

Soit E une expérience aléatoire dont le cardinal de l’espace fondamental Ω

est égal à n.

Soit X une variable aléatoire tel que X  wi où wi  i  1,..., n   .

X suit la loi Uniforme si et seulement si:

1
p  X  wi  
n
Exemple :

Considérons l’expérience aléatoire suivante : « Lancement d’un dé »

Alors :   1, 2,3, 4,5,6

01/01/2019 75
 Lois Discrètes Usuelles : Loi Uniforme

Soit X le numéro obtenu par cette expérience.

La valeur de X est l’élément de l’événement A  i où i  1, 2,, 6.

Alors:

xi 1 2 3 4 5 6

p  X  xi  1/6 1/6 1/6 1/6 1/6 1/6

Les propriétés de X sont :

n 1
E( X ) 
2
n2  1
V (X ) 
12

01/01/2019 76
 Lois Discrètes Usuelles : Loi de Bernoulli

Soit E une expérience aléatoire qui a 2 résultats possibles.

Soit A l’événement qui nous concerne.

Soit p la probabilité de succès (réalisation de A) et q la probabilité d’échec

Soit X = « le nombre de succès obtenu dans cette expérience», i.e:

1 , Si A est réalisé
X 
0 , Si non

Où :
 p  p  A


q  1  p


01/01/2019 77
 Lois Discrètes Usuelles : Loi de Bernoulli

X est une variable aléatoire qui suit la loi de Bernoulli, noté B(1,p) , qui est définie
comme suit :
P : 0,1  0,1  p( X  1)  p
avec : 
 p( X  0)  q  1  p
X  p( X )

On écrit X → B(1,p)

Remarque: Cette expérience aléatoire est appelée l’expérience de Bernoulli.

Les propriétés de X sont :

E( X )  p

V ( X )  p.q  p(1  q)

01/01/2019 78
 Lois Discrètes Usuelles : Loi de Bernoulli

Exemple :

Considérons l’expérience aléatoire suivante : « Lancement d’un dé »

On s’intéresse dans cette expérience au numéro de la face inférieure ou égale à 4.

Alors on a:

  1, 2,3, 4,5,6

A  1, 2,3, 4 est l’événement concerné

4 2
p  p  A  
6 3

01/01/2019 79
 Lois Discrètes Usuelles : Loi de Bernoulli

La variable aléatoire définie par:

1 , Si le numéro obtenu est inférieur à 4

X 
0 , Sinon

Suit la loi de Bernoulli B(1,2/3).

La moyenne et la variance de X sont:

2 2
EX   p  et V  X   p 1  p  
3 9

01/01/2019 80
 Lois Discrètes Usuelles : Loi Binomiale

Soit E l’expérience de Bernoulli.

Soit A l’événement qui nous concerne.

Soit p la probabilité de succès (réalisation de A) et q la probabilité d’échec.

On répète l’expérience E n fois dans les mêmes conditions et d’une manière

indépendante l’une aux autres.

Soit X= « le nombre de succès obtenu dans une expérience».

1 , Si A est réalisé  p  p  A

X  où : 
0 , Si non q  1  p


01/01/2019 81
 Lois Discrètes Usuelles : Loi Binomiale

Exemple:

 Soit l’expérience aléatoire suivante: ‘lancement d’une pièce de monnaie ‘.

On note par P = ‘Pile’ et F =‘Face’. On répète cette expérience deux fois, alors les
résultats possibles sont: PP,PF,FP,FF.

 Soit X le nombre de pile obtenu dans cette expérience aléatoire.

 X est une variable aléatoire qui peut prendre les valeurs suivantes: 0,1 et 2.

 La loi de probabilité de la variable aléatoire X est donnée par le tableau suivant:

xi 0 1 2 p 1 1 1
p  X  1 
i
i
 
4 4 2
p  X  xi  1/4 1/2 1/4 1

01/01/2019 82
 Lois Discrètes Usuelles : Loi Binomiale
 Soit Y= « le nombre de succès obtenu au cours de n expériences».

 La probabilité d’obtenir k succès exactement au cours des n expérience, i.e : p Y  k 

 Soit E un ensemble constitué de n éléments (évènements). On veut former une

disposition D de k succès (réalisation de A) à partir de l’ensemble E, i.e:
 
 
E   A, A,... A, A, A,..., A 

 k fois  n  k  fois 


L’événement D : « obtenir k réalisations de A lors des n expériences aléatoires ».

 Sachant que les événements sont indépendants alors la probabilité d’apparition de D

est donnée par:
p  D  D   p  D   p  D   p  p... p  q  q....q  p k  q nk
k fois  n  k  fois

01/01/2019 83
 Lois Discrètes Usuelles : Loi Binomiale

 Le nombre des dispositions contenant k fois l’événement A est égal à C nk . Donc

p Y  k   Cnk p k q nk

 Y est une variable aléatoire qui suit la loi Binomiale, notée B(n,p) , qui est définie
comme suit :

p : 0,1, 2,..., n  0,1

Y  p(Y )  p Y  k   Cnk p k q nk

On écrit Y → B(n,p)

01/01/2019 84
 Lois Discrètes Usuelles : Loi Binomiale

Remarques

 Soit X= « le nombre de succès obtenu dans une expérience».

1 , Si A est réalisé
X  où  p  p  A


0 , Si non q  1  p

 Soit Y= « le nombre de succès obtenu au cours de n expériences indépendantes».
n
Y   Xk
k 1

où X 1 , X 2 ,...., X n sont n variables indépendantes qui suivent la loi de Bernoulli.

Les propriétés de Y sont :

E (Y )  np

V (Y )  np.q  np(1  q)

01/01/2019 85
 Lois Discrètes Usuelles : Loi Binomiale

Exemple
On lance un dé 5 fois. On s’intéresse au nombre 3 obtenu en total, i.e: la somme des
résultats (numéros du dé) obtenu est égale à 3.
Soit X une variable aléatoire qui désigne la somme des résultats obtenus.
Donc X suit la loi binomiale de paramètre n = 5 et p = 1/6. C’est-à-dire :

X B  5 ; 1/ 6

p  p  X  3
3 2
1 5
 C53    
6 6
250
  0.032.
7776

01/01/2019 86
 Lois Discrètes Usuelles : Loi de Binomiale

Exemple:
Une photocopieuse produit des copies dont 1/3 sont défectueuses.
1. Caractériser la loi de probabilité de ce phénomène.
2. Calculer le nombre moyen de photocopies défectueuses et sa probabilité associée
dans un paquet de 39 copies réalisées par la photocopieuse.

1. La photocopie réalisée est soit bonne soit non. Donc il s’agit d’une répétition de
l’expérience de Bernoulli. Le phénomène peut être donc correctement modélisé par
une loi binomiale. On aura donc :
 1
X B  39 ; 
 3
2. On a:
13 26
13  1   2 
E X   np  13 et pX  13  C39      0,135
 3  3

01/01/2019 87
 Lois Discrètes Usuelles : Loi Géométrique

 Soient E l’expérience de Bernoulli et A l’événement « succès » de

probabilité p.
La probabilité A est égale à q = 1-p.

 On répète l’expérience E n fois dans les mêmes conditions et d’une manière

indépendante l’une aux autres.

 Soit X = « le nombre d’expérience E avant l’obtention de l’événement A

pour la première fois».

01/01/2019 88
 Lois Discrètes Usuelles : Loi de Géométrique

 p  X  k  représente la probabilité que l’événement A se produit pour la

première fois durant la kème expérience.

 Les (k-1) expériences précédentes ont pour résultat l’événement contraire .A

 Comme les expériences sont indépendantes, alors p  X  k   q p

k 1

On écrit X → G(p)

Les propriétés de X sont :

1
E( X ) 
p
1 p
V (X )  2
p
01/01/2019 89
 Lois Discrètes Usuelles : Loi de Géométrique

Exemple
On lance un dé plusieurs fois jusqu’à l’apparition de la face N°1. Quelle est la
probabilité d’obtenir la face N°1 pour la première fois au 20ème lancer.

Soit X le nombre de lancers nécessaires pour obtenir la face N°1 pour la première fois.

On a : A  1 et A  2,3, 4,5, 6 .

p  A 
1 5
Alors p  A  et Donc:
6 6

  5
19

p  X  20  p  A et A et .et A ; et A   p  A   p  A   ...  p  A   p  A    

1
  6 6
 19. fois  19. fois

01/01/2019 90
 Lois Discrètes Usuelles: Loi de Poisson

 La loi de Poisson est utilisée lorsque il s’agit d’étude d’un phénomène durant un laps
infiniment petit. Elle est utilisée aussi dans les phénomènes d’attentes , les contrôles
de qualité et en assurance.

e   k
 Une variable aléatoire discrète X suit une loi de Poisson si : p  X  k  
k!
où  est un paramètre positif. On écrit X P   .

Les propriétés de X sont :

E( X )  

V (X )  

01/01/2019 91
 Lois Discrètes Usuelles: Loi de Poisson

Exemple
Soit X le nombre des arrivées des clients à un guichet bancaire.
Supposons que X suit la loi de Poisson de paramètre 4.
Calculer les probabilités suivantes :
a) aucun client n’arrive au guichet,
b) plus de 2 clients arrivent au guichet,
c) entre 3 et 7 clients arrivent au guichet.

a)
e 4 4 0
pX  0   e  4  0,018
0!

01/01/2019 92
 Lois Discrètes Usuelles: Loi de Poisson

b)
pX  3  1  pX  2

 1   pX  0  pX  1  pX  2

 0,762

c)

p3  X  7  pX  7  pX  3

 pX  4  pX  5  pX  6  pX  7

 0,711

01/01/2019 93
Lois Discrètes Usuelles: Loi binomiale négative

 Soient E l’expérience de Bernoulli et A l’événement « succès » de

probabilité p.
La probabilité A est égale à q = 1- p.

 On répète l’expérience E n fois dans les mêmes conditions et d’une manière

indépendante l’une aux autres.

 Soit X = « Nombre d’expériences E nécessaires pour obtenir r fois la

réalisation de l’événement A ».

01/01/2019 94
Lois Discrètes Usuelles: Loi binomiale négative

 L’événement (X = n) : « Réalisation de n fois l’expérience E pour obtenir

r fois l’événement A» peut être subdivisé en deux événements
complémentaires E et F .

 L’événement E : « Obtenir (r-1) réalisations de A lors des (k-1) premières

expériences». En appliquant la loi binomiale on a :

p  E   Cnr11 p r 1  q n-r

 L’événement F : « Obtenir l’événement A à la kème expérience ». On a:

p F   p

01/01/2019 95
Lois Discrètes Usuelles: Loi binomiale négative

On a : P  X  n  p  E  F 
 p  E   p  F   Cnr11 p r 1.q nr  p

Donc : P  X  n  Cnr11 p r .q nr

On écrit X → BN(n,p)

Remarque:
La variable aléatoire « Nombre des expériences nécessaires pour obtenir r fois la
réalisation de A » est la somme de r variables indépendantes de loi géométrique.
i.e: X  X1  X 2  ...  X r

01/01/2019 96
Lois Discrètes Usuelles: Loi binomiale négative

Les propriétés de X sont :

1
E( X )  r 
p
q
V (X )  r 
p2

Exemple:

Etant donné un stock de pièces qui contient 5% des pièces défectueuses. On

prélève avec remise une pièce. Quelle est la probabilité dans les cas suivants:

 On fait 20 tirages pour obtenir 2 pièces non défectueuses

 On fait 15 tirages pour obtenir 3 pièces non défectueuses

01/01/2019 97
Lois Discrètes Usuelles: Loi binomiale négative

Soit X le nombre de prélèvements nécessaires pour obtenir deux pièces non

défectueuses. Alors on a:

P  X  20   C19  0.9   0.1

1 2 18

P  X  15  C142  0.9    0.1

3 12

01/01/2019 98
Lois Discrètes Usuelles: Loi Hypergéométrique

 Soit une urne qui contient N boules composées de:

 N1 boules d’une couleurs donnée, (la couleur noire par exemple)

 N2 boules d’autres couleurs, (autre couleur que la noire).

 On fait n tirages sans remise à partir de cette urne.

 Soit X la variable aléatoire qui désigne «Le nombre de boules noires obtenues».

N1
 X suit la loi Hypergéométrique de paramètres: N, n et p . Ainsi la
N
probabilité de tirer k boules données est égale à:

CNk 1 .CNn 2 k
p X  k 
CNn
On écrit X → H(N,n,p)

01/01/2019 99
Lois Discrètes Usuelles: Loi Hypergéométrique

Les propriétés de X sont :

EX   n p

N n
V X   npq
N 1

Exemple:

Soit une urne qui contient 2 boules blanche et 1 boule noire. On tire une boule 2
fois sans remise. La probabilité d’obtenir 2 boules blanches est égale à:

C22  C10 1
p  X  2  
C32 3

01/01/2019 100
 Lois Discrètes Usuelles: Loi Multinomiale

 Soit E une expérience aléatoire qui peut avoir comme résultat l’un des
événements A1, A2,…, An avec les probabilités respectives p1, p2,…, pn .

 On réalise n essais de l’expérience E d’une manière indépendante et dont les

probabilités des événements restent invariantes d’une expérience à une autre.

 Soient X1, X2,…, Xn les nombres de réalisations des événements A1, A2,…, An
tels que X1 + X2 +…+Xn = n. Alors:

n!
p  X1  n1 , X 2  n2 ,..., X k  nk   p1n1 p2n2 ... pknk
n1 !n2 !....nk !

01/01/2019 101
 Lois Discrètes Usuelles: Loi Multinomiale

Remarque:
La loi multinomiale est une généralisation où les expériences donnent plusieurs résultats.

Exemple :

On lance un dé 10 fois. Quelle est la probabilité d’obtenir :

 6 fois une face inférieure ou égale à 3;

 3fois une face supérieure ou égale à 3 et inférieure à 6 et;
 1 fois le numéro 6.

 Soit A1 = le numéro obtenu inférieur ou égal à 3.

 Soit A2 = le numéro obtenu supérieur ou égal à 3 et inférieur à 6.
 Soit A3 = le numéro obtenu est le numéro 6.

01/01/2019 102
 Lois Discrètes Usuelles: Loi Multinomiale

Les événements A1, A2 et A3 sont indépendants entre eux.

3 2 1
Ainsi on a : p  A1   , p  A2   et p  A3  
6 6 6

 Soit X1 = le nombre de A1 obtenus après les 10 lancers du dé.

 Soit X2 = le nombre de A2 obtenus après les 10 lancers du dé.
 Soit X3 = le nombre de A3 obtenus après les 10 lancers du dé.

La probabilité d’avoir 6 fois A1 et 3 fois A2 et une fois A3 est donnée par :

6 3 1
10!  3   2   1 
p  X 1  6, X 2  3, X 3  1       
6!3!1!  6   6   6 

01/01/2019 103
 Chapitre 4
Variables Aléatoires Continue
à une Seule Dimension

01/01/2019 104
 Fonction de densité

1. Définition
Soit X une variable aléatoire de fonction de répartition F .
La variable X est dite continue s’il existe une fonction positive  telle que :
F  x   f  t  dt ,x 
x

 18
La fonction  est appelé densité de probabilité de X.

F est une fonction positive, croissante, telle que : xlim F x   0 et lim F x   1

 x 

x0

01/01/2019 105
 Fonction de densité

La fonction de densité de probabilité de X vérifie les conditions suivantes :


 f  t  dt  1


P  a  X  b   F  b   F  a    f  t  dt
b

Si  est continue en x0 alors F est dérivable en x0 et F '  x0   f  x0 

x0

Remarque : La fonction de densité de probabilité  est appelée aussi la loi de X.

01/01/2019 106
 Fonction de densité

Exemple 1:
Soit X une variable aléatoire de fonction de densité  définie par :
x
 si 0  x  2
f  x   2

0 sinon
1.Vérifier que f une fonction de densité de probabilité
2. Calculer la fonction de répartition
3. Représenter le graphique de f et de F
4. Calculer P  0.5  X  0.7 
5. Retrouver E  X  et V  X  à l’aide de M X  t 

01/01/2019 107
 Fonction de densité

Solution

1)   2
1 x2 
0 2 2

 f  x dx  0 dx 

x
0 2 dx   0dx
x
  dx   .   1  4  0  1.
2 0
2 2 2  2 2 

2)
x 0 x
F ' x   f x   F x    f t dt   f t dt   f t dt
  0

x
x
t 2  x2
F x    dt    
t
0
2  4 0 4

01/01/2019 108
 Fonction de densité

3)

4) 2
 2 2
x x  8 4
3
EX    xf  x  dx   dx     
 0
2  6 0 6 3

01/01/2019 109
 Fonction de densité

2
V X   EX    E  X    x f  x  dx   169 
2
et 2 2

0
2
16 1  x 4  16 16 16
2 3
x 16
  dx         2 
0
2 9 2  4 0 9 8 9 9
18  16 2 2 2
  .  X    .
9 9 9 3

01/01/2019 110
 L’espérance mathématique et la variance

1. L’espérance mathématique
L’espérance mathématique ou l’espérance d’une variable aléatoire continue,
notée E  X  , est définie par :

EX    xf  x  dx


2. La variance
La variance d’une variable aléatoire continue X, notée V  X  ,est définie
par :
V  X   E  X 2    E  X 
2

où:

EX2  

x 2 f  x  dx


01/01/2019 111
 L’espérance mathématique et la variance
Propriétés :
Soient a et b deux constantes ; X et Y deux variables aléatoires continues
E a  a et V a  0

E  aX  b   aE  X   b

V  aX+b   a 2 V  X 

Exemple
Soit X une variable aléatoire de fonction de densité  définie par:
1 2
 x si 0  x  3
f  x  9
0 sinon

Calculer E(X) et V(X)

01/01/2019 112
 Moments d’ordre supérieur à deux

 Le moment d’ordre k de X est l’espérance mathématique de X k , i.e:


mk  E ( X )  k
 x k f  x dx


 Le moment centré d’ordre k de X est l’espérance mathématique de X , i.e:

k


mk  E  X  E  X  
k
 x  E  X k
f x dx


 Le moment d’ordre 1 : m1  E  X 
V  X   m2  m12
 Le moment d’ordre 2:  
m2  E X 2

01/01/2019 113
 Fonction génératrice des moments
 La fonction génératrice des moments d’une variable aléatoire X est la fonction :

M X t   E e tX
   e f  x  dx
tx




Xk X X2 Xn
 Sachant que : e 
X
   ...   ...
k 0 k ! 1! 2! n!

 Xt   Xt   Xt   Xt 
k 2 n

e 
tX
   ...   ...
k 0 k! 1! 2! n!

 Alors:
       
2 n

M X t   E e   E 
Xt Xt Xt
tX
  ...   ... 
 1! 2! n ! 
 

01/01/2019 114
 Moments d’ordre supérieur à deux


tk t2 tn
M X  t    E  X   E  X   E  X   ...  E  X n   ...
k t 2

k 0 k ! 1! 2! n!


tk t t2 tn
  mk  m1  m2  ...  mn  ...
k 0 k ! 1! 2! n!

01/01/2019 115
 Les moments d’ordre supérieurs

d)  2 2
2
1 x  1 tx
M X t    e tx f x dx   e tx dx   etx .  
x
 0
2 
 t 2  0 0 2t
e dx

1 1 1 1 1  1
 e 2t  e 2t  e 2t    
1 1
 e 2t  e tx  2
0
t 2 2 t 2 2 t 2



2t n  1  1   1
 
n 0 n!  t 2  2
1  1 1  2t  1 1  2 2.t 2 1 1 
         
2 t 2 1 t 2 2! t 2
2 3.t 3  1 1 
     .....
6 t 2

01/01/2019 116
 Changement de variables

 Soit X est une variable aléatoire continue de fonction de densité f .

 Soit Y est une variable aléatoire continue de fonction de densité g qui est définie
comme suit:

h : X  Y  h( X )

où h est une fonction strictement croissante ou décroissante sur DX .

Donc on a:
1 dx
g  y  f  x h  x
'
 f  x
dy
Avec :
x  h1  y 

DY  h  DX 
y  DY
01/01/2019 117
 Changement de variables

Exemple:

Soit X une variable aléatoire de fonction de densité f définie comme suit:

3 2
 x , 2  x  2
f  x   16

0
Donner la fonction de densité de Y = -3X+1

Comme le domaine de définition de X est [-2,2] alors le domaine de définition

de Y est [-5,7]

dx 1
Ainsi si Y = -3X+1 alors   . Donc pour 5  y  7 on a:
dy 3

 1
 y  1 , 5  x  7
2
3  y 1  1 
2
g  y     g  x   144
16  3  3

0

01/01/2019 118
 Lois Continues Usuelles: Loi Uniforme

Une variable aléatoire X suit la loi uniforme sur un intervalle [a , b] si sa fonction de

densité est donnée par la formule suivante:

 1
 , si a  x  b
f  x  b  a

0, sinon

On écrit X U  a., b 

Les propriétés de X sont :

E( X ) 
 a  b
2

 b  a
2

V (X ) 
12

01/01/2019 119
 Lois Continues Usuelles: Loi Uniforme

Exemple:

Soit une personne qui arrive à la gare de bus en sachant que ce dernier arrive à chaque 60
min. Cette personne n’aucune information ni sur l’heure du denier bus ni sur l’heure de la
prochain bus. Il demande les gents de la gare le temps qu’il doit rester en attente du l’heure
du prochain bus.
Calculer la probabilité pour cette personne reste en attente entre 15 et 30 min.

Soit X le temps d’attente en min de cette personne. On admet que X U  0,60  . On a:

1
 , si 0  x  60
f  x    60

0, sinon
Alors:
1 15
P 15  X  30    f  x  dx   x15   0.25
30 30
15 60 60

01/01/2019 120
 Lois Continues Usuelles: Loi Normale

3. La loi normale
La loi normale caractérise un phénomène résultant de l’additionnement de
plusieurs facteurs qui sont indépendants.

Exemple : les cours d’une action dans une bourse

Une variable aléatoire X suit une loi normale de paramètres m et  si sa

fonction de densité est définie par :

2
1  x m 
1   
f  x  e 2  
, x 
 2

On écrit : X N  m, 

01/01/2019 121
 Lois Continues Usuelles: Loi Normale
2. Caractéristique de la loi normale

 Cas 1: X N  m, 

 X m xm X m
F  x  P  X  x  P    N  0,1
 
, avec Y
  
 xm  xm
= P Y    
     

La valeur de  est déterminée à partir de la table normale

EX   m V X  2

01/01/2019 122
 Lois Continues Usuelles: Loi Normale
2. Caractéristique de la loi normale

Si Y  X  m alors Y est appelée la loi normale centrée réduite.



On écrit Y N  0,1

 Cas 2: X N  0,1

EX   0 , V  X  1 et   x  1   x

95% des valeurs de la loi normale N  0,1 sont concentrées dans l’intervalle

 m  36, m  36

01/01/2019 123
 Lois Continues Usuelles: Loi Normale

01/01/2019 124
 Lois Continues Usuelles: Loi Normale

Calcul des probabilités avec la loi normale centrée réduite»

On a: p(0  T  t1 )  p(0  T  t1 )

01/01/2019 125
 Lois Continues Usuelles: Loi Normale

Exemple: Calcul de p(0  T  0,5) par l’utilisation de la table de la loi Normale

 pour T=0,50 on lit directement de la table, 0,1915

 pour T=0,00 on lit directement de la table, 0,000

p(0  T  0,5)  p  0,5  p  0   0,1915  0,000  0,1915

01/01/2019 126
 Lois Continues Usuelles: Loi Normale

Exemple de Calcul : Entre T= -2.24 et T= 1.12

à T=1,12 correspond 0,3686

p(0  T  1,12)  0,3686
à T=2,24 correspond 0,4875
p(2,24  T  0)  p(0  T  2,24)  0,4875

01/01/2019 127
 Lois Continues Usuelles: Loi Normale

Donc on aura :

p(2, 24  T  1,12)  p(2, 24  T  0)  p(0  T  1,12)

01/01/2019 128
 Lois Continues Usuelles: Loi Normale

Exercice
Soit X une variable aléatoire qui désigne le poids en Kg d’un type de Poisson.
On suppose que X suit la loi normale de fonction de densité définie par :

1
  x 10 
2
1
f  x  e 18
18

i/ Donner l’espérance et la variance de poids de ce type de poisson.

ii/ Donner la probabilité pour que le poids d’u poisson donné soit inférieur à
12 Kg
iii/ Sachant que le poids d’un type de poison donnée est supérieur à 8 Kg.
Donner la probabilité pour que son poids soit inférieur à 12 Kg.

01/01/2019 129
 Lois Continues Usuelles: Loi Exponentielle

La loi Exponentielle est une loi qui est utilisée dans l’étude des phénomènes d’attente.
Elle est utilisé pour décrire l’intervalle de temps qui sépare deux évènements.
Par exemple :
- L’intervalle de temps séparant deux pannes consécution.
- Durée de vie d’une pièce.
- Intervalle de temps séparant deux arrivées consécutives à un guichet.

Soit X une variable aléatoire qui suit la loi Exponentielle de paramètre  . Alors

 e  x , si x  0
f  x  
0, sinon

01/01/2019 130
 Lois Continues Usuelles: Loi Exponentielle

Les propriétés de X sont :

1
EX  

1
V X  
2

Exemple:

Soit X une variable aléatoire continue qui représente la durée de vie d’un système
électronique. Supposons que la durée de vie moyenne est 400 heures.
i/ Quelle est la loi de X
ii/ Donner la fonction de répartition de X
iii/ Calculer E  X  et V  X 

01/01/2019 131
Relation entre la loi Exponentielle et la loi de Poisson

01/01/2019 132
 Lois Continues Usuelles: Loi de Khi-deux

 Soient X1 , X 2 ,..., X n une suite de variables aléatoires normales centrées réduites et

indépendantes. i.e:

Xi N  0,1 , i  1,..., n

Cov  X i , X j   0, i  j  i, j  1,..., n 

 La variable aléatoire X définie par : X  X12  X 22  ...  X n2

Suit la loi de Khi-deux à n degré de liberté, on écrit X    n 

2

01/01/2019 133
 Lois Continues Usuelles: Loi Student

 Soient X1 , X 2 ,..., X n une suite de variables aléatoires normales centrées réduites et

indépendantes. i.e:

Xi N  0,1 , i  1,..., n et Cov  X i , X j   0, i  j  i, j  1,..., n 

 Soit Y une variable aléatoires normale centrée réduite et indépendante de

X1 , X 2 ,..., X n . i.e:

Y N  0,1 et Cov Y , X i   0, i  1,..., n

n
 La variable aléatoire T définie par : T 
Y

Y
où Z   X i2  n2
1 n 2 Z
 i
i 1
X
n i 1 n

suit la loi de Student à n dégrées de liberté. On écrit T  tn

01/01/2019 134
 Lois Continues Usuelles: Loi de Fisher

 Soient X1 , X 2 ,..., X n et Y1 , Y2 ,..., Ym deux suites de variables aléatoires normales

centrées réduites et indépendantes. i.e:

Xi N  0,1 , i  1,..., n et Yi N  0,1 , i  1,..., m

Cov  X i , X j   0, i  j  i, j  1,..., n  et Cov Yi , Yj   0, i  j  i, j  1,..., m 

 La variable aléatoire F définie par:

1 n 2 1
 Xi n X
n i 1
F  où X  n2 et Y  m2
1 n
1

m i 1
Yi
2
m
Y

suit la loi de Fisher à n et m degrés de liberté. On écrit F  Fn,m

01/01/2019 135
 Lois Continues Usuelles: Loi Log-Normale

Soit X une variable aléatoire continue. X suit la loi log-Normale de paramètres  et 

si sa fonction de densité est donnée par la formule suivante:

 1  1  ln  x    2 
 exp      , si x  0
f  x    x 2  2   
 

0, sinon

On écrit X  LNor   ,  

Les propriétés de X sont :

2

EX   e 2

V X  e 2   2
e
2

1

01/01/2019 136
 Lois Continues Usuelles: Loi de Pareto

 La loi de Pareto est une loi qui ne prend des valeurs qu’au-delà d’un certain seuil pour
des variables aléatoire. Cette loi est très employée en assurance.

 X une variable aléatoire qui suit la loi de Pareto de paramètres  et 

si sa fonction de densité est donnée par la formule suivante:
  
 , si x  0
f  x   x  
 1


0, sinon
Les propriétés de X sont :

EX   , si   1
 1
 2
V X   , si  2
   2    1

On écrit X  Per  , 

01/01/2019 137
 Lois Continues Usuelles: Loi de Weibull

X une variable aléatoire qui suit la loi de Weibull de paramètres  ,   R å

si sa fonction de densité est donnée par la formule suivante:



  x 1e  x , si x  0
f  x  

0, sinon

Les propriétés de X sont :

 1
 1  

EX    1 


1   2 2  1 
V X   
2  
  
   
1
     


On écrit X  Web  ,  

01/01/2019 138
 Lois Continues Usuelles: Loi de Gamma

Une variable aléatoire X suit une loi Gamma de paramètres  ,   R å si elle possède
une densité de probabilité la fonction :

    1   x
 x e si t  0,
f  x      
0 si t  0.

Les propriétés de X sont :


EX  



V X  
2

01/01/2019 139
 Lois Continues Usuelles: Loi de Bêta

Une variable aléatoire X est dite de loi Bêta de paramètres   0 et   0 lorsque X

prend ses valeurs dans l’intervalle [0,1] et admet la densité suivante:

       1
 
 1
 x 1  x , si 0  x  1
f  x          
0, sinon


01/01/2019 140
 Théorème centrale limite

 Soient X1 , X 2 ,..., X n une suite de variables aléatoires qui sont indépendantes, de

même moyenne et variance. i.e:

E  X i   m, i  1,..., n

V  X i    2 , i  1,..., n

Posons :
n
Sn  X 1  X 2  ...  X n   X i
i 1

On a:
 n  n
E  Sn   E   X i    E  X i   nm
 i 1  i 1
 n  n
V  Sn   V   X i   V  X i   n 2
 i 1  i 1

01/01/2019 141
 Théorème centrale limite

Alors:

Sn  nm Sn  m
Yn   Converge en loi vers une loi normale entrée réduite N(0,1). i.e:
n 2 
n

Converge en Loi
Yn       N  0,1
n 

Exemple:
Considérons 400 étudiants qui se sont présentées au guichet de la photocopie de la faculté
pour faire des copies de cours sachant que chacun d’eux a payé à la caisse un montant
M i  i  1,..., n . Supposons que les M i sont des variables aléatoires indépendantes de
même loi inconnue, de moyenne égale à 10 dh et de variance égale à 25 dh.
Donner la probabilité que la recette totale R du service de la photocopie soit supérieure à
4200 dh.

01/01/2019 142
 Théorème centrale limite

On a: 400
R  M1  M 2  ...  M 400   M  i 
i 1

Alors :

E  R   400m  400 10  4000

V  R   n 2  400   25  10000

2

D’après le théorème central limite on a : R  nm  R  4000  R  4000 N  0,1

n 2 10000 10000

 R  4000 4200  4000 

P  R  4200   P   
 100 100 
= P T  2   1    2   0.0288

R  4000
Selon la table de loi normale centrée réduite où T  . N  0,1
100
01/01/2019 143
 Approximation de loi Binomiale par la loi Normale

 Soit X une variable aléatoire suit la loi binomiale B  n, p  avec n assez grand et p ni
proche de 0 ni proche de 1. Alors la loi de X peut être approchée par
une loi normale N  m,  2  , i.e :

X 
N np, np 1  p   où E  X   m  np et V  X    2  np 1  p 

 En pratique l’approximation est valable lorsqu’on a : n  20 , np  10 et n 1  p   10

Exemple :
Etant donnée une entreprise qui a distribuée des produits de publicité à 1000 ménages.
Sachant que la probabilité pour qu’un ménage ayant reçu le produit soit intéressé par
celui-ci est égale à 0.45, quelle est la probabilité d’avoir parmi les 1000 ménages 470
ménages intéressées par le produit de publicité.

01/01/2019 144
 Approximation de loi Binomiale par la loi Normale

 Soit X le nombre de manages intéressés par le produit parmi les 1000 ménages.
On a: X B 1000,0.45

 La probabilité recherché est égale à : P  X  470 

 Vue la difficulté du calcul de cette probabilité, on sera amené à utiliser l’approximation

d’une loi binomiale par la loi normale.

 Or p  0.41 ni proche de 0 ni proche de 1, n  1000  20 , np  1000  0.45  450  10

et n 1  p   1000  0.55  550  10 alors :

X   
N np, npq  N 450, 15.73 
2
1  470  450 
1   
Donc P  X  470   e 2  15.73 
0.01130
15.73 2

01/01/2019 145
 Approximation de loi de Poisson par la loi Normale

 Soit X une variable aléatoire qui suit la loi de poisson de paramètre , i.e: X P  

 Lorsque   20 X peut être approchée par une loi normale N  ,   

Exemple
Etant donné une société dont le nombre de fois qu’elle en rupture de stock durant une
année est une variable aléatoire qui suit la loi de poisson de paramètre 36. Quelle est la
probabilité pour que le nombre de la société soit en rupture de stock durant une année soient
inferieur à 39.

01/01/2019 146
 Approximation de loi de Poisson par la loi Normale

 Soit X le nombre de rupture de stock dans cette société durant une année. On a : X P  36

e36  360 e36  361 e36  3638

 La probabilité recherchée est : P  X  39   + +...+
0! 1! 38!
= P  X  0  X  1 ...  X  38

 La difficulté du calcul, on préfère à passer à la loi normale, i.e: X N  36,6 alors :

 X  36 39  36 
P  X  39  =P    =P T  0.5 =0.6915
 6 6 

où T N  0,1

01/01/2019 147
 Convergence et Approximation

01/01/2019 148