Cours de

Probabilits et Statistiques
Tome 1
Mathieu Gentes
Anne /
IUT dOrsay - Dpartement Mesures Physiques
Table des matires
I Calcul des probabilits 5
1 Dnombrement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Permutations sans rptition . . . . . . . . . . . . . . . . . . 5
1.1.2 Permutations avec rptitions . . . . . . . . . . . . . . . . . . 5
1.2 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Arrangements sans rptition . . . . . . . . . . . . . . . . . . 5
1.2.2 Arrangements avec rptitions . . . . . . . . . . . . . . . . . . 6
1.3 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Espace fondamental et vnements . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Oprations sur les vnements . . . . . . . . . . . . . . . . . . . . . . . 7
3 Calcul des probabilits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1 Dnition et proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2 Probabilit sur un ensemble ni . . . . . . . . . . . . . . . . . . . . . . 9
4 Probabilits conditionnelles - Indpendance . . . . . . . . . . . . . . . . . . . . 9
4.1 Probabilits conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2 Partitions - Probabilits totales . . . . . . . . . . . . . . . . . . . . . . 10
4.3 Indpendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
II Variables alatoires discrtes - Lois discrtes usuelles 13
1 Variables alatoires discrtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Reprsentations graphiques . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 Variables alatoires indpendantes . . . . . . . . . . . . . . . . . . . . . 15
1.4 Paramtres dune variable alatoire . . . . . . . . . . . . . . . . . . . . 16
1.4.1 Esprance mathmatique . . . . . . . . . . . . . . . . . . . . 16
1.4.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.3 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.4 Oprations sur les variables alatoires . . . . . . . . . . . . . 17
2 Lois discrtes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Loi gomtrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Loi de Poisson - Approximation dune loi binomiale . . . . . . . . . . . 18
2.4.1 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.2 Approximation dune loi binomiale par une loi de Poisson . . 19
3
4 TABLE DES MATIRES
3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
III Variables alatoires continues - Lois continues usuelles 22
1 Variables alatoires continues . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.1 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.2 Paramtres dune variable alatoire . . . . . . . . . . . . . . . . . . . . 22
1.3 Quantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Lois continues usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1 La loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.1 Cas gnral . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.2 La loi normale centre rduite . . . . . . . . . . . . . . . . . . 26
3 Le thorme central limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4 Lois continues drivant de la loi normale . . . . . . . . . . . . . . . . . . . . . 27
4.1 La loi du Chi-deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 La loi de Fisher-Sndcor . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3 La loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Chapitre I
Calcul des probabilits
1 Dnombrement
1.1 Permutations
1.1.1 Permutations sans rptition
Dnition 1.1. Soit E un ensemble n lments. Une permutation de E est une bijection
de E sur lui-mme.
Le nombre de permutations de E est :
P
n
= n(n 1)(n 2) . . . 2 1 = n!
Remarque. Par convention, on pose 0! = 1.
1.1.2 Permutations avec rptitions
Dnition 1.2. Soit E un ensemble n lments comportant :
n
1
lments dun premier type, indiscernables entre eux,
n
2
lments dun second type, indiscernables entre eux,

n
k
lment dun k-ime type, indiscernables entre eux.
Une permutation avec rptitions de ces n lments est une disposition ordonne de ces
lments.
Le nombre de permutations avec rptitions de E est :
P
n,n
1
,...,n
k
=
n!
n
1
! n
2
! . . . n
k
!
.
Exemple. Combien de mots dirents peut-on former partir des lettres {A, B, B, C, A, D, B} ?
Il y a
7!
2! 3!
= 420 mots possibles.
1.2 Arrangements
1.2.1 Arrangements sans rptition
Dnition 1.3. Soit E un ensemble n lments. Soit p n, un arrangement de p lments
choisis parmi n est un sous-ensemble ordonn de E ayant p lments.
5
6 CHAPITRE I. CALCUL DES PROBABILITS
Exemple. On tire p boules numrotes prises parmi n, sans remise.
Le nombre darrangements de p objets pris parmi n est :
A
p
n
= n(n 1)(n 2) . . . (n p + 1) =
n!
(n p)!
.
Remarque. Pour p = n, on retrouve le cas de la permutation sans rptition :
A
n
n
= n!.
Exemple. Dans une course opposant 8 athltes, le nombre de podiums possibles est :
A
3
8
= 8 7 6 = 336.
1.2.2 Arrangements avec rptitions
Le nombre darrangements avec rptitions de p objets pris parmi n est n
p
(tirages avec
remise).
Exemple. On lance 3 fois une pice de monnaie. Combien y a-t-il de suites direntes de pile
ou face ? Il y en a : 2 2 2 = 8.
1.3 Combinaisons
Dnition 1.4. Soit E un ensemble n lments. Soit p n, une combinaison de p lments
choisis parmi n est un sous-ensemble de E ayant p lments.
Exemple. Tirage simultan de p boules parmi n.
Le nombre de combinaisons de p lments pris parmi n est :
C
p
n
=
n!
p!(n p)!
.
Exemple. Le nombre de dlgations direntes de 3 personnes prises dans un groupe de 10
est :
C
3
10
=
10!
3!7!
=
10 9 8
3 2
= 120.
Proprits. On a les valeurs particulires suivantes :
(i) C
0
n
= C
n
n
= 1, pour tout entier n.
(ii) C
1
n
= C
n
n
= n, pour n 1.
2 Espace fondamental et vnements
2.1 Dnitions
On appelle exprience alatoire une exprience dont on ne peut prvoir le rsultat.
Exemple. Un lancer de d est une exprience alatoire.
On appelle vnement lmentaire ou encore issue le rsultat dune exprience alatoire.
CHAPITRE I. CALCUL DES PROBABILITS 7
Exemple. Jobtiens un 6 est un vnement lmentaire.
On appelle vnement un ensemble dvnements lmentaires. Il est possible quun vne-
ment ne soit constitu que par un seul vnement lmentaire.
Exemple. Jobtiens un nombre pair est un vnement.
On appelle espace fondamental ou univers, not , lensemble de tous les vnements l-
mentaires possibles.
Exemple. = {1, 2, 3, 4, 5, 6}.
Chaque vnement peut ainsi tre vu comme un sous-ensemble de quon nommera avec
une lettre majuscule A, B, . . . est lvnement certain et lvnement vide sera not .
Exemple. Lvnement jobtiens un 6 scrit aussi A = {6}, lvnement jobtiens un
nombre pair B = {2, 4, 6}.
2.2 Oprations sur les vnements
Le calcul des probabilits ncessite de combiner les vnements. On dispose de plusieurs
oprations :
le complmentaire de lvnement A, not A,
la runion de deux vnements A et B, note A B,
lintersection de deux vnements A et B, note A B.
Remarques.
1. On peut gnraliser raliser les notions de runion et dintersection n vnements
A
1
, . . . , A
n
.
2. Si A B = , les vnements A et B sont dits incompatibles ou disjoints.
3. On note A\B = A B.
Exemple. Dans le cas du lancer de d, considrant les vnements A = {6} et B = {2, 4, 6}
on a :
A = {1, 2, 3, 4, 5},
A B = {2, 4, 6},
A B = {6}.
Les vnements A et B sont incompatibles.
Dnition 2.1. Soit E un ensemble ni, on appelle cardinal de E, not Card(E), le nombre
dlments de E.
Proprit. Pour deux ensembles nis E et F, on a la formule :
Card(E F) = Card(E) + Card(F) Card(E F).
8 CHAPITRE I. CALCUL DES PROBABILITS
3 Calcul des probabilits
3.1 Dnition et proprits
Le passage dune description sur des ensembles une quantication des phnomnes ala-
toires se fait grce une mesure de probabilit, note P.
Dnition 3.1. On appelle probabilit sur lespace fondamental une application valeurs
positives vriant les deux proprits :
(i) a la probabilit maximale de ralisation :
P() = 1,
(ii) Pour deux vnements disjoints A et B, la probabilit de ralisation de A B est la
somme de la probabilit de ralisation de A et de la probabilit de ralisation de B :
P(A B) = P(A) +P(B).
Alors, on a les proprits suivantes :
Proprits. Pour tous les vnements A et B,
(i) P(A) = 1 P(A),
(ii) P() = 0,
(iii) si A B, alors P(A) P(B),
(iv) 0 P(A) 1,
(v) P(A B) = P(A) +P(B) P(A B).
Dmonstration.
(i) On sait que = A A, o les vnements A et A sont incompatibles. Par dnition
dune probabilit :
P() = P(A) +P(A) = 1, soit P(A) = 1 P(A).
(ii) On utilise la proprit (i) avec A = .
(iii) Etant donn que B = A (B\A), o les vnements A et B\A sont disjoints :
P(B) = P(A) +P(B\A) P(A),
car P est positive.
(iv) On a clairement A , do le rslutat en utilisant (iii).
(v) On a
P(A) = P(A B) +P(A\B),
P(A) = P(A B) +P(B\A),
P(A B) = P(A\B) +P(B\A) +P(A B),
car les vnements considrs sont deux deux incompatibles. La combinaison de ces
trois quations donne le rsultat recherch.
CHAPITRE I. CALCUL DES PROBABILITS 9
3.2 Probabilit sur un ensemble ni
On suppose que est lensemble ni {
1
, . . . ,
n
}. On peut construire une probabilit P en
se donnant des nombres p
i
= P(
i
) tels que
pour i = 1, . . . , n p
i
0 et
n

i=1
p
i
= 1.
Cas particulier : lorsque tous les vnements lmentaires ont la mme probabilit, on
dit quil y a quiprobabilit. Cette probabilit vaut alors 1/n et dans ce cas la probabilit dun
vnement A contenant k vnements lmentaires vaut k/n. Plus gnralement, on crit :
P(A) =
card(A)
card()
,
o card(A) dsigne le nombre dlments de A.
On retrouve alors la dnition dune probabilit comme tant le quotient :
P(A) =
nombre de cas favorables
nombre de cas possibles
.
Exemple. Dans lexemple du lancer de d, on a
= {1, 2, 3, 4, 5, 6} et p
1
= p
2
= p
3
= p
4
= p
5
= p
6
= 1/6,
soit :
P(A) =
1
6
et P(B) =
3
6
=
1
2
.
4 Probabilits conditionnelles - Indpendance
4.1 Probabilits conditionnelles
Dnition 4.1. Soit P une probabilit dnie sur un espace fondamental et B un vnement
tel que P(B) > 0. Pour un vnement quelconque A, on appelle probabilit conditionnelle
de A sachant que B est ralis, le nombre
P(A|B) =
P(A B)
P(B)
.
Il est courant de connatre directement P(A|B), ce qui permet de calculer la probabilit
conjointe par la formule des probabilits composes :
P(A B) = P(B) P(A|B).
Exemple. Dans lexemple du lancer de d, la probabilit de A sachant B vaut :
P(A|B) =
P(A B)
P(B)
=
P(A)
P(B)
=
1/6
1/2
=
2
6
=
1
3
.
En eet, il sagit bien de la probabilit dobtenir un 6 sachant quon a un nombre pair.
10 CHAPITRE I. CALCUL DES PROBABILITS
Proprit (Formule de Bayes). Soient A et B deux vnements tels que P(B) > 0, alors
P(A|B) =
P(B|A) P(A)
P(B)
.
Cette formule permet de lier les probabilits conditionnelles P(A|B) et P(B|A).
Dmonstration. Le rsultat sobtient en combinant les deux formules des probabilits compo-
ses :
P(A B) = P(A|B) P(B) = P(B|A) P(A).
4.2 Partitions - Probabilits totales
Dnition 4.2. Les vnements B
1
, . . . , B
n
forment une partition de signie quils sont
deux deux incompatibles et que leur runion est .
Proprit (Formule des probabilits totales). Si les vnements B
1
, . . . , B
n
forment une par-
tition de , alors pour tout vnement A :
P(A) =
n

i=1
P(A B
i
) =
n

i=1
P(A|B
i
) P(B
i
).
Dmonstration. Les vnements A B
1
, . . . , A B
n
sont deux deux incompatibles et leur
runion est A, do le rsultat.
4.3 Indpendance
Dnition 4.3. Deux lments A et B sont dit indpendants pour une probabilit P si
P(A B) = P(A) P(B).
Remarque. Il ne faut pas confondre vnements indpendants et incompatibles. Dans le
cas dvnements indpendants, la ralisation de lun des vnements nempche pas celle du
second.
Exemple. On lance deux ds simultanment. On note A, B et C les vnements suivants :
jobtiens 1 avec le premier d, jobtiens 4 avec le second d et jobtiens 3 avec le pre-
mier d. Les vnements A et B sont indpendants alors que les vnements A et C sont
incompatibles.
Proprits. Si A et B sont indpendants pour P, alors :
P(B|A) = P(B) si P(A) = 0,
P(A|B) = P(A) si P(B) = 0,
P(A B) = P(A) +P(B) P(A) P(B).
CHAPITRE I. CALCUL DES PROBABILITS 11
5 Exercices
Dnombrement
Exercice 1. On dispose des six premires lettres de lettres de lalphabet.
1. Combien de sigles de 6 lettres distinctes peut-on former ?
2. Combien de sigles de 4 lettres distinctes peut-on former ?
3. Combien de sigles de 4 lettres peut-on former ?
Exercice 2. Huit personnes se rpartissent dans deux voitures de quatre places. Combien de
possibilits peut-on dnombrer ?
Exercice 3. Lors dun recrutement pour 4 postes identiques, 6 femmes et 8 hommes se pr-
sentent.
1. Combien de recrutements distincts sont possibles ?
2. Sachant que lon embauche 2 hommes et 2 femmes, combien de recrutements distincts
sont possibles ?
Exercice 4. Une entreprise fabrique 4 types de pices numrotes. On dispose dun stock de :
8 pices de type A,
7 pices de type B,
6 pices de type C,
5 pices de type D.
De combien de manires distinctes peut-on constituer :
1. un lot de 4 pices ayant au moins une pice A?
2. un lot de 4 pices ayant au moins une pice A et au moins une pice B?
Calcul des probabilits
Exercice 5. Dans un restaurant universitaire, on propose deux desserts chaque repas. La
probabilit que lun deux soit un yaourt est 0, 4, une orange 0, 8. La probabilit que les deux
desserts soient un yaourt et une orange est 0, 3.
Calculer la probabilit que lon propose :
1. un yaourt et pas dorange ?
2. une orange et pas de yaourt ?
3. ni yaourt, ni orange ?
Exercice 6. Que vaut P(A B), lorsque A et B sont :
1. incompatibles,
2. indpendants.
Exercice 7. On jette deux ds. Soit A lvnement la somme des chires indiqus est impaire
et soit B lvnement lun des ds indique le chire 1.
Les vnements A et B sont-ils indpendants ?
Exercice 8. Dans un levage de bovins, trois btes A, B, C doivent vler au cours dune
semaine donne. On admet que la probabilit pour que le vlage de chacune de ces btes ait lieu
un certains jour, est le mme quel que soit le jour de cette semaine, et quil y a indpendance
entre les vlages des trois btes.
12 CHAPITRE I. CALCUL DES PROBABILITS
1. Quelle est la probabilit pour que les trois vlages aient lieu le mme jour de la semaine ?
2. Quelle est la probabilit pour que deux, et deux seulement, des vlages aient lieu le mme
jour ?
3. Quelle est la probabilit davoir au moins un vlage le dimanche ?
Exercice 9. On considre un espace fondamental = {a, b, c, d}. On dnit les vnements
E = {a, d}, F = {a, b, c} et G = {b, d}.
Peut-on trouver une (ou plusieurs) mesure(s) de probabilit sur vriant lune des trois sries
de conditions :
1. P(E) = 0, 5 P(F) = 0, 9 P(G) = 0, 4 ?
2. P(E) = 0, 6 P(F) = 0, 8 P(G) = 0, 7 ?
3. P(E) = P(F) = P(G) ?
Dterminer le cas chant ces mesures de probabilit.
Exercice 10. Trois personnes vont au cinma. Il passe trois lms dirents. Chaque personne
choisit son lm au hasard et indpendamment des autres.
Quelle est la probabilit que les trois personnes aient vu les trois lms dirents ?
Probabilits conditionnelles
Exercice 11. On considre une population compose de 48% dhommes et de 52% de femmes.
La probabilit quun homme soit daltonien est 0, 05, la probabilit quune femme soit daltonienne
est 0, 0025.
Quelle proportion de la population est-elle daltonienne ?
Exercice 12. Dans une entreprise, une machine A fabrique 40% des pices et une machine B
en fabrique 60%. La proportion de pices dfectueuses fabriques par A est de 3% et par B de
2%. On choisit une pice au hasard.
1. Calculer la probabilit quelle soit dfectueuse.
2. Sachant quelle est dfectueuse, calculer la probabilit quelle soit fabrique par A.
Exercice 13. Un serveur de banque de donnes a calcul quun individu se trompe 1 fois sur
20 en saisissant son code de carte bancaire. Sachant que la machine accepte trois essais de
code, quelle est la probabilit de bloquer sa carte bancaire ?
Exercice 14. On estime quune personne a 6 chances sur 10 dtre atteinte dun certaine
maladie. On eectue deux tests de dpistage. Le premier test est positif 70% sur les malades
et 20% sur les individus sains. Le second test est positif 90% sur les malades et 30% sur
les individus sains.
On suppose que les deux tests sont indpendants. Quelle est la probabilit que le second test
soit positif si le premier la t ?
Chapitre II
Variables alatoires discrtes - Lois
discrtes usuelles
1 Variables alatoires discrtes
1.1 Dnitions
Dnition 1.1. Soit un espace fondamental et P une probabilit sur . On appelle variable
alatoire discrte toute application X de dans une partie de nie ou dnombrable de R :
X : R avec X() ni ou dnombrable.
X()
Exemple. Si est lensemble des lves dune classe, on peut chaque lve associer le
nombre X() de ses frres et soeurs. X est alors une fonction valeur dans un ensemble ni
(nitude impose par la nature) : cest une variable alatoire discrte.
Dnition 1.2. Etant donne une variable alatoire X telle que X() = {x
1
, . . . , x
n
}, on
appelle loi de probabilit ou distribution de probabilit de X une expression des probabi-
lits :
p
i
= P(X = x
i
), i = 1 . . . n.
Remarques.
1. Les probabilits p
i
trouves vrient alors :
n

i=1
p
i
= 1.
2. Cette dnition stend bien sr au cas dune variable alatoire valeurs dans un en-
semble inni dnombrable. Dans la suite, on se limite au cas des variables alatoires
discrte valeurs dans un ensemble ni. Les notions et proprits tudies stendent
bien sr au cas des variables alatoires discrtes valeurs dans un ensemble dnombrable
inni.
Exemple. On lance deux pices de monnaie. Lensemble fondamental comprend 4 vne-
ments lmentaires nots PP, PF, FP, FF, de probabilit chacun 1/4. On note X la variable
alatoire qui compte le nombre de piles obtenus.
13
14 CHAPITRE II. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
X prend les valeurs 0, 1, 2,
P(X = 0) =
1
4
, P(X = 1) =
1
2
et P(X = 2) =
1
4
.
On reprsente souvent la loi de probabilit laide dun tableau :
x 0 1 2 Total
P(X = x) 1/4 1/2 1/4 1
1.2 Reprsentations graphiques
Il est apprciable de pouvoir visualiser une distribution de probabilits. Dans le cas des
variables alatoires discrte on peut utiliser des diagrammes en barres.
Exemple. Diagramme en barres reprsentant la distribution de probabilit de la variable ala-
toire X :
Une autre reprsentation, qui trouve son quivalent en statistiques, consiste regarder la
fonction cumul des probabilits, appele fonction de rpartition en probabilits.
Dnition 1.3. Soit X une variable alatoire discrte sur telle que X() = {x
1
, . . . , x
n
},
avec x
1
< < x
n
. On appelle fonction de rpartition de X la fonction F dnie par :
F : R [0, 1]
x P(X x).
Proprits.
1. F est une fonction en escalier croissante,
2. Si x < x
1
, alors F(x) = 0,
3. Si x
j
x < x
j+1
, alors F(x) =
j

i=1
p
i
,
4. Si x x
n
, alors F(x) = 1.
CHAPITRE II. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES 15
Remarque. Connaissant la fonction de rpartition F dune variable alatoire discrte X on
peut retrouver la distribution de probabilit de X :
P(X = x
j
) = p
j
=
j

i=1
p
i

j1

i=1
p
i
= F(x
j
) F(x
j1
), j 2.
Exemple. Fonction de rpartition associe la variable alatoire X :
1.3 Variables alatoires indpendantes
On considre deux variables alatoires discrtes X et Y dnies sur lunivers . On note
X() = {x
1
, . . . , x
p
} et Y () = {y
1
, . . . , y
q
}.
La loi de probabilit du couple (X, Y ) est dnie par la donne des nombres :
p
ij
= P
_
(X = x
i
) (Y = y
j
)
_
1 i p et 1 j q.
On reprsentera la loi de probabilit dun couple de variables alatoires discrtes par un
tableau avec p lignes et q colonnes.
En sommant les lments de chaque ligne (resp. colonne), on trouve la loi de X (resp. Y ),
savoir les valeurs de p
i
= P(X = x
i
) (resp. p
j
= P(Y = y
j
)). On les appelle lois marginales
de X et Y .
Dnition 1.4. Les deux variables alatoires X et Y sont dites indpendantes si les vne-
ments (X = x
i
) et (Y = y
j
) sont indpendants pour toutes valeurs de i et j, en dautres termes
si
p
_
(X = x
i
) (Y = y
j
)
_
= p(X = x
i
) p(Y = y
j
),
ou encore
p
ij
= p
i
p
j
.
16 CHAPITRE II. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
1.4 Paramtres dune variable alatoire
1.4.1 Esprance mathmatique
Lorsquon rpte un grand nombre de fois une exprience, on peut estimer la moyenne des
valeurs obtenues. En ralit, cette quantit peut tre calcule mathmatiquement : elle corres-
pond la moyenne des valeurs prises par la variable alatoire X pondres par la probabilit
dobtenir cette valeur. Cette moyenne, appele esprance mathmatique joue un rle central en
probabilits et statisques.
Dnition 1.5. Soit X une variable alatoire discrte sur telle que X() = {x
1
, . . . , x
n
},
avec x
1
< < x
n
. On appelle exprance mathmatique de X le rel
E(X) =

i=1
n
x
i
P(X = x
i
) =

i=1
n
x
i
p
i
.
Exemple. Dans le cas du lancer des deux pices de monnaie, on trouve :
E(X) = 0
1
4
+ 1
1
2
+ 2
1
4
= 1.
1.4.2 Variance
Lesprance mathmatique fournit une valeur moyenne des observations. On sintresse
souvent la dispersion de la distribution de probabilit, en dautres termes si les valeurs
observes seront plutt voisines de la valeur moyenne ou si au contraire elle peuvent sen
loigner fortement.
Exemple. Une classe obtient une note moyenne de 11/20 un examen. Les notes obtenues
peuvent cependant varier entre 10 et 13 comme elles peuvent varier entre 2 et 19.
Cette dispersion peut tre mesure mathmatiquement par une quantit appele variance.
Dnition 1.6. Soit X une variable alatoire discrte sur telle que X() = {x
1
, . . . , x
n
},
avec x
1
< < x
n
. On appelle variance de X le rel
V ar(X) = E
__
X E(X)
_
2

=
n

i=1
p
i
_
x
i
E(X)
_
2
.
On appelle cart type de X le rel
(X) =
_
V ar(X).
Proprit. On a la relation suivante :
V ar(X) = E(X
2
) E(X)
2
=
n

i=1
p
i
x
2
i
E(X)
2
.
CHAPITRE II. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES 17
1.4.3 Covariance
Lorsquon tudie deux variables alatoires simultanment, on souhaite connatre leur degr
dindpendance. Pour cela on fait appel deux indicateurs : la covariance et le coecient de
corrlation.
Dnition 1.7. Soient X et Y deux variables alatoires. La covariance de X et Y est le
nombre rel
Cov(X, Y ) = E
__
X E(X)
__
Y E(Y )
_
,
et le coecient de corrlation
=
Cov(X, Y )
_
V ar(X)V ar(Y )
=
Cov(X, Y )
(X)(Y )
.
1.4.4 Oprations sur les variables alatoires
On a les rsultats suivants :
Proprits. Pour tous rel a et b,
(i) E(aX + b) = aE(X) + b,
(ii) V ar(aX + b) = a
2
V ar(X).
Proprit. Pour X une variable alatoire, on appelle variable centre rduite la variable ala-
toire
Y =
X E(X)
(X)
.
Y est alors telle que E(Y ) = 0 et (Y ) = 1.
2 Lois discrtes usuelles
2.1 Loi de Bernoulli
Modle : On eectue un tirage dune boule dans une urne contenant des boules blanches
et noires, les premires en proportion p, les secondes en proportion q = 1p. Soit X le nombre
de boules blanches tires.
Paramtre : p
Valeurs possibles : X() = {0, 1}
Probabilits : P(X = 0) = q = 1 p, P(X = 1) = p
Esprance : E(X) = p
Variance : V ar(X) = pq
Notation : X B(1, p)
18 CHAPITRE II. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
2.2 Loi binomiale
Modle : On eectue n tirages avec remise dans une urne contenant des boules blanches
et noires, les premires en proportion p, les secondes en proportion q = 1p. Soit X le nombre
de boules blanches tires.
Paramtres : n et p
Valeurs possibles : X() = {0, 1, 2, . . . , n}
Probabilits : k X() P(X = k) = C
k
n
p
k
q
nk
Esprance : E(X) = np
Variance : V ar(X) = npq
Notation : X B(n, p)
Remarque. Pour n = 1, on retrouve la loi de Bernoulli.
Exemple. Une pice de monnaie est truque de sorte qu chaque lancer jai une chance sur
trois de faire pile. Quelle est la probabilit en 4 lancers davoir une fois pile ?
Proprits. On a les proprits suivantes :
1. Si X
1
et X
2
sont des variables alatoires indpendantes telles que X
1
B(n
1
, p) et
X
2
B(n
2
, p) alors X
1
+ X
2
B(n
1
+ n
2
, p).
2. Une consquence est que si X
1
, . . . , X
n
sont des variables alatoires indpendantes suivant
une loi de Bernoulli de paramtre p, alors X
1
+ + X
n
B(n, p).
2.3 Loi gomtrique
Modle : On eectue des tirages avec remise dans une urne contenant des boules blanches
et noires, les premires en proportion p, les secondes en proportion q = 1p. Soit X le nombre
de tirages ncessaires pour obtenir une boule blanche.
Paramtre : p
Valeurs possibles : X() = {1, 2, . . . , n, . . .}
Probabilits : k X() P(X = k) = pq
k1
Esprance : E(X) =
1
p
Variance : V ar(X) =
q
p
2
Notation : X G(p)
2.4 Loi de Poisson - Approximation dune loi binomiale
2.4.1 Loi de Poisson
Modle : Soit X le nombre dapparitions dun vnement rare sur un intervalle de temps
donn.
CHAPITRE II. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES 19
Paramtre :
Valeurs possibles : X() = N
Probabilits : k X() P(X = k) = e

k
k!
Esprance : E(X) =
Variance : V ar(X) =
Notation : X P()
Exemple 2.1. Chaque jour, une sortie dautoroute, on compte en moyenne 3 clients qui ont
perdu leur ticket de page. Quelle est la probabilit quun jour, 4 clients aient perdu leur ticket
de page ? Quelle est la probabilit quun jour strictement moins de 3 clients aient perdu leur
ticket de page ?
Proprit. Si X
1
et X
2
sont des variables alatoires indpendantes telles que X
1
P(
1
) et
X
2
P(
2
) alors X
1
+ X
2
P(
1
+
2
).
2.4.2 Approximation dune loi binomiale par une loi de Poisson
Dans la loi binomiale, deux paramtres n et p interviennent ce qui peut compliquer le calcul
des probabilits notamment lorsque n devient grand et p petit. On utilise alors le rsultat
dapproximation suivant :
Proprit. Si n est assez grand et p est assez petit alors on peut approcher la loi binomiale
B(n, p) par la loi de Poisson ayant la mme esprance mathmatique P(np).
Dans la pratique, on admet que cette approximation est satisfaisante lorsque n 30,
p 0, 1 et np 10.
Ces donnes ne sont pas ges, elles varient gnralement dun auteur lautre.
20 CHAPITRE II. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
3 Exercices
Variables alatoires discrtes
Exercice 1. Lors dune enqute, on a interrog 5 hommes et 3 femmes. On choisit au hasard
et sans remise les personnes une une jusqu obtention dun homme. Soit X le nombre de
tirages ncessaires.
1. Dterminer les valeurs prises par X ainsi que sa loi de probabilit.
2. Calculer E(X).
Exercice 2. On lance simultanment deux ds bien quilibrs. On note X la valeur absolue de
la dirence des nombres ports sur les faces suprieures.
1. Quelle est la loi de probabilit de X ?
2. Calculer E(X) et V ar(X).
Exercice 3. Soit X la variable alatoire admettant la loi de probabilit suivante :
x
i
1 3 4 6 9
p
i
0, 2 0, 2 0, 1 0, 2 0, 3
1. Tracer la fonction de rpartition de X ?
2. Calculer E(X).
Exercice 4. On lance simultanment deux ds quilibrs, lun rouge, lautre blanc. On note X
le nombre indiqu par le d rouge et Y le maximum des deux nombres obtenus.
1. Dterminer la loi du couple (X, Y ).
2. En dduire les lois de X et Y .
3. Les variables alatoires X et Y sont-elles indpendantes ?
Exercice 5. Soit X la variable alatoire admettant la loi de probabilit suivante :
x
i
2 1 0 1 2
p
i
1/8 1/4 1/5 1/8 3/10
Calculer E(X) et V ar(X).
Lois discrtes usuelles
Exercice 6. A un concours se prsentent deux fois plus dhommes que de femmes. On tire
une personne au hasard, et on appelle X la variable alatoire nombre de femmes.
1. Quelle loi suit la variable X ?
2. Calculer E(X) et V ar(X).
Exercice 7. La probabilit pour quune ampoule lectrique ait une dure de vie suprieure
deux ans est gale 0, 2. Sachant quun lustre possde cinq ampoules, calculer :
1. la probabilit de ne pas changer dampoules en deux ans,
2. la probabilit de changer toutes les ampoules en deux ans.
3. le nombre moyen dampoules changes en deux ans.
CHAPITRE II. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES 21
Exercice 8. Un joueur a une chance sur trois de gagner une partie. Il joue cinq parties.
Calculer la probabilit pour quil gagne :
1. trois parties,
2. au plus une partie,
3. au moins deux parties.
Exercice 9. Pour accder un guichet automatique, il faut utiliser une carte magntique et
un code condentiel. Un client tapant un code au hasard est refus 999 fois sur 1000. Soit X
le nombre dessais ncessaires pour accder au guichet.
1. Quelle est la loi de probabilit de X ?
2. Calculer P(X = 1).
3. Sachant quau bout de 3 essais infructueux, la carte est consque, calculer la probabilit
daccder au guichet par hasard.
4. Combien faut-il dessais en moyenne pour accder au guichet par hasard ?
Exercice 10. Le nombre dordinateurs vendus chaque jour dans un magasin spcialis suit
une loi de Poisson de paramtre 4. Calculer la probabilit que dans une journe :
1. on ne vende aucun ordinateur,
2. on vende 4 ordinateurs,
3. on vende au moins un ordinateur,
4. le nombre dordinateurs vendus est compris entre 2 et 6.
Exercice 11. Lors dun sondage portant sur 250 individus, 2% des personnes interroges
acceptent de ne pas rester anonymes. On appelle X le nombre de personnes ne souhaitant pas
rester anonymes.
1. Quelle est la loi suivie par X ?
2. Aprs avoir justi votre choix, donner la loi qui permet dapprocher la loi de X.
3. Calculer la probabilit que les 250 personnes souhaitent rester anonymes.
4. Calculer la probabilit que 3 personnes acceptent de ne pas rester anonymes.
5. Calculer la probabilit que plus de 10 personnes acceptent de ne pas rester anonymes.
22 CHAPITRE II. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
Chapitre III
Variables alatoires continues - Lois
continues usuelles
1 Variables alatoires continues
1.1 Dnitions
Dnition 1.1. Soit un espace fondamental, P une probabilit sur et X une application
de dans R. On note F la fonction de rpartition de X dnie par :
F : R [0, 1]
x P(X x).
On dit que X est une variable alatoire continue sil existe une fonction f dnie sur R
telle que
(i) pour tout x R, f(x) 0,
(ii) f est continue sur R sauf peut tre en un nombre ni de points o elle admet une limite
droite et une limite gauche nies,
(iii)
_
+

f(t)dt = 1,
(iv) pour tout x R, F(x) =
_
t

f(t)dt.
Remarque. La fonction f est appele densit de probabilit de la variable alatoire X.
Proprits. On a les rsultats suivants :
1. pour tout a R : P(X = a) = 0 donc P(X a) = P(X < a),
2. si a < b, on a : P(a X b) = P(X b) P(X a) = F(b) F(a) =
_
b
a
f(t)dt.
1.2 Paramtres dune variable alatoire
Soit X une variable alatoire continue admettant pour densit la fonction f. Sous rserve
de convergence des intgrales, on dnit :
lesprance mathmatique de X : E(X) =
_
+

tf(t)dt,
23
24 CHAPITRE III. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
la variance de X :
V ar(X) = E
__
X E(X)
_
2

=
_
+

_
t E(X)
_
2
f(t)dt,
= E(X
2
) (E(X))
2
=
__
+

t
2
f(t)dt
_
(E(X))
2
,
lcart-type de X : (X) =
_
V ar(X).
1.3 Quantiles
Dnition 1.2. Soit X une variable alatoire de fonction de rpartition F et ]0, 1[. On
appelle quantile dordre , tout rel x

tel que
P(X x

) = ou encore F(x

) = .
Remarque. Pour = 1/2, on parle de mdiane.
2 Lois continues usuelles
2.1 La loi uniforme
Densit : une variable alatoire continue X sui la loi uniforme sur lintervalle [a, b] si elle
admet pour densit la fonction f dnie sur R par :
f(x) =
_

_
1
b a
si x [a, b],
0 sinon.
Paramtres : les bornes a et b de lintervalle
Esprance : E(X) =
a + b
2
Variance : V ar(X) =
(b a)
2
12
Notation : X U(a, b)
Figure III.1 Densit de probabilit de la loi uniforme sur [1, 3].
CHAPITRE III. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES 25
Figure III.2 Fonction de rpartition de la loi uniforme sur [1, 3].
2.2 La loi exponentielle
Modle : on se place dans un phnomne dattente et on sintresse la variable alatoire
qui reprsente le temps dattente entre deux vnements successifs ou encore une dure de vie.
Densit : une variable alatoire continue X suit la loi exponentielle de paramtre ( > 0)
si elle admet pour densit la fonction f dnie sur R par :
f(x) =
_
_
_
e
x
si x 0,
0 sinon.
Paramtres :
Esprance : E(X) =
1

Variance : V ar(X) =
1

2
Notation : X E()
Figure III.3 Densit de probabilit de la loi exponentielle de paramtre = 1.
26 CHAPITRE III. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
Figure III.4 Fonction de rpartition de la loi exponentielle de paramtre = 1.
Exemple 2.1. Le temps dattente moyen entre deux RER est de 5 minutes. La variable ala-
toire T qui reprsente le temps dattente (en minutes) entre deux RER peut tre modlise par
une loi exponentielle desprance gale 5, cest dire de paramtre = 1/5.
2.3 La loi normale
2.3.1 Cas gnral
Densit : une variable alatoire continue X suit la loi normale de paramtres et
( > 0) si elle admet pour densit la fonction f dnie sur R par :
f(x) =
1

2
e

1
2
(
x

)
2
Paramtres : et
Esprance : E(X) =
Variance : V ar(X) =
Notation : X N(, )
Figure III.5 Densit de probabilit de la loi normale de paramtres = 1 et = 2.
CHAPITRE III. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES 27
Figure III.6 Fonction de rpartition de la loi normale de paramtres = 1 et = 2.
Remarques. On a les proprits suivantes :
1. la distribution est symtrique par rapport la droite x = .
2. la distribution est dautant plus tale que est grand.
3. P( < X < + ) = 0, 6826.
4. laire sous la courbe lextrieur de lintervalle [ 3, +3] est ngligeable, en eet :
P( 3 < X < + 3) = 0, 9974.
Proprit. Si X
1
N(
1
,
1
), X
2
N(
2
,
2
), et si X
1
et X
2
sont indpendantes, alors
X
1
+ X
2
N(
1
+
2
,
1
+
2
).
2.3.2 La loi normale centre rduite
Il sagit de la loi normale obtenue pour = 0 et = 1. Sa densit f est alors dnie par
f(x) =
1

2
e

x
2
2
.
Proprit. X N(, ), alors la variable alatoire T =
X

suit la loi normale centre

rduite : T N(1, 0).
Dans la pratique, pour calculer des probabilits, on dispose dune table pour la loi normale
centre rduite. Pour les autres lois normales, on se ramnera la loi normale centre rduite
moyennant le changement de variable T =
X

.
3 Le thorme central limite
Thorme 3.1. Soit X
1
, . . . , X
n
, . . . une suite innie de variables alatoires indpendantes
possdant toutes la mme loi, desprance et dcart-type . On dnit leurs sommes :
S
n
= X
1
+ + X
n
,
28 CHAPITRE III. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
et les variables centres rduites correspondantes :
Z
n
=
S
n
n

n
,
pour lesquelles on dnit les fonctions de rpartitions : F
n
= P(Z
n
x).
Alors pour tout rel x, on a :
lim
n+
F
n
(x) =
1

2
_
x

e
t
2
/2
dt.
Remarque. On dit encore que la suite des variables alatoires Z
n
converge en loi vers une
variable alatoire suivant la loi normale centre rduite.
Approximation de la loi binomiale par une loi normale :
Pour n 30, npq 3, la loi normale N(np,

npq) constitue une bonne approximation de

la loi binomiale B(n, p).
Approximation de la loi de Poisson par une loi normale :
Pour 20 la loi normale N(,

) constitue une bonne approximation de la loi de

Poisson P().
4 Lois continues drivant de la loi normale
Les distributions suivantes ne servent pas reprsenter des modles thoriques mais jouent
un rle central dans les problmes destimation et de tests statistiques.
4.1 La loi du Chi-deux
Modle : Si X
1
, . . . , X
n
sont n variables alatoires indpendantes suivant toutes la loi
normale centre rduite, alors la quantit X = X
2
1
+ +X
2
n
est une variable alatoire qui suit
une loi de Chi-deux n degrs de libert.
Paramtres : n
Esprance : E(X) = n
Variance : V ar(X) = 2n
Notation : X
2
n
Proprit. Si X
1

2
n
1
, X
2

2
n
2
, et si X
1
et X
2
sont indpendantes, alors X
1
+X
2

2
n
1
+n
2
.
4.2 La loi de Fisher-Sndcor
Modle : Si X
1

2
n
1
, X
2

2
n
2
, et si X
1
et X
2
sont indpendantes, alors la quantit
F =
X
1
/n
1
X
2
/n
2
est une variable alatoire qui suit la loi de Fischer-Snedecor n
1
et n
2
degrs
de libert.
CHAPITRE III. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES 29
Paramtres : n
1
et n
2
Notation : X F
n
1
,n
2
Remarque. Attention lordre des paramtres n
1
et n
2
.
4.3 La loi de Student
Modle : Si X et Y sont deux variables alatoires indpendantes, X N(0, 1) et Y
2
n
,
alors la quantit T =
X

n
Y
est une variable alatoire qui suit la loi de Student n degrs
de libert.
Paramtres : n
Esprance : E(T) = 0 si n > 1
Variance : V ar(T) =
n
n 2
si n > 2
Notation : T T
n
30 CHAPITRE III. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
5 Exercices
Variables alatoires continues
Exercice 1.
1. Vrier que lapplication dnie sur R par :
f(x) =
_

_
x
8
+
1
4
si x [2, 2],
0 sinon,
est une densit de probabilit.
2. Calculer la fonction de rpartition F associe.
Exercice 2. Soit f la fonction dnie par :
f(x) =
_
ax(1 x) si x [0, 1],
0 sinon.
1. Pour quelle valeur de a, f est-elle une densit de probabilit ?
2. Calculer alors E(X) et V ar(X) pour une variable alatoire X admettant cette densit.
Exercice 3. Soit X une variable alatoire continue dont la fonction de rpartition F est dnie
par :
F(x) =
_

_
0 si x 0,
3
4
x si 0 < x 1,

1
4
x
2
+ x si 1 < x 2,
1 si x > 2.
1. Vrier que F est bien une fonction de rpartition.
2. Dterminer une densit de probabilit pour X et la reprsenter graphiquement.
Lois continues usuelles
Exercice 4. Calculer E(X) et V ar(X) lorsque X suit :
1. la loi uniforme,
2. la loi exponentielle.
Exercice 5. Soit X U(1, 2).
1. Dterminer la fonction de rpartition F de X et la reprsenter graphiquement.
2. Donner la valeur de la mdiane.
3. Calculer P(X < 3/2), P(1/2 < X 5/4), P(X < 4/3|X < 3/2).
Exercice 6. Reprsenter graphiquement la densit de probabilit et la fonction de rpartition
dune variable alatoire suivant une loi exponentielle de paramtre = 2.
CHAPITRE III. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES 31
Exercice 7. Dans une fort la dure de vie moyenne dun chne est estime 250 ans. Soit
D la dure de vie dun chne pris au hasard.
1. Quelle loi permet de modliser D? Pour quelle(s) valeur(s) de paramtre(s) ?
2. Un chne grandit jusqu 200 ans. Quelle est la probabilit quun chne pris au hasard
ait termin sa croissance ?
3. Quelle est la probabilit quun chne pris au hasard ait une dure de vie comprise entre
100 et 200 ans ?
Exercice 8. Une usine fabrique 9000 units dun certains produit en un temps t. Pour cette
mme priode, la demande, en milliers dunits, concernant ce produit peut tre considre
comme une variable alatoire D suivant une loi exponentielle de paramtre 1/3.
1. Quelle est la probabilit que la demande dpasse la production ?
2. Quelle devrait tre la production pour que cette demande ne dpasse pas 4%?
Exercice 9 (Absence de mmoire de la loi exponentielle). Soit X une variable alatoire suivant
une loi exponentielle de paramtre .
1. Dterminer la fonction de rpartition F de X.
2. Pour un rel t, exprimer P(X > t) laide de F(t).
3. En dduire que X vrie la proprit dabsence de mmoire :
P(X > t + s|X > s) = P(X > t), s R, t R
+
.
Exercice 10. Soit T une variable alatoire qui suit la loi normale centre rduite.
1. Calculer :
P(T < 0), P(T < 2, 04), P(T < 1, 95), P(1 < T < 2), P(3 < T < 1).
2. Dterminer les rels t tels que :
P(T < t) = 0, 8283, P(T < t) = 0, 1112, P(0 < T < t) = 0, 4878.
Exercice 11. Les portes isoplanes ont une hauteur de 2,02m. Quelle est la proportion din-
dividus susceptibles de sy cogner la tte dans une population dont la taille est normalement
distribue avec une moyenne de 1,70m et un cart-type de 10cm.
Exercice 12. Une entreprise distribue un certain aliment dans une bote mtallique dont le
poids, aprs remplissage, est en moyenne de 340 grammes, avec un cart-type de 6 grammes.
1. Quelle est la probabilit quune bote, choisie au hasard dans la production, ait un poids
compris entre 334 et 346 grammes ?
2. Sur une production de 10 000 botes, combien auront un poids infrieur 330 grammes ?
Approximation par une loi normale
Exercice 13. Une usine fabrique des vis dont 3% ont des dfauts.
1. On prlve 1000 vis au hasard. Quelle est la probabilit davoir plus de 50 vis dfec-
tueuses ? Entre 20 et 40 vis dfectueuses ?
2. On veut 1950 vis sans dfaut. Par prudence, on en prlve 2000 au hasard. Quelle est la
probabilit davoir susamment de vis en bon tat ?
32 CHAPITRE III. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
Exercice 14. Le nombre de pannes, par mois, sur une certaine machine, suit une loi de Poisson
de moyenne gale 3. Un atelier fonctionne avec 12 machines de ce type, indpendantes. En
un mois, quelle est la probabilit de constater dans cet atelier
1. plus de 42 pannes ?
2. entre 36 et 45 pannes ?