13.

Lois de probabilit
13.1 Loi binomiale
13.1.1 Coecients binomiaux
Dnition. Soit E un ensemble n lments.
Une combinaison de E p lments est une partie de E p lments ;
le nombre de telles combinaisons est le coecient binomial
_
n
p
_
(se lit binomial n
p ou p parmi n ).
Remarque. En particulier,
_
n
1
_
= n et
_
n
0
_
=
_
n
n
_
= 1.
Thorme. Soient n et p des entiers positifs vriant 0 p n. Alors :
_
n
p
_
=
n(n 1) (n p + 1)
p!
=
n!
p!(n p)!
.
Preuve. Le nombre de listes p lments deux deux distincts vaut
_
n
p
_
p! (choix des p lments
puis permutations). Ainsi
_
n
p
_
p! =
n!
(n p)!
, do la formule recherche.
13.1.2 Formule du binme
Thorme (formule du binme). Soient a et b deux nombres (rels ou complexes). Alors :
(a +b)
n
=
n

k=0
_
n
k
_
a
nk
b
k
= a
n
+
_
n
1
_
a
n1
b +
_
n
2
_
a
n2
b
2
+ +
_
n
n 1
_
ab
n1
+b
n
.
Preuve. On a trivialement (a +b)
n
=
n facteurs
..
(a +b)(a +b) (a +b). Lors du dveloppement de cette
expression, obtenir un terme en a
nk
b
k
cest choisir dans k facteurs parmi n le nombre b. Il y
a donc
_
n
k
_
possibilits.
Thorme. Les coecients binomiaux vrient deux relations fondamentales :
(symtrie)
_
n
p
_
=
_
n
n p
_
;
(relation de Pascal )
_
n 1
p 1
_
+
_
n 1
p
_
=
_
n
p
_
.
Preuve. Soit E un ensemble n lments.
102
Choisir p lments parmi n revient rejeter les n p autres lments. Il y a donc
autant de parties de E p lments qu n p lments.
Soit a E un lment quelconque. Il y a
_
n 1
p
_
parties de E p lments qui ne
contiennent pas a et
_
n 1
p 1
_
parties de E p lments qui contiennent a. Il y a donc
_
n 1
p
_
+
_
n 1
p 1
_
parties de E p lments, nombre qui vaut
_
n
p
_
par dnition.

Corollaire. Ces deux relations permettent de construire facilement le triangle de Pascal :

nk 0 1 2 3 4 5 6
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
13.1.3 Loi binomiale
On se place dans un espace probabilis (, P).
Loi de Bernoulli
Dnition. Une preuve de Bernoulli est une exprience alatoire possdant deux issues (contraires),
succs et chec, de probabilits p et q (avec p +q = 1).
Dnition. la suite dune preuve de Bernoulli, une variable alatoire X : R vriant
X(succs) = 1 et X(chec) = 0 suit la loi de Bernoulli de paramtre p, not X B(p).
Remarque. En rsum, P(X = 1) = p et P(X = 0) = q avec p +q = 1.
Thorme. Si X B(p) alors :
son esprance vaut E(X) = p ;
sa variance vaut
2
(X) = Var(X) = V(X) = pq.
Preuve. E(X) = 1.p + 0.q = p.
V(X) = E(X
2
) E(X)
2
= 1
2
.p + 0
2
.q p
2
= p p
2
= p(1 p) = pq.

Schma de Bernoulli et loi binomiale

Dnition. Un schma de Bernoulli est la rptition de n preuves de Bernoulli indpendantes
et de mme paramtre.
103
Dnition. Si X
1
, , X
n
sont des variables alatoires indpendantes et de mme loi B(p) alors
S
n
= X
1
+ +X
n
suit la loi binomiale de paramtres n et p, note B(n, p).
Remarque. Ainsi, S
n
compte le nombre de succs lors de n preuves de Bernoulli indpendantes.
Lemme. Soient X et Y deux variables alatoires. Alors :
E(X +Y ) = E(X) + E(Y ) et E(X) = E(X) ;
V(X +Y ) = V(X) + V(Y ) si X et Y sont indpendantes.
Preuve. On montre directement la linarit de lesprance :
E(X+Y ) =

(X()+Y ())P({}) =

X()P({})+Y ()P({}) =

X()P({})+

Y ()P({}) = E(X) + E(Y ). On procde de mme pour la deuxime assertion.

On remarque dabord, en supposant que X prend les valeurs x
i
et Y les valeurs y
j
,
que E(XY ) =

i,j
x
i
y
j
P(X = x
i
, Y = y
j
). Puisque X et Y sont indpendantes, P(X =
x
i
, Y = y
j
) = P(X = x
i
)P(Y = y
j
). Il vient donc E(XY ) =

i,j
x
i
y
j
P(X = x
i
)P(Y =
y
j
) =

i
x
i
P(X = x
i
).

j
y
j
P(Y = y
j
) = E(X)E(Y ).
Finalement V(X + Y ) = E((X + Y )
2
) E(X + Y )
2
= E(X
2
+ Y
2
+ 2XY ) (E(X) +
E(Y ))
2
= E(X
2
) + E(Y
2
) + 2E(XY ) E(X)
2
E(Y )
2
2E(X)E(Y ) = V(X) + V(Y )
en utilisant ce que nous venons de montrer.

Thorme. Si X B(n, p) alors :

P(X = k) =
_
n
k
_
p
k
q
nk
;
E(X) = np ;
V(X) = npq et donc (X) =

npq.
Preuve. On choisit les emplacements des k succs parmi n preuves ; il y a
_
n
k
_
choix
possibles. Dans chacun de ces k emplacements, la probabilit dun succs est de p, et
dans les n k autres, la probabilit dun chec est de q, do une probabilit-produit
p
k
q
nk
par indpendance.
On sait que X = X
1
+ + X
n
o X
i
B(p). Ainsi E(X) = E(X
1
) + + E(X
n
) =
p + +p = np.
Comme de plus les X
i
sont indpendantes, V(X) = V(X
1
) + +V(X
n
) = pq + +
pq = npq.

Remarque. On vrie bien que

n

k=0
P(S
n
= k) =
n

k=0
_
n
k
_
p
k
q
nk
= (p +q)
n
= 1
n
= 1...
13.2 Densit
On se place dans un espace probabilis (, P).
Dnition. Soit X une variable alatoire sur , prenant ses valeurs sur un intervalle I de bornes
a < b, avec ventuellement a = ou b = +. La loi P
X
de X est densit continue sil
existe une fonction f (la densit) dnie sur I et vriant :
104
f 0 ;
f continue ;

_
b
a
f = 1 ;
P( X ) =
_

f.
Remarque. La loi P
X
ainsi dnie est bien une probabilit.
Si x
0
I alors P
X
(x
0
) = P(X = x
0
) =
_
x
0
x
0
f = 0 (la loi est diuse). Ainsi une issue
peut tre ralisable tandis que sa probabilit vaut 0.
Une consquence est que lon ne peut dnir la probabilit dun intervalle comme la
somme (intgrale) des probabilits des points qui le composent. On peut par contre
interprter laire rectangulaire f(x)dx comme P(X [x; x + dx]), i.e. la probabilit que
X soit dans un voisinage innitsimal de x. On a alors naturellement P( X ) =
_

P(X [x; x + dx]).

Dnition. Soit X une variable alatoire sur , prenant ses valeurs sur un intervalle I de bornes
a < b, densit f sur I.
E(X) =
_
b
a
x P(X [x; x + dx]) =
_
b
a
xf(x) dx (moyenne des x pondrs) ;
V(X) = E((X E(X))
2
) = E(X
2
) E(X)
2
=
_
b
a
x
2
f(x) dx E(X)
2
;
F
X
(t) = P(X t) =
_
t
a
f(x) dx pour a t b (fonction de rpartition).
Thorme. Dans ces conditions :
les proprits de lesprance et de la variance sont les mmes que dans le cas discret ;
F
X
est une primitive de f.
13.3 Loi uniforme
Dnition. La loi uniforme sur [a; b] est la loi U([a; b]) de densit
1
b a
sur [a; b].
Thorme. Si X U([a; b]) alors :
E(X) =
a +b
2
;
V(X) =
(b a)
2
12
.
Preuve. E(X) =
_
b
a
x
1
b a
dx =
1
b a
_
b
a
x dx =
1
b a
b
2
a
2
2
=
a +b
2
.
V(X) = E(X
2
) E(X)
2
=
_
b
a
x
2
1
b a
dx
_
a +b
2
_
2
=
1
b a
b
3
a
3
3

_
a +b
2
_
2
=
b
2
+ab + a
2
3

a
2
+ 2ab +b
2
4
=
4b
2
+ 4ab + 4a
2
12

3a
2
+ 6ab + 3b
2
12
=
(b a)
2
12
.

105
13.4 Loi exponentielle
Remarque. Lexercice 13.16 nous a permis de montrer que la dure de vie dun phnomne
sans mmoire, sans usure, sans vieillissement, etc. suit ncessairement une loi densit bien
particulire : une loi exponentielle.
Dnition. La loi exponentielle de paramtre > 0 est la loi E() de densit e
t
sur R
+
.
Thorme. Si T E() alors :
P(a T b) =
_
b
a
e
t
dt ;
F
T
(x) = P(T x) = 1 e
x
(fonction de rpartition) ;
P(T > x) = e
x
(fonction de survie) ;
E(T) =
1

;
V(T) =
1

2
.
Preuve. Cest juste la dnition dune densit.
F
T
(x) =
_
x
0
e
t
dt =
_
e
t
_
x
0
= 1 e
x
.
P(T > x) = 1 P(T x) = 1 F
T
(x) = e
x
.
On doit calculer E(T) =
_
+
0
te
t
dt. Par dnition,
_
+
0
f = lim
A+
_
A
0
f si cette
limite existe. On commence donc par intgrer par parties :
_
A
0
te
t
dt =
_
te
t
_
A
0

_
A
0
e
t
dt = Ae
A

_
e
t

_
A
0
= Ae
A

e
A

+
1

. On fait tendre ensuite A vers

+, ce qui mne E(T) =
1

.
On doit ici valuer V(T) =
_
+
0
t
2
e
t
dtE(T)
2
. On intgre par parties :
_
A
0
t
2
e
t
dt =
_
t
2
e
t
_
A
0

_
A
0
2te
t
dt = A
2
e
A
+
2

E(T). On fait tendre ensuite A vers +, ce

qui mne
_
+
0
t
2
e
t
dt =
2

E(T). Finalement, V(T) =

2

_
1

_
2
=
1

2
.

13.5 Loi normale

13.5.1 Loi centre rduite
Thorme (de Moivre-Laplace). Soit X
n
B(n, p) On note Z
n
=
X
n
E(X
n
)
(X
n
)
=
X
n
np
_
np(1 p)
la v.a. centre rduite associe (i.e. E(Z
n
) = 0 et (Z
n
) = 1).
Alors P(Z
n
[a; b]) converge vers
_
b
a
1

2
e
x
2
/2
dx.
Preuve. Admise. Visuellement cependant, on peut observer une stabilisation de la densit (dis-
crte) de la suite (Z
n
), ici pour p = 0, 5 :
106
0.4
0 1 2 3 -1 -2 -3
0.4
0 1 2 3 -1 -2 -3
0.4
0 1 2 3 -1 -2 -3
n = 10 n = 30 n = 100

Dnition. La loi de densit

1

2
e
x
2
/2
sur R est la loi normale centre rduite N(0, 1).
0.1
0.2
0.3
0.4
0 1 2 3 -1 -2 -3
N(0, 1)
Remarque. La suite de v.a. (Z
n
) converge en loi vers N(0, 1).
La densit de la loi N(0, 1) est paire.
Par consquent, si la v.a. X suit la loi N(0, 1) alors P(X < 0) = P(X > 0) =
1
2
.
Cette densit ne possde pas de primitive scrivant avec des fonctions usuelles.
Cette densit scrase trs vite lorsque x sloigne de 0.
La courbe de la densit N(0, 1) est une gaussienne, et la loi N(0, 1) est frquemment
appele gaussienne ou loi de Laplace-Gauss.
Dnition. On note la fonction de rpartition de la loi N(0, 1).
0.5
1.0
0 1 2 3 -1 -2 -3

107
Thorme. Si X suit la loi N(0, 1), de fonction de rpartition , alors :
P(a X b) = (b) (a) ;
(a) = 1 (a) ;
P(a X a) = 2(a) 1.
Preuve. Dj vu : est simplement une primitive de la densit gaussienne f.
Si h(x) = (x) +(x) alors h est drivable avec h

(x) = f(x) +f(x) = f(x) +

f(x) = 0 car f est paire. Ainsi h est constante sur R; puisque h(0) = 0, 5 + 0, 5 = 1
(toujours par parit de f), il vient h(x) = 1 pour tout x.
On calcule directement : P(a X a) = (a) (a) = (a) (1 (a)) =
2(a) 1.

Thorme. Si X N(0; 1) et ]0; 1[ alors il existe un unique rel u

vriant lgalit
P(u

X u

) = 1 .
Preuve. Lquation rsoudre est P(x X x) = 1 soit 2(x) 1 = 1 ou encore
(x) = 1

2
. La fonction est continue (car drivable), strictement croissante (sa drive
gaussienne tant strictement positive), lim
x
(x) = 0 et lim
x+
(x) = 1. Le thorme des
valeurs intermdiaires, puisque 0 < 1

2
< 1, prouve alors lexistence dun unique u

vriant
(u

) = 1

2
, i.e. P(u

X u

) = 1 .
Remarque. Avec un logiciel de calcul on obtient les deux rsultats connatre suivants :
P(1, 96 X 1, 96) 0, 95 ;
P(2, 58 X 2, 58) 0, 99.
Remarque. Une v.a. suivant la loi normale a t construite comme limite dune suite de v.a.
desprance nulle et de variance gale 1. Le thorme suivant prouve quil en est bien sr de
mme pour cette v.a. limite.
Thorme. Soit X une v.a. suivant la loi N(0, 1). Alors :
E(X) = 0 ;
V(X) = 1.
Preuve. Si f est la densit gaussienne, on doit calculer E(X) =
_
+

tf(t)dt. Par
dnition, cette intgrale impropre vaut lim
x
_
0
x
tf(t)dt+ lim
y+
_
y
0
tf(t)dt. Considrons
la deuxime intgrale. On calcule :
_
y
0
tf(t)dt =
_

2
e
t
2
/2
_
y
0
=
1

2
_
e
y
2
/2
+ 1
_
,
qui a pour limite
1

2
lorsque y tend vers +. De la mme manire, la premire intgrale
tend vers
1

2
lorsque x tend vers . Il en rsulte que la somme de ces deux limites
vaut 0, i.e. E(X) = 0.
108
Calculons, sans se focaliser cette fois-ci sur lintgrale impropre : V(X) =
_
+

t
2
f(t)dt =
1

2
_
+

t
2
e
t
2
/2
dt =
1

2
_
+

t.te
t
2
/2
dt que lon intgre par parties :
1

2
_
te
t
2
/2
_
+

2
_
+

e
t
2
/2
dt = 0 +
_
+

2
e
t
2
/2
dt = 1.

13.5.2 Loi gnrale

Dnition. Soit X une v.a. Si
X

suit la loi N(0; 1) alors X suit la loi normale N(,

2
).
Remarque. Si X N(,
2
) alors on calcule avec un logiciel :
0 1 2 3 -1 -2 -3 0 1 2 3 -1 -2 -3 0 1 2 3 -1 -2 -3
P(X [ ; +]) 0, 6827 P(X [ 2; + 2]) 0, 9545 P(X [ 3; + 3]) 0, 9973
Remarque. La valeur de inuence ltalement de la densit :
0 1 2 3 1 2 3 0 1 2 3 1 2 3 0 1 2 3 1 2 3
= 1 = 1, 5 = 2
Thorme. Soit X une v.a. suivant la loi N(,
2
). Alors :
E(X) = ;
V(X) =
2
.
Preuve. On note Z =
X

; on a ainsi Z N(0, 1) (par dnition) et X = Z +.

E(X) = E(Z +) = E(Z) + E() = .0 + = .
V(X) = V(Z +) = V(Z) =
2
.V(Z) =
2
.1 =
2
.

13.6 Fluctuation et estimation

13.6.1 Intervalle de uctuation
Dnition. Un intervalle de uctuation asymptotique dune v.a. Y
n
au seuil 1 est un
intervalle I
n
qui contient Y
n
avec une probabilit gale 1 lorsque n tend vers linni, i.e.
lim
n+
P(Y
n
I
n
) = 1 .
109
Thorme. Si X
n
suit la loi B(n, p) alors pour tout ]0; 1[ on a lim
n+
P
_
X
n
n
I
n
_
= 1
o I
n
=
_
_
p u

_
p(1 p)

n
; p +u

_
p(1 p)

n
_
_
.
Preuve. Soit X
n
B(n, p). Le thorme de Moivre-Laplace et la dnition de u

montrent que
lim
n+
P
_
_
u

X
n
np
_
np(1 p)
u

_
_
= P(u

X u

) = 1 , o X N(0, 1). On re-

marque ensuite que u

X
n
np
_
np(1 p)
u

_
np(1 p) X
n
np u

_
np(1 p)
np u

_
np(1 p) X
n
np +u

_
np(1 p) p u

_
p(1 p)

n

X
n
n
p +u

_
p(1 p)

n
.

Remarque.
X
n
n
reprsente la frquence du nombre de succs de la binomiale X
n
.
Corollaire. Lintervalle de uctuation de
X
n
n
au seuil de 95% est alors peu prs :
_
_
p 1, 96
_
p(1 p)

n
; p + 1, 96
_
p(1 p)

n
_
_
.
Preuve. Il sagit juste de se souvenir que u
0,05
1, 96.
Remarque. Il est courant de considrer lapproximation asymptotique comme accep-
table lorsque n 30, np 5 et np(1 p) 5. Il ne faut cependant pas considrer cet
usage comme une rgle absolue mais plutt comme un ordre dide.
On a dj vu que p(1 p) 0, 25 et par consquent 1, 96
_
p(1 p)

n

1

n
, valeur qui
a t utilise en seconde.
13.6.2 Estimation
Dnition. Un intervalle de conance pour une proportion p un niveau de conance 1
est un intervalle alatoire contenant la proportion p avec une probabilit suprieure 1 ,
ralis partir dun chantillon.
Thorme. Soient p une proportion xe et X
n
B(n, p).
Lorsque n tend vers linni, lintervalle :
_
_
X
n
n
u

_
p(1 p)

n
;
X
n
n
+u

_
p(1 p)

n
_
_
contient la proportion p avec une probabilit de 1 .
110
Preuve. Il sagit dune simple rcriture du thorme de uctuation asymptotique. En eet
on peut crire
X
n
n
p + u

_
p(1 p)

n

X
n
n
u

_
p(1 p)

n
p et de la mme manire
p u

_
p(1 p)

n

X
n
n
p
X
n
n
+u

_
p(1 p)

n
.
Corollaire. Soit p une proportion xe. Lorsque n est assez grand, lintervalle :
_
X
n
n

1

n
;
X
n
n
+
1

n
_
contient la proportion p avec une probabilit dau moins 0, 95.
Preuve. Cest encore une reprise de la section prcdente, o lon a vu que u
0,05
_
p(1 p) < 1.
La limite 1 du thorme prcdent est donc > 0, 95 et il existe donc un rang n
0
partir
duquel la probabilit que p soit dans lintervalle ci-dessus est > 0, 95.
Remarque. La proportion p est alors un lment de lintervalle
_
X
n
n

1

n
;
X
n
n
+
1

n
_
avec un niveau de conance de plus de 95%.
On considrera ici encore, de manire indicative, que lapproximation est acceptable
lorsque n 30, np 5 et np(1 p) 5.
Lintervalle de conance ne ncessite pas ici de connatre la proportion p a priori.
111