Académique Documents
Professionnel Documents
Culture Documents
T ECHNOLOGIES DE B AMAKO
P OLYCOPIÉ DU C OURS DE
P ROBABILITÉS
N IVEAU L2
1 Pré-requis 4
1.2.2 p-listes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.4 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.5 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Espace de probabilité 13
2.2.1 Univers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.3 Probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1
Introduction aux calculs de Probabilités Version du 13 avril 2021
3.3 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.3 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
harouna.sangare@mesrs.ml 2 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
4.11.1 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
harouna.sangare@mesrs.ml 3 Dr SANGARE
Chapitre 1
Pré-requis
Définition 1. Un ensemble est une collection d’éléments. Si on note Ω cet ensemble et si ω est
un élément de Ω, alors l’appartenance de ω à Ω est notée : ω ∈ Ω.
L’ensemble de toutes les parties de Ω est noté P(Ω). Les relations d’inclusion dans Ω
peuvent alors être traduites par des relations d’appartenance à P(Ω) : si A ⊂ Ω, alors
A ∈ P(Ω).
l’espace entier Ω : elle est appelée partie pleine de Ω (on l’appelle parfois "univers" ou
"espace universel"),
la partie de Ω ne comportant aucun élément : elle est notée ∅ et est appelée partie vide,
4
Introduction aux calculs de Probabilités Version du 13 avril 2021
être confondues : ∀x ∈ Ω : x ∈ A ⇐⇒ x ∈ B,
être disjointes : ∀x ∈ Ω : {x ∈ A =⇒ x ∈
/ B} et {x ∈ B =⇒ x ∈
/ A}, ce qui se traduit,
grâce à l’opération "intersection" (que nous définirons plutard), par A ∩ B = ∅.
En particulier :
a. card(∅) = 0 ;
b. card({ω}) = 1 ;
c. ∀A ∈ P(Ω) : card(A) ≤ card(Ω) ;
d. ∀ (A, B) ∈ P(Ω)2 : A ⊂ B =⇒ card(A) ≤ card(Ω).
harouna.sangare@mesrs.ml 5 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Réunion (ou union) : la réunion de deux sous-ensembles A et B est le plus petit sous-ensemble
de Ω contenant A et B. On le note A ∪ B et on le prononce "A union B" :
A ∪ B = {x ∈ Ω/x ∈ A ou x ∈ B} .
A ∩ B = {x ∈ Ω/x ∈ A et x ∈ B} .
Ā ou Ac = {x ∈ Ω/x ∈
/ A} .
A − B ou A\B = {x ∈ Ω/x ∈ A et x ∈
/ B} = A ∩ B̄.
Commutativité : A ∪ B = B ∪ A; A ∩ B = B ∩ A.
Identité : A ∪ ∅ = A; A ∪ Ω = Ω; A ∩ Ω = A; A ∩ ∅ = ∅.
Associativité : (A ∪ B) ∪ C = A ∪ (B ∪ C) ; (A ∩ B) ∩ C = A ∩ (B ∩ C).
Distributivité : A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) ;
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C).
harouna.sangare@mesrs.ml 6 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Complémentarité : A ∪ Ā = Ω; A ∩ Ā = ∅; Ā¯ = A; Ω̄ = ∅; ∅¯ = Ω
A ∪ B = Ā ∩ B̄; A ∩ B = Ā ∪ B̄.
X
card(Ai ) = card(Ω).
1≤i≤p
Exemple 1. – combien existe t-il de possibilités d’obtenir un total de 7 en lançant deux dés à
6 faces ?
– combien existe t-il de tiercés différents pour une course de 20 chevaux ?
– combien existe t-il de manières de répartir 5 manteaux sur une patère à 5 crochets ?
L’outil du dénombrement est indispensable pour le calcul des probabilités dans les cas
finis discrets. On entend par "finis discrets" des cas pour lesquels on peut compter (dé-
nombrer) les issues possibles. Par exemple, un lancer de dé est une expérience dont les
résultats sont dans l’ensemble {1, 2, 3, 4, 5, 6}. Un contre-exemple est le temps d’attente
à une caisse, on ne peut à priori pas lister l’ensemble des résultats possibles.
harouna.sangare@mesrs.ml 7 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Cette section est une présentation des éléments les plus classiques du dénombrement.
Ce principe s’applique lorsque les possibilités offertes s’enchaînent les unes à la suite
des autres pour créer l’événement complet. Il y a possibilité de choix, puis à ce niveau
se présente encore une possibilité de choix, etc.
Ces trois événements A, B, C sont indépendants les uns des autres. Le total des possibilités n
est le produit des possibilités de chaque événement.
n = a · b · c = 10 × 10 × 10 = 1000.
1.2.2 p-listes
Exemple 3. Une banque distribue à chacun de ses clients un identifiant de connexion formé
de six chiffres entre 0 et 9. Combien cette banque peut-elle avoir de clients au maximum avec ce
mode de connexion ?
harouna.sangare@mesrs.ml 8 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Il est clair que deux clients ne peuvent pas avoir le même identifiant et que chaque client a un
unique identifiant. L’ordre des chiffres a une importance mais chaque chiffre peut être utilisé
plusieurs fois. Ainsi, il y a dix possibilités pour le premier chiffre de l’identifiant, il y en a aussi
dix pour le second, et à chaque fois dix chiffres possibles pour chaque chiffre de l’identifiant.
Ainsi on a 10×10×10×10×10×10 = 106 = 1.000.000 identifiants possibles, par conséquent
la banque peut avoir au plus 1.000.000 clients avec ce mode de connexion.
Cette formule s’utilise quand l’expérience s’apparente à un tirage successif avec re-
mise. Dans l’exemple, les éléments successifs à tirer sont des chiffres de 0 à 9, il y a
remise car chaque élément peut être tiré plusieurs fois.
1.2.3 Arrangements
Considérons l’exemple précédent avec la contrainte de n’utiliser qu’une seule fois chaque
chiffre, pour le premier chiffre du code, il y a 10 choix possibles. Pour le second, il n’y
en a plus que 9 : tous les chiffres de 0 à 9 sauf celui utilisé en premier. Pour le troisième,
il n’y en a plus que 8. Ainsi le nombre de codes possible est 10×9×8×7×6×5 = 151200.
Le nombre de clients possible est alors 151200.
n!
n × (n − 1) × (n − 2) × (n − 3) × · · · × (n − p + 1) =
(n − p)!
= Apn
Rappel : n! = 1 × 2 × 3 × 4 × · · · × n.
harouna.sangare@mesrs.ml 9 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Cette formule s’utilise quand l’expérience s’apparente à un tirage successif sans re-
mise. Dans l’exemple, les éléments successifs à tirer sont des chiffres de 0 à 9, il n’y a
pas remise car chaque élément ne peut être tiré qu’une fois.
1.2.4 Permutations
Définition 5. Soit E un ensemble à n éléments. Une permutation de E est une liste ordonnée
sans répétition ni omission des éléments de E. C’est donc un arrangement de n éléments de E.
n! = Ann = n × (n − 1) × · · · × 3 × 2 × 1.
1.2.5 Combinaisons
Exemple 4. On doit choisir deux salariés dans une équipe de cinq salariés pour effectuer une
mission spécifique. De combien de façons peut-on choisir ces deux salariés ?
A priori tous les couples sont possibles, en notant les salariés A, B, C, D et E les différents
couples possibles sont (A, B) ; (A, C) ; (A, D) ; (A, E) ; (B, C) ; (B, D) ; (B, E) ; (C, D) ;
(C, E) et (D, E) soit en tout dix couples possibles. On remarque que l’ordre n’a pas d’im-
portance : le couple (A, B) est le même que (B, A).
Une manière plus rapide de déterminer le nombre de couples possible est d’utiliser la
formule de dénombrement des combinaisons
n!
Cnp =
p! (n − p)!
harouna.sangare@mesrs.ml 10 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
p−1 p
Cnp = Cnn−p et Cn−1 + Cn−1 = Cnp .
On tire au hasard une boule dans l’urne, puis on la remet dans l’urne avant d’effectuer
le tirage suivant. Si on effectue ainsi p tirages avec remise, le résultat global s’interprète
comme une p-liste.
On tire au hasard dans l’urne une boule que l’on conserve ; la boule n’est donc pas
remise dans l’urne. Ainsi, il y aura une boule de moins après chaque tirage. Si on
effectue ainsi p tirages sans remise (p ≤ n), le résultat global s’interprète comme une p-
liste d’éléments 2 à 2 distincts ou encore comme un arrangement de p éléments parmi
n.
harouna.sangare@mesrs.ml 11 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Tirages simultanés
harouna.sangare@mesrs.ml 12 Dr SANGARE
Chapitre 2
Espace de probabilité
On désigne par expérience aléatoire toute expérience dont le résultat est soumis au
hasard.
L’une des expériences aléatoires la plus simple est de lancer en l’air une pièce de mon-
naie et d’observer sa face visible lorsqu’elle retombe. Cette expérience n’a que deux
issues : pile ou face. Cette expérience sert souvent à départager deux adversaires. On
dit alors qu’on tire à "pile ou face". Généralement, nous tirons à pile ou face car nous
sommes convaincus d’avoir autant de chances de gagner que de perdre. Mais que si-
gnifie cette phrase ? Lui donner un sens est justement l’objectif de la théorie des proba-
bilités.
13
Introduction aux calculs de Probabilités Version du 13 avril 2021
2.2.1 Univers
Définition 6. On appelle univers associé à une expérience aléatoire ε l’ensemble de tous les
résultats possibles de l’expérience aléatoire . Traditionnellement, l’univers est noté Ω.
Exemple 5. Dans le cas du lancer d’une pièce de monnaie, les résultats possibles sont "pile"
ou "face". L’univers associé au lancer d’une pièce de monnaie est : Ω = {"pile" ,"f ace"}.
Exemple 6. Dans le cas du lancer d’un dé à six faces, on convient généralement d’appeler
résultat le chiffre inscrit sur la face supé rieure du dé. L’univers associé au lancer d’un dé à six
faces est : Ω = {1, 2, 3, 4, 5, 6}.
Exemple 7. On jette deux fois un dé à six faces. Un résultat est représenté par un couple (i, j)
où i est le résultat du premier lancer et j le résultat du second lancer. L’univers Ω associé à cette
expérience aléatoire est donc le produit cartésien {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6}.
Remarque 1. Dans le cas de l’attente du bus, il est difficile de définir simplement les résultats
de cette expérience aléatoire. On préfère, dans ce type d’expérience, utiliser une autre notion que
nous aborderons plus tard : le concept de variable aléatoire, c’est-à-dire une mesure effectuée à
l’issue de l’expérience aléatoire. Par exemple, dans le cas de l’attente du bus, on considérera le
temps d’attente.
Définition 7. On appelle événement associé à une expérience aléatoire ε toute propriété dont
on sait dire si elle est vérifiée ou non à l’issue de l’expérience aléatoire.
Exemple 8. Dans le cas du lancer d’une pièce de monnaie, les phrases "on a obtenu pile" et
"on a obtenu face" définissent deux événements associés à l’expérience aléatoire.
harouna.sangare@mesrs.ml 14 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Exemple 9. Dans le cas du lancer d’un dé à six faces, les phrases "le résultat du lancer est
pair", "le résultat est divisible par 3" et "le résultat du lancer est 5" définissent trois événements
associés à l’expérience aléatoire.
La théorie moderne des probabilités utilise le langage de la théorie des ensembles pour
représenter les événements. Pour cette raison, on identifie généralement un événement
à un sous-ensemble de l’univers.
Exemple 10. Dans le cas du lancer d’une pièce de monnaie, l’événement "on a obtenu pile" est
le singleton {pile}.
Exemple 11. Dans le cas du lancer d’un dé à six faces, les événements A = "le résultat du
lancer est un nombre pair", B = "le chiffre obtenu est supérieur ou égal à 4" et C = "on
a obtenu un 6" désignent les sous-ensembles de Ω = {1, 2, 3, 4, 5, 6} : A = {2, 4, 6}, B =
{4, 5, 6} et C = {6}.
Exemple 12. Dans le cas du lancer de deux dés indistinguables, l’événement A = "la somme
des résultats est égale à 4" est le sous-ensemble de Ω : A = {{1, 3}, {2, 2}}.
Définition 8. Soit Ω l’univers associé à une expérience aléatoire. On appelle événements élé-
mentaires les singletons {ω}, ω ∈ Ω. De plus, Ω est appelé événement certain et ∅ est appelé
événement impossible.
Généralement, les événements sont formulés par des phrases littérales utilisant le lan-
gage de la logique alors que, dans le calcul de leurs probabilités, on utilise le langage de
la théorie des ensembles. Nous donnons dans le tableau ci-dessous la correspondance
entre ces deux langages.
harouna.sangare@mesrs.ml 15 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
L’expérimentateur doit alors préciser l’ensemble des événements qu’il associe à l’ex-
périence aléatoire. Son choix est contraint par le fait qu’on est généralement amené à
effectuer un certain nombre d’opérations sur les événements. Par exemple, étant donnés
A et B deux événements liés à une expérience aléatoire ε, on souhaite pouvoir consi-
dérer que la non-réalisation de A, la réalisation simultanée de A et B, la réalisation de
l’un au moins des événements A et B soient encore des événements liés à l’expérience.
Ces considérations nous amènent à la définition suivante.
Définition 9. On appelle ensemble des événements associés à une expérience aléatoire tout
sous-ensemble A de P(Ω) vérifiant les propriétés suivantes
3. soit I une partie de N (finie ou infinie). Si (Ai )i∈I est une suite d’événements de A, alors
∩i∈I Ai et ∪i∈I Ai appartiennent à A.
Exemple 14. Les ensembles {∅, Ω} et {∅, A, Ā, Ω} vérifient les trois propriétés de la définition
ci-dessus, de même que l’ensemble des parties de Ω, noté P(Ω).
harouna.sangare@mesrs.ml 16 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Remarque 3. Théoriquement, toute étude probabiliste d’une expérience alé atoire devrait com-
mencer par une description de l’espace probabilisable associé. Fort heureusement, il est possible
de résoudre certains problèmes de calcul de probabilités sans connaître exactement l’univers Ω
ni préciser explicitement A, à condition de connaître les probabilités des événements indispen-
sables pour mener à bien ce calcul.
Définition 11. Soit (Ω, A) un espace probabilisable associé à une expérience aléatoire.
2. On appelle système complet d’événements toute suite (Ai )i∈I d’événements de A deux à
deux incompatibles dont la réunion est égale à l’ensemble Ω, c’est-à-dire qu’à l’issue de
l’expérience un seul des événements Ai , i ∈ I est réalisé.
Exemple 15. Soit (Ω, A) un espace probabilisable. Pour tout événement A ∈ A, les événements
A et Ā forment un système complet d’événements puisque A ∪ Ā = Ω et A ∩ Ā = ∅, c’est-à-dire
que les événements A et Ā sont incompatibles.
2.2.3 Probabilités
Définition 12. Soit (Ω, A) un espace probabilisable associé à une expérience aléatoire. Une
probabilité P sur (Ω, A) est une application de A dans [0, 1] (c’est-à-dire que la probabilité d’un
événement est représentée par un nombre réel compris entre 0 et 1) vérifiant les deux propriétés
suivantes (axiomes de Kolmogorov) :
2. pour toute suite (finie ou infinie dénombrable) d’événements de A deux à deux incompa-
tibles, (Ai )i∈I , on a !
[ X
P Ai = P (Ai )
i∈I i∈I
harouna.sangare@mesrs.ml 17 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
c’est-à-dire que la probabilité d’un événement qui est la réunion disjointe d’événements
est égale à la somme des probabilités de ces événements (σ-additivité).
Définition 13. À une expérience aléatoire ε, on associe le triplet (Ω, A, P), appelé espace de
probabilité associé à ε.
Nous allons dans la suite être amenés à calculer les probabilités d’événements qui ne
s’écrivent pas nécessairement comme une réunion d’événements, mais comme une ex-
pression utilisant l’un ou plusieurs des opérateurs ensemblistes − , ∪, ∩, ∆, \. Nous
donnons pour cela ici un certain nombre de résultats se déduisant de la définition
d’une probabilité.
Proposition 2. Soit (Ω, A, P) un espace de probabilité associé à une expérience aléatoire. Alors
P(∅) = 0 et, pour tout événement A ∈ A, P(Ā) = 1 − P(A).
Proposition 3. Soit (Ω, A, P) un espace de probabilité associé à une expérience aléatoire. Pour
tous événements A et B de A, on a :
harouna.sangare@mesrs.ml 18 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
P(B) = P((A ∩ B) ∪ B ∩ Ā ) = P(A ∩ B) + P(B ∩ Ā),
P(A∆B) = P A ∩ B̄ + P(Ā ∩ B) = P(A) − P(A ∩ B) + P(B) − P(A ∩ B)
harouna.sangare@mesrs.ml 19 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
De même,
P(B ∪ C) = P(B) + P(C) − P(B ∩ C).
Une hypothèse classique en théorie des probabilités consiste à supposer que tous les
résultats d’une expérience aléatoire sont équiprobables, c’est-à-dire qu’ils ont la même
probabilité de réalisation. Cette hypothèse n’a de sens que si l’univers Ω associé à l’ex-
périence aléatoire est fini. Sous cette hypothèse, le calcul de la probabilité d’un événe-
ment se ramène à un problème de dénombrement, c’est-à-dire revient à énumérer le
nombre de résultats de l’expérience réalisant l’événement.
Définition 14. Soit (Ω, A) un espace probabilisable. On suppose que l’algèbre des événements
A contient tous les événements élémentaires {ω}, ω ∈ Ω. On appelle hypothèse d’équiprobabilité
le choix d’une probabilité P vérifiant
1
∀ω ∈ Ω, P ({ω}) =
card (Ω)
Proposition 4. Soit (Ω, A) un espace probabilisable. Sous l’hypothèse d’équiprobabilité, le
seul choix possible de probabilité P est la probabilité définie par
card (A)
∀A ∈ A, P (A) = .
card (Ω)
Remarque 4. Sous l’hypothèse d’équiprobabilité, le calcul de la probabilité d’un événement A
consiste à dénombrer le nombre de résultats de l’expérience aléatoire réalisant A et à le diviser
par le cardinal de Ω. On résume souvent ce calcul par la "formule" suivante :
nombre de cas favorables à l’événement A
P (A) = .
nombre de cas possibles
harouna.sangare@mesrs.ml 20 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Exemple 17. On lance deux dés équilibrés, c’est-à-dire que toutes les faces sont équiprobables.
On appelle A1 l’événement "le premier dé amène un nombre pair", A2 l’événement "le second
dé amène un nombre pair" et A3 l’événement "la somme des nombres obtenus est paire".
On convient de représenter un résultat par un couple (i, j) où i et j sont deux entiers compris
entre 1 et 6, l’entier i représente le résultat du premier dé et j représente le résultat du second
dé. L’univers Ω ainsi associé au lancer des deux dés est le produit cartésien {1, 2, 3, 4, 5, 6}2
dont le cardinal est 62 .
L’événement A1 est constitué de l’ensemble des couples (i, j) avec i ∈ {2, 4, 6} et j ∈ {1, 2, 3, 4, 5, 6}.
3×6
Donc P (A1 ) = 62
= 21 . Par un raisonnement identique, on trouve que P (A2 ) = 12 . Enfin,
l’événement A3 est la réunion de l’ensemble {2, 4, 6}2 (les deux dés donnent un résultat pair)
2×32
et de l’ensemble {1, 3, 5}2 (les deux dés donnent un résultat impair). Donc P (A3 ) = 62
= 12 .
Définition 15. Soient A et B deux événements, on suppose que l’événement A n’est pas quasi
impossible, c’est-à-dire P(A) 6= 0 . On appelle probabilité conditionnelle de B sachant A, notée
P(B/A), le quotient
P(A ∩ B)
P(B/A) = .
P(A)
Proposition 5. Soit (Ω, A, P) un espace de probabilité associé à une expérience aléatoire. Pour
tous événements A, B et C de A, on a :
1. P(B̄/A) = 1 − P(B/A) ;
harouna.sangare@mesrs.ml 21 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Cette écriture s’appelle la formule des probabilités composées. Elle peut se généraliser comme
suit : soit (Ai )1≤i≤n une suite d’événements, on suppose que l’événement ∩ni=1 Ai n’est pas quasi
impossible, alors
n
!
\
P Ai = P(A1 )P(A2 /A1 )P(A3 /A1 ∩ A2 ) · · · P(An /A1 ∩ A2 · · · ∩ An−1 ).
i=1
Exemple 18. Soit une urne contenant quatre boules blanches et trois boules noires. On tire
une à une et sans remise trois boules de l’urne. Quelle est la probabilité que la première boule
tirée soit blanche, la deuxième blanche et la troisième noire ?
Notons Bi l’événement "la iième boule tirée est blanche" et Ni l’événement "la iième boule tirée
est noire". La probabilité recherchée s’écrit alors P(B1 ∩ B2 ∩ N3 ). Or
Nous allons maintenant énoncer une première conséquence de la formule des proba-
bilités composées.
Corollaire 1 (Formule des probabilités totales). Soit B un événement. Pour tout événement
A qui ne soit ni quasi impossible (c’est-à-dire P(A) 6= 0) ni quasi certain (c’est-à-dire P(A) 6=
1), on a
P(B) = P(B/A)P(A) + P(B/Ā)P(Ā).
Plus généralement, pour tout système complet d’événements (Ai )i∈I dont aucun des événe-
ments Ai , i ∈ I n’est quasi impossible, on a
X
P(B) = P(B/Ai )P(Ai ).
i∈I
harouna.sangare@mesrs.ml 22 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Remarque 6. Remarquons maintenant qu’on peut écrire de deux manières différentes la pro-
babilité de A ∩ B :
1. P(A ∩ B) = P(B/A)P(A).
2. P(A ∩ B) = P(A/B)P(B).
Proposition 6. Soient A et B deux événements qui ne sont pas quasi impossibles. Alors,
P(A/B)P(B)
P(B/A) = .
P(A)
Une conséquence du résultat précédent est une formule très importante due à Thomas
Bayes (1702-1761) . Cette formule est l’une des plus importantes en théorie des proba-
bilités. Elle est très utilisée en classification automatique, par exemple dans le domaine
de la lutte contre le pourriel (en anglais spam) par la méthode dite d’inférence bayé-
sienne.
Proposition 7 (Formule de Bayes). Pour tout événement A qui ne soit pas quasi impossible
et tout événement B qui ne soit ni quasi impossible ni quasi certain, on a
P(A/B)P(B)
P(B/A) = .
P(A/B)P(B) + P(A/B̄)P(B̄)
Plus généralement, pour tout système complet d’événements (Bi )i∈I dont aucun n’est quasi
impossible et tout événement B qui ne soit pas quasi impossible, on a
P(A/Bi )P(Bi )
P(Bi /A) = P .
j∈J P(A/Bj )P(Bj )
Exemple 19. Lors d’une épidémie, on estime que la probabilité de contamination d’un indi-
1
vidu est de 20
. Pour contrer l’épidémie, on a développé un test T pour repérer si un individu
est contaminé ou non. On estime le test fiable à 90%, c’est-à-dire que le résultat du test est
positif (respectivement négatif) sachant que l’individu est contaminé (respectivement n’est pas
9
contaminé) avec une probabilité de 10
.
Quelle est la probabilité qu’un individu soit contaminé sachant que le test est négatif ?
harouna.sangare@mesrs.ml 23 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Notons M l’événement "l’individu est contaminé" et T l’événement "le test est positif". La
probabilité recherchée est P M/T̄ .
P(T̄ /M )P(M )
P M/T̄ = .
P(T̄ /M )P(M ) + P(T̄ /M̄ )P(M̄ )
1 9
Par hypothèse, P (M ) = 20
,
P(T /M ) = P(T̄ /M̄ ) = 10 . Donc,
9 1
1 − 10 × 20 1
P M/T̄ = 9
1 9 1
=
1 − 10 × 20 + 10 × 1 − 20 172
C’est par cette relation que nous définissons l’indépendance de deux événements.
Exemple 20. Trois tireurs tirent sur une cible. La probabilité que le premier touche la cible est
égale à 34 . Le deuxième touche la cible avec une probabilité égale à 1
10
et le troisième touche la
cible avec une probabilité égale à 21 . On suppose que les tirs des trois tireurs sont mutuellement
indépendants. Quelle est la probabilité que les trois tireurs touchent la cible ?
Notons A l’événement "le premier tireur touche la cible", B l’ événement "le second tireur
touche la cible" et C l’événement "le troisième tireur touche la cible". L’événement D = "les
harouna.sangare@mesrs.ml 24 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
trois tireurs touchent la cible" est égal à A ∩ B ∩ C. Les trois événements A, B et C étant
mutuellement indépendants, la probabilité que D se réalise est égale à
soit
= P(A)P(B̄),
harouna.sangare@mesrs.ml 25 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Exemple 21. Reprenons l’exemple 20. Quelle est la probabilité qu’au moins un des trois tireurs
touche la cible ?
L’événement E="au moins un des trois tireurs touche la cible" est le contraire de l’événement
"aucun des trois tireurs ne touche la cible", qui correspond à l’événement Ā ∩ B̄ ∩ C̄ . Donc
P(E) = 1 − P(Ā ∩ B̄ ∩ C̄). Les événements A, B et C étant mutuellement indépendants, les
événements Ā, B̄, C̄ le sont aussi d’après la proposition 9. Donc,
harouna.sangare@mesrs.ml 26 Dr SANGARE
Chapitre 3
Le concept de variable aléatoire est central en théorie des probabilités. Soient ε une
expérience aléatoire et (Ω, A, P) l’espace de probabilité associé. Il arrive très souvent
qu’à chaque résultat de ε on associe un nombre réel. On définit ainsi une application
X : Ω → R. Etant donnés deux réels a et b, nous serons naturellement amenés à consi-
dérer l’ensemble des résultats ω de Ω tels que X(ω) = a, ou tels que X(ω) < a, ou
encore tels que X(ω) ∈]a, b[. Nous voudrions parler de la probabilité de telle ou telle
situation. Or, dans un espace de probabilité, seuls les événements ont une probabilité.
Nous sommes donc amenés à restreindre le choix des applications de Ω dans R.
Définition 17. Soit (Ω, A, P) un espace de probabilité. On appelle variable aléatoire réelle
(v.a.r) toute application de Ω dans R ayant la propriété suivante : pour tout intervalle I de R,
l’ensemble X −1 (I) = {ω ∈ Ω|X(ω) ∈ I} est un événement de A (il aura donc une probabi-
lité !).
Remarque 7. Traditionnellement, on note X(Ω) l’ensemble des valeurs prises par la variable
aléatoire X définie sur l’espace de probabilité.
Remarque 8. Il est d’usage, en théorie des probabilités, de modifier quelque peu les notations
de la théorie des ensembles. Il faut donc savoir que
27
Introduction aux calculs de Probabilités Version du 13 avril 2021
Dans ce chapitre, nous n’allons considérer que deux grandes familles de variables aléa-
toires réelles : les variables aléatoires discrètes et les variables aléatoires absolulement
continues. la différence entre ces deux types ne porte pas seulement sur l’ensemble
X(Ω) des valeurs atteintes par X, mais aussi sur les techniques d’étude de ces deux
types de variables aléatoires : calculs de sommes finies ou sommation de séries dans
le cas discrèt, calculs d’intégrales généralisées dans le cas absolument continu. Mais,
avant cela, introduisons un objet mathématique permettant de caractériser une va-
riable aléatoire réelle, à savoir la fonction de répartition.
Définition 18. Soit X une variable aléatoire réelle définie sur un espace de probabilité (Ω, A, P).
On appelle fonction de répartition de X la fonction numérique réelle FX définie par
Remarque 9. La fonction de répartition FX d’une variable aléatoire réelle possède les propriétés
suivantes :
Nous allons dans la suite expliquer comment la fonction de répartition peut s’exprimer
en fonction de ce qu’on appellera la loi de X.
Une variable aléatoire réelle X définie sur un espace de probabilité (Ω, A, P) est dite
discrète si l’ensemble de ses valeurs, noté X(Ω), est au plus dénombrable, c’est à dire
un ensemble ayant un nombre fini d’éléments ou dénombrable.
Pour introduire ce que l’on nomme loi d’une variable aléatoire réelle discrète, nous
allons considérer un exemple simple d’expérience aléatoire.
harouna.sangare@mesrs.ml 28 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Exemple 22. La première expérience aléatoire que nous considérons est celle consistant à lan-
cer deux dés équilibrés de couleur différente et à observer les faces supérieures de ces dés. L’uni-
vers Ω associé à cette expérience aléatoire est {1, 2, 3, 4, 5, 6}2 . On suppose tous les résultats
équiprobables. On note alors X(ω) la somme i + j des résultats obtenus pour chaque résultat
ω = (i, j) de l’expérience aléatoire. On définit ainsi une application de Ω dans N. Par exemple,
si ω = (2, 1), X(ω) = 2 + 1 = 3. On peut résumer toutes les valeurs possibles de X dans un
tableau à six lignes et six colonnes.
+ 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
On voit sur ce tableau que l’ensemble des valeurs prises par X, noté X(Ω), est l’ensemble
{2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. Déterminer la fonction de répartition de X consiste alors à éva-
luer la probabilité de chaque événement {X ≤ k} , k ∈ X(Ω), qui représente l’ensemble des
résultats (i, j) de l’expérience aléatoire pour lesquels i + j ≤ k. Une approche alternative
consiste à considérer les événements {X = k} et à évaluer leurs probabilités, dont les valeurs
sont données ci-dessous
k 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P({X = k}) 36 36 36 36 36 36 36 36 36 36 36
À partir de ces valeurs, on peut alors calculer la probabilité de n’importe quel événement de la
forme {X ∈ I} = {ω ∈ Ω|X(ω) ∈ I} , où I désigne une partie de X(Ω). La probabilité d’un
tel événement se calcule simplement en utilisant la relation suivante
{X ∈ I} = ∪k∈I {X = k} .
Par exemple
5 6 5 4
P(X ∈ {6, 7, 8}) = P(X = 6) + P(X = 7) + P(X = 8) = + + = .
36 36 36 9
harouna.sangare@mesrs.ml 29 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Mais, surtout, se donner l’ensemble des probabilités {P({X ≤ k}), k ∈ X(Ω)} est équivalent
à se donner l’ensemble des probabilités {P({X = k}), k ∈ X(Ω)} puisque
X
P({X ≤ k} = P(X = i).
i≤k
Définition 19. Soit X une variable aléatoire réelle définie sur un espace de probabilité (Ω, A, P).
On dit que X est discrète si X(Ω) est au plus dénombrable. De plus, on appelle loi de X la don-
née d’une suite numérique (px )x∈X(Ω) telle que
1. ∀ x ∈ X(Ω), px ≥ 0;
P
2. x∈X(Ω) px = 1;
P P
3. pour tout réel t, P (X ≤ t) = x≤t px où x≤t désigne la sommation sur l’ensemble des
x ∈ X(Ω) qui sont inférieurs ou égaux à t (si cet ensemble est vide, alors la somme est
nulle !).
Exemple 23. Un grossiste estime que la demande en tonnes de ses clients est une variable
aléatoire X à valeurs dans {0, 1, 2, 3, 4, 5} dont la loi est la suivante
k 0 1 2 3 4 5
P(X = k) 0, 05 0, 15 a 0, 35 0, 15 0, 1
=⇒ a = 0, 2.
L’événement "la demande est inférieure ou égale à deux tonnes" se note {X ≤ 2} et vaut
Les événements "la demande est supérieure ou égale à trois tonnes" et "la demande est stricte-
ment comprise entre une tonne et trois" se notent respectivement {X ≥ 3} et {1 < X < 3} .
Elles valent respectivement
harouna.sangare@mesrs.ml 30 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
et
P(1 < X < 3) = P(X = 2) = 0, 2.
L’événement "la demande est inférieure à une tonne et demie" se note {X < 1, 5} et vaut
Définition 20. Soit X une variable aléatoire discrète définie sur un espace de probabilité
(Ω, A, P). Supposons que l’ensemble des valeurs atteintes par X puisse s’écrire X(Ω) = {x1 , x2 , · · · , xn , · · · }.
On dit que X possède une espérance si la série +∞
P
n=0 xn P (X = xn ) est absolument conver-
Remarque 10. L’espérance E(X) apparaît donc comme la moyenne (au sens statistique du
terme) des valeurs xn affectées des masses P(X = xn ). C’est pour cette raison qu’on utilise
parfois le terme valeur moyenne de X pour désigner l’espérance d’une variable aléatoire X.
Dans cette section, nous considérons des variables aléatoires réelles dont l’ensemble
des valeurs X(Ω) contient au moins un intervalle I de R.
Définition 21. Soit X une variable aléatoire à valeurs dans R définie sur un espace de proba-
bilité (Ω, A, P). On dit que X est une variable aléatoire réelle absolument continue s’il existe
une fonction numérique f telle que
harouna.sangare@mesrs.ml 31 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
1. ∀x ∈ R, f (x) ≥ 0;
2. f est continue sur R, sauf éventuellement en un nombre fini de points où elle admet une
limite finie à gauche et à droite ;
R +∞
3. −∞
f (x)dx = 1;
Rt
4. la fonction de répartition est donnée par : ∀t ∈ R, FX (t) = P(X ≤ t) = −∞
f (x)dx.
Exemple 25. Soient a ∈ R∗+ et X la variable aléatoire absolument continue de loi de densité f
définie par
ax(4 − x) si 0 ≤ x ≤ 4
f (x) =
0 sinon.
Déterminons la valeur de a qui fait de f une densité de probabilité.
Z +∞ Z +∞ Z 4
1= f (x)dx = ax(4 − x)dx = ax(4 − x)dx
−∞ −∞ 0
4
x3
2 3
= a 2x − ⇒a= .
3 0 32
Déterminons sa fonction de répartition. Pour 0 ≤ t ≤ 4, on a
t t t
x3
Z Z
3 3 2
P(X ≤ t) = f (x)dx = x(4 − x)dx = 2x −
−∞ 0 32 32 3 0
t3
3 2
= 2t − .
32 3
La fonction de répartion est ainsi définie par
0 si t < 0
FX (t) = 3 2 t3
32
2t − 3
si 0 ≤ t ≤ 4
1 si t > 4.
harouna.sangare@mesrs.ml 32 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Définition 22. Soit X une variable aléatoire absolument continue à valeurs dans R de densité
R +∞
de probabilité f. On dit que X admet une espérance si l’intégrale −∞ |x| f (x)dx est conver-
R +∞
gente. On appelle alors espérance de X, notée E(X), la valeur de l’intégrale −∞ xf (x)dx.
3.3 Variance
Pour mesurer la dispersion des valeurs d’une variable aléatoire X autour de son es-
pérance, on utilise une quantité appelée variance de X et définie de la manière qui
suit :
Définition 23. Soit X une variable aléatoire réelle discrète ou absolument continue définie sur
un espace de probabilité (Ω, A, P) et ayant une espérance E(X). Alors, on dit que la variable
aléatoire réelle X admet une variance si la variable aléatoire réelle (X − E(X))2 admet une
espérance. La variance de X, que l’on note Var(X), est alors définie par
Var(X) = E (X − E(X))2 .
Lorsqu’une variable aléatoire X admet une variance, on appelle écart-type de X, noté σ(X), la
p
valeur de Var(X).
Définition 24. Soit X une variable aléatoire réelle discrète ou absolument continue définie sur
un espace de probabilité (Ω, A, P) . Alors, avec les notations précédentes, on dit que la variable
aléatoire X admet un moment d’ordre 2 si et seulement si la variable aléatoire X 2 admet une
espérance.
harouna.sangare@mesrs.ml 33 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Proposition 10. Soit X une variable aléatoire réelle discrète ou absolument continue définie
sur un espace de probabilité (Ω, A, P) . Supposons qu’elle admette un moment d’ordre 2 ; alors,
elle possède une espérance et une variance. De plus, on a
Exemple 27. Le moment d’ordre 2 de la variable aléatoire définie dans l’exemple 23 est égale à
5
X
2
E(X ) = k 2 P (X = k) = 02 × 0, 05 + 12 × 0, 15 + · · · + 52 × 0, 1 = 9.
k=0
Exemple 28. Le moment d’ordre 2 de la variable aléatoire définie dans l’exemple 25 est égale à
Z +∞ Z 4
2 2 3 3
E(X ) = x f (x)dx = x (4 − x)dx
−∞ 0 32
Z 4 4
x5
3 3 4 3 4 24
= (4x − x )dx = x − = .
0 32 32 5 0 5
24 4
Var(X) = E(X 2 ) − (E(X))2 = − (2)2 = .
5 5
Remarque 11. La variance d’une variable aléatoire réelle est toujours positive ou nulle et la
variance d’une constante est égale à 0.
Un cas particulier mais important est celui où l’on considère l’image d’une aléatoire
réelle X par une fonction affine.
Proposition 11. Soit X une variable aléatoire réelle discrète ou absolument continue admet-
tant une espérance E(X) et une variance Var(X). Soit Y la variable aléatoire réelle définie par
Y = aX + b où a et b sont deux réels. Alors Y admet une espérance et une variance. De plus,
E(Y ) = aE(X) + b et Var(Y ) = a2 Var(X).
harouna.sangare@mesrs.ml 34 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Définition 25. Soit X une variable aléatoire réelle discrète ou absolument continue admet-
tant une espérance E(X) et une variance Var(X). On appelle version centrée réduite de X la
variable aléatoire réelle Z définie par
X − E(X)
Z= p .
Var(X)
E(Z) = 0 et Var(Z) = 1.
Définition 26. Soient X et Y deux variables aléatoires respectivement définies sur X(Ω) et
Y (Ω). Alors le couple (X, Y ) est une variable aléatoire sur X(Ω) × Y (Ω), dont la loi est la
donnée de
P [(X, Y ) = (x, y)] ∀ (x, y) ∈ X(Ω) × Y (Ω).
pij = P (X = xi , Y = yj ) ∀i, j.
→ Dans le cas de variables aléatoires continues, la loi du couple (X, Y ) est naturelle-
ment décrite par une fonction de densité à deux entrées :
Définition 27. On appelle lois marginales du couple (X, Y ) les lois des deux variables aléa-
toires X et Y déduites de la loi du couple.
harouna.sangare@mesrs.ml 35 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
X X
∀xi ∈ X(Ω) : P (X = xi ) = P (X = xi , Y = yj ) = pij = pi·
j j
X X
∀yi ∈ Y (Ω) : P (Y = yi ) = P (X = xi , Y = yj ) = pij = p·j
i i
Définition 28. On appelle loi conditionnelle de X conditionnée par (Y = y) la loi définie par
C’est à dire
P (X = xi , Y = yj ) pij
∀xi ∈ X(Ω), ∀yi ∈ Y (Ω) : P (X = xi /Y = yj ) = =
P (Y = yj ) p·j
fX,Y (x, y)
∀x ∈ R, ∀y ∈ R : P (X = x/Y = y) = = fX/Y =y (x) .
fY (y)
harouna.sangare@mesrs.ml 36 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
3.4.3 Indépendance
Par inférence, lorsque X et Y sont deux variables aléatoires indépendantes, alors pour toutes
fonctions h1 et h2 continues de R2 dans R
= E (X · Y ) − E (X) · E(Y ).
harouna.sangare@mesrs.ml 37 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Cov (X, Y )
Corr (X, Y ) = ρX,Y = .
σ(X) × σ(Y )
Selon le signe et la valeur absolue de ce coefficient, on dit que les variables sont plus
ou moins corrélées ou anticorrélées.
harouna.sangare@mesrs.ml 38 Dr SANGARE
Chapitre 4
On dit qu’une variable aléatoire X suit une loi uniforme discrète sur {1, 2, · · · , n} si
elle prend des valeurs entières entre 1 et n et si sa loi de probabilité est
1
∀k ∈ {1, 2, · · · , n} , P (X = k) = .
n
n n
2
X
2 1X 2
E X = k P (X = k) = k
k=1
n k=1
1 n(n + 1)(2n + 1) (n + 1)(2n + 1)
= × = .
n 6 6
n2 − 1
Var (X) = E X 2 − (E (X))2 =
.
12
39
Introduction aux calculs de Probabilités Version du 13 avril 2021
On dit qu’une variable X suit une loi de Bernoulli de paramètre p, p ∈]0; 1[, si X(Ω) =
{0, 1} et si sa loi de probabilité est
P (X = 1) = p
P (X = 0) = 1 − p.
E (X) = 0 × (1 − p) + 1 × p = p
E X 2 = 02 × (1 − p) + 12 × p = p.
Le modèle probabiliste classique associé est le lancer d’une pièce de monnaie donnant
pile avec probabilité p et face avec 1 − p. Si l’on définit la variable aléatoire X par X = 1
si le lancer amène pile et X = 0 si le lancer amène face, la variable X ainsi définie suit
une loi de Bernoulli de paramètre p.
harouna.sangare@mesrs.ml 40 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Donc
n
X
E (X (X − 1)) = k (k − 1) Cnk xk y n−k = n(n − 1)p2 ,
k=0
On dit qu’une variable aléatoire suit une loi géométrique de paramètre p, p ∈]0, 1[ si
X(Ω) = N∗ et si sa loi de probabilité est
∀k ∈ N∗ , P (X = k) = (1 − p)k−1 p.
harouna.sangare@mesrs.ml 41 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
1 1−p
E (X) = et Var (X) = .
p p2
et
+∞
X
E (X (X − 1)) = p (1 − p) n (n − 1) (1 − p)n−2
n=0
2 2 (1 − p)
= p (1 − p) 3
= ;
p p2
2 (1 − p) 1 2−p
E X 2 = E (X (X − 1)) + E (X) =
2
+ = ;
p p p2
2−p 1 1−p
Var (X) = E X 2 − (E (X))2 =
2
− 2 = .
p p p2
Ce modèle sert généralement lorsqu’on s’intéresse au temps d’attente du premier suc-
cès ( c’est à dire au nombre d’essais nécessaires pour obtenir un succès) lors d’une
succession d’expériences aléatoires indépendantes n’ayant que deux issues possibles :
le succès avec une probabilité p et l’échec avec une probabilité 1 − p.
On dit qu’une variable aléatoire X suit une loi de Poisson de paramètre λ ∈ R∗+ si
X (Ω) = N et si sa loi de probabilité est
λk
∀k ∈ N, P (X = k) = exp (−λ) .
k!
harouna.sangare@mesrs.ml 42 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
E X 2 = E (X (X − 1)) + E (X) = λ2 + λ
ainsi on obtient
Il s’agit là, peut-être, de la plus importante des lois discrètes. La loi de Poisson est
aussi utilisée pour décrire plusieurs catégories de phénomènes dont voici quelques
exemples :
2. nombre d’appels reçus par un standard téléphonique pendant une période donnée ;
Elle apparaît aussi comme une approximation de la loi binomiale : soit X une variable
aléatoire suivant une loi binomiale de paramètres n et p ; pour n assez grand et p proche
de 0, on peut approcher la loi de X par la loi de Poisson de paramètre λ = np.
Remarque 13. Cette approximation est, en général, utilisée pour n ≥ 30, p ≤ 0, 1, et np ≤ 10.
harouna.sangare@mesrs.ml 43 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
On tire sans remise n objets d’un ensemble de N objets dont N1 possédent une carac-
téristique particulière (et les autres N − N1 ne la possédent pas).
CNk 1 × CNn−k
−N1
P (X = k) = .
CNn
p (1 − p)k−r .
r−1 r
∀k ≥ r, P (X = k) = Ck−1
Cette loi est la loi de Pascal de paramètres r et p. On remarquera qu’une variable géo-
métrique est celle de Pascal de paramètres 1 et p.
r r (1 − p)
E(X) = et Var (X) = .
p p2
harouna.sangare@mesrs.ml 44 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Une variable aléatoire X suit une loi binomiale négative (ou de Polya) de paramètres r
et p si sa densité de probabilité est
k
∀k ∈ N, P (X = k) = Ck+r−1 pr (1 − p)k .
r (1 − p) r (1 − p)
E(X) = et Var (X) = .
p p2
Cette loi comptabilise le nombre d’échecs nécessaires avant l’obtention du rième succès.
Une variable aléatoire X suit une loi uniforme sur un intervalle I = [a; b] de R si et
seulement si sa densité de probabilité est
1
b−a
si x ∈ I
∀x ∈ R, f (x) =
0 sinon.
+∞ b b
x2 x3
Z Z
2 2
E X = x f (x)dx = dx =
−∞ a b−a 3 (b − a) a
3 3 2 2
b −a (b − a) (b + ab + a ) b2 + ab + a2
= = = .
3 (b − a) 3 (b − a) 3
2
b2 + ab + a2
2
2 b+a
Var(X) = E X − E (X) = −
3 2
2 2 2 2
b + ab + a b + 2ab + a b − 2ab + a2
2
= − =
3 4 12
2 2 2
b − 2ab + a (b − a)
= = .
12 12
harouna.sangare@mesrs.ml 45 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
La loi uniforme sur [0, 1] joue un rôle particulier car des algorithmes permettent la
génération efficace par ordinateur de réalisations (nombres aléatoires) d’une variable
aléatoire qui suit cette loi. Cela permet ensuite de générer des réalisations de variables
aléatoires qui suivent d’autres lois discrètes ou continues. Ceci est à la base des tech-
niques de simulation de processus aléatoires par ordinateur, un outil indispensable
pour la modélisation statistique moderne.
Une variable aléatoire X suit une loi exponentielle de paramètre λ, λ > 0 si et seule-
ment si sa densité de probabilité est
λ exp(−λx) si x > 0
∀x ∈ R, f (x) =
0 sinon.
L’espérance et la variance de X sont égales à
Z +∞ Z +∞
E (X) = x f (x)dx = λx exp(−λx)dx
−∞ 0
harouna.sangare@mesrs.ml 46 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
P (X ≥ x + h/X ≥ h) = P (X ≥ x) .
Cette propriété signifie que la loi exponentielle correspond à la loi de durée de vie sans vieillis-
sement. Réciproquement, une loi de durée de vie sans vieillissement est une loi exponentielle.
Définition 32. On dit que la variable aléatoire X suit une loi normale N (m, σ 2 ) si elle a pour
densité la fonction !
1 (x − m)2
fm,σ (x) = √ exp − .
2πσ 2 2σ 2
Son espérance est E (X) = m. Sa variance est Var(X) = σ 2 .
Remarque 15. Cette loi est fondamentale en théorie des probabilités et en statistique : c’est la
loi limite de la moyenne dans une suite infinie d’épreuves répétées indépendantes. En pratique
elle sert à modéliser les effets additifs de petits phénomènes aléatoires indépendants répétés
souvent.
4.11.1 Propriétés
harouna.sangare@mesrs.ml 47 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
– Quand on somme des variables aléatoires gaussiennes indépendantes de loi N (m1 , σ12 )
et N (m2 , σ22 ), on obtient une variable aléatoire gaussienne avec pour pararmètres la
somme des paramètres N (m1 + m2 , σ12 + σ22 ).
X−m
Proposition 12. Si la variable aléatoire X suit une loi N (m, σ 2 ), alors Z := σ
suit la loi
N (0, 1).
Dans l’utilisation de la table de la loi normale standard N (0, 1), on aura des calculs de
probabilités à faire. On les fera avec les règles suivantes :
P (X = a) = 0
P (X < a) = P (X ≤ a)
P (X > a) = 1 − P (X ≤ a)
P (X ≤ −a) = P (X ≥ a) = 1 − P (X < a)
P (−a ≤ X ≤ a) = 2P (X ≤ a) − 1.
Les trois premières règles sont vraies pour toute variable aléatoire X à densité (car
pour ces lois les points sont négligeables). Les deux dernières sont vraies pour toute
loi symétrique (c’est à dire avec densité paire : f (−x) = f (x)).
harouna.sangare@mesrs.ml 48 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
La table de la loi N (0, 1) permet deux choses pour une variable aléatoire Z centrée
réduite :
lorsque X suit une loi normale N (m, σ 2 ) pas nécessairement centrée réduite.
Etape 1 : Réexprimer les probabilités à calculer avec la variable aléatoire centrée réduite
X−m
Z := σ
.
Etape 2 : Via les règles ci-dessus, se ramener à des probabilités du type P (Z ≤ z) pour
certain z.
X −3
Z := √ .
0.25
puis
P (Z > 1) = 1 − P (Z ≤ 1)
harouna.sangare@mesrs.ml 49 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
On a
t−3
P Z>z= √ = 0.6.
0.25
En passant au complémentaire, on trouve
P (Z ≤ z) = 1 − 0.6 = 0.4
t−3
−0.2533471 = z = √ =⇒ t = 2.873.
0.25
Correction de continuité. Lorsque l’on approche une loi discrète par une loi à densité,
il convient de faire une correction de continuité que l’on peut résumer avec la formule
suivante : pour toutes les vaeurs xi de X,
Parfois d’autres lois que la loi normale sont utililes dans les approximations (les calculs
d’intervalle de confiance, de test). Ce sont les lois de Student, du Khi deux (χ2 ) et de
Fisher-Snedecor. Ces lois dépendent d’un paramètre n entier, appelé degré de liberté
(d.d.l).
harouna.sangare@mesrs.ml 50 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
De même que pour la loi normale N (0, 1), on disposera des tables pour ces lois. Les
mêmes règles de calcul que pour la loi normale s’appliqueront pour réexprimer les
probabilités qu’on cherchera en des probabilités disponibles dans ces tables.
Loi du χ2 de Pearson
On dit que χ2 suit une loi de Pearson à n degrés de liberté (d.d.l), de fonction densité de proba-
bilité de la forme
2
C(n)χ2 n2 −1 e− χ2 si χ2 > 0 avec C(1) = √1
2π
f χ2 =
0 si χ2 ≤ 0.
E χ2 = n
Pn
car par définition E (χ2 ) = i=1 E (Xi2 ) , avec Xi variable normale centrée réduite,
or Var(Xi ) = E (Xi2 ) − (E (Xi ))2 = 1 pour la variable normale centrée réduite avec
E (Xi ) = 0 d’où E (Xi2 ) = 1 et donc E (χ2 ) = n.
harouna.sangare@mesrs.ml 51 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Var χ2 = 2n
car par définition les Xi variables normales centrées réduites étant indépendantes,
2
Var (χ2 ) = ni=1 Var (Xi2 ) et d’autre part Var (Xi2 ) = E (Xi4 ) − (E (Xi2 )) or E (Xi4 ) = 3
P
Loi de Student
Définition 35. Soient U une variable aléatoire suivant une loi normale réduite N (0, 1) et V
une variable aléatoire suivant une loi de pearson à n degrés de liberté χ2 (n), U et V étant
indépendantes, on dit alors que Tn = √UV suit une loi de student à n degrés de liberté, de
n
densité de probabilité
− (n+1)
T2
2
f (T ) = C(n) 1 + .
n
R +∞
Remarque 17. La constante C(n) est telle que −∞ f (x)dx = 1. La distribution de T de
Student est sysmétrique et peut être approchée par la loi normale N (0, 1) lorsque n > 30.
La loi de Student est utilisée lors des tests de comparaison de paramètres comme la
moyenne et dans l’estimation de paramètres de la population à partir de données sur
un échantillon (test de Student).
n
E (T ) = 0 si n > 1 et Var (T ) = si n > 2.
n−2
Loi de Fisher-Snedecor
Définition 36. Soient U et V deux variables aléatoires indépendantes suivant une loi du Khi
U/n
deux respectivement à n et m degrés de liberté . On dit que F(n,m) = V /m
suit une loi de
Fisher-Snedecor à (n, m) degrés de liberté, de densité de probabilité
C(n, m)F n2 −1 (m + nF )−( m+n 2 ) si F > 0
f (F ) =
0 si F ≤ 0.
harouna.sangare@mesrs.ml 52 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
R +∞
Remarque 18. La constante C(n, m) est telle que −∞
f (x)dx = 1. Si n = 1, alors on a la
U
relation suivante : F(1,m) = V /m
= Tm .
m 2m2 (n + m − 2)
E (F ) = si m > 2 et Var (F ) = si m > 4.
m−2 n(m − 2)2 (m − 4)
θa θa2
E (X) = si θ > 1 et Var (X) = si θ > 2.
θ−1 (θ − 1)2 (θ − 2)
Définition 37. X suit la loi gamma de paramètres λ, t > 0, X ∼ gamma(λ; t), si sa densité de
probabilité est
1
Γ(t)
λt xt−1 exp(−λx) si x ≥ 0
f (x) =
0 sinon
où Γ est la fonction gamma définie par
Z +∞
Γ(t) = xt−1 exp(−x)dx et Γ(t + 1) = t! = tΓ(t) si t ∈ N∗ .
0
1
Lorsque λ = 2
et t = 21 d, d un entier, on dit que X suit la loi du Khi deux à d degrés de liberté.
harouna.sangare@mesrs.ml 53 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
Γ(t + 2) t(t + 1)
E X2 = 2 = .
λ Γ(t) λ2
Par conséquent,
2
t(t + 1) t t
Var (X) = − = 2.
λ2 λ λ
Les distributions Gamma sont utilisées pour modéliser une grande variété de phéno-
mènes, et tout particulièrement les phénomènes se déroulant au cours du temps où par
essence, le temps écoulé est une grandeur réelle positive ; c’est le cas par exemple dans
l’analyse de survie.
Définition 38. X suit une loi beta de paramètres a; b > 0, X ∼ beta(a; b), si sa densité de
probabilité est
1
B(a;b)
xa−1 (1 − x)b−1 si 0 ≤ x ≤ 1
f (x) =
0 sinon
où B(a; b) est la constante de normalisation. On peut montrer que
Γ(a)Γ(b)
B(a; b) = .
Γ(a + b)
harouna.sangare@mesrs.ml 54 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
B(a + 2; b) a (a + 1)
E X2 = =
B(a; b) (a + b) (a + b + 1)
et
2
a (a + 1) a ab
Var (X) = − = 2 .
(a + b) (a + b + 1) a+b (a + b) (a + b + 1)
Définition 39. X suit une loi de Weibull de paramètres α, β > 0, si sa densité de probabilité
est
αβxβ−1 exp(−αxβ ) si x > 0
f (x) =
0 sinon.
où β est le paramètre de forme et α le paramètre d’échelle.
– Quand β < 1 la densité décroît depuis +∞. Ce cas correspond à un matériel qui se
bonifie avec le temps.
h i β1
1 β−1
– Quand β > 1 elle admet un maximum (mode de la loi) au point α β
. Ce cas
correspond à un matériel qui se dégrade avec le temps (usure).
– Lorsque β = 1, on retrouve la distribution exponentielle. Ce cas correspond à un
matériel sans usure (pannes purement accidentelles).
harouna.sangare@mesrs.ml 55 Dr SANGARE
Introduction aux calculs de Probabilités Version du 13 avril 2021
La loi de Weibull est très populaire dans les modèles statistiques en fiabilité. Elle est
également utilisée, par exemple, pour analyser les signaux reçus par les radars, ou dans
les réseaux de communication sans fil. D’un point de vue plus théorique, elle joue un
rôle important dans l’analyse des valeurs extrêmes lors d’expériences aléatoires.
C’est une autre loi de modélisation de valeurs extrêmes dont les fonctions de densité
et de répartition sont :
1 x−α −( x−α )
f (x) = exp − −e β , x ∈ R.
β β
− x−α
FX (x) = exp −e β , x ∈ R (β > 0) .
harouna.sangare@mesrs.ml 56 Dr SANGARE
Bibliographie
[2] J.P. Marco et al., (2007) : Mathématiques L2, cours complet avec 700 tests et exercices corrigés,
[3] E. Cantoni, P. Huber et E. Ronchetti, (2009) : Maîtriser l’aléatoire Exercices résolus de probabi-
[4] J.P. Lecoutre, (2016) : Statistique et probabilités Cours et exercices corrigés, 6ème édition
[5] B. Legros, (2011) : Mini manuel de mathématiques pour la gestion : Probabilités et Statistique,
c
57