Probabilité Et Statistique

Chapitre I: Introduction aux Calculs des Probabilités
1 / 42
Outline
1 Analyse combinatoire
2 Expérience aléatoire
3 Probabilité
4 Indépendance et probabilité conditionnelle
2 / 42
Analyse combinatoire
L’analyse combinatoire est une branche des mathématiques qui étudie

comment compter les objets. Elle fournit des méthodes de dénombrements
particulièrement utiles en théorie des probabilités.
Soit un ensemble de 3 éléments E = {a, b, c}. On peut effectuer sur E un
certain nombre d’opérations (dans le sens de dénombrement), par exemple:
1 On peut choisir un seul élément, soit a, b ou c.
2 On peut en prendre deux, dans un ordre déterminé, on obtient les
couples (a, b), (a, c), (b, a), (b, c), (c, a), (c, b).
3 On peut encore en prendre deux, mais dans un ordre indiffèrent, ce qui
donne (a, b); (a, c); (b, c)
4 On peut les prendre tous les trois, dans un ordre déterminé. On obtient
(a, b, c); (a, c, b); (b, a, c); (b, c, a); (c, a, b); (c, b, a). Ou bien dans un
ordre indifférente, soit (a, b, c).
3 / 42
Principe multiplicatif
Permet de compter le nombre de résultats d’expériences qui peuvent se
décomposer en une succession de sous-expériences.
Definition
Si une expérience comprend p étapes, la première pouvant se faire de n1
façons, la deuxième de n2 façons,..., la dernière de np façons, alors le nombre
total de résultats possibles est
p
Y
n= ni = n1 × n2 × . . . × np .
i=1
Exemple
1) On jette 3 dés identiques. Combien y-a-t-il de résultats possibles?
4 / 42
Principe multiplicatif
Permet de compter le nombre de résultats d’expériences qui peuvent se
décomposer en une succession de sous-expériences.
Definition
Si une expérience comprend p étapes, la première pouvant se faire de n1
façons, la deuxième de n2 façons,..., la dernière de np façons, alors le nombre
total de résultats possibles est
p
Y
n= ni = n1 × n2 × . . . × np .
i=1
Exemple
1) On jette 3 dés identiques. Combien y-a-t-il de résultats possibles?
2) Vous achetez une valise à code 4 chiffres. Combien de possibilités
avez-vous de choisir un code ?
4 / 42
Arrangements sans répétition
Definition
Soit E un ensemble à n objets et p tel que 1 ≤ p ≤ n. On appelle
arrangements sans répétition de p objets de E, toute suite ordonnée de p objets
distincts de E. Le nombre de p-arrangements sans répétition d’un ensemble à
n éléments est:
n!
Apn =
(n − p)!
Exemple
Combien y a-t-il de choix possibles de 2 éléments dans {A,B,C,D} ?
5 / 42
Arrangements sans répétition
Definition
Soit E un ensemble à n objets et p tel que 1 ≤ p ≤ n. On appelle
arrangements sans répétition de p objets de E, toute suite ordonnée de p objets
distincts de E. Le nombre de p-arrangements sans répétition d’un ensemble à
n éléments est:
n!
Apn =
(n − p)!
Exemple
Combien y a-t-il de choix possibles de 2 éléments dans {A,B,C,D} ?
Réponse:
4!
A24 = = 12
(4 − 2)!
5 / 42
Arrangements avec répétition
Dans le cas d’un arrangement avec répétition, les p objets de la liste ne sont
pas nécessairement tous distincts. (On peut choisir le même élément plusieurs
fois).
Cela correspond à un tirage avec remise et avec ordre. Dans ce cas, il est
possible que p > n.
Le nombre d’arrangements avec répétition de p objets parmi n est :
np
Exemple
Combien de nombres de 6 chiffres peut-on former avec les chiffres 0, 1 et 2 ?
6 / 42
Arrangements avec répétition
Dans le cas d’un arrangement avec répétition, les p objets de la liste ne sont
pas nécessairement tous distincts. (On peut choisir le même élément plusieurs
fois).
Cela correspond à un tirage avec remise et avec ordre. Dans ce cas, il est
possible que p > n.
Le nombre d’arrangements avec répétition de p objets parmi n est :
np
Exemple
Combien de nombres de 6 chiffres peut-on former avec les chiffres 0, 1 et 2 ?
Réponse: 36
6 / 42
Permutations sans répétition
Definition
Une permutation sans répétition de n éléments distincts est une suite ordonnée
de ces n éléments.
Autrement dit, c’est un arrangement de p = n objets pris parmi n objets.
Le nombre de permutations de n objets est noté:
n!
Pn = Ann = = n!
(n − n)!
Exemple
Combien de mots de 3 lettres peut-on former avec les lettres a, b et c ?
7 / 42
Permutations sans répétition
Definition
Une permutation sans répétition de n éléments distincts est une suite ordonnée
de ces n éléments.
Autrement dit, c’est un arrangement de p = n objets pris parmi n objets.
Le nombre de permutations de n objets est noté:
n!
Pn = Ann = = n!
(n − n)!
Exemple
Combien de mots de 3 lettres peut-on former avec les lettres a, b et c ?
réponse: 3! = 6
7 / 42
Permutations avec répétition
Il arrive que, parmi les n objets dont on cherche le nombre de permutations,

certaines d’entre eux, au nombre de p par exemple, soient tous semblables.
Auquel cas, rien ne distingue les permutations de ces k objets entre eux.
Pour calculer le nombre de permutations possibles, il faut donc diviser le
nombre de permutations des n objets sans répétition, par le nombre de
permutations des k objets entre eux, soit :
n!
Pn (avec répétition) =
k!
8 / 42
Exemple
1) Une boite contient 3 boules noires, 4 rouges et 6 boules blanches. De
combien de manières peut-on classer ces boules?
9 / 42
Exemple
Réponse:
13!
3!4!6!
9 / 42
Exemple
Réponse:
13!
3!4!6!
2) Combien de nombres de permutations possibles avec les lettres du mot

ETRENNE.
9 / 42
Exemple
Réponse:
13!
3!4!6!
2) Combien de nombres de permutations possibles avec les lettres du mot

ETRENNE.
Réponse:
7!
3!2!
9 / 42
Combinaisons sans répétition
Definition
Une combinaison de p objets pris dans E est un sous-ensemble de p de ces n
objets. C’est une disposition non-ordonnée de p éléments, à choisir parmi n
éléments.
Une combinaison sans répétition correspond à un tirage sans remise et sans
ordre (tirage simultané). Le nombre de combinaisons sans répétition de p
objets parmi n est donné par
Apn

p n n!
Cn = = =
p p! p!(n − p)!
10 / 42
Exemple
De combien de manières peut-on choisir une délégation de 3 hommes et 2
femmes pris parmi un groupe de 7 hommes et 5 femmes ?
11 / 42
Exemple
De combien de manières peut-on choisir une délégation de 3 hommes et 2
femmes pris parmi un groupe de 7 hommes et 5 femmes ?
Réponse: On choisit de C73 manières les 3 hommes parmi 7 et de C52 manières
les 2 femmes parmi 5 . Le principe de multiplication donne: C73 · C52 = 350
11 / 42
Combinaisons avec répétition
Une combinaison avec répétition de p objets pris dans E est une disposition
non-ordonnée de p éléments, à choisir parmi n éléments, avec répétition. Ça
correspond à un tirage sans ordre et avec remise.
Le nombre de combinaisons avec répétition de p objets parmi n est donné par
p (n + p − 1)!
Knp = Cn+p−1 = ,
p!(n − 1)!
p étant éventuellement supérieur à n.
Propriétés
1) Cn0 = Cnn = 1.
2) Complémentaire: Cnp = Cnn−p .
p p−1
3) Triangle de Pascal: Cnp = Cn−1 + Cn−1 .
4) Formule de
Binome:(x + y)n = Cn0 xn + Cn1 yxn−1 + · · · + Cnn−1 yn−1 x + Cnn yn
12 / 42
Exercices
Exercices 1
Un tournoi sportif compte 8 équipes engagées. Chaque équipe doit rencontrer
toutes les autres une seule fois. Combien doit-on organiser de matchs ?
Exercices 1
A l’oral d’un examen, un étudiant doit répondre à 8 questions sur 10.
a) Combien de choix y-a-t-il?
b) Combien de choix a-t-il s’il doit répondre aux trois premières questions?
c) Combien de choix a-t-il s’il doit répondre au moins à 4 des 5 premières
questions?
Exercices 2
Combien de permutations distinctes peut-on former avec toutes les lettres des
mots:
a) leur b) anabase c) sociologique?
13 / 42
Outline
3 Probabilité
14 / 42
Definition
On appelle expérience aléatoire, toute expérience dont on ne peut pas prédire
son résultat avec exactitude, mais on peut prédire l’ensemble de tous les
résultats possibles. Cet ensemble est appelé ensemble fondamental, noté Ω .
15 / 42
Definition
Exemples
1) Jet d’un dé,
15 / 42
Definition
Exemples
1) Jet d’un dé,
Ω = {1, 2, 3, 4, 5, 6}.
15 / 42
Definition
Exemples
1) Jet d’un dé,
Ω = {1, 2, 3, 4, 5, 6}.
2) Le jet successif de n pièces de monnaie,
15 / 42
Definition
Exemples
1) Jet d’un dé,
Ω = {1, 2, 3, 4, 5, 6}.
Ω = {P, F}n (pour n = 2, on a Ω = {PP, PF, FP, FF} = {P, F}2 ).
15 / 42
Definition
Exemples
1) Jet d’un dé,
Ω = {1, 2, 3, 4, 5, 6}.
3) La durée de vie d’une ampoule.
15 / 42
Definition
Exemples
1) Jet d’un dé,
Ω = {1, 2, 3, 4, 5, 6}.
Ω = IR+ .
15 / 42
Definition
Un évènement A est un ensemble de résultats ou un sous-ensemble de
l’ensemble fondamental . (A ∈ Ω) On dit que l’évènement A est réalisé ou
non selon que le résultat de l’expérience aléatoire appartient ou non à A.
Definition
On appelle famille d’évènements possible de Ω , notée P(Ω), l’ensemble de
ses parties.
Exemples
1) Jet d’un dé,
A = {2, 4, 6}: ”obtenir un nombre pair”.
16 / 42
Definition
Un évènement A est un ensemble de résultats ou un sous-ensemble de
l’ensemble fondamental . (A ∈ Ω) On dit que l’évènement A est réalisé ou
non selon que le résultat de l’expérience aléatoire appartient ou non à A.
Definition
On appelle famille d’évènements possible de Ω , notée P(Ω), l’ensemble de
ses parties.
Exemples
1) Jet d’un dé,
A = {2, 4, 6}: ”obtenir un nombre pair”.
A = [100, +∞[: ”l’ampoule fonctionne plus de cent heures”.
16 / 42
On va utiliser toutes les opérations sur les ensembles:
Notation Vocabulaire Ensembliste Vocabulaire Probabiliste

Ω événement certain
∅ ensemble vide événement impossible
{ω} singleton ω événement élémentaire ω
A⊂B A est inclus dans B A implique B
Ac Complémentaire de A Le contraire de A est réalisé
A∪B A union B A ou B est réalisé
∪i∈I Ai union des (Ai )i∈I l’un des Ai est réalisé
A∩B A inter B A et B sont réalisés
∩i∈I Ai Intersection des (Ai )i∈I tous les Ai sont réalisés
17 / 42
Exemple
Considerons le jet d’un dé. L’ensemble fondamental est Ω = {1, 2, 3, 4, 5, 6}.
Les evenements suivants peuvent etre associes à un sous-ensemble de Ω :
a) A1 : l’évènement d’obtenir le nombre 2. Alors, A1 = {2} est un
évènement élémentaire.
18 / 42
Exemple
b) A2 : l’évènement d’obtenir un nombre inférieur à 8; A2 = Ω.
18 / 42
Exemple
c) A3 : l’évènement d’avoir un nombre divisible par 11, A3 = ∅
18 / 42
Exemple
c) A3 : l’évènement d’avoir un nombre divisible par 11, A3 = ∅
d) A4 : l’évènement d’avoir un nombre premier; A4 = {1, 3, 5}
18 / 42
Definition
A ∩ B = ∅ signifie que A et B sont des événements incompatibles. A et B ne
peuvent pas être réalisés en même temps.
Exemple
A et A sont incompatibles: A ∩ A = ∅.
Distributivité:
Soient A, B et C trois ensembles. On a:
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C).
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).
Loi de Morgan:
Soient A et B deux ensembles. On a les égalités suivantes:
A ∩ B = A ∪ B.
A ∪ B = A ∩ B.
19 / 42
Propriétés utiles des ensembles
Proposition
Si A et B sont deux ensembles, on a:
Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B).
20 / 42
Outline
3 Probabilité
21 / 42
Tribu d’événements
Definition
Soit Ω l’ensemble fondamental d’une expérience aléatoire. Une σ-algèbre ou
une tribu sur est une famille F de sous-ensembles de Ω telle que
C1 Ω ∈ F.
C2 Pour tout A ∈ F, alors A ∈ F.
C3 Pour tout A ∈ F et tout B ∈ F, alors A ∪ B ∈ F et A ∩ B ∈ F.
C4 Si An ∈ F pour tout n ∈ IN ,
∞
[
An ∈ F.
n=0
le couple (Ω, F) est appelé espace mesurable ou espace probabilisable.
22 / 42
Exercices
Vérifier que P(Ω) et (∅, Ω) sont des tribus sur Ω.
Soit A une partie de Ω. Montrer que {∅, A, Ac , Ω} est une tribu sur Ω.
23 / 42
Probabilité
Definition
On appelle probabilité P sur (Ω, F) une application P : (Ω; F) −→ [0, 1] telle
que:
i) P(Ω) = 1;
ii) Pour toute suite An d’événements incompatibles, avec Am ∩ An = ∅ pour
m 6= n:
∞
[ ∞
X
P[ An ] = P(An )
n=0 n=0
propriété de σ–additivité.
Une probabilité est donc une application qui à un événement va associer
un nombre compris entre 0 et 1.
Le triple (Ω, F, P) s’appelle un espace probabilisé.
24 / 42
Calcul de probabilités
Cas particulier de l’équiprobabilité
On considère une expérience aléatoire telle que:

L’espace fondamental Ω défini soit de cardinal fini;
Les éventualités qui le composent soient équiprobables.
On définit la probabilité d’un événement A par:
nombre de cas favorables
P(A) = .
nombre total de cas
25 / 42
Calcul de probabilités
Cas particulier de l’équiprobabilité
On considère une expérience aléatoire telle que:

L’espace fondamental Ω défini soit de cardinal fini;
Les éventualités qui le composent soient équiprobables.
On définit la probabilité d’un événement A par:
nombre de cas favorables
P(A) = .
nombre total de cas
Remarque
Attention, cette formule est valable seulement en situation d’équiprobabilité.
25 / 42
Propriétés
P1 ) La probabilité de l’événement complémentaire d’un événement

quelconque A s’obtient par:
P(A) = 1 − P(A);
P2 ) L’événement impossible est de probabilité nulle:
P(∅) = 0;
P3 ) Si un événement implique un autre, sa probabilité est plus petite:
A ⊂ B =⇒ P(A) ≤ P(B);
P4 ) La probabilité de l’union de deux événements:
P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
26 / 42
Exemples
1) Jet d’une pièce de monnaie Ω = {P, F}, si la pièce est équilibrée on
choisit:
1
P({P}) = P({F}) = .
2
27 / 42
Exemples
choisit:
1
P({P}) = P({F}) = .
2
2) Jet d’un dé: Ω = {1, 2, 3, 4, 5, 6}, les faces sont équiprobables. On prend
F = P(Ω) et on définit P par:
1
P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) = .
6
27 / 42
Exemples
choisit:
1
P({P}) = P({F}) = .
2
1
P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) = .
6
On a donc
P({2, 3}) =???
27 / 42
Exemples
choisit:
1
P({P}) = P({F}) = .
2
1
P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) = .
6
On a donc
P({2, 3}) =???
1
P({2, 3}) = P({2}) + P({3}) = .
3
27 / 42
Exercices
Exercices 1
Un sac contient 5 jetons verts (numérotés de 1 à 5) et 4 jetons rouges
(numérotés de 1 à 4).
1) On tire successivement et au hasard 3 jetons du sac, sans remettre le jeton
tiré. Calculer les probabilités :
a) De ne tirer que 3 jetons verts ;
b) De ne tirer aucun jeton vert
c) De tirer au plus 2 jetons verts ;
d) De tirer exactement 1 jeton vert.
2) On tire simultanément et au hasard 3 jetons du sac. Reprendre alors les
questions a), b), c) et d).
28 / 42
Outline
3 Probabilité
29 / 42
Indépendance
Définition: Indépendance
On dit que deux évènements A et B sont indépendants lorsque :
P(A ∩ B) = P(A) × P(B).
Remarque
Pour savoir si 2 évènements sont indépendants, il faut calculer séparément
P(A ∩ B) et P(A) × P(B).
30 / 42
Exemple
On joue 2 fois au P ou F de manière indépendante avec une pièce équilibrée
(tout évènement relatif au premier lance est indépendant d’un évènement
relatif au 2ème lancé). Alors on a :
P( P au 1ère lancé ET P au 2ème lancé)

= P(P au 1ère lancé) × P( P au 2ème lancé)
1 1
= ×
2 2
1
= .
4
31 / 42
Exemple
On lance un dé équilibré une fois et on note le chiffre de la face obtenue.
Soient A = le chiffre de la face obtenue est un multiple de 6 et B = le chiffre
de la face obtenue est pair. A et B sont ils indépendants ?
32 / 42
Exemple
On lance un dé équilibré une fois et on note le chiffre de la face obtenue.
Soient A = le chiffre de la face obtenue est un multiple de 6 et B = le chiffre
de la face obtenue est pair. A et B sont ils indépendants ?
Réponse: On a A = {6} et B = {2, 4, 6}

1 3 1 1
donc P(A) = , P(B) = = et P(A ∩ B) = P({6}) =
6 6 2 6
puisque P(A) × P(B) 6= P(A ∩ B)
Donc A et B ne sont pas indépendants.
32 / 42
Indépendance Mutuelle
Définition
Soit (A1 , . . . , An ) ∈ P(Ω). Les événements A1 , . . . , An sont mutuellement
indépendants si :
 
\ Y
∀J ⊂ [1, n], P  Aj  = P (Aj )
j∈J j∈J
En particulier, en prenant J = [1, n] :
Proposition (Mutuelle indépendance pour une famille finie)

Soit A1 , . . . , An des événements mutuellement indépendants. Alors:
n
! n
\ Y
P Ai = P (Ai )
i=1 i=1
33 / 42
Avertissement
L’égalité ne suffit pas à avoir l’indépendance mutuelle.
Exemple
On fait des tirages à pile ou face
A est réalisé si et seulement si le premier tirage est Pile.
B est réalisé si et seulement si lors des 3 premiers tirages, il y a au plus
un Pile.
C=B
On a
1
P(A ∩ B ∩ C) = = P(A) × P(B) × P(C),
8
mais les événements ne sont clairement pas mutuellement indépendants!
34 / 42
Probabilité conditionnelle
Définition
Soit A et B deux événements avec P(A) 6= 0. On appelle probabilité
conditionnelle de B sachant A, la probabilité que l’événement B se réalise
sachant que l’événement A est réalisé. Elle est notée PA (B) et est définie par :
P(A ∩ B)
PA (B) = .
P(A)
On trouve également souvent la notation P(B|A).
Exemple
On lance une fois un dé cubique parfait dont les faces sont numérotées de 1 à
6.
Soit A l’événement: ”on obtient un nombre inférieur ou égal à 5” et B
l’événement :”on obtient un nombre supérieur ou égal à 3”.
Si on sait que A est réalisé quelle est la probabilité de B.?
35 / 42
Théorème
Soient B ∈ P(Ω) tq P(B) > 0. P étant une probabilité sur F. L’application
P|B définie par
P|B : P(Ω) → [0, 1]

A → PB (A) = P(A|B)
est une probabilité sur F
36 / 42
Remarque
La formule de définition de la probabilité conditionnelle peut aussi s’écrire si
P(A) > 0:
P(A ∩ B) = P(A|B)P(B) = P(B|A)P(A).
Cette formule permet de calculer la probabilité de la réalisation simultanée de
2 événements.
Propriétés
Soit C ∈ F tel que P(C) > 0, alors on a: ∀A ∈ F, B ∈ F
P(Ā/C) = 1 − P(A/C)
Si A ⊂ B alors P(A | C) ≤ P(B | C)
P{(A ∩ B)/C} = P(B/C) − P{(Ā ∩ B)/C}
P{(A ∪ B)/C} = P(A/C) + P(B/C) − P{(A ∩ B)/C}
37 / 42
Proposition
Si A et B sont indépendants alors: P(A ∩ B) = P(A) × P(B). C’est-à-dire
P(A | B) = P(A) et P(B | A) = P(B) : la réalisation d’un évènement n’affecte
pas la réalisation du second.
38 / 42
Propriété (Formule de Bayes)
Si P(A) 6= 0 alors on a :
P(A | B) · P(B)
P(B | A) =
P(A)
Proposition (Formule des probabilités totales)

Soit {A1 , A2 , . . . , An } une partition de Ω d’événements non vides
(Ω = ∪ni=1 Ai et ∩ni=1 Ai = ∅) . Soit B ∈ Ω
n
X
P(B) = P (B | Ai ) P (Ai )
i=1
Remarque
Quand n = 2, on obtient en particulier:
P(A) = P(A|B)P(B) + P(A|Bc )P(Bc ).

39 / 42
Exemple
Une boite contient 4 boules rouges et 10 boules blanches. Une deuxième boite
contient 6 rouges. On tire au hasard une boules de la première boite et on la
remet dans la seconde boite sans regarder sa couleur. On tire alors une boule
de la deuxième boite. Quelle est la probabilité pour que cette boule soit rouge.
On considère les évènements suivants:
B =” avoir une boule rouge au 2ème tirage”.
A1= ”la 1ère boule tirée est rouge”.
A2= ”la 1ère boule tirée est blanche”.
Calculer P(B).
40 / 42
Formule de Bayes
Soit {A1 , A2 , . . . , An } une partition de Ω d’événements non vides. Soit B ∈ Ω
P (Ai ) P (B | Ai )
P (Ai | B) = Pn
j=1 P (Aj ) P (B | Aj )
Remarque
Quand n = 2, on obtient en particulier:
P(A|B)P(B)
P(B|A) = .
P(A|B)P(B) + P(A|B)P(B)
Exemple
Une usine de pièces dispose de 3 machines A, B et C qui fabriquent respct.
50%, 30% et 20% de la production. Les pourcentage de pièces défectueuses
de ces machines sont de 3%, 4% et 5%.
1- Quelle est la probabilité pour qu’une pièce soit défectueuse?
2- Calculer la probabilité pour qu’une pièce défectueuse provienne de A?
41 / 42
Exercice 1
Dans un lycée, la proportion des filles est de 40% du total des élèves. On sait
que dans ce lycée, une fille sur deux pratique un sport alors que pour les
garçons, un sur trois pratique un sport. On choisit au hasard un élève de ce
lycée.
1) Quelle est la probabilité que cet élève pratique un sport?
2) Quelle est la probabilité que l’élève choisi soit une fille sachant qu’il
pratique un sport?
42 / 42
Chapitre II: Variables aléatoires discrètes
1 / 53
Outline
1 Variable aléatoire discrète (v.a.d)
2 Lois discrètes usuelles
3 Couple de variables aléatoires
2 / 53
Variable aléatoire
Dans une expérience aléatoire, au lieu de s’intéresser aux résultats

eux-mêmes, on s’intéresse plutôt à des caractéristiques numériques
particulières de ces résultats.
Exemple1 :Si on lance une pièce de monnaie 3 fois de suite, on obtient les
résultats suivants :
Ω = (F, F, F), (F, F, P), (F, P, F), (P, F, F), (P, P, P), (P, P, F),
(P, F, P), (F, P,P)
Au lieu de s’intéresser à chacun de ces résultats, on s’intéresse, par exemple, à

la caractéristique numérique suivante :le nombre de faces.
3 / 53
Exemple 2
On considère une famille ayant deux enfants. On a Ω = {GG, GF, FG, FF}
Soit X l’évént: ” nombre de fille dans la famille”. Alors Les valeurs prises par
X sont 0,1 et 2. On pose X(Ω) = {0, 1, 2}, appelé le support de X.
Définition
Une variable aléatoire X est une application de Ω dans R telle que
X:Ω→R
ω 7→ X(ω)
4 / 53
Définition (variable aléatoire discrète)
Une v.a est dite discrète si elle ne prend que des valeurs discontinues dans un
intervalle donné (borné ou non borné). En générale, toute les variables qui
résultent d’un dénombrement ou d’une numération sont de type discrètes, càd
l’ensemble de leurs valeurs est dénombrable de type X(Ω) = {x1 , x2 , . . . , xn }
où (xn , n ∈ N)
Reprenons l’exemple 2, on demande la probabilité d’avoir une fille
P(X = 1) = P(w tq X(w) = 1) = P({FG, GF}) = 1/2
De même, on a P(X = 0) = P(GG) = 1/4 et P(X = 2) = 1/4
5 / 53
Définition
On appelle loi de probabilité d’une v. a. discrète X, l’ensemble des couples
(x, px ) où x ∈ X(Ω) et px = P(X = x). Si X(Ω) = {x1 , x2 , . . . , xn } est fini, on
peut donner La loi de probabilité de X sous forme du tableau suivant:
x x1 x2 ... xn
pxi p1 p2 ... pn
6 / 53
Exemple
Soit X le nombre de filles dans une fratrie de deux enfants (l’exemple 2). X est
une v.a.d. On a X(Ω) = {0, 1, 2}, sous l’hypothèse que P(F) = P(G) la
distribution ou la loi de X est donnée par ce tableau
x 0 1 2
1 1 1
Px ou pi
4 2 4
X
On remarque que 0 ≤ pi ≤ 1 et pi = 1.
i
Définition
La représentation graphique de la loi de X s’appelle un diagramme à bâtons.
7 / 53
Fonction de répartition
Définition
La fonction F telle que :
F : R → [0, 1]
t 7→ F(t) = P(X ≤ t)
X
Si X(Ω) = {x1 , x2 , . . . , xn } alors F(x) = P (X = xi )
xi ≤x
Exemple
On lance 3 pièces de monnaie, et X = nombre de piles obtenus. la loi et la
fonction de répartition de X sont données par
x 0 1 2 3
Px 1/8 3/8 3/8 1/8
F(x) 1/8 4/8 7/8 1
8 / 53
9 / 53
Propriètés
Soit F une fonction de répartition d’une v.a discrète X. On a
i) F(x) est croissante
ii) lim F(x) = 1 et lim F(x) = 0
x→+∞ x→−∞
iii) F est une fonction en escalier et continue à droite.
iv) si a < b on P(a < X ≤ b) = F(b) − F(a)
Exercice
On jette deux dés. Soit X la v.a. qui représente la somme des points obtenus
par les deux dés.
1. Donner la loi de probabilité de X.
2. Déterminer la fonction de répartition de X.
10 / 53
Définition (Espérance d’une v.a discrète)
Soit X une variable aléatoire discrète de loi de probabilité définie par les
valeurs {x1 , x2 , . . . , xn } et les probabilités {p1 , p2 , . . . , pn } . L’espérance de X,
si elle existe, est défini par:
n
X n
X
E(X) = xi pi = xi P (X = xi )
i=1 i=1
Exemple 1
On lance 3 pièces de monnaie, et X est le nombre de piles obtenus. La loi de
X est donnée par
x 0 1 2 3
Px 1/8 3/8 3/8 1/8
1 3 3 1
E(X) = 0 ×+ 1 × + 2 × + 3 × = 3/2
8 8 8 8
C’est le nombre moyen de Pile que l’on peut observer.
11 / 53
Exemple 2
Soit X la v.a. dont la loi est donnée par
1 3 2
P(−3) = , P(1) = , P(2) =
6 6 6
Comme PX (−3) + PX (1) + PX (2) = 1, la v.a. X est à valeurs dans
S = {−3, 1, 2}. Son espérance mathématique est donnée par
1 3 2 2
E[X] = −3 × +1× +2× =
6 6 6 3
12 / 53
Remarque:
En général, pour toute fonction continue ϕ,
n
X
E(ϕ(X)) = ϕ (xi ) P (X = xi )
i=1
En particulier
n
X
E X2 = xi2 P (X = xi )
i=1
Exemple: On lance 3 pièces

√ de monnaie et X est le nombre de piles obtenus.
Soient Y = X 2 et Z = X. Calculer E(Y) et E(Z). La loi de X est donnée par
x 0 1 2 3
Px 1/8 3/8 3/8 1/8
1 3 3 1
E(Y) = E X 2 = 02 ∗ + 12 ∗ + 22 ∗ + 32 ∗ = 3

8 8 8 8
√ √ 1 √ 3 √ 3 √ 1
E(Z) = E( X) = 0 ∗ + 1 ∗ + 2 ∗ + 3 ∗ = 1.12
8 8 8 8
13 / 53
Propriétés de l’espérance
Proposition
Soient a et b deux réels et X et Y deux v.a, alors
- E(a) = a
- E(aX + b) = aE(X) + b
- E(X + Y) = E(X) + E(Y)
14 / 53
Variance
Définition (Variance d’une v.a discrète)
On appelle variance d’une variable aléatoire X le réel positif, noté V(X) défini
par
V(X) = E((X − E(X))2 )
Remarque
La variance ne s’exprime pas dans la même unité que la moyenne E(X), c’est
pourquoi il est préférable d’utiliser l’écart type σ(X) défini par:
p
σ(X) = V(X)
Exemple
On reprend l’exemple 1, le lancer de 3 pièces de monnaie, on a déjà calculé
E(X) = 3/2, donc
1 3 3 1
V(X) = ×(0−3/2)2 + ×(1−3/2)2 + ×(2−3/2)2 + ×(3−3/2)2 = 3/4
8 8 8 8
15 / 53
Propriété
Soit X une v. a, la variance de X peut s’écrire sous la forme svte
V(X) = E X 2 − [E(X)]2

Si X(Ω) = {x1 , . . . , xn } est fini et de loi de probabilité pi = P (X = xi ) , pour

i = 1, . . . , n. Alors,
n n
!2
X X
V(X) = pi xi2 − pi xi
i=1 i
Exemple
On reprend l’exemple précédent, on a
1 3 3 1
E X 2 = 0 × + 1 × + 22 × + 32 × = 3 et on a déjà vu que

8 8 8 8
E(X) = 3/2 d’où
V(X) = E X 2 − E(X)2 = 3/4

16 / 53
Propriétés de la variance
Proposition
Soient a et b deux réels et X et Y deux v.a, alors
- V(a) = 0
- V(aX + b) = a2 V(X)
17 / 53
Exercice
On jette deux dés. Soit X la v.a. égale au plus petit des deux chiffres obtenus,
Y la v.a. égale au plus grand des deux et Z la différence en valeur absolue des
deux chiffres.
1) Donner la loi de probabilité de X.
2) De même, donner les lois de probabilité de Y et de Z.
3) Calculer E(X), V(X), E(Y), V(Y), E(Z) et V(Z)
18 / 53
Inégalités
Soient X et Y 2v. a admettant une espérance et une variance. Alors
- i) |E(X)| ≤ E(|X|)
- ii) Inégalité de Markov:
E(|X|)
∀a ≥ 0, aP(|X| > a) ≤ E(|X|) et si a 6= 0 alors, P(|X| > a) ≤
a
- iii) Inégalité de Tchebychev:
V(|X|)
∀ε > 0, P(|X − E(X)| ≥ ε) ≤
ε
-iv) Inégalité de Cauchy Schawrz: (E(XY))2 ≤ E X 2 E Y 2

19 / 53
Fonction d’une variable discrète
Définition
Soit X une variable aléatoire à valeurs réelles, associée à un espace de
probabilité (Ω, F, P). Soit ϕ une fonction numérique d’une variable réelle
définie sur X(Ω). L’application Y = ϕoX, définie sur Ω, est une variable
aléatoire à valeurs réelles si elle possède la propriété suivante
∀I ⊂ R {w | Y(w) = ϕ(X(w)) ∈ I} ⊂ F
On dit que Y est une v.a, fonction de variable aléatoire X et on note Y = ϕ(X)
20 / 53
Fonction d’une variable discrète
Loi de Y = ϕ(X)
Exemple
Supposons que la loi de X est donnée par
x −2 −1 0 1 2
Px 1/14 2/14 3/14 4/14 4/14
1) Soit Y = ϕ(X) = 2X − 3
L’ensemble de valeurs de Y est Y(Ω) = {−7, −5,
−3, −1, 1}
yj + 3
On a pj = P (Y = yj ) = P (2X − 3 = yj ) = P X = , yj ∈ Y(Ω)
2
D’ou la loi de Y
yj −7 −5 −3 −1 1
Pj 1/14 2/14 3/14 4/14 4/14
21 / 53
Suite exemple
2) Soit Z = ϕ(X) = X 2
Dans ce cas Z(Ω) = {0, 1, 4}
Pour tte valeur positive de zj de Z, on a
√ √
pj = P (Z = zj ) = P X 2 = zj = P X = zj ∪ X = − zj

√ √
= P X = zj + P X = − zj
car les événements sont incompatibles. et P(Z = 0) = P(X = 0)

D’ou la loi de Z
zj 0 1 4
Pj 3/14 6/14 5/14
22 / 53
Outline
23 / 53
Loi Uniforme
Définition
On dit qu’une variable aléatoire X suit une loi uniforme discrète si:
- L’ensemble de valeurs de X est X(Ω) = {x1 , . . . , xn }
1
- la loi de X est P(X = xi ) = pour tout i ∈ [1, n].
n
On note X ∼ U{x1 ,...,xn }
24 / 53
Exemples
1) On lance un dé cubique équilibré à six faces. Soit X la variable aléatoire qui
donne le numéro affiché par le dé. La loi de probabilité de X est donnée par:
X 1 2 3 4 5 6
1 1 1 1 1 1
pi
6 6 6 6 6 6
C’est la loi Uniforme discrète X ∼ U{1,2,3,4,5,6} .
2) Un sac contient 7 jetons identiques (numérotés de 1 à 7 ). On tire au hasard
1 jeton du sac. Soit Y la variable aléatoire qui donne le numéro affiché sur le
jeton. La loi de probabilité de Y est donnée par le tableau suivant:
Y 1 2 3 4 5 6 7
1 1 1 1 1 1 1
pi
7 7 7 7 7 7 7
C’est la loi Uniforme discrète Y ∼ U{1,2,3,4,5,6,7} .
25 / 53
Proposition : Paramètres d’une Loi Uniforme
Soit X une variable aléatoire qui suit la loi Uniforme, Alors on a :
n+1 n2 − 1
E(X) = et V(X) =
2 12
26 / 53
Loi de Bernoulli
Définition:
On réalise une expérience dont le résultat sera interprété soit comme un
succès soit comme un échec. On définit alors la variable aléatoire X en lui
donnant la valeur 1 lors d’un succès et 0 lors d’un échec (variable indicatrice).
La loi de probabilité de X est alors
P(X = 1) = p
(1)
P(X = 0) = 1 − p = q
où p est la probabilité d’un succès, 0 ≤ p ≤ 1.

Une variable aléatoire X est dite de Bernoulli X ∼ Ber(p) s’il existe un
nombre p ∈]0, 1[ tel que la loi de probabilité de X soit donnée par (1).
27 / 53
Exemples:
1. On jette une pièce de monnaie. On considère X la variable aléatoire qui
prend 1 si l’issue est Pile et 0 sinon. Alors X suit une loi de Bernoulli de
1
paramètre . Le tableau de la loi X est donnée par:
2
X 0 1
1 1
pi
2 2
1
2. Ahmed tire sur un oiseau. La probabilité de succès pour Ahmed est . On
3
considère Y la variable aléatoire qui prend 1 si Ahmed touche l’oiseau et 0
1
sinon. Alors Y suit une loi de Bernoulli de paramètre . Le tableau de la loi
3
Y est donnée par :
Y 0 1
2 1
pi
3 3
28 / 53
Proposition:
Paramètres d’une Loi de Bernoulli : Soit X ∼ Ber(p), Alors on a :
E(X) = p et V(X) = p(1 − p)
29 / 53
La loi binomiale
Définition
La loi binomiale est la loi de probabilité d’une variable aléatoire représentant
une série d’épreuves de Bernoulli possédant les propriétés suivantes:
1. Chaque épreuve donne lieu à deux éventualités exclusives de probabilités
constantes p et q = 1 − p
2. Les épreuves répétées sont indépendantes les unes des autres.
3. La variable aléatoire X correspondante prend pour valeur le nombre de
succès dans une suite de n épreuves. La relation X suit une Loi binomiale de
paramètres n et p est notée X ∼ B(n; p). Les probabilités élémentaires de la
loi binomiale B(n; p) sont données pour tout nombre de succès
k ∈ {0, 1, 2, 3, . . . , n} par:
P(X = k) = Cnk · pk · (1 − p)n−k
30 / 53
Exemple 1
Ahmed tire sur un oiseau 4 fois successives. A chaque fois la probabilité de
1
succès pour Ahmed est = 0.25. On considère X la variable aléatoire qui
4
donne le nombre de fois où Ahmed touche l’oiseau. Alors X suit une loi
1
binomiale de paramètres n = 4 et p = . Et on a X(Ω) = {0; 1; 2; 3; 4} la loi
4
de probabilité de X est donnée par :
P(X = 0) = C40 · (0.25)0 · (1 − 0.25)4 = 0, 316

P(X = 1) = C41 · (0.25)1 · (1 − 0.25)3 = 0, 421
P(X = 2) = C42 · (0.25)2 · (1 − 0.25)2 = 0, 210
P(X = 3) = C43 · (0.25)3 · (1 − 0.25)1 = 0, 046
P(X = 4) = C44 · (0.25)4 · (1 − 0.25)0 = 0, 003
31 / 53
Exemple 2:
On jette 6 fois une pièce bien équilibrée. Soit X la v.a ”nombre de face
obtenue”
-Quelle est la probabilité que l’on ait exactement 2 faces?
On a X ∼ B(6, 1/2) donc
15
P(X = 2) = C62 (1/2)2 (1/2)4 =
64
-Quelle est la probabilité d’avoir 4 faces ou moins?
11
P(X ≥ 4) = P(X = 4) + P(X = 5) + P(X = 6) =
32
32 / 53
Proposition : Paramètres d’une Loi binomiale
Soit X ∼ B(n; p), Alors on a :
E(X) = np et V(X) = np(1 − p)
33 / 53
Exercice
Une urne contient 5 boules rouges et 7 boules noires.
1. On tire une boule de l’urne. Soit la v.a X définie par

0 si la boule tirée est rouge
X=
1 si la boule tirée est noire
1.1 Quelle est la loi de X ?

1.2 Calculer E(X) et V(X).
2. On tire une boule que l’on remet dans l’urne. On répète ce tirage 10 fois.
Soit Y la variable aléatoire: nombre de boules rouges obtenues dans les 10
tirages.
2.1 Quelle est la loi de Y?
2.2 Calculer E(Y) et V(Y).
34 / 53
Loi Géométrique
Définition
On répète de façon indépendante un schéma de Bernoulli, ayant même
probabilité de sucées p, autant de fois qu’il faut pour obtenir le premier
sucées. Soit X la v. a qui représente l’indice d’apparition du premier sucées (
le nombre de répétition pour obtenir le premier sucées). Alors, on a
- X(Ω) = N?
- X suit la loi géométrique de paramètre p et P(X = k) = p(1 − p)k−1 . On
note X ∼ G(p)
1 1−p
- E(X) = et V(X) =
p p2
35 / 53
Exemple
On lance un dé équilibré plusieurs fois. Soit
X l’indice de la première
1
apparition de la valeur 2. On a X ∼ G .
6
1 k−1

1
P(X = k) = 1− , ∀k ∈ N∗
6 6
Propriétés
- Si X ∼ G(p) alors P(X > k) = (1 − p)k ∀k ∈ N∗
- La loi géométrique est sans mémoire, c à d
P(X > n + k/X > k) = P(X > n), ∀k ∈ N∗ et
P(X = n + k/X > k) = P(X = n), ∀k ∈ N∗
36 / 53
Loi de Poisson
La loi de Poisson modélise des situations où l’on s’intéresse au nombre de

réalisation d’un événement dans un laps de temps déterminé ou dans une
région donnée. Par exemple :
• Nombre d’appels téléphoniques qui arrivent à un standard en x minutes,
• nombre de clients qui attendent à la caisse d’un magasin,
• nombre de défauts de peinture par m2 sur la carrosserie d’un véhicule . .
Définition:
Soient λ la moyenne de réalisation d’un événement, et X le nombre de
réalisation de cet événement.
La variable aléatoire X suit une loi de Poisson de paramètre λ, (λ > 0) si
λk
X(Ω) = N et P(X = k) = e−λ pour tout k ∈ N
k!
37 / 53
Exemple 1:
Soit X la variable aléatoire associée au nombre de micro-ordinateurs vendus
chaque jour dans le magasin. On suppose que X suit une loi de Poisson de
paramètre λ = 5. On écrit alors X ∼ P(5). La probabilité associée à la vente
de 5 micro-ordinateurs se détermine par :
55
P(X = 5) = e−5 = e−5 ' 0.1755
5!
La probabilité de vendre au moins 2 micro-ordinateurs est égal à:
0 1

−5 5 −5 5
P(X ≥ 2) = 1 − e +e ' 0.9596
0! 1!
Le nombre moyen de micro-ordinateurs vendus chaque jour dans le magasin

est égal à 5 puisque E(X) = λ = 5
38 / 53
Exemple2:
Le nombre moyen de clients à un guichet par heure est égal à 15, calculons la
probabilité d’observer 20 arrivées dans une heure donnée, supposant que les
arrivées sont indépendantes les unes des autres.
Ici, la valeur de λ = 15 et on cherche la probabilité P(X = 20), donc:
e−15 1520
P(X = 20) = = 0.042
20!
39 / 53
Théorème
1) Si X ∼ P(λ) alors E(X) = V(X) = λ
2) Si X et Y sont deux variables indépendantes suivant des lois de Poisson
X ∼ P(λ) et Y ∼ P(µ)
alors leur somme suit aussi une loi de Poisson:
X + Y ∼ P(λ + µ)
40 / 53
Approximation de la loi Binomiale par la loi de Poisson
La loi de Poisson est toujours liée à l’étude des phénomènes rares. Alors dans
l’étude d’une loi Binomiale B(n, p) avec p très petit. On préfère souvent
travailler avec une loi de Poisson.
Proposition:
Soit X une variable aléatoire qui suit une loi Binomiale B(n, p), si n est grand
et p est petit alors la loi X peut être approchée par une loi de Poisson P(np).
En pratique, on peut approcher la loi B(n, p) par la loi P(np), dés que n ≥ 50
et np ≤ 5.
41 / 53
Exemple :
Soit X une variable aléatoire suivant la loi binomiale B(100; 0, 05). Nous
allons calculer P(X = 2). Calcul exact:
2
P(X = 2) = C100 (0.05)2 (0.95)98 ' 0.0812
Calcul approché : on approche la loi B(100; 0, 05) par la loi P(5)
52 −5
P(X = 2) = e ' 0.0843
2!
42 / 53
Outline
43 / 53
Couple de variables aléatoires
Exemple
On place au hasard deux billes rouge et verte dans deux boites A et B. On
note X, la variable aléatoire ”’nombre de billes dans la boite A”’ et Y, la
variable aléatoire ”’nombre de boites vides”’.
on a X(Ω) = {0, 1, 2} et Y(Ω) = {0, 1}.
La loi de (X, Y) est donnée par
xi /yi 0 1 loi marginale de X(pi. )

0 0 1/4 1/4
1 1/2 0 1/2
2 0 1/4 1/4
loi marginale de Y(p.j ) 1 / 2 1 / 2 1
44 / 53
Couple de variables aléatoires
Définition
Soient X et Y deux v.a d. définies sur le même espace fondamental Ω. La loi
de probabilité, appelée loi jointe d’un couple v. a. discrète (X, Y) est
déterminée par les probabilités pij des évènements {X = xi } et {Y = yj }, tq
pij = P (X = xi , Y = yj )
45 / 53
A partir de la la loi du couple (X, Y) on peut déduire la loi X (resp. de Y ),
appelée loi marginale de X (resp. de Y ).
En effet, à partir du tableau précédent la loi marginale de X est donnée par
xi 0 1 2
P (X = xi ) 1/4 1/2 1/4
E(X) = 1 et V(X) = 1/2

La loi marginale de Y est donnée par
yi 0 1
P (Y = yi ) 1/2 1/2
E(Y) = 1/2 et V(Y) = 1/4
46 / 53
Définition
On appelle lois marginales de X et de Y, notées respectivement pi. et p.j , les
lois de probabilité de X et de Y prises séparément. Elles sont données par
X X
pi. = P (X = xi ) = pij et p.j = P (Y = yj ) = pij
j i
et on a XX
pij = 1
i j
Proposition
Soit (X, Y) un couple de variables aléatoires discrètes. Alors
XX
E(XY) = xi yj pij
i j
47 / 53
Définition
Soit (X, Y) un couple de variables aléatoires discrètes. On appelle loi
conditionnelle de X sachant Y = yj la donnée des probabilités:
P (X = xi ∩ Y = yj ) pij
P (X = xi | Y = yj ) = =
P (Y = yj ) p.j
L’espérance conditionnelle de X sachant que Y = yj est

X
E (X | Y = yj ) = xi P (X = xi | Y = yj )
i
Elle correspond à l’espérance de la loi conditionnelle de X sachant que Y = yj
48 / 53
Définition (Rappel)
Soit (Ω, F, P) un espace probabilisé et A, B ⊂ F.A et B sont deux événement
indépendants ssi
P(A ∩ B) = P(A) × P(B)
Définition
Soient X et Y deux v.a.d tq X(Ω) = {x1 , . . . , xn } et Y(Ω) = {y1 , . . . , yn } . On
dit que X et Y sont indépendants ssi
∀xi et ∀yj P (X = xi , Y = yj ) = P (X = xi ) × P (Y = yj )
En pratique, on écrits
pij = pi.p p.j
Exemple
Dans l’exemple précédent on a
1
P(X = 0, Y = 0) = 0 6= P(X = 0) × P(Y = 0) = .
8
Donc X et Y ne sont pas indépendants
49 / 53
Covariance et Corrélation
Définition
Soient X et Y sont deux v.a. on appelle la covariance de ces deux variables, le
réel :
cov(X, Y) = E(XY) − E(X)E(Y)
et coefficient de corrélation, le réel :
R(X, Y) = cov(X, Y)/σX σY
on a toujours
−1 ≤ R(X, Y) ≤ 1
Proposition
Si X et Y deux v.a. indépendantes, alors Cov(X, Y) = 0. La réciproque n’est
pas vraie. Si X et Y deux v.a quelconque, alors
var(X + Y) = var(X) + var(Y) + 2 cov(X, Y)

50 / 53
Proposition
Si X et Y deux v.a. indépendantes, alors E(XY) = E(X) × E(Y). La
réciproque n’est pas vraie
Exemple (suite de l’exemple précèdent)

La loi de Z = XY. On a Z(Ω) = {0, 1, 2}
zi 0 1 2
P (Z = zi ) 3/4 0 1/4
Dans cette exemple, la relation E(XY) = E(X) × E(Y) est vérifiée car
E(X) = 1; E(Y) = 1/2 et E(XY) = 1/2 cependant les variables aléatoires X
et Y ne sont pas indépendantes.
51 / 53
Proposition
Si X et Y deux v.a. indépendantes, alors V(X + Y) = V(X) + V(Y). La
réciproque n’est pas vraie
Exemple (suite de l’exemple précèdent)

La loi de Z = X + Y. on a Z(Ω) = {0, 1, 2, 3}
zi 0 1 2 3
P (Z = zi ) 0 3/4 0 1/4
On a E(Z) = E(X + Y) = 3/2 et V(Z) = V(X + Y) = 3/4.

On retrouve ainsi la relation V(X + Y) = V(X) + V(Y), car
V(X) = 1; V(Y) = 1/4 et V(X + Y) = 3/4, cependant les variables aléatoires
X et Y ne sont pas indépendantes.
52 / 53
Exercice
Soient deux variables aléatoires indépendantes X et Y, de même loi définie par
P(X = 1) = p(X = 2) = P(X = 3) = P(Y = 1) = P(Y = 2) =

1
P(Y = 3) =
3
On considère deux nouvelles variables aléatoires Z = X + Y et T = X − Y
1) Déterminer la loi de Z et celle de T.
2) Montrer que les variables Z et T ne sont pas indépendantes.
3) Calculer E(Z), E(T) et E(ZT). Conclure.
53 / 53
Chapitre III: Variables aléatoires continues
1 / 56
Outline
1 Variable aléatoire Continues (v.a.c)
2 Lois usuelles
2 / 56
Variable aléatoire Continues
Définition
Une variable aléatoire continue est une variable qui prend ses valeurs dans un
intervalle de R.
Exemple
Exemple de variables aléatoires qui ne sont pas discrètes :
-taille des individus d’une population, X(Ω) = [0, M]
- temps d’attente à la poste, X(Ω) = R+
- taux de cholestérol, X(Ω) = R+
- poids à la naissance, X(Ω) = [0, m]
-. . .
3 / 56
Définition
Une variable aléatoire X est dite à densité lorsqu’il existe une fonction
positive fX : R → R+ telle que
Z b
P(a ≤ X ≤ b) = fX (x)dx pour tous a, b ∈ R, a ≤ b.
a
Cette fonction fX est appelée densité de X.
Remarque
Remarquons que si f est la densité d’une variable aléatoire X, alors
nécessairement f est positive, f est intégrable sur R et vérifie
Z +∞
f (t)dt = 1.
−∞
Il faut toujours penser à le vérifier
4 / 56
5 / 56
6 / 56
Calculer la loi d’une variable à densité, c’est calculer sa densité !
7 / 56
Exemple 1
On considère la fonction réelle f définie par
( 1
x si 0 ≤ x ≤ 2
f (x) = 2
0 sinon
f est une densité de probabilité. En effet, on a

i) f (x) ≥ 0
Z 2 2
x
ii) f (x)dx = =1
R 4 0
8 / 56
Exemple 2
On modélise à l’aide d’une variable aléatoire X la durée en heure du temps
d’attente aux consultations d’un hôpital fictif avec X ∈ [0; 1, 5] suivant la loi
de probabilité de densité la fonction f définie pour tout réel t de l’intervalle
[0; 1, 5] par
64t3 64t2 16t
f (t) = − + .
27 9 3
- La probabilité que le temps d’attente soit inférieur à 18 minutes est
Z 0,3
P(X < 0, 3) = f (t)dt = 0, 1808
0
- La
probabilité que le temps d’attente soit compris entre 15 et 45 minutes est
Z 0,75
1 3 5
P 6X6 = f (t)dt =
4 4 0,25 9
- La probabilité que le temps d’attente soit supérieur à une demi-heure est
Z 0,5
16
P(X > 0, 5) = 1 − P(X < 0, 5) = 1 − f (t)dt =
0 27
9 / 56
10 / 56
Exercices
Exercices
Parmi les
 fonctions suivantes, lesquelles sont des densités de probabilité ?
 x + 1 si − 1 ≤ x ≤ 0
f (x) = 1 − x si 0 ≤ x ≤ 11
0 sinon.

2
x si 0 ≤ x ≤ 1
f (x) =
0 sinon.

2 cos(x) si 0 ≤ x ≤ 2π
f (x) =
0 sinon.
( 3
1 − x2

si − 1 ≤ x ≤ 1
f (x) = 4
0 sinon.
11 / 56
Propriétés
Soit X une variable aléatoire suivant une loi de probabilité de densité f sur un
intervalle I. Pour tous réels a et b appartenant à I :
Z a
P(X = a) = f (t)dt = 0
a
P(a 6 X 6 b) = P(a < X 6 b) = P(a 6 X < b) = P(a < X < b)
P(X > a) = P(X > a) = 1 − P(X 6 a)
12 / 56
Définition
La fonction de répartition d’une variable aléatoire continue X, ayant une
densité de probabilité f (x), est définie par
Z x
FX (x) = P(X ≤ x) = f (t)dt
−∞
Exemple
Soit X une v.a dont la densité de probabilité est la fonction définie dans
l’exemple 1. La fonction de répartition de X est

 0 si x < 0
 Z x
 2
x
FX (x) = f (t)dt = si 0 ≤ x ≤ 2

 0 4
1 si x > 2

13 / 56
Propriétés de la Fonction de répartition
1) FX (t) ∈ [0, 1] pour tout t ∈ R
2) FX est une fonction croissante
3) lim FX (x) = 0 et lim FX (x) = 1
x→−∞ x→+∞
4) pour tout a < b, P[a ≤ X ≤ b] = FX (b) − FX (a).
14 / 56
Exemple
Soit X une v.a de densité de probabilité la fonction définie par
(
0 si x < 0
f (x) = 1 −x/2
e si x ≥ 0
2
La fonction de répartition de X est donnée par
Z t
FX (t) = P(X ≤ t) = f (x)dx
−∞
On obtient:
Z t
Si t ≤ 0 FX (t) = 0dx = 0
Z−∞
t Z 0 Z t
1 −x/2
Si t ≥ 0 FX (t) = f (x)dx = 0dx + e dx = 1 − e−t/2
−∞ −∞ 0 2
D’ou
0 si x<0
FX (x) =
1 − e−x/2 si x≥0
15 / 56
Remarque
D’après la propriété 4), On peut calculer P(1 ≤ X < 2) de deux manières:
Z 2 i2
1 −x/2 h
P(1 ≤ X < 2) = e dx = e−x/2 = e−1/2 − e−1
1 2 1
Ou bien

P(1 ≤ X < 2) = FX (2) − FX (1) = 1 − e−1 − 1 − e−1/2 = e−1/2 − e−1
16 / 56
Espérance
Définition
Soit X une variable aléatoire continue de densité fX , son espérance est
Z
E[X] = xf (x)dx
R
lorsque cette intégrale est bien définie.
Exemple
Soit X une v.a.c de densité de probabilité la fonction, f , définie par
( 1
x si 0 ≤ x ≤ 2
f (x) = 2
0 sinon
Alors 3 2
+∞ 2
x2
Z Z
x
E(X) = xf (x)dx = dx = = 8/6
−∞ 0 2 6 0
17 / 56
Exemple 2
Calculons l’espérance mathématique de la variable aléatoire X mesurant la
durée en heure du temps d’attente aux consultations dont la fonction de
64t3 64t2 16t
densité f est définie sur [0; 1, 5] par f (t) = − + .
27 9 3
Z 1,5
E(X) = t × f (t)dt
0
Z 1,5 4
64t3 16t2

64t
= − + dt
0 27 9 3
5 1,5
64t 16t4 16t3
= − +
135 9 9 0
= 3, 6 − 9 + 6
= 0, 6
Le temps d’attente moyen aux consultations est de 0, 6 h soit 36 minutes.
18 / 56
Propriétés de l’espérance
Proposition 1
Soient X et Y deux variables aléatoires et λ ∈ R un nombre réel, on a alors
- E(λ) = λ
- E(λX) = λE(X)
- E(X + λ) = E(X) + λ
- E (λ1 X + λ2 Y) = λ1 E(X) + λ2 E(Y)
Proposition 2
Soient X une variable aléatoire continue de densité f , et g : R → R une
fonction quelconque. L’espérance de g(X) se calcule ainsi :
Z
E(g(X)) = g(x)f (x)dx
R
19 / 56
Variance
Définition
Soit X une variable aléatoire continue de densité fX , sa variance est
V[X] = E (X − E[X])2

Z Z 2
2 2 2
= E X − E[X] = t fX (t)dt − tfX (t)dt
R R
Définition
L’écart-type d’une variable aléatoire X est la racine carrée de sa variance:
p
σ(X) = V(X)
20 / 56
Exemple
Soit X une v.a. continue caractérisée par sa densité


 0 t ≤ −1
1 + t −1 < t ≤ 0

fX (t) =

 1−t 0<t ≤1
0 t>1

Calcul de l’espérance:
Z 0 Z 1
E(X) = t(1 + t)dt + t(1 − t)dt = 0
−1 0
Calcul de la variance:
Z 0 Z 1
2 2 1
t2 (1 − t)dt =

V(X) = E X = t (1 + t)dt +
−1 0 6
21 / 56
Proposition
Soit X une v.a.c, admettant une variance V(X), alors
i) V(aX) = a2 V(X) ∀a ∈ R
ii) ∀(a, b) ∈ R2 V(aX + b) = a2 V(X)
iii) ∀a ∈ R V(a) = 0
22 / 56
Exercices
Exercice 1
Soit X une v.a de densité de probabilité la fonction définie par
(
0 si x < 0
f (x) = 1 −x/2
e si x ≥ 0
2
Calculer E(X) et V(X).
23 / 56
Exercice 2
Soit X une variable aléatoire admettant une densité sous la forme :

kx(1 − x) si 0 ≤ x ≤ 1
f (x) =
0 si sinon
1) Calculer la valeur de k.
2) Déterminer la fonction de répartition de X.
3) Calculer P(0.5 ≤ X ≤ 1.5).
4) Calculer l’espérance et la variance de X.
24 / 56
Outline
1 Variable aléatoire Continues (v.a.c)
2 Lois usuelles
25 / 56
Loi Uniforme
Définition
On dit que la loi de probabilité d’une variable aléatoire réelle est uniforme sur
un segment [a; b], avec 0 ≤ a < b, si sa densité de probabilité f est définie par

 1
pour x ∈ [a; b]
f (x) = b−a
 0 pour x < a ou x > b
On note alors X U([a; b]). f admet la représentation graphique suivante.
26 / 56
Figure 1
On a bien une densité de probabilité puisque

- f (x) ≥ 0 ∀x ∈ R
Z +∞ Z a Z b Z +∞
- f (t)dt = f (t)dt + f (t)dt + f (t)dt = 0 + 1 + 0 = 1.
−∞ −∞ a b
27 / 56
Proposition
Si X ∼ U[a, b] alors
a+b (b − a)2
E(X) = et V(X) =
2 12
Si X ∼ U[a,
Z x b] alors la fonction de répartition de X est donnée
F(x) = f (t)dt d’ou
−∞
 Z x


 0dt = 0 si x<a

 −∞
 Z 0
 Z x
1 x−a
F(x) = 0dt + dt = si x ∈ [a, b]
b − a b −a

 Z−∞
a Z0 b Z x
1




 0dt + dt + 0dt = 1 si x>b
−∞ a b − a b
28 / 56
Exemple On considère que la durée d’attente d’un bus qui passe toutes les 15
minutes est une variable aléatoire X qui suit une loi uniforme sur [0, 15]. La
densité de X est donnée par:
( 1
f (x) = si x ∈ [0, 15]
15
f (x) = 0 sinon
et la fonction de répartition F de X est:


 F(x) = 0x
 si x < 0
F(x) = si x ∈ [0, 15]
 15
F(x) = 1 si x > 15

8 2 2
On a : P(2 ≤ X ≤ 8) = F(8) − F(2) = − = .
15 15 5
9 3
P(−1 ≤ X ≤ 9) = F(9) − F(−1) = −0= .
15 5
P(−2 ≤ X ≤ 18) = F(18) − F(−2) = 1 − 0 = 1
29 / 56
2 13
P(2 ≤ X ≤ 19) = F(19) − F(2) = 1 − = .
15 15
0 + 15
E(X) = = 7.5
2
(15 − 0)2
V(X) = = 18.75
12
30 / 56
Loi exponentielle
Définition
On dit qu’une v.a X, suit une loi exponentielle de paramètre λ > 0 si sa
densité de probabilité est donnée par
−λx
λe si x ≥ 0
f (x) =
0 sinon
On note X ∼ Exp(λ).
Remarque
La loi exponentielle est souvent utilisée pour représenter la durée de vie d’un
objet.
31 / 56
Si X ∼ Exp(λ) alors sa fonction de répartition est donnée par

0 si x < 0
F(x) =
1 − e−λx si x ≥ 0
32 / 56
Proposition
1 1
Si X ∼ Exp(λ) alors, E(X) = et V(X) = 2
λ λ
En effet Z +∞ +∞
Z +∞
−λx
dx = −xe−λx 0 + e−λx dx

E(X) = xλe
0 0
+∞
1 −λx 1
=0+ − e =
λ 0 λ
car lim −xe−λx = 0
x→+∞
Z +∞ +∞
Z +∞
−λx
2 2
dx = −x2 e−λx 0 + 2xe−λx dx

E X = x λe
0 0
Z +∞
2 2
=0+ λxe−λx dx =
λ 0 λ2
Z +∞
1
car λxe−λx dx = E(X) = et lim −x2 e−λx = 0 d’où
0 λ x→+∞
1
V(X) = E X 2 − E(X)2 = 2

λ
33 / 56
Loi normale centrée réduite (ou loi gaussienne)
Définition
On dit que X suit une loi normale centrée réduite et on note X ∼ N (0, 1) si sa
loi admet pour densité la fonction
1 x2
fX (x) = √ e− 2
2π
Remarque
La fonction de répartition correspondante n’a pas de formule simple.
Z x
1 t2
FX (x) = √ e− 2 dt
−∞ 2π
Proposition
Soit X une variable aléatoire suivant une loi normale centrée réduite, alors
E[X] = 0 et Var(X) = 1
34 / 56
Figure 2
35 / 56
Propriétés
Soit T la variable aléatoire centrée et réduite.
Si t est positif : F(−t) = 1 − F(t).
Pour tout t ≥ 0, P(−t ≤ T ≤ t) = 2F(t) − 1.
36 / 56
Utilisation de la table de la loi normale centrée réduite
Exemple :
Calcul de P(T ≤ 1, 36) :
On a t = 1, 36 = 1, 3 + 0, 06, donc P(T ≤ 1, 36) est le nombre situé à
l’intersection de la colonne 0,06 et de la ligne 1, 3. (Voire le tableau dans
la dernière page)
Donc F(1, 36) = P(T ≤ 1, 36) = 0, 9131.
Calcul de P(T ≥ 1, 25) :
P(T ≥ 1, 25) = 1 − F(1, 25) = 1 − 0, 8944 = 0, 1056.
Calcul de P(T ≤ −1, 17) :
P(T ≤ −1, 17) = 1 − F(1, 17) = 1 − 0, 8790 = 0, 121
Calcul de P(1, 15 ≤ T ≤ 1, 37) :
P(1, 15 ≤ T ≤ 1, 37) = F(1, 37) − F(1, 15) = 0, 9147 − 0, 8749 =
0, 0398.
37 / 56
Loi Normale, ou la loi de Gauss
Définition
La distribution normale, ou de Laplace-Gauss, appelée aussi gaussienne, est
une distribution continue qui dépend de deux paramètres µ et σ. On dit qu’une
v.a X suit cette distribution et on note X ∼ N µ, σ 2 si sa densité de

probabilité est définie par:

1 1 x−µ 2
f (x) = √ e− 2 ( σ )
σ 2π
Le paramètre µ peut être quelconque mais σ est toujours positif.
Proposition
Si X ∼ N µ, σ 2 alors E(X) = µ et V(X) = σ 2

38 / 56
Figure 3
39 / 56
Proposition
Si X1 ∼ N µ1 , σ12 et X2 ∼ N µ2 , σ22 et si X1 et X2 sont deux v.a

indépendantes,alors Y = X1 + X2 ∼ N µ1 + µ2 , σ12 + σ22

Proposition
X−µ
Si X suit une loi normale N µ, σ 2 , alors Z =

, une variable centrée
σ
réduite, suit une la loi normale centrée-réduite N(0, 1).
Remarque
Si on cherche par exemple à calculer P(a < X < b) avec X ∼ N µ, σ 2 , on

utilise la transformation donnée dans la proposition précédente et après on

utilise la table de N(0, 1) :
40 / 56
Exemple
Soit X une variable aléatoire suivant la loi normale de paramètres µ = 12 et
σ = 3.
X−µ X − 12
On pose T = = .
σ 3
16 − 12 4
→ Calcul de P(X < 16) : X < 16 ⇐⇒ T < ⇐⇒ T <
3 3
Donc, P(X < 16) = P(T < 1, 33) = F(1, 33)
On lit sur la table F(1, 33) = 0, 9082 donc : P(X < 16) = 0, 9082.
→ Calcul de P(9 < X < 15) :
P(9 < X < 15) = P(−1 < T < 1)

= 2Π(1) − 1.
Or, F(1) = 0, 8413 donc: P(9 < X < 15) = 2 × 0, 8413 − 1 = 0, 6828
41 / 56
Exemple 2
1) Soit X une variable aléatoire tq X ∼ N(53, 100). Calculer:
a) P(X ≤ 73).
b) P(|X| ≤ 38)
2) On suppose que X ∼ N(30, 25). Déterminer les valeurs, de x, de cette
variable pour lesquelles:
a) P(X ≤ x) = 0.8413.
b) P(20 ≤ X ≤ x) = 0.9544.
c) P(X ≥ x) = 0.9332
42 / 56
Théorème de la limite Centrale
La loi normale est certainement la loi de probabilité la plus utilisée. Elle

intervient souvent comme loi limite vers laquelle convergent certaines lois.
Elle est aussi à l’origine du développement d’autres lois par exemple lois du
chi-deux, lois de Student, lois de Fisher-Snedecor,etc.
Th. de la limite Centrale
Soit X1 , . . . , Xn une suite de v.a de même loi (on dit aussi i.i.d., pour
indépendentes et identiquement distribuées), de moyenne (espérance) µ et de
variance σ 2 . Alors la v.a définie par
Pn
i=1 Xi − nµ
√ ∼ N(0, 1) ou bien
σ n
Pn
√ X̄n − µ Xi
n ∼ N(0, 1) avec X̄n = i=1
σ n
43 / 56
approximations de loi discrètes par la loi normale
Soit X une variable aléatoire suivant une loi donnée. On donne ci-après la loi
limite suivie par X lorsque n → ∞. En pratique, on admet souvent que n est
très grand lorsqu’il est supérieur à 50 .
1-Approximation de la loi binomiale
Si X ∼ B(n, p) et si n → ∞ alors la loi de X tends vers la loi N(np, npq) avec
q = 1 − p. En pratique, il suffit que np ≥ 10 et n(1 − p) ≥ 10
Remarque:
Ce résultat est obtenu en remarquant qu’une v.a X suivant une loi binomiale
B(n, p) est une somme de n v.a de Bernouilli B(p) i.i.d
(X = X1 + . . . + Xn Xi ∼ B(p)). On en déduit par application du TLC que
X − np
√ ∼ N(0, 1)
npq
44 / 56
Exemple:
On joue 10000 fois à pile ou face. Calculer la probabilité pour que le nombre
de piles soit dans l’intervalle [4900, 5100].
Soit X le nombre de piles. X suit une loi B(10000, 1/2) que l’on peut
approcher par une loi N(5000, 2500). On obtient, en désignant par Z une
variable N(0, 1)
P(4900 ≤ X ≤ 5100) = P(−2 ≤ Z ≤ 2) ≈ 95.45%
45 / 56
2-Approximation d’une loi de Poisson
Si X est une variable aléatoire de loi de Poisson P(λ) et si λ a une valeur
suffisamment élevée, alors la loi de X tends vers la loi N(λ, λ). En pratique, il
suffit que λ ≥ 20
Exemple: Soit X de loi P(100). Calculer P(90 ≤ X ≤ 100).
46 / 56
Définition
Soit X1 , X2 , . . . , Xn , n variables normales centrées réduites et indépendantes.
La loi de la v.a S définie par S = X12 + X22 + . . . + Xn2 est appelée loi de Khi
deux a n degrés de liberté (d.d.l.). On note χ2n .
- Si X ∼ χ2n alors E(X) = n et V(X) = 2n
- La distribution du χ2 est dissymétrique et tend à devenir symétrique lorsque
n augmente en se rapprochant de la distribution normale à laquelle elle peut
être assimilée lorsque n > 30.
47 / 56
Définition
Soit U une variable aléatoire suivant une loi normale réduite N(0, 1) etV une
variable aléatoire suivant une loi de Khi deux à n degrés de liberté χ2n tq U
U
et V sont indépendantes. La variable aléatoire définie par p suit une loi
V/n
de Student à n degrés de liberté, notée tn .
Définition
Soit U et V deux variables aléatoires indépendantes suivant une loi de Khi
U/n
deux respectivement à n et m degrés de liberté. On dit que F = suit une
V/m
loi de Fisher-Snedecor à n et m degrés de liberté. On note F(n, m).
48 / 56
Fonction d’une variable aléatoire
Soit X une v.a de densité f , et de fonction de répartition F. On cherchera à
déterminer la fonction de répartition G de la variable Y = ϕ(X). Cette
détermination sera plus ou moins compliqué suivant la nature de la fonction ϕ.
Exemple
Supposons que la densité de X est donnée par
(
λ2 xe−λx si x > 0
f (x) =
0 sinon
1
où λ > 0. On cherche à déterminer la loi de Y = .
X
1
On a G(t) = P(Y < t) = P <t
X
1
Si t ≤ 0, G(t) = 0 car l’événement ” < t ” est un événement impossible
X
puisque X, et donc 1/X, ne peut pas prendre ici que des valeurs négatives.
49 / 56
Si t ≥ 0, On a
1 1
G(t) = P <t =P <X
X t

1
=1−P X ≤
t

1
=1−F
t
D’où 
1
1−F si t>0

G(t) = t
0 si t≤0

Par dérivation de G, on obtient la densité de Y
λ2

1 1
− 2 f = 3 e−λt si t>0

g(t) = t t t
0 si t≤0

50 / 56
Remarque
Si on connait la fonction de répartition, F, de X
1 − (1 + λx)e−λx si

x>0
F(x) =
0 si x≤0
Alors, on peut calculer celle de Y


λ −λ/t
1− 1+ e si t>0

G(t) = t
0 si t≤0

Exemple 2:
Soit X une v.a de loi N(0, 1) et de fonction de répartition F. On cherche la loi
de Y = X 2 .
On a G(t) = P(Y < t) = P X 2 < t .

Si t ≤ 0, G(t) = 0 car l’événement ” X 2 < t ” est un événement impossible

puisque X 2 ne peut pas prendre une valeur négative.
51 / 56
Si t ≥ 0, On a √
G(t) = P X 2 < t = P(|X| < t)

√ √
= P(− t ≤ X ≤ t)
√ √
= F( t) − F(− t)
Par dérivation, on obtient
1 √ √

1
g(t) = √ f ( t) − − √ f (− t)
2 t 2 t
1 1 1 −t/2
= √ e−t/2 + √ e−t/2 = √ e
2 2πt 2 2πt 2πt
1 2
Car f (x) = √ e−x /2 . Finalement, la densité de Y est
2π

 0 si t ≤ 0
g(t) = 1 −t/2
 √ e si t > 0
2πt
52 / 56
Remarque
Dans cet exemple, puisque F n’ayant pas d’expression analytique, on ne peut
pas avoir une expression explicite de la fonction de répartition de Y, G.
Puisque Y est le carré d’une variable centrée réduite, alors Y suit la loi de
khi-deux à un degrée de liberté.
Proposition
Soit X une variable aléatoire continue définie sur un espace probabilisé
(Ω, F, P), de densité fX et de fonction de répartition FX . Soit Y = ϕ(X) où ϕ
est une fonction strictement monotone ϕ−1 existe) alors la loi de Y se
détermine comme suit:
1) Si ϕ est croissante:
∗FY (t) = P(Y ≤ t) = P(ϕ(X) ≤ t) = P X ≤ ϕ−1 (t) =

FX ϕ−1 (t)

0
∗fY (t) = FY0 (t) = fX ϕ−1 (t) ϕ−1 (t)

53 / 56
2) Si ϕ est décroissante:
∗FY (t) = P(Y ≤ t) = P(ϕ(X) ≤ t) = P X ≥ ϕ−1 (t) =

1 − P X ≤ ϕ−1 (t) = 1 − FX ϕ−1 (t)

0
∗fY (t) = FY0 (t) = −fX ϕ−1 (t) ϕ−1 (t)

avec fY est la densité de probabilité de Y et FY sa fonction de répartition.
Exercice:
Soit X une v.a.c de densité fX et de fonction de répartition FX . Soit
Y = aX + b. Déterminer la loi de Y et calculer E(Y) et V(Y) en fonction
de E(X) et V(X).
54 / 56
Proposition:
Si X est une variable aléatoire de densité fX , la densité fY de la variable
aléatoire Y = aX + b(a 6= 0), est donnée par:

1 t−b
fY (t) = fX
|a| a
Proposition:
Soit X une variable aléatoire de loi N µ, σ 2 . La variable aléatoire

Y = aX + b (a et b deux réels, a 6= 0 ) est de loi N aµ + b, a2 σ 2

55 / 56
56 / 56
Loi Normale centrée réduite
Probabilité de trouver une valeur inférieure à x.
f(x)
−∞ 0 x +∞ −
u2
F (x ) = ∫
x 1 2
e du
−∞
2π
X 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
Table pour les grandes valeurs de x :

x 3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8
F(x) 0,99865003 0,99931280 0,99966302 0,99984085 0,99992763 0,99996831 0,99998665 0,99999458 0,99999789 0,99999921
http://odlv.free.fr -1-
Statistique descriptive
1 / 42
Outline
1 Vocabulaire statistique
2 Effectifs et fréquences
3 Représentations graphiques
4 Les mesures de tendance centrale et de dispersion

Les caractéristiques de tendance centrale
Les caractéristiques de dispersion
2 / 42
Definition
Définition
La population: un ensemble d’éléments possédant au moins une
caractéristique commune et exclusive permettant de l’identifier et la
distinguer sans ambiguı̈té de toutes les autres.
Exemple: étudiants de Ibn Zohr, production de voitures Renault en 2000
Les individus: les éléments qui composent une population.
Exemple: étudiants; voitures Renault,
Échantillon: Un sous-ensemble d’une population.
Exemple: étudiants de moins de 20 ans; Renault Mégane
Caractère ou variable statistique: permet de décrire et de classer la
population
Exemple: classification des étudiants selon l’âge ou le sexe;
couleur ou puissance des Megane,
3 / 42
Types des caractères
Nous distinguons deux catégories de caractères : les caractères qualitatifs et

les caractères quantitatifs.
Caractère qualitatif:
Les caractères qualitatifs sont ceux dont les caractères sont représentés par
autre chose que des chiffres.
Exemple: Sexe, couleur des yeux, section du bac.
Définition: (Modalités)
Chaque variable qualitative a plusieurs modalités, ce sont l’ensemble des
valeurs que la variable peut prendre.
Exemple: pour la variable sexe, les modalités sont masculin / féminin.
4 / 42
Types des caractères
Caractère quantitatif:
Les caractères qualitatifs sont ceux dont les caractères sont représentés par
des chiffres. De même, il est partagé en deux sortes de caractères, discret et
continu
Une variable statistique quantitative est dite discrète si l’ensemble de ses
modalités est un ensemble fini ou dénombrable. En général il résulte
d’un comptage et les modalités sont des valeurs numériques isolées
Exemple: Âge, nombre de lit dans un hôpital.
Une variable statistique quantitative est dite continue si l’ensemble de
ses modalités n’est pas dénombrable. Ainsi, une variable continue peut
prendre toutes les valeurs d’un intervalle.
Exemple: Poids, taux du sucre, taille, taux du sel
5 / 42
Outline

6 / 42
Définition
L’effectif total est le nombre d’individus appartenant à la population
statistique étudiée. L’effectif total sera noté N.
Exemple
Considérons un groupe comprenant trente étudiants et observons l’âge des
étudiants dans cette population.
L’effectif total de la population statistique étudiée est trente (N = 30).
Définition et notation
L’effectif d’une modalité xi d’un caractère x est le nombre d’individus
présentant cette modalité.
L’effectif correspondant à la ième modalité du caractère x est noté ni .
7 / 42
Exemple: cas de variable quantitative discrète
Considérons de nouveau le groupe de trente étudiants et construisons un
tableau pour regrouper les différentes informations que l’on a sur leur âge.
La première information que l’on va noter dans ce tableau est l’effectif de
chaque âge observé.
Âge de 30 étudiants d’un groupe de TD

Âge Effectif ni
18 2
19 4
20 10
21 11
22 3
Total 30
8 / 42
Exemple: Cas d’une variable continue
Salaire mensuel des employés de l’entreprise
Salaire mensuel Effectif
[3000; 4000] 2
]4000; 6000] 5
]6000; 9000] 2
]9000; 12000] 1
Total 10
9 / 42
Propriété et notation
De façon générale, pour une variable qui a k modalités, l’effectif total N est
égal à la somme des effectifs de chaque modalité du caractère, ce que l’on
peut écrire : n1 + n2 + ... + nk = N pour une variable qui a k modalités.
Définition
Les modalités d’un caractère variant de 1 à k, l’effectif cumulé d’une modalité
i est le nombre d’individus de la population présentant une modalité d’indice
inférieur ou égal à i.
10 / 42
Exemple:
Effectif Effectif
Âge
ni cumulé
18 2 2
19 4 6
20 10 16
21 11 27
22 3 30
Total 30
Définition
La fréquence d’une modalité est la proportion d’individus de la population
totale qui présentent cette modalité : elle est obtenue en divisant l’effectif de
ni
cette modalité du caractère par l’effectif total et notée fi , soit : fi =
N
11 / 42
Exemple:
Âge Effectif ni Fréquence fi

18 2 2/30 = 0, 067
19 4 4/30 = 0, 133
20 10 10/30 = 0, 333
21 11 11/30 = 0, 367
22 3 3/30 = 0, 100
Total 30 30/30 = 1
12 / 42
Outline

13 / 42
Divers graphiques permettent d’illustrer les données et de comparer deux
séries statistiques. En voici certains:
les diagrammes en bâtons ou en barres, formés de barres dont l’abscisse
est la valeur xi d’un caractère et la hauteur est proportionnelle à ni ou à fi .
les diagrammes à secteurs (ou camemberts ) qui sont des disques
partagés en secteurs dont l’angle au centre est proportionnel à l’effectif
de chaque valeur.
des histogrammes, lorsque les valeurs sont regroupées en classes.
Lorsque les classes sont de même amplitude, on construit des rectangles
ayant pour base chacune des classes et une hauteur proportionnelle à
l’effectif :
14 / 42
1) Cas des variables quantitatives discrètes
un seul graphique s’associe avec les variables quantitatives discrètes : le
diagramme à bâtons.
Exemple:
Un inspecteur en contrôle de qualité a extrait de sa base de données, un
échantillon de 40 semaines où il a noté X, le nombre d’accidents de travail
enregistrés par semaine. Il a obtenu les résultats suivants :
2 0 4 2 2 1 3 2 0 5 4 3 2 4 5 6 6 4 2
0 3 4 4 2 6 2 4 3 0 4 3 4 3 3 5 5 4 2
2 1
15 / 42
On peut donc dresser le tableau des fréquences suivant
Tableau des fréquences du nombre d’accidents par semaine

Le nombre d’accidents Effectif Fréquences Fréquences relatives
par semaine. relatives cumulées
0 4 0, 100 0, 100
1 2 0, 050 0, 150
2 10 0, 250 0, 400
3 7 0, 175 0, 575
4 10 0, 250 0, 825
5 4 0, 100 0, 925
6 3 0, 075 1, 000
Total n = 40 1, 000
16 / 42
17 / 42
2) Cas de variables quantitatives continues
Considérons une variable continue X dont les valeurs se situent dans un
intervalle I. On divise cet intervalle en k classes disjointes
]ai , ai+1 ] , i = 1, . . . , p. On prendra toujours des classes de même amplitude
(ai+1 − ai = . constante ) .
Pour tout i, on note ni le nombre de valeurs de X dans la classe ]ai , ai+1 ] qu’on
appelle effectif de cette classe.
Le choix du nombre de classes est laissé au soin de l’utilisateur. Plus le
nombre d’observations est grand plus le nombre de classes est élévé. Pour
dresser le tableau de distribution des effectifs et des fréquences on pourra
suivre les étapes suivantes :
Etape 1 : Déterminer p le nombre de classes à considérer dans l’étude. Pour
N l’effectif de la population ou de l’échantillon, on peut le calculer selon
l’une des deux régles suivantes :
i) Règle de Sturge : P = 1 + 3.3 √ × log10 (N)
4
ii) Règle de Yule : P = 2.5 × N Avec p = l’entier le plus proche de P.
Etape 2: Calculer l’étendue e = xmax − xmin où xmin est la valeur minimale de
la variable X et xmax est la valeur maximale de la variable X.
18 / 42
Etape 3 : Diviser l’étendue e par p le nombre de classes, pour avoir une idée
sur la valeur de l’amplitude des classes que l’on notera a. on a
e
a=
p
Etape 4: On construit alors les classes
[xmin , xmin + a] , ] xmin + a, xmin + 2a] , · · · , ] xmin + (p − 1)a, xmin + pa]
Etape 5: S’assurer que chaque observation appartient à une et une seule
classe.
Exemple : Etude de la consommation aux 100 km de 20 voitures d’un
nouveau modèle :
6.11, 6.05, 5.98, 5.77, 5.18, 5.66, 5.28, 5.11, 5.58, 5.49
5.62, 5.33, 5.55, 5.45, 5.76, 5.23, 5.57, 5.52, 5.8, 6.0.
Pour la méthode de Sturge P√ = 1 + 3.3 × log10 (20) = 5.293. Pour la
4
méthode de Yule P = 2.5 × 20 = 5.287.
D’où le nombre de classe est p = 5. Nous avons xmin = 5.11 et xmax = 6.11.
e 1
D’ou e = 6.11 − 5.11 = 1 et a = = = 0.2
p 5
19 / 42
Consommation effectifs fréquences fréquences cumulées
en litre ni fi F(x)
[5.11, 5.31] 4 0.2 0.2
]5.31, 5.51] 3 0.15 0.35
]5.51, 5.71] 6 0.3 0.65
]5.71, 5.91] 3 0.15 0.8
]5.91, 6.11] 4 0.2 1
Total 20 1
20 / 42
Représentation de l’histogramme des fréquences de la distribution
21 / 42
3) Cas de variables qualitatives
Les variables qualitatives peuvent être représentées à l’aide d’un diagramme à
secteurs
Cercle divisé en secteurs représentant l’ensemble de la population
Les différentes modalités du caractère sont représentées par des secteurs
dont la surface est proportionnelle aux effectifs ou fréquences
⇒ L’angle de chaque secteur αi est proportionnel à la fréquence
fi : αi = 360 × fi
Exemple: Répartition des salariés de l’entreprise X
xi ni fi Angle αi (en d◦ )
Cadres 10 0,125 45
Contremaı̂tres 5 0,0625 22,5
Employés 20 0,25 90
Ouvriers 40 0,50 180
Autres 5 0,0625 22,5
22 / 42
23 / 42
Outline

24 / 42
Le mode
1) Cas de variable qualitative ou quantitative discrète
Définition
Le mode est une valeur de la variable pour laquelle l’effectif ou la fréquence
est maximal(e). Le mode est noté md .
Exemple:
Considérons la distribution des notes d’un groupe d’étudiants.
xi 8/20 9/20 10/20 11/20 12/20 13/02 14/20
ni 2 7 12 17 11 6 3
l’effectif maximal est 17. La variable est quantitative discrète. On a
md = 11/20.
Considérons la distribution des couleurs des voitures dans un parking
xi Rouge Blanche Verte Jaune Noire Grise
ni 2 7 5 7 5 7
l’effectif maximal est 7. La variable est qualitative. Ici on a trois modes :
Blanche, Jaune et Grise.
25 / 42
2) Cas de variable quantitative continue
Dans le cas d’une variable quantitative continue, les données sont regroupées
en classes. Si les classes sont toutes de même amplitude, une classe modale
est celle dont la fréquence ou l’effectif est le plus élevé.
Exemple: Soit la distribution suivante
[xi , xi+1 [ [500, 700[ [700, 900[ [900, 1100[ [1100,1300]

fi 0.21 0.34 0.25 0.2
la fréquence maximale est 0.34, donc la classe modale est [700, 900[
26 / 42
La médiane
Définition
La médiane est la valeur me de la variable qui partage les éléments de la série
statistique, préalablement classés par ordre croissant, en deux groupes
d’effectifs égaux : 50% des individus présentent une valeur inférieure ou égale
à la médiane et 50 % présentent une valeur supérieure ou égale à la médiane.
1) Variable quantitative discrète:

Soient x1 , x2 , · · · , xN les valeurs prises par la variable. On les ordonne de la
plus petite à la plus grande et on note x(1) la plus petite valeur x(2) la deuxième
valeur, · · · , x(i) la ime valeur, · · · x(N) la plus grande valeur. Alors on a

 x( N+1 si N est impair
2 )
me = x N + x( N +1)
 (2) 2
si N est pair
2
27 / 42
Exemple:
Considérons la distribution suivante
xi 10 20 30 40 50 60
ni 3 8 4 9 3 3
effectifs cumulés 3 11 15 24 27 30
N
On a N = 30 donc N est pair d’où = 15 et
2
x( N ) + x( N +1) x(15) + x(16) 30 + 40
2 2
me = = = = 35.
2 2 2
x(16) = 40 car le premier effectif cumulé supérieur ou égal à 16 est 24 et
x(24) = 40
Considérons la distribution suivante
xi 10 20 30 40 50 60
ni 4 9 5 8 3 4
effectifs cumulés 4 13 18 26 29 33
N+1
On a N = 33 donc N est impair d’où = 17 et me = x(17) = 30 car
2
le premier effectif cumulé supérieur ou égal à 17 est 18 et x(18) = 30.
28 / 42
La médiane est la solution de l’équation F(x) = 0, 5. Pour la déterminer, on

commence par déterminer la classe médiane | xi , xi+1 ] qui vérifie
F (xi ) < 0, 5 et F (xi+1 ) ≥ 0, 5
La médiane est donnée par:
0, 5 − F (xi )
m e = xi + × (xi+1 − xi )
F (xi+1 ) − F (xi )
29 / 42
Exemple: considérons la distribution des salaires mensuels (en milliers de
dirhams) du personnel d’une entreprise :
Effectif fréquence fréquence cumulée

Classe
ni fi F (xi+1 )
]2, 3] 15 0, 19 0, 19
]3, 4] 20 0, 25 0, 44
]4, 6] 20 0, 25 0, 69
]6, 10] 24 0, 31 1
Total 79 1
On a F(4) = 0, 44 < 0.5 et F(6) = 0.64 > 0.5, la classe médiane est donc
]4, 6]
donc : xi = 4, xi+1 = 6, Fi = 0.44, Fi+1 = 0.69 donc

0, 5 − 0, 44
me = 4 + (6 − 4) =4
0, 69 − 0, 44
30 / 42
Les quantiles
Définition
Le quantile (ou fractile) d’ordre p(0 ≤ p ≤ 1), noté Zp , d’une série statistique
est la valeur telle que p est la proportion des individus ayant une modalité
inférieure ou égale à Zp . On écrit F (Zp ) = p.
Remarque
La médiane est le quantile d’ordre p = 1/2.
31 / 42
Définitions
(1) Quartile : avec, p = 1/4; p = 2/4; p = 3/4 on trouve les 3 quartiles
respectifs, notés
Q1 = Z0.25 ; Q2 = Z0.5 = Me ; Q3 = Z0.75
(2) Décile : avec, p = 1/10; p = 2/10; . . . , p = 9/10 on trouve les 9 déciles

respectifs, notés
D1 = Z0.1 ; D2 = Z0.2 ; . . . ; D9 = Z0.9
(3) Centile (ou percentile) : avec, p = 1/100; p = 2/100; . . . ; p = 99/100 on

trouve les 99 centiles respectifs, notés
C1 = Z0.01 ; C2 = Z0.02 ; . . . ; C99 = Z0.99
32 / 42
Détermination pratique du quantile
1) Variable quantitative discrète:
Soit x(1) , x(2) , . . . , x(n) une série ordonnée (ordre croissant)
- Si np est un nombre entier, alors
1
Zp = x(np) + x(np+1)
2
- Si np n’est pas un nombre entier, alors
Zp = X([np])
où [np] représente le plus petit nombre entier supérieur ou égal à np.
Exemple : Soit la série statistique 12, 13, 15, 16, 18, 19, 22, 24, 25, 27
Q1 = x([2.5]) = x(3) = 15

Q2 = 1/2 x(5) + x(6) = (18 + 19)/2 = 18.5
Q3 = x([7.5]) = x(8) = 24

D1 = 1/2 x(1) + x(2) = 12.5
33 / 42
d’après le tableau statistique ou la courbe cumulative, on détermine d’abord la
classe [xi , xi+1 [ telle que : F (xi ) ≤ p < F (xi+1 ) . Puis, par interpolation
linéaire dans [xi , xi+1 [ , on calcule Zp tel que
p − Fi
Z p = xi + × (xi+1 − xi )
Fi+1 − Fi
34 / 42
exemple:
i [xi , xi+1 [ ni fi (%) Fi (%)

1 [200, 300[ 8 9.88 9.88
2 [300, 400[ 26 32.10 41.98
3 [400, 500[ 12 14.81 56.79
4 [500, 600[ 10 12.35 69.14
5 [600, 700[ 15 18.52 87.65
6 [700, 800[ 5 6.17 93.83
7 [800, 900[ 3 3.70 97.53
8 [900, 1000[ 2 2.47 100
Total 81 100
D1 = 300 + 100 ∗ (10 − 9.88)/(41.98 − 9.88) = 300373.8
Q1 = 300 + 100 ∗ (25 − 9.88)/(41.98 − 9.88) = 347102.8
Q3 = 600 + 100 ∗ (75 − 69.14)/(87.65 − 69.14) = 631658.6
35 / 42
Moyenne arithmétique
1)Cas de variable quantitative discrète

Définition
La moyenne arithmétique notée x̄, est égale à la somme des valeurs distinctes
de la variable multipliées par leurs effectifs respectifs divisée par la somme
des effectifs. P P
i ni xi ni xi
x̄ = P = i
i ni N
ni X
et comme fi = on a aussi x̄ = fi xi
N
i
36 / 42
Définition
La moyenne arithmétique notée toujours x̄, est égale à la somme des centres
des classes de la variable multipliées par leurs effectifs respectifs divisée par
la somme des effectifs.
P P
i ni ci ni ci
x̄ = P = i
n
i i N
où ci est le centre de de la classe associée à l’effectif ni .

ni X
et comme fi = on a aussi x̄ = fi ci
N
i
37 / 42
L’étendue
Définition
L’étendue (W) d’une série statistique est la différence entre la plus grande et
la plus petite des valeurs observées.
W = xmax − xmin
38 / 42
Variance et Écart-type
1) Cas de variable quantitative discrète
La variance de la variable quantitative X, notée par Var(X), est, par définition,
la moyenne arithmétique des carrés des écarts à la moyenne arithmétique:
1X
Var(X) = ni (xi − x̄)2 (1)
N
i
cette formule peut également se réecrire sous la forme :

X
Var(X) = fi (xi − x̄)2
i
Une autre formule importante (parfois désignée par formule de Huygens)

permettant le calcul de la variance, est :
! !
1 X 2 2
X
Var(X) = ni xi − (x) = fi xi − (x)2
2
(2)
N
i i
39 / 42
Exemple: Considérons la distribution suivante
xi 10 20 30 40 50 60
on a N = 31 et x̄ = 32.58
ni 4 8 4 9 3 3
4(10 − 32.58)2 + 8(20 − 32.58)2 + 4(30 − 32.58)2

V(X) =
31
9(40 − 32.58)2 + 3(50 − 32.58)2 + 3(60 − 32.58)2 6993.5484
+ = =
31 31
225.598 √
σ(X) = 225.598 = 15.02
40 / 42
2) Cas de variable quantitative continue: La variance Var(x) est la
moyenne arithmétique des carrés des écarts des centres des classes à la
moyenne arithmétique
1X X
Var(x) = ni (ci − x̄)2 = fi (ci − x̄)2
N
i ! i
1 X 2
= ni ci − x̄2
N
i
où ci est le centre de la classe associée à ni .

L’écart-type:
s sX
1X 2
σ(x) = ni (ci − x̄) = fi (ci − x̄)2
N
i i
41 / 42
Exemple:
Reprenons la distribution des salaires mensuels.
Effectif fréquence fréquence cumulée

Classe
ni fi F (xi+1 )
]2, 3] 15 0, 19 0, 19
]3, 4] 20 0, 25 0, 44
]4, 6] 20 0, 25 0, 69
]6, 10] 24 0, 31 1
Total 79 1
on a x̄ = 5.05
15(2.5 − 5.05)2 + 20(3.5 − 5.05)2 + 20(5 − 5.05)2 + 24(8 − 5.05)2

Var(x) =
79
354.497
= = 4.487
√ 79
σ(x) = 4.487 = 2.118
42 / 42

Probabilité Et Statistique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilité Et Statistique

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre I: Introduction aux Calculs des Probabilités

4 Indépendance et probabilité conditionnelle

L’analyse combinatoire est une branche des mathématiques qui étudie

Il arrive que, parmi les n objets dont on cherche le nombre de permutations,

2) Combien de nombres de permutations possibles avec les lettres du mot

2) Combien de nombres de permutations possibles avec les lettres du mot

p étant éventuellement supérieur à n.

4 Indépendance et probabilité conditionnelle

Notation Vocabulaire Ensembliste Vocabulaire Probabiliste

Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B).

4 Indépendance et probabilité conditionnelle

le couple (Ω, F) est appelé espace mesurable ou espace probabilisable.

On considère une expérience aléatoire telle que:

On considère une expérience aléatoire telle que:

P1 ) La probabilité de l’événement complémentaire d’un événement

P2 ) L’événement impossible est de probabilité nulle:

P3 ) Si un événement implique un autre, sa probabilité est plus petite:

P4 ) La probabilité de l’union de deux événements:

P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

4 Indépendance et probabilité conditionnelle

P(A ∩ B) = P(A) × P(B).

P( P au 1ère lancé ET P au 2ème lancé)

Réponse: On a A = {6} et B = {2, 4, 6}

En particulier, en prenant J = [1, n] :

Proposition (Mutuelle indépendance pour une famille finie)

On trouve également souvent la notation P(B|A).

P|B : P(Ω) → [0, 1]

est une probabilité sur F

Proposition (Formule des probabilités totales)

P(A) = P(A|B)P(B) + P(A|Bc )P(Bc ).

1 Variable aléatoire discrète (v.a.d)

2 Lois discrètes usuelles

3 Couple de variables aléatoires

Dans une expérience aléatoire, au lieu de s’intéresser aux résultats

Au lieu de s’intéresser à chacun de ces résultats, on s’intéresse, par exemple, à

Exemple: On lance 3 pièces

Si X(Ω) = {x1 , . . . , xn } est fini et de loi de probabilité pi = P (X = xi ) , pour

-iv) Inégalité de Cauchy Schawrz: (E(XY))2 ≤ E X 2 E Y 2

car les événements sont incompatibles. et P(Z = 0) = P(X = 0)

1 Variable aléatoire discrète (v.a.d)

2 Lois discrètes usuelles

3 Couple de variables aléatoires

où p est la probabilité d’un succès, 0 ≤ p ≤ 1.

P(X = k) = Cnk · pk · (1 − p)n−k

P(X = 0) = C40 · (0.25)0 · (1 − 0.25)4 = 0, 316

E(X) = np et V(X) = np(1 − p)

1.1 Quelle est la loi de X ?

La loi de Poisson modélise des situations où l’on s’intéresse au nombre de

Le nombre moyen de micro-ordinateurs vendus chaque jour dans le magasin

alors leur somme suit aussi une loi de Poisson:

Calcul approché : on approche la loi B(100; 0, 05) par la loi P(5)

1 Variable aléatoire discrète (v.a.d)

2 Lois discrètes usuelles

3 Couple de variables aléatoires

xi /yi 0 1 loi marginale de X(pi. )

E(X) = 1 et V(X) = 1/2

E(Y) = 1/2 et V(Y) = 1/4

L’espérance conditionnelle de X sachant que Y = yj est

Elle correspond à l’espérance de la loi conditionnelle de X sachant que Y = yj

R(X, Y) = cov(X, Y)/σX σY

var(X + Y) = var(X) + var(Y) + 2 cov(X, Y)

Exemple (suite de l’exemple précèdent)

Exemple (suite de l’exemple précèdent)