Notions de calcul de probabilités

1 NOTION DE DÉNOMBREMENT

1 Notion de dénombrement
Pour dénombrer une situation il peut être commode de se poser les questions suivantes :
– Quel est le nombre n d’"objets" de référence ?
– Quel est le nombre p concerné par une situation ?
– les p objets sont-ils considérés en vrac (sans ordre, tirage simultané), ou bien a-t-on des situations
différentes si les mêmes p objets sont classés de façons différentes (avec ordre, tirages successifs) ?
L’énumération des résultats possibles d’une expérience aléatoire (dont on ne connait pas ses résultats
à l’avance) devient très vite fastidieuse et l’analyse combinatoire facilite, dans la majorité des cas, les
calculs. Les opérations obéissent aux règles suivantes :
– On effectue un produit quand on doit faire un choix, puis un autre ...
– On effectue une somme quand on a à considérer un cas ou bien un autre...

1.1 Situations sans répétition

1.1.1 Avec ordre : arrangement de n objets p à p
Etant donné un ensemble E à n éléments, il s’agit de choisir p éléments tous distincts (ce qui nécessite
p ≤ n) avec ordre. On appelle arrangement de ces n objets pris p à p tout groupe de p éléments
pris parmis les n éléments, selon un ordre bien déterminé. Deux arrangements sont donc distincts s’ils
diffèrent par la nature des éléments qui les composent ou par leur ordre ou emplacement dans le groupe.

Exemple :

Soit E = {a, b, c}, les trois lettres a, b, c prises 2 à 2 conduisent aux 6 arrangements suivants : ab, ac,
ba, bc, ca, cb.
Nous nous proposons de calculer le nombre total, soit Apn , des arrangements possibles de n objets p
à p. Supposons que nous disposons de p cases numérotées de 1 à p dans lesquelles nous plaçons les p
objets choisis, chaque case ne contenant qu’un objet à la fois :

1 2 3 4 5 .... p

Pour remplir la première case, nous avons à choisir un objet quelconque parmi n objets, choix qui peut
s’effectuer de n façons différentes.
Pour remplir la deuxième case, le choix portera sur les n − 1 objets restants. Pour remplir les deux
premières cases, le nombre total de choix possibles est n(n − 1), et ainsi de suite. Pour la p-ième case,
le choix portera sur les n − (p − 1) objets. On en conclut que le nombre total d’arrangements est :
Apn = n(n − 1)(n − 2)....(n − p + 1)
En convenant que 0! = 1, Apn s’écrit :
n!
Apn = n(n − 1)(n − 2)....(n − p + 1) = .
(n − p)!
On remarquera que Apn mesure également le nombre d’applications injectives d’un ensemble E dans
un ensemble F si card(E) = p et card(F ) = n.

2
 1.2 Situations avec répétition

Exemple :

Dans une étude éthnologique sur les parades nuptiales, on a constaté que l’approche de la femelle
comportait le plus souvent une séquence de trois comportements distincts sur une possibilité de 7
comportements. Pour vérifier si cette observation pouvait être le fruit du hasard on a d’abord cherché
quel était le nombre de séquences possibles de trois comportements parmi une gamme de 7. Il y a donc
A37 = 210 possibilités.
Cas particulier : permutations de n objets
Supposons le nombre de cases égal au nombre d’objets (p = n). Une distribution quelconque de n objets
dans les n cases constituera une permutation des objets. Deux permutations distinctes ne diffèrent donc
que par l’ordre des objets qui les composent. Ainsi, d’après le raisonnement précédent, le nombre Pn
des permutations est donné par l’expression suivante :

Pn = n × (n − 1) × (n − 2) × ... × 2 × 1 = n!

Si E et F sont deux ensembles finis de même cardinal n, Pn est aussi le nombre de bijections de E
dans F .

1.1.2 Sans ordre : combinaisons de n objets p à p

Dans un ensemble à n éléments, il s’agit de choisir une partie à p éléments (ce qui nécessite p ≤ n) On
appelle combinaison de n objets p à p tout groupe que l’on peut former en choisissant p objets parmi
les n objets, sans considération de l’ordre. Désignons par Cnp le nombre total de ces combinaisons.
Pour le déterminer, il suffit de remarquer que si on permutait entre eux les p objets d’une combinaison
quelconque, on serait amené à p! arrangements différents. Ainsi, Apn = Cnp p!, ce qui donne :

Apn n!
Cnp = = .
p! p!(n − p)!

Quelques propriétés :

– Cnp = Cnn−p ,
p+1
– Cn+1 = Cnp + Cnp+1 ,
– Binôme de Newton : (x + a)n = Cn0 xn + Cn1 xn−1 a + Cn2 xn−2 a2 + .... + Cnn−1 x1 an−1 + Cnn an .

Exemple :

Soit une population composée de 12 éléments. Combien d’échantillons différents de 5 éléments peut-on
extraire de cette population, si l’échantillonnage s’effectue sans remise et si l’on ne tient pas compte
de l’ordre de sortie ?
Il s’agit donc de déterminer le nombre de combinaisons C12 5 . Ce nombre vaut 792 échantillons.

1.2 Situations avec répétition

1.2.1 Avec ordre : arrangements avec répétition
Dans un ensemble à n éléments, il s’agit de choisir p éléments rangés (avec la possibilité de choisir
plusieurs fois le même). Il y a np situations possibles.

3
2 NOTION DE CALCUL DES PROBABILITÉS

Exemple-exercice :

a) Combien de mots de passe de 8 symboles peut-on créer avec 66 caractères ?

b) Si, dans un pays, les voitures ont des plaques avec deux lettres (leur alphabet a 26 caractères) et
ensuite trois chiffres, combien de plaques possibles y a-t-il ?
Réponse : a. 668 = 360040606269696. b. 262 × 103 = 676000.

1.2.2 Permutations avec répétitions

Soient n objets parmi lesquels k objets sont identiques, les (n − k) autres objets étant distincts les uns
des autres, et des k premiers objets. Appelons Pn,k le nombre de permutations de ces n objets. Toute
permutation portant sur les k objets identiques, ne modifierait pas la répartition dans les cases. Or le
nombre de permutations de k objets est k!. Il existe donc k! fois moins de permutations de n objets
dont k sont identiques que de permutations de n objets tous distincts d’où :
Pn
Pn,k = .
k!
D’une manière générale, si parmi les n objets, on peut distinguer :
– k1 objets d’un premier type et identiques entre eux,
– k2 objets d’un deuxième type et identiques entre eux, etc
– kr objets d’un r-ème type et identiques entre eux, avec n = k1 + k2 + ...kr ,
le nombre de permutations de ces n objets est de

n!
Pn,k1 ,k2 ,...,kr = .
k1 ! × k2 ! × ..... × kr !
Pn,k1 ,k2 ,...,kr est aussi le nombre de façons de constituer r sous-ensembles à partir d’un ensemble de n
éléments, le premier sous-ensemble contenant k1 éléments, le deuxième k2 éléments etc.

Exemple :

Supposons une expérience sur le retour au gîte (homing) de 10 individus appartenant à 3 espèces
différentes. Deux appartiennent à l’espèce A, 3 à l’espèce B et 5 à l’espèce C. Si l’on observe la
séquence de l’arrivée des espèces à leur gîte, combien existe-t-il de possibilités d’ordre d’arrivée ?
Dans cet exemple, on cherche le nombre de permutations avec n = 10, k1 = 2, k2 = 3 et k3 = 5, soit
10!
donc P10,3,2,5 = 2!3!5! = 2520.

2 Notion de calcul des probabilités

Initialement, la théorie des probabilités s’est developpée pour répondre à des questions soulevées par des
problèmes relatifs aux jeux de hasard. C’est Pierre de Laplace et Karl Friedrich Gauss qui introduièrent
les bases des probabilités à d’autres applications et phénomènes.

2.1 Quelques définitions

1. Expérience aléatoire (dite aussi épreuve) : c’est une expérience dont les résultats sont dûs au
hasard et même si elle est répétée dans les mêmes conditions ne donne pas les mêmes résultats.
Exemple : On suppose qu’une population animale est composée a part égale d’individus des

4
 2.1 Quelques définitions

deux sexes (F : Femelle, M : Mâle). On s’interesse à l’épreuve suivante : extraire trois individus
de cette population.
2. Univers Ω (ensemble fondamental) : C’est l’ensemble de tous les résultats possible d’une expé-
rience aléatoire.
Exemple : Les différents résultats possibles de l’épreuve décrite ci-dessus sont FFF, FFM, FMF,
MFF, MMF, MFM, FMM, MMM.
3. Evénements : est considéré comme événement tout sous-ensemble de Ω
• Quelques événements particuliers :
– ∅ est l’événement impossible et Ω est l’événement certain.
– Ā (Ac ) est l’événement complémentaire (ou contraire) de A. C’est l’événement qui se réalise
si A ne l’est pas.

Fig. 1 – Représentation d’un ensemble A et de son complémentaire Ā.

– Si A et B sont deux événements, A ∪ B est l’événement qui se réalise dès que A ou B s’est
réalisé.

Fig. 2 – Représentation de l’union de deux ensembles.

– L”événement A \ B est défini par l’ensemble des éléments de A qui n’appartiennent pas à B.
– L’événement A implique l’événement B si A ⊂ B.
– Les événements A et B sont disjoints, incompatibles ou mutuellement exclusifs si A ∩ B = ∅.

Fig. 3 – Représentation de deux ensembles disjoints.

5
2 NOTION DE CALCUL DES PROBABILITÉS

• Classes particulières d’événements :

Considérons une suite E1 , E2 , ...Em de sous-ensembles non vides de Ω et disjoints deux à deux,
c-à-d Ei ∩Ej = ∅, i 6= j. Les événements qu’ils définissent, constituent une classe d’événements
mutuellement exclusifs. On suppose maintenant que E1 ∪ E2 ∪ ... ∪ Em = Ω, on définit dans
ce cas une classe d’événements mutuellement exclusifs et exhaustifs et constitue une partition
de l’ensemble fondamental Ω. Une telle classe est encore appelée un système complet (ou ex-
haustif ) d’événements.
Par extension, nous pouvons partitionner un événement E quelconque en événements mutuel-
lement exclusifs E1 , E2 , ...Em de telle façon que :


 −Ei 6= ∅, i = 1, 2, ..., m,
−Ei ⊂ E, i = 1, 2, ..., m


 −E i ∩ Ej = ∅, i 6= j
−E = E1 ∪ E2 ... ∪ Em


Exemple :
Soit Ω = {1, 2, 3, 4, 5, ..., 10} l’ensemble des résultats d’un test scientifique. Ω est composé de
10 événements élémentaires {i}. Ces événements constituent une partition de Ω
Soit E1 , E2 , ...Em un système complet d’événements d’un ensemble fondamental Ω, et A un
événement quelconque de Ω. Les événements E1 ∩ A, E2 ∩ A, .... et Em ∩ A sont mutuellement
exclusifs et constituent une partition de A.
4. Notion de tribu : Soit Ω l’ensemble de tous les résultats possibles d’une expérience aléatoire,
et A un ensemble d’événements de Ω vérifiant :
– ∅ et Ω appartiennent à A,
– si E ∈ A, Ē ∈ A,
– si E1 , E2 , ...., En est une famille d’événements de A, ∪ni=1 Ai∈ A.
L’ensemble A définit une tribu d’évènements sur Ω et le couple (Ω, A) définit un espace proba-
bilisable.

2.2 Probabilité : définition fréquentiste

La probabilité d’un événement A était définie comme étant la fréquence relative de cet événement.
Plus précisemment, si on répète n fois une expérience aléatoire et si on note par f le nombre de fois
ou l’événement A s’est produit, la probabilité p de l’événement A est alors définie par

f
P (A) = lim .
n→∞ n
Cette probabilité, fondée sur l’expérience, est appelée probabilité empirique. Sa valeur est comprise
entre 0 et 1, c’est à dire entre l’événement impossible et l’événement certain. Néanmoins, cette notion
de probababilité élimine tout le champ des probabilités a priori ou l’on assigne un degré de probabilité
à un événement avant d’exécuter l’expérience.
Plus généralement, considérons une expérience pouvant donner lieu à un résultat quelconque parmi
N résultats également possibles. Supposons que n résultats soient favorables à la réalisation d’un
événement particulier E. La probabilité de l’événement E est le rapport de cas favorables à la réalisation
de cet événement au nombre de cas possibles :

nombre de cas favorables n

P (E) = = .
nombre de cas possibles N

6
 2.3 Probabilité conditionnelle

Exemple :
Pour les besoins d’un test sur un vaccin V, nous disposons de 10 volontaires, 3 d’entre eux appartiennent
à la même famille. Deux personnes sont tirées au hasard. Quelle est la probabilité P (F ) que ces deux
personnes soient de la même famille ?

C32 3 1
P (F ) = 2 = = .
C10 45 15

2.2.1 Probabilité : Définition axiomatique

Soit A ∈ A. Définir la probabilité P (A) d’obtenir un événement A consiste à associer à ce dernier un
nombre réel mesurant la vraisemblance de sa réalisation et satisfaisant aux axiomes suivants :
1. P (A) ≥ 0, pour chaque événement A ∈ A,
2. P (Ω) = 1,
P∞
3. P (∪∞
i=1 Ei ) = i=1 P (Ei ), pour toute suite dénombrable d’événements E1 , E2 , ... disjoints deux
à deux appartenant à A.

Le triplet (Ω, A, P ) définit un espace probabilisé.

2.2.2 Propriétés
– P (Ā) = 1 − P (A)
Preuve : Ω = A ∪ Ā, d’après l’axiome (3) P (A ∪ Ā) = P (A) + P (Ā) = P (Ω) = 1 d’après
l’axiome(2).
– P (∅) = 0
Preuve : Ω = Ω∪∅, d’après l’axiome (3) P (Ω∪∅) = P (Ω)+P (∅) = P (Ω) = 1 d’après l’axiome(2).
– A ∈ B −→ P (A) ≤ P (B)

– P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

– Axiome des probabilités composées :

Soient E1 et E2 , deux résultats possibles d’une même expérience aléatoire, on suppose que E1 et
E2 sont compatibles (E1 ∩ E2 6= ∅). Si l’obtention de E1 ne modifie pas la probabilité d’obtention
de E2 , on peut écrire :

P (E1 et E2 ) = P (E1 ∩ E2 ) = P (E1 ) × P (E2 )

Cet axiome se généralise à k événements indépendants et s’écrit :

P (E1 ∩ E2 ∩ ....Ek−1 ∩ Ek ) = P (E1 ) × P (E2 ) × .... × P (Ek-1 )× P (Ek )

2.3 Probabilité conditionnelle

La probabilité affectée à un événement dépend de l’information fournie par l’ensemble fondamental Ω.
Ceci est particulièrement évident lorsqu’on utilise la définition classique de la probabilité. Il se peut
cependant que des informations supplémentaires viennent modifier notre connaissance du problème
étudié et, par voie de conséquence, les probabilités associées aux événements de Ω.
Ainsi, si E1 et E2 sont deux événements, la probabilité conditionnelle de E2 étant donné E1 , P (E2 /E1 ),

7
2 NOTION DE CALCUL DES PROBABILITÉS

indique la probabilité que E2 se produise sachant que E1 s’est déjà produit (P (E1 ) 6= ∅)). Elle est définie
par
P (E1 ∩ E2)
P (E2 /E1 ) = .
P (E1 )
Remarque :
Si la réalisation ou la non réalisation de E1 n’affecte pas E2 , alors

P (E2 /E1 ) = P (E2 ).

En effet, comme E1 et E2 sont indépendants P (E1 ∩ E2 ) = P (E1 ) × P (E2 ), et donc

P (E1 ∩ E2 ) P (E1 ) × P (E2 )

P (E2 /E1 ) = = = P (E2 ).
P (E1 ) P (E1 )

Exemple :
Pour diagnostiquer une certaine maladie, un laboratoire utilse un nouveau test. Les résultats de ce test
effectué sur 100 personnes sont résumés sur le tableau suivant :
Quelle est la probabilité d’avoir un test positif chez les hommes, chez les femmes ?

Sexe / Test positif négatif

homme 12 30
femme 18 40

Théorème de Bayes
Dans certaines situations, on ne possède pas l’information nécessaire pour évaluer directement P (A)
ou même P (Bj /A). En revanche on connait P (A/Bi ) et P (Bi ). {B1 , B2 , ..., Bn } supposée être une
partition de Ω.
Par définition, nous avons :
P (A∩B ) P (A∩B )
P (Bj /A) = P (A) j et P (A/Bj ) = P (Bj )j .
Comme P (A ∩ Bj ) = P (A/Bj )P (Bj ), nous avons

P (A/Bj )P (Bj )
P (Bj /A) = .
P (A)

D’autre part, Ω = B1 ∪ B2 ∪ .... ∪ Bn et A = A ∩ Ω = A ∩ (B1 ∪ B2 ∪ .... ∪ Bn ) = ∪ni=1 A ∩ Bj .

Comme les événements A ∩ Bi , i = 1, ..., n, sont disjoints deux à deux,
n
X
P (A) = P (A/Bi )P (Bi ),
i=1

il en découle que
P (A/Bj )P (Bj )
P (Bj /A) = Pn .
i=1 P (A/Bi )P (Bi )
Exercice-exemple
Un laboratoire a mis au point un alcootest. On sait que 2% des personnes contrôlées par la police sont
réellement en état d’ébriété. Les premiers essais ont conduit aux résultats suivants :

8
 2.4 Notion de variable aléatoire et distribution de probabilité

- lorsqu’une personne est réellement en état d’ébriété, 95 fois sur 100 l’alcootest se révèle positif ;
- lorsqu’une personne n’est pas en état d’ébriété, 96 fois sur 100 l’alcootest se revèle négatif.
Quelle est la probabilité pour qu’une personne soit réellement en état d’ébriété lorsque l’alcootest est
positif ?
Appelons E l’événement "la personne contrôlée est en état d’ébriété" et A "l’alcootest est positif". Les
indications fournies peuvent s’écrire :

P (E) = 0.02; P (A/E) = 0.95; P (Ā/Ē) = 0.96

et on demande P (E/A). D’apès la formule de Bayes, on a :

P (A). P (A/E)
P (E/A) =
P (E).P (A/E) + P (Ē).P (A/Ē)
0.02 × 0.95
= = 0.3265
0.02 × 0.95 + 0.98 × 0.04

2.4 Notion de variable aléatoire et distribution de probabilité

Le concept d’une variable aléatoire formalise la notion de grandeur variant selon le résultat d’une
expérience aléatoire. C’est donc une variable associée à une expérience ou à un groupe d’expériences
aléatoires, et servant à caractériser le résultat de cette expérience ou de ce groupe d’expériences.
Elle est dite discontinue ou discète si elle varie elle-même de façon discontinue. Pour plusieurs répéti-
tions d’une même expérience (par exemple plusieurs jets d’une même pièce de monnaie), le nombre de
réalisations d’un événement aléatoire associé à ces expériences (par exemple le nombre de "face") est
une variable aléatoire discontinue.
Considérons d’autre part une variable aléatoire susceptible de prendre n’importe quelle valeur réelle
appartenant à un intervalle donné. Cet intervalle peut être (−∞, ∞). Une telle variable aléatoire est
dite continue. Le poids d’un individu prélevé au hasard dans une population donnée est une variable
aléatoire continue ne pouvant prendre que des valeurs positives.

Définition
Une variable aléatoire X sur (Ω, A) est une fonction

X : Ω −→ R

telle que pour chaque x ∈ R

{ω : X(ω) ≤ x} ∈ A.
Remarque
Cette variable peut être aussi bien qualitative que quantitative.

Quelques notations utiles

– {ω : X(ω) = a} se note X = a,
– {ω : X(ω) < a} se note X ≤ a,
– {ω : a ≤ X(ω) ≤ a}, se note a ≤ X ≤ b,
– on écrit P ({a}) = P (X = a).

9
2 NOTION DE CALCUL DES PROBABILITÉS

2.4.1 Fonction de répartition

Soit X une variable aléatoire. La fonction de répartition de X est une fonction positive définie, pour
toute valeur x de X par
F (x) = P (X ≤ x).

Elle satisfait les propriétés suivantes

– 0 ≤ F (x) ≤ 1,
– limx→−∞ F (x) = 0, limx→+∞ F (x) = 1,
– P (a < X ≤ b) = F (b) − F (a).

2.4.2 Distribution et densité de probabilité

Distribution de probabilité
Soit Xune variable aléatoire discrète dont les valeurs sont x1 , x2 , ..., xn . On pose pi = P (X = xi ),
on appelle
Pdistribution de probabilité, ou loi de probabilité de X, l’ensemble des couples (xi , pi ), les pi
vérifiant ni=1 pi = 1.

Dans ce cas, la fonction de répartition F est définie par :

X X
F (x) = P (X = xi ) = pi ,
xi ≤x xi ≤x

cette fonction est constante par intervalles (ou en escalier).

Exercice
Un agriculteur a entreposé dans un local humide 12 doses d’un herbicide total et 8 doses d’un fongicide.
Après plusieurs mois de séjour, les étiquettes sont indifférentiables. Chaque dose a la même probabilité
d’être tirée. En vue d’un traitement, l’agriculteur prend 6 doses au hasard. Soit X la variable aléatoire
égale au nombre de doses d’herbicides prises parmis 6 doses. Déterminer la distribution de probabilité
et la fonction de répartition de X.

Densité de probabilité
Pour une variable aléatoire continue, la probabilité d’apparition de X = x1 est nulle, autrement dit,
P (X = x1 ) = 0, car il est impossible de tomber exactement sur cette valeur. La fonction
P (X = x) n’a donc aucun sens pour les variables continues. Il faut donc considérer la probabilité que
X soit compris dans un intervalle, P (x1 ≤ X ≤ x2 ). Lorsque cet intervalle tend vers 0, la valeur de
∆F (x)
∆x tend vers une fonction que l’on appelle fonction densité de probabilité. Cette fonction est donc
la dérivée de la fonction de répartition. Elle s’écrit :

d(F (x))
f (x) = ,
dx
Pour résumer, une densité de probabilité est une fonction qui vérifie

– ∀x,
R ∞ f (x) ≥ 0,
– ∞ f (t)dt = 1.

10
 2.4 Notion de variable aléatoire et distribution de probabilité

Dans ce cas, nous avons Z x

F (x) = P (X ≤ x) = f (t)dt
∞
Exemple
1
si a ≤ x ≤ b

– f (x) = b−a ,
0, sinon.

Fig. 4 – Illustration de la densité.

 0, si x ≤ a,

x−a
– F (x) = , si a < x ≤ b
 b−a
1, si x > b.

Fig. 5 – Illustration de la fonction de répartition.

2.4.3 Les moments d’une variable aléatoire

La loi de probabilité d’une variable aléatoire peut être considérée comme l’analogue sur le plan théo-
rique de la distribution d’un caractère sur le plan expérimental. En conséquence, certaines grandeurs
associées à la distribution d’un caractère possèdent leurs analogues pour une loi de probabilité. Nous
considérons successivement le cas de variables discrètes et celui de variables continues.

• Variable aléatoire discrète

Soit X une variable aléatoire discrète pouvant prendre les valeurs xi avec les probabilités pi ; i =
1, ..., n, on appelle espérance mathématique de la variable aléatoire X le nombre :
n
X
m = E(X) = pi xi .
i=1

11
2 NOTION DE CALCUL DES PROBABILITÉS

La variable X − E(X) est appelée variable centrée. Son espérance mathématique est nulle,
c’est à dire
E(X − E(X)) = 0.
On appelle moment d’ordre k de la loi de probabilité de X (ou espérance mathématique de X k ),
le nombre :
Xn
E(X k ) = pi xki .
i=1
On peut aussi considérer le moment centré d’ordre k, c’est à dire :
n
X
E ((X − E(X))k ) = pi (xi − m)k .
i=1

La variance de la variable X est le moment centré d’ordre 2 de X, soit :

n
X n
X Xn
σ 2 = E((X − m)2 ) = pi (xi − m)2 = pi x2i − ( pi xi )2 .
i=1 i=1 i=1

Exemple
Soit X une variable aléatoire qui prend les valeurs 1, 2, ..., n avec pi = 1/n, i = 1, 2.., n. Calculer
E(X) et σ 2 (X).

n(n + 1)/2
E(X) = (1/n)(1 + 2 + ..... + n) =
n
2n2 + 6n − 1
E(X 2 ) =
6
n2 − 1
σ 2 (x) = E(X 2 ) − E(X)2 = .
12
• Variable aléatoire continue
Nous supposons que la loi de probabilité est définie au moyen d’une densité f (x).
Les définitions et les résultats qui précèdent se transposent
R∞ facilement, le symbole de sommation
étant remplacé par le symbole d’intégration −∞ .
P
Ainsi, nous avons : Z ∞
E(X) = xf (x)dx,
−∞
et le moment d’ordre k est : Z ∞
k
E(X ) = xk f (x)dx.
−∞
Exemple
Si
1
si a ≤ x ≤ b

f (x) = b−a ,
0, sinon.
b
∞
x 1 x2 b b+a
Z Z
E(X) = xf (x)dx = dx = ( )a =
−∞ a b − a b − a 2 2
Z b 2
b3 − a3
Z ∞
x
E(X 2 ) = x2 f (x)dx = dx =
−∞ a b−a 3(b − a)
(b − a)2
σ 2 (X) = E(X 2 ) − E(X)2 =
12

12
 2.4 Notion de variable aléatoire et distribution de probabilité

2.4.4 Quelques propriétés

Dans ce paragraphe, nous donnons, sans les démontrer, quelques résultats et propriétés utiles. les
preuves sont de simples exercices.
– E(X + a) = E(X) + a, a ∈ R.
– E(αX) = αE(X), α ∈ R.
– E(X + Y ) = E(X) + E(Y ).
– V (X + a) = V (X), a ∈ R.
– V (αX) = α2 V (X), α ∈ R.
– Si X est une variable aléatoire telle que E(X) = µ et V (X) = σ 2 , la variable Y = X−µ
σ est
centrée et réduite, i.e. E(Y ) = 0 et V (Y ) = 1.

13