Institut Polytechnique des Sciences Avancées

Année 2022-2023

Ma121 – Analyse 2

Probabilités Discrètes

S. RIOU

IPSA 2022-2023 S. RIOU

 I. Expériences aléatoires et univers

Définition : Soit 𝑛 ∈ ℕ∗

On appelle expérience aléatoire discrète toute épreuve conduisant à la réalisation d’une seule issue parmi un
nombre fini d’issues possibles 𝜔1 , 𝜔2 , … , 𝜔𝑛 .
Soit 𝑘 ∈ {1, … , 𝑛}, l’issue possible 𝜔𝑘 est appelé événement élémentaire (elle peut être notée aussi 𝜔).
L’ensemble des issues possibles {𝜔1 , 𝜔2 , … , 𝜔𝑛 } est appelé l’univers de l’expérience aléatoire discrète, on le note
Ω et il est appelé l’événement certain. L’univers Ω est un ensemble fini et Card (Ω) = 𝑛.
Un événement aléatoire 𝐴 est un sous-ensemble de l’univers Ω.
L’ensemble vide de Ω est l’ensemble noté ∅ et il est appelé l’événement impossible.

Exemple : le lancer d’un dé à 6 faces numéroté de 1 à 6.

On a Ω = {1,2,3,4,5,6}.
Soit 𝐴 l’événement aléatoire la face est paire. On a 𝐴 = {2,4,6}

Correspondance entre les probabilités et les ensembles :

Soit Ω l’univers d’une expérience aléatoire discrète.

Soit 𝜔 un événement élémentaire de Ω. On a 𝜔 ∈ Ω et {𝜔} ⊂ Ω.
Soient 𝐴 et 𝐵 deux événements aléatoires de Ω. On a : 𝐴 ⊂ Ω et 𝐴 ∈ 𝒫(Ω).
L’intersection entre les événements 𝐴 et 𝐵 est l’événement 𝐴 ∩ 𝐵 = {𝜔 ∈ Ω, ω ∈ 𝐴 et ω ∈ 𝐵}.
Les événements 𝐴 et 𝐵 sont dits disjoints ou incompatibles si et seulement si 𝐴 ∩ 𝐵 = ∅.
L’union entre les événements 𝐴 et 𝐵 est l’événement 𝐴 ∪ 𝐵 = {𝜔 ∈ Ω, ω ∈ 𝐴 ou ω ∈ 𝐵}.
Evénement complémentaire de 𝐴 est l’événement 𝐴̅ = Ω\A = {𝜔 ∈ Ω, ω ∉ 𝐴}.
Soient 𝐼 un ensemble fini et (𝐴𝑖 )𝑖∈𝐼 une suite d’événements de Ω. La suite (𝐴𝑖 )𝑖∈𝐼 est une partition de Ω si et
seulement si ∀𝑖, 𝑗 ∈ 𝐼, 𝑖 ≠ 𝑗, 𝐴𝑖 ∩ 𝐴𝑗 = ∅ (les événements de (𝐴𝑖 )𝑖∈𝐼 sont deux à deux incompatibles) et ⋃𝑖∈𝐼 𝐴𝑖 = Ω.

II. Espaces probabilistes finis

Définition : Soit Ω l’univers d’une expérience aléatoire discrète.

On appelle probabilité sur (Ω, 𝒫(Ω)) toute application 𝑃 définie sur 𝒫(Ω) à valeur dans [0,1] telle que :
𝑃(Ω) = ∑𝜔∈Ω 𝑃(𝜔) = 1.

De plus ∀𝐴 ∈ 𝒫(Ω), 𝑃(𝐴) = ∑𝜔∈A 𝑃(𝜔) est appelé la probabilité de l’événement aléatoire 𝐴.

Exemple : Soient Ω = {𝜔1 , 𝜔2 , 𝜔3 } l’univers d’une expérience aléatoire, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) telle que
1 1
𝑃(𝜔1 ) = 2 et 𝑃(𝜔2 ) = 3.
Comme 𝑃 est une probabilité sur (Ω, 𝒫(Ω)), on a 𝑃(Ω) = 1 ⇔ ∑𝜔∈Ω 𝑃(𝜔) = 1 ⇔ 𝑃(𝜔1 ) + 𝑃(𝜔2 ) + 𝑃(𝜔3 ) = 1.
1 1 1
Ainsi on obtient que 𝑃(𝜔3 ) = 1 − 𝑃(𝜔1 ) − 𝑃(𝜔2 ) = 1 − 2 − 3 = 6.

IPSA 2022-2023 S. RIOU

 Propriétés : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
Alors ∀𝐴, 𝐵 ∈ 𝒫(Ω) ∶

1. Si 𝐴 et B sont incompatibles, 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵).

2. 𝑃(𝐴) = 1 − 𝑃(𝐴).
3. 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵).
4. 𝑃(∅) = 0

Preuve : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
1. Soient 𝐴, 𝐵 ∈ 𝒫(Ω) deux événements incompatibles.
Comme 𝐴 ∩ 𝐵 = ∅, les ensembles 𝐴 et 𝐵 forment une partition de 𝐴 ∪ 𝐵.
𝑃(𝐴 ∪ 𝐵) = ∑𝜔∈A∪B 𝑃(𝜔) = ∑𝜔∈A 𝑃(𝜔) + ∑𝜔∈B 𝑃(𝜔) = 𝑃(𝐴) + 𝑃(𝐵).
2. Soit 𝐴 ∈ 𝒫(Ω). Les événements 𝐴 et 𝐴 forment une partition de Ω, 𝐴 ∩ 𝐴 = 0 et 𝐴 ∪ 𝐴 = Ω.
On a 𝑃(Ω) = 1 ⇔ 𝑃(𝐴 ∪ 𝐴) = 1, d’après 2. ⇔ 𝑃(𝐴) + 𝑃(𝐴) = 1 ⇔ 𝑃(𝐴) = 1 − 𝑃(𝐴).
3. Soient 𝐴, 𝐵 ∈ 𝒫(Ω).
𝐴 ∪ 𝐵 = (𝐴\𝐵) ∪ (𝐴 ∩ 𝐵) ∪ (𝐵\𝐴), (𝐴\𝐵) ∩ (𝐴 ∩ 𝐵) = ∅, (𝐴\𝐵) ∩ (𝐵\𝐴) = ∅ et (𝐴 ∩ 𝐵) ∩ (𝐵\𝐴) = ∅.
La famille (𝐴\𝐵, 𝐴 ∩ 𝐵, 𝐵\𝐴) forme une partition de 𝐴 ∪ 𝐵.
𝑃(𝐴 ∪ 𝐵) = ∑𝜔∈A∪B 𝑃(𝜔) = ∑𝜔∈A\B 𝑃(𝜔) + ∑𝜔∈A∩B 𝑃(𝜔) + ∑𝜔∈B\A 𝑃(𝜔)
𝑃(𝐴 ∪ 𝐵) = ∑𝜔∈A\B 𝑃(𝜔) + ∑𝜔∈A∩B 𝑃(𝜔) + ∑𝜔∈B\A 𝑃(𝜔) 𝑃(𝐴 ∪ 𝐵) + ∑𝜔∈A∩B 𝑃(𝜔) − ∑𝜔∈A∩B 𝑃(𝜔)
Les événements A\B et A ∩ B forment une partition de l’événement 𝐴 et Les événements B\A et A ∩ B
forment une partition de l’événement 𝐵. On obtient alors :
𝑃(𝐴 ∪ 𝐵) = ∑𝜔∈A 𝑃(𝜔) + ∑𝜔∈B 𝑃(𝜔) − ∑𝜔∈A∩B 𝑃(𝜔) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵).
4. En utilisant le 2. 𝑃(∅) = 1 − 𝑃(∅) = 1 − 𝑃(Ω) = 1 − 1 = 0 ▲

Exemple : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)), 𝐴, 𝐵 ∈ 𝒫(Ω) tels
1 1 1
que 𝑃(𝐴) = 3 , 𝑃(𝐵) = 4 et 𝑃(𝐴 ∩ 𝐵) = 6.
On en déduit que :
1 2
𝑃(𝐴) = 1 − 𝑃(𝐴) = 1 − 3 = 3.
1 3
𝑃(𝐵) = 1 − 𝑃(𝐵) = 1 − 4 = 4.
1 1 1 7
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = + − = .
3 2 4 12

Probabilité uniforme ou équiprobable

1
Soient Ω l’univers d’une expérience aléatoire telle que ∀𝜔 ∈ Ω, 𝑃(𝜔) = card(Ω).
1 𝜔∈Ω ∑ 1 card(Ω)
𝑃(Ω) = ∑𝜔∈Ω 𝑃(𝜔) = ∑𝜔∈Ω (card(Ω)) = card(Ω) = card(Ω) = 1.
La probabilité 𝑃 ainsi définie sur (Ω, 𝒫(Ω)) est appelée probabilité uniforme.
Autrement dit, les événements élémentaires ont tous la même probabilité, ils sont équiprobables.
card(𝐴)
De plus ∀𝐴 ∈ 𝒫(Ω), 𝑃(𝐴) = ∑𝜔∈A 𝑃(𝜔) = card(Ω).

Exemple : le lancer d’un dé équilibré à 6 faces numéroté de 1 à 6. Ω = {1,2,3,4,5,6}.

1
𝑃(1) = 𝑃(2) = 𝑃(3) = 𝑃(4) = 𝑃(5) = 𝑃(6) = 6.

IPSA 2022-2023 S. RIOU

III. Probabilités conditionnelles et indépendantes

Définition : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
Soient 𝐴, 𝐵 ∈ 𝒫(Ω), 𝑃(𝐵) > 0.

La probabilité conditionnelle de l’événement 𝐴 sachant l’événement 𝐵 est noté 𝑃(𝐴|𝐵) ou 𝑃𝐵 (𝐴) et elle est
𝑃(𝐴∩𝐵)
définie par : 𝑃𝐵 (𝐴) = 𝑃(𝐵)
.

Propriété : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).

∀𝐴, 𝐵 ∈ 𝒫(Ω), 𝑃(𝐴 ∩ 𝐵) = 𝑃𝐵 (𝐴)𝑃(𝐵).

Preuve : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
Soient 𝐴, 𝐵 ∈ 𝒫(Ω), 𝑃(𝐵) > 0.
𝑃(𝐴∩𝐵)
On a 𝑃𝐵 (𝐴) = ⇔ 𝑃(𝐴 ∩ 𝐵) = 𝑃𝐵 (𝐴)𝑃(𝐵) ▲
𝑃(𝐵)

Exemple : Soit (𝑟, 𝑣) ∈ ℕ∗ × ℕ∗ . Une urne contient 𝑟 boules rouges et 𝑣 boules vertes. On en tire deux, l'une après
l'autre sans remise. Déterminons la probabilité d’obtenir deux boules rouges :
On pose 𝑅1 l’événement la première boule est rouge et 𝑅2 l’événement la deuxième boule est rouge.
𝑟−1 𝑟
𝑃(𝑅1 ∩ 𝑅2 ) = 𝑃𝑅1 (𝑅2 )𝑃(𝑅1 ) = 𝑟+𝑣−1 × 𝑟+𝑣.

Proposition : Formule des probabilités totales.

Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).

∀𝐴, 𝐵 ∈ 𝒫(Ω), 𝑃(𝐴) ∈ ]0; 1[, on a : 𝑃(𝐵) = 𝑃𝐴 (𝐵)𝑃(𝐴) + 𝑃𝐴 (𝐵)𝑃(𝐴).

Preuve : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
Soient 𝐴, 𝐵 ∈ 𝒫(Ω), 𝑃(𝐴) ∈ ]0; 1[.
(𝐴 ∩ 𝐵) ∩ (𝐴 ∩ 𝐵) = ∅ et 𝐵 = (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐵), les événements 𝐴 ∩ 𝐵 et 𝐴 ∩ 𝐵 forment une partition de 𝐵.
𝑃(𝐵) = 𝑃 ((𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐵)) = 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐴 ∩ 𝐵). Comme 𝑃(𝐴) ∈ ]0; 1[ et 𝑃(𝐴) = 1 − 𝑃(𝐴) ∈ ]0; 1[
On a donc 𝑃(𝐵) = 𝑃𝐴 (𝐵)𝑃(𝐴) + 𝑃𝐴 (𝐵)𝑃(𝐴) ▲

IPSA 2022-2023 S. RIOU

Exemple : en reprenant l’exemple précédent, déterminons la probabilité que la deuxième boule soit rouge :
D’après les probabilités totales
𝑟−1 𝑟 𝑟 𝑣 𝑟(𝑟+𝑣−1) 𝑟
𝑃(𝑅2 ) = 𝑃𝑅1 (𝑅2 )𝑃(𝑅1 ) + 𝑃𝑅1 (𝑅2 )𝑃(𝑅1 ) = 𝑟+𝑣−1 × 𝑟+𝑣 + 𝑟+𝑣−1 × 𝑟+𝑣 = (𝑟+𝑣−1)(𝑟+𝑣) = 𝑟+𝑣.

Proposition : Formule des probabilités totales généralisés

Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
Soient 𝐼 un ensemble fini, (𝐴𝑖 )𝑖∈𝐼 une partition de Ω et ∀𝑖 ∈ 𝐼, 𝑃(𝐴𝑖 ) ∈ ]0; 1[.

∀𝐵 ∈ 𝒫(Ω), 𝑃(𝐵) = ∑𝑖∈𝐼 (𝑃𝐴𝑖 (𝐵)𝑃(𝐴𝑖 )).

Preuve : exercice à faire, en utilisant astucieusement la preuve précédente ▲

Proposition : Formule de Bayes

Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
∀𝐴, 𝐵 ∈ 𝒫(Ω), 𝑃(𝐴) ∈ ]0; 1[ et 𝑃(𝐵) > 0, on a :

𝑃𝐴 (𝐵)𝑃(𝐴)
𝑃𝐵 (𝐴) = .
𝑃𝐴 (𝐵)𝑃(𝐴) + 𝑃𝐴 (𝐵)𝑃(𝐴)

Preuve : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
Soient 𝐴, 𝐵 ∈ 𝒫(Ω), 𝑃(𝐴) ∈ ]0; 1[ et 𝑃(𝐵) > 0.
𝑃(𝐴∩𝐵)
On a 𝑃𝐵 (𝐴) = 𝑃(𝐵)
. Comme 𝑃(𝐴) ∈ ]0; 1[, on en déduit que 𝑃(𝐴 ∩ 𝐵) = 𝑃𝐴 (𝐵)𝑃(𝐴) et en utilisant la formule des
𝑃𝐴 (𝐵)𝑃(𝐴)
probabilités totales pour 𝑃(𝐵) , on obtient donc que 𝑃𝐵 (𝐴) = 𝑃 (𝐵)𝑃(𝐴)+𝑃 (𝐵)𝑃(𝐴)
▲
𝐴 𝐴

Exemple : L’efficacité du vaccin contre la grippe peut être diminuée en fonction des caractéristiques individuelles des
personnes vaccinées, ou en raison du vaccin, qui n’est pas toujours totalement adapté aux souches du virus qui
circulent. Il est donc possible de contracter la grippe tout en étant vacciné. Une étude menée dans la population d’une
ville à l’issue de la période hivernale a permis de constater que :

• 40% de la population est vaccinée.

• 8% des personnes vaccinées ont contracté la grippe.
• 28% des personnes non vaccinées ont contracté la grippe.

On choisit une personne au hasard dans la population de la ville et on considère les évènements :
𝑉 : « la personne est vaccinée contre la grippe » et 𝐺: « la personne a contracté la grippe ».
Déterminons la probabilité que la personne soit vaccinée contre la grippe sachant que la personne ait contracté la
grippe.
8 40
𝑃𝑉 (𝐺)𝑃(𝑉) × 8×40 4
100 100
𝑃𝐺 (𝑉) = = 8 40 28 60 = = .
𝑃𝑉 (𝐺)𝑃(𝑉)+𝑃𝑉 (𝐺)𝑃(𝑉) × + × 8×40+28×60 25
100 100 100 100
IPSA 2022-2023 S. RIOU
 Proposition : Formule de Bayes généralisés

Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
Soient 𝐼 un ensemble fini et (𝐴𝑖 )𝑖∈𝐼 une partition de Ω et ∀𝑖 ∈ 𝐼, 𝑃(𝐴𝑖 ) ∈ ]0; 1[.
∀𝐵 ∈ 𝒫(Ω), 𝑃(𝐵) > 0, on a :

𝑃𝐴𝑖 (𝐵)𝑃(𝐴𝑖 )
𝑃𝐵 (𝐴𝑖 ) = .
∑𝑖∈𝐼 (𝑃𝐴𝑖 (𝐵)𝑃(𝐴𝑖 ))

Preuve : exercice à faire, en utilisant astucieusement la preuve précédente ▲

Définition : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).

Soient 𝐴, 𝐵 ∈ 𝒫(Ω).

Les événement 𝐴 et 𝐵 sont dits indépendants si et seulement si 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵).

Remarque : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).
Soient 𝐴, 𝐵 ∈ 𝒫(Ω).

1. Si la réalisation de l’événement 𝐴 n’influence pas la réalisation de l’événement 𝐵 alors les événements 𝐴 et 𝐵

sont indépendants.
2. Si les événements 𝐴 et 𝐵 sont incompatibles où 𝑃(𝐴) ≠ 0 et 𝑃(𝐵) ≠ 0 alors les événements 𝐴 et 𝐵 ne sont
pas indépendants.

Exemple : en reprenant l’exemple précédent, déterminons si les événements 𝑉 et 𝐺 sont indépendants.

40 2
On a 𝑃(𝑉) = 100 = 5.
En utilisant la formule des probabilités totales, on en déduite que :
8 40 28 60 1 2
𝑃(𝐺) = 𝑃𝑉 (𝐺)𝑃(𝑉) + 𝑃𝑉 (𝐺)𝑃(𝑉) = ×
100
+
100
×
100
= . On obtient que 𝑃(𝑉)𝑃(𝐺) = .
100 5 5
8 40 4
𝑃(𝑉 ∩ 𝐺) = 𝑃𝑉 (𝐺)𝑃(𝑉) =
100
× 100 = 75 ≠ 𝑃(𝑉)𝑃(𝐺).
Donc les événements 𝑉 et 𝐺 ne sont pas indépendants.

IPSA 2022-2023 S. RIOU

IV. Variables aléatoires

Définition : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).

On appelle variable aléatoire discrète, tout application 𝑋 ∶ Ω → ℝ.

Soit 𝑥 ∈ 𝑋(Ω), l’ensemble 𝑋 = 𝑥 correspond à l’événement 𝑋 −1 ({𝑥}) = {𝜔 ∈ Ω, 𝑋(ω) = 𝑥}.

La famille ((𝑃(𝑋 = 𝑥))𝑥∈𝑋(Ω) ) s’appelle la loi de probabilités de 𝑋.

Exemple : l’expérience aléatoire consiste à lancer une pièce équilibrée trois fois.
On a Ω = {𝑃𝑃𝑃, 𝑃𝑃𝐹, 𝑃𝐹𝑃, 𝐹𝑃𝑃, 𝑃𝐹𝐹, 𝐹𝑃𝐹, 𝐹𝐹𝑃, 𝐹𝐹𝐹}
Soit 𝑋 la variable aléatoire correspondant au nombre de fois que la face pile apparaît.
On a 𝑋(Ω) = {0,1,2,3}
1
𝑃(𝑋 = 0) = 𝑃({𝐹𝐹𝐹}) = 8.
3
𝑃(𝑋 = 1) = 𝑃({𝑃𝐹𝐹, 𝐹𝑃𝐹, 𝐹𝐹𝑃}) = .
8
3
𝑃(𝑋 = 2) = 𝑃({𝑃𝑃𝐹, 𝑃𝐹𝑃, 𝐹𝑃𝑃}) = 8
.
1
𝑃(𝑋 = 3) = 𝑃({𝑃𝑃𝑃}) = 8, on a obtenu ainsi la loi de probabilités de 𝑋.

Définitions :

1. Espérance d’une variable aléatoire discrète

Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 une variable
aléatoire discrète.

On appelle espérance de la variable aléatoire 𝑋, le réel noté 𝐸(𝑋), définie par :

𝐸(𝑋) = ∑𝜔∈Ω(𝑋(𝜔)𝑃(𝜔)) = ∑𝑥∈𝑋(Ω)(𝑥𝑃(𝑋 = 𝑥)).

2. Variance et écart type d’une variable aléatoire discrète.

Soient Ω l’univers d’une expérience aléatoire, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 une variable aléatoire
discrète.

On appelle variance de la variable aléatoire 𝑋, le réel noté 𝑉(𝑋), définie par :

𝑉(𝑋) = 𝐸 ((𝑋 − 𝐸(𝑋))²) = ∑𝜔∈Ω ((𝑋(𝜔) − 𝐸(𝑥))²𝑃(𝜔)) = ∑𝑥∈𝑋(Ω)((𝑥 − 𝐸(𝑋))²𝑃(𝑋 = 𝑥)).

On appelle écart type de la variable aléatoire 𝑋, le réel positif noté 𝜎, définie par : 𝜎 = √𝑉(𝑋).

IPSA 2022-2023 S. RIOU

Exemple : en reprenant l’exemple précédent, déterminons l’espérance, la variance et l’écart type de la variable
3 3 1 3
aléatoire 𝑋 : 𝐸(𝑋) = ∑3𝑘=0(𝑘𝑃(𝑋 = 𝑘)) = 0 + 1 × 8 + 2 × 8 + 3 × 8 = 2
3 2 3 2 1 3 2 3 3 2 3 3 2 1 3
𝑉(𝑋) = ∑3𝑘=0 ((𝑘 − 2) 𝑃(𝑋 = 𝑘)) = (− 2) × 8 + (1 − 2) × 8 + (2 − 2) × 8 + (3 − 2) × 8 = ⋯ = 4
√3
Et 𝜎 = √𝑉(𝑋) = 2
.

Théorème : Formule de Koenig-Huygens

Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 une variable aléatoire
discrète.

𝑉(𝑋) = 𝐸(𝑋²) − 𝐸(𝑋)2 .

Preuve : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 une variable
aléatoire discrète.
𝑉(𝑋) = 𝐸 ((𝑋 − 𝐸(𝑋))²) = ∑𝑥∈𝑋(Ω)((𝑥 − 𝐸(𝑋))²𝑃(𝑋 = 𝑥)) = ∑𝑥∈𝑋(Ω)((𝑥 − 𝐸(𝑋))²𝑃(𝑋 = 𝑥))
𝑉(𝑋) = ∑𝑥∈𝑋(Ω)((𝑥 2 − 2𝑥𝐸(𝑋) + 𝐸(𝑋)²)𝑃(𝑋 = 𝑥))
𝑉(𝑋) = ∑𝑥∈𝑋(Ω)(𝑥 2 𝑃(𝑋 = 𝑥)) − 2𝐸(𝑋) ∑𝑥∈𝑋(Ω)(𝑥𝑃(𝑋 = 𝑥)) + 𝐸(𝑋)² ∑𝑥∈𝑋(Ω) 𝑃(𝑋 = 𝑥)
𝑉(𝑋) = 𝐸(𝑋²) − 2𝐸(𝑋)2 + 𝐸(𝑋)2 = 𝐸(𝑋²) − 𝐸(𝑋)² ▲

Propriétés : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) 𝑋 et 𝑌 deux
variables aléatoire discrètes.

1. ∀𝑎, 𝑏 ∈ ℝ, 𝐸(𝑎𝑋 + 𝑏) = 𝑎𝐸(𝑋) + 𝑏.

2. 𝐸(𝑋 + 𝑌) = 𝐸(𝑋) + 𝐸(𝑌).
3. ∀𝑎, 𝑏 ∈ ℝ, 𝑉(𝑎𝑋 + 𝑏) = 𝑎2 𝑉(𝑋).
4. Si les variables aléatoires discrètes 𝑋 et 𝑌 sont indépendantes alors
𝐸(𝑋𝑌) = 𝐸(𝑋)𝐸(𝑌) et 𝑉(𝑋 + 𝑌) = 𝑉(𝑋) + 𝑉(𝑌).

Preuve : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) 𝑋 et 𝑌 deux variables
aléatoire discrètes.
1. Soient 𝑎, 𝑏 ∈ ℝ, , 𝐸(𝑎𝑋 + 𝑏) = ∑𝜔∈Ω((𝑎𝑋 + 𝑏)(𝜔)𝑃(𝜔)) = ∑𝜔∈Ω((𝑎𝑋(𝜔) + 𝑏)𝑃(𝜔))
𝐸(𝑎𝑋 + 𝑏) = 𝑎 ∑𝜔∈Ω(𝑋(𝜔)𝑃(𝜔)) + 𝑏 ∑𝜔∈Ω 𝑃(𝜔) = 𝑎𝐸(𝑋) + 𝑏.
2. 𝐸(𝑋 + 𝑌) = ∑𝜔∈Ω((𝑋 + 𝑌)(𝜔)𝑃(𝜔)) = ∑𝜔∈Ω ((𝑋(𝜔) + 𝑌(𝜔))𝑃(𝜔))
𝐸(𝑋 + 𝑌) = ∑𝜔∈Ω(𝑋(𝜔)𝑃(𝜔)) + ∑𝜔∈Ω(𝑌(𝜔)𝑃(𝜔)) = 𝐸(𝑋) + 𝐸(𝑌).
3. Soient 𝑎, 𝑏 ∈ ℝ, , 𝑉(𝑎𝑋 + 𝑏) = 𝐸((𝑎𝑋 + 𝑏)²) − 𝐸(𝑎𝑋 + 𝑏)2 = 𝐸(𝑎2 𝑋 2 + 2𝑎𝑏𝑋 + 𝑏 2 ) − (𝑎𝐸(𝑋) + 𝐸(𝑏))²
𝑉(𝑎𝑋 + 𝑏) = 𝑎2 𝐸(𝑋²) + 2𝑎𝑏𝐸(𝑋) + 𝐸(𝑏²) − 𝑎2 𝐸(𝑋)2 − 2𝑎𝐸(𝑏)𝐸(𝑋) − 𝐸(𝑏)²
𝑉(𝑎𝑋 + 𝑏) = 𝑎2 𝐸(𝑋²) + 2𝑎𝑏𝐸(𝑋) + 𝑏 2 − 𝑎2 𝐸(𝑋)2 − 2𝑎𝑏𝐸(𝑋) − 𝑏 2 = 𝑎2 𝐸(𝑋²) − 𝑎2 𝐸(𝑋)2
𝑉(𝑎𝑋 + 𝑏) = 𝑎2 (𝐸(𝑋²) − 𝐸(𝑋)² ) = 𝑎2 𝑉(𝑋).

IPSA 2022-2023 S. RIOU

 4. les variables aléatoires discrètes 𝑋 et 𝑌 sont indépendantes,
𝐸(𝑋𝑌) = ∑𝑥∈𝑋(Ω) (∑𝑦∈𝑌(Ω) (𝑥𝑦𝑃((𝑋 = 𝑥) ∩ (𝑌 = 𝑦)))) = ∑𝑥∈𝑋(Ω) (∑𝑦∈𝑌(Ω) (𝑥𝑦𝑃(𝑋 = 𝑥)𝑃((𝑌 = 𝑦))))
𝐸(𝑋𝑌) = ∑𝑥∈𝑋(Ω) (𝑥𝑃(𝑋 = 𝑥) ∑𝑦∈𝑌(Ω) (𝑦𝑃((𝑌 = 𝑦)))) = ∑𝑥∈𝑋(Ω)(𝑥𝑃(𝑋 = 𝑥)𝐸(𝑌))
𝐸(𝑋𝑌) = 𝐸(𝑌) ∑𝑥∈𝑋(Ω)(𝑥𝑃(𝑋 = 𝑥)) = 𝐸(𝑌)𝐸(𝑋)
𝑉(𝑋 + 𝑌) = 𝐸((𝑋 + 𝑌)²) − 𝐸(𝑋 + 𝑌)2 = 𝐸(𝑋 2 + 2𝑋𝑌 + 𝑌 2 ) − (𝐸(𝑋) + 𝐸(𝑌))
𝑉(𝑋 + 𝑌) = 𝐸(𝑋²) + 2𝐸(𝑋𝑌) + 𝐸(𝑌²) − 𝐸(𝑋)2 − 2𝐸(𝑋)𝐸(𝑌) − 𝐸(𝑌²)
𝑉(𝑋 + 𝑌) = 𝐸(𝑋²) + 2𝐸(𝑋)𝐸(𝑌) + 𝐸(𝑌²) − 𝐸(𝑋)2 − 2𝐸(𝑋)𝐸(𝑌) − 𝐸(𝑌²)
𝑉(𝑋 + 𝑌) = 𝐸(𝑋²) − 𝐸(𝑋)2 + 𝐸(𝑌 2 ) − 𝐸(𝑌 2 ) = 𝑉(𝑋) + 𝑉(𝑌) ▲

V. Loi de probabilité

A. Loi uniforme

Définition : loi uniforme

Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).

la variable aléatoire discrète 𝑋 ∶ Ω → ℝ suit une loi uniforme si et seulement si

1
∀𝑥 ∈ 𝑋(Ω), 𝑃(𝑋 = 𝑥) = card(𝑋(Ω)).

Exemples :

1. L’expérience consiste à lancer un dé équilibré, numéroté de 1 à 6 pour une mise de 1€.

De plus lorsque l’on obtiendra :
Les faces 1 ou 2, on ne gagnera rien
Les faces 3 ou 4 on gagnera 1€
Les faces 5 ou 6 on gagnera 3€
Ici Ω = {1,2,3,4,5,6}.
Soit 𝑋 le gain de l’expérience. On a 𝑋(Ω) = {−1,0,2} et card(𝑋(Ω)) = 3.
1
𝑃(𝑋 = −1) = 𝑃(1) + 𝑃(2) = 3.
1
𝑃(𝑋 = 0) = 𝑃(3) + 𝑃(4) = 3.
1
𝑃(𝑋 = 2) = 𝑃(5) + 𝑃(6) = . Donc la variable aléatoire discrète 𝑋 suit une loi uniforme.
3
2. Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 la variable
aléatoire telle que 𝑋(Ω) = {1,2, … , 𝑛} où 𝑛 ∈ ℕ∗ et suivant une loi uniforme.
1
Alors ∀𝑘 ∈ {1,2, … , 𝑛}, 𝑃(𝑋 = 𝑘) = 𝑛

Propriétés : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 une
variable aléatoire discrète suivant une loi uniforme. Alors on a :

∑
𝑥∈𝑋(Ω) 𝑥 ∑
𝑥∈𝑋(Ω) 𝑥²
𝐸(𝑋) = card(𝑋(Ω)) et 𝑉(𝑋) = card(𝑋(Ω)) − 𝐸(𝑋)².

IPSA 2022-2023 S. RIOU

Preuve : exercice à faire, application directe des définitions de l’espérance et de la variance d’une expérience aléatoire
discrète.

Exemple : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 la variable
aléatoire telle que 𝑋(Ω) = {1,2, … , 𝑛} où 𝑛 ∈ ℕ∗ et suivant une loi uniforme.
𝑛(𝑛+1)
∑𝑥∈𝑋(Ω) 𝑥 ∑𝑛
𝑥=1 𝑥 2 𝑛+1
𝐸(𝑋) = = = = .
card(𝑋(Ω)) n 𝑛 2
𝑛(𝑛+1)(2𝑛+1)
∑ 𝑥² ∑𝑛
𝑥=1 𝑥
2 𝑛+1 2 (𝑛+1)2 𝑛+1 2𝑛+1 𝑛+1 (𝑛+1)(𝑛−1)
𝑥∈𝑋(Ω)
𝑉(𝑋) = card(𝑋(Ω)) − 𝐸(𝑋)2 = n
−( 2
) = 6
𝑛
− 4
= 2
( 3 − 2 ) = 12
.

B. Loi de Bernoulli

On appelle épreuve de Bernoulli, toute expérience aléatoire discrète dont le résultat est soit un succès, soit un échec,
mais pas les deux en même temps.
On obtient un univers Ω = {𝐸, 𝑆}, 𝐸 pour l’échec et 𝑆 pour le succès.
On pose la variable aléatoire discrète 𝑋 telle que 𝑋(𝐸) = 0 et 𝑋(𝑆) = 1, elle est appelée variable de Bernoulli
Soit 𝑝 ∈ [0,1] la probabilité du succès (𝑃(𝑆) = 𝑝). On en déduit que 𝑃(𝐸) = 1 − 𝑃(𝑆) = 1 − 𝑝.
𝑃(Ω) = ∑𝜔∈Ω 𝑃(𝜔) = 𝑃(𝐸) + 𝑃(𝑆) = 1. 𝑃 est bien une probabilité sur (Ω, 𝒫(Ω)).
La loi de probabilité de 𝑋 est :
𝑃(𝑋 = 0) = 𝑃(𝐸) = 1 − 𝑝 et 𝑃(𝑋 = 1) = 𝑃(𝑆) = 𝑝.

Définition : Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).

La variable aléatoire discrète 𝑋 suit une loi Bernoulli de paramètre 𝑝 ∈ [0,1] si et seulement si
𝑋(Ω) = {0,1}, 𝑃(𝑋 = 1) = 𝑝 et 𝑃(𝑋 = 0) = 1 − 𝑝.

On écrit alors 𝑋 ↪ ℬ(𝑝).

Propriétés : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 une
variable aléatoire discrète suivant une loi Bernoulli de paramètre 𝑝 ∈ [0,1]. Alors on a :

1. ∀𝑥 ∈ {0,1}, 𝑃(𝑋 = 𝑥) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 .

2. 𝐸(𝑋) = 𝑝.
3. 𝑉(𝑋) = 𝑝(1 − 𝑝).

Preuve : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 une variable
aléatoire discrète suivant une loi Bernoulli de paramètre 𝑝 ∈ [0,1].
1. Exercice à effectuer en effectuant une étude cas par cas.
2. 𝐸(𝑋) = ∑𝑥∈𝑋(Ω)(𝑥𝑃(𝑋 = 𝑥)) = 0𝑃(𝑋 = 0) + 1𝑃(𝑋 = 1) = 0 + 𝑝 = 𝑝.
3. 𝑉(𝑋) = 𝐸(𝑋²) − 𝐸(𝑋)2 = ∑𝑥∈𝑋(Ω)(𝑥 2 𝑃(𝑋 = 𝑥)) − 𝑝2 = 0 + 12 𝑃(𝑋 = 1) − 𝑝2 = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝) ▲
IPSA 2022-2023 S. RIOU
 1
Exemple : On a une pièce non équilibrée dont la probabilité d’avoir la face pile est de 4.
En considérant que le succès est de tomber sur la face pile, on obtient alors une variable aléatoire discrète 𝑋 qui suit
1 1 1 3
une loi de Bernoulli de paramètre , 𝑋 ↪ ℬ ( ). 𝑃(𝑋 = 0) = et 𝑃(𝑋 = 1) = .
4 4 4 4

C. Schéma de Bernoulli et loi binomiale

Le schéma de Bernoulli consiste à répéter 𝑛 épreuves identiques et indépendantes ayant 2 issues, un succès ou un
échec, puis de considérer le nombre de succès possible sur ces 𝑛 épreuves.
Soient 𝑛 ∈ ℕ∗ et 𝑋1 , 𝑋2 , … , 𝑋𝑛 , 𝑛 variables aléatoires discrètes suivant la même loi de Bernoulli ℬ(𝑝) où 𝑝 ∈ [0,1].
Soit 𝑌 la variable aléatoire discrète correspondant au nombre de succès sur les 𝑛 épreuves.
On a 𝑌 = ∑𝑛𝑖=1 𝑋𝑖 et 𝑌(Ω) = {0,1, … , 𝑛}. Soit 𝑘 ∈ {0,1, … , 𝑛} :

𝑃(𝑌 = 𝑘) = 𝑃(∑𝑛𝑖=1 𝑋𝑖 = 𝑘) = 𝑃 (⋃ 𝑥𝑖 ∈{0,1} {𝑋1 = 𝑥1 , … , 𝑋𝑛 = 𝑥𝑛 }) les événements {𝑋1 = 𝑥1 , … , 𝑋𝑛 = 𝑥𝑛 } sont

𝑥1 +⋯+𝑥𝑛 =𝑘
incompatibles deux à deux. On obtient alors :
𝑃(𝑌 = 𝑘) = ∑ 𝑥𝑖∈{0,1} 𝑃(𝑋1 = 𝑥1 , … , 𝑋𝑛 = 𝑥𝑛 ), les épreuves étant indépendantes, on en déduit que :
𝑥1 +⋯+𝑥𝑛 =𝑘
𝑥1 1−𝑥1
𝑃(𝑌 = 𝑘) = ∑ 𝑥𝑖 ∈{0,1} (𝑃(𝑋1 = 𝑥1 ) × … × 𝑃(𝑋𝑛 = 𝑥𝑛 )) = ∑ 𝑥𝑖 ∈{0,1} (𝑝 (1 − 𝑝) × … × 𝑝 𝑥𝑛 (1 − 𝑝)1−𝑥𝑛 )
𝑥1 +⋯+𝑥𝑛 =𝑘 𝑥1 +⋯+𝑥𝑛 =𝑘
𝑥 +⋯+𝑥 𝑛−(𝑥 +⋯+𝑥 )
𝑃(𝑌 = 𝑘) = ∑ 𝑥𝑖∈{0,1} (𝑝 1 𝑛 (1 − 𝑝) 1 𝑛 ) = ∑ 𝑥𝑖∈{0,1} (𝑝𝑘 (1 − 𝑝)𝑛−𝑘 )
𝑥1 +⋯+𝑥𝑛 =𝑘 𝑥1 +⋯+𝑥𝑛 =𝑘
𝑃(𝑌 = 𝑘) = 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 ∑ 𝑥𝑖 ∈{0,1} 1
𝑥1 +⋯+𝑥𝑛 =𝑘
∑ 𝑥𝑖 ∈{0,1} 1 = card {(𝑥1 , … , 𝑥𝑛 ), 𝑥1 + ⋯ + 𝑥𝑛 = 𝑘 } qui correspond au nombre de sous ensemble à 𝑘 éléments
𝑥1 +⋯+𝑥𝑛 =𝑘
𝑛 𝑛
parmi un ensemble à 𝑛 éléments. On a ∑ 𝑥𝑖 ∈{0,1} 1 = ( ). On obtient que 𝑃(𝑌 = 𝑘) = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 .
𝑘 𝑘
𝑥1 +⋯+𝑥𝑛 =𝑘
𝑛 𝑛
𝑃(Ω) = ∑𝜔∈Ω 𝑃(𝜔) = ∑𝑛𝑘=0 𝑃(𝑌 = 𝑘) = ∑𝑛𝑘=0 (( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 ) = (𝑝 + (1 − 𝑝)) = 1𝑛 = 1.
𝑘
𝑃 est bien une probabilité sur (Ω, 𝒫(Ω)).

Définition : loi binomiale

Soient Ω l’univers d’une expérience aléatoire discrète et 𝑃 une probabilité sur (Ω, 𝒫(Ω)).

La variable aléatoire discrète 𝑋 suit une loi binomiale de paramètre 𝑛 ∈ ℕ∗ et 𝑝 ∈ [0,1] si et seulement si
𝑛
∀𝑘 ∈ {0,1, … , 𝑛}, 𝑃(𝑋 = 𝑘) = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 .
𝑘

On écrit alors 𝑋 ↪ ℬ(𝑛, 𝑝).

Propriétés : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 une
variable aléatoire discrète suivant une loi binomiale de paramètre 𝑛 ∈ ℕ∗ et 𝑝 ∈ [0,1] . Alors on a :

1. 𝐸(𝑋) = 𝑛𝑝.
2. 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝).

IPSA 2022-2023 S. RIOU

Preuve : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et 𝑋 une variable
aléatoire discrète suivant une loi binomiale de paramètre 𝑛 ∈ ℕ∗ et 𝑝 ∈ [0,1] .
𝑛 𝑛!
1. 𝐸(𝑋) = ∑𝑘∈𝑋(Ω)(𝑘𝑃(𝑋 = 𝑘)) = ∑𝑛𝑘=0 (𝑘 ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 ) = ∑𝑛𝑘=1 (𝑘 𝑘!(𝑛−𝑘)! 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 )
𝑘
𝑛(𝑛−1)! (𝑛−1)!
𝐸(𝑋) = ∑𝑛𝑘=1 ((𝑘−1)!(𝑛−𝑘)! 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 ) = 𝑛 ∑𝑛𝑘=1 ((𝑘−1)!(𝑛−𝑘)! 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 )
𝑛 − 1 𝑘 (1
𝐸(𝑋) = 𝑛 ∑𝑛𝑘=1 (( )𝑝 − 𝑝)𝑛−𝑘 ). On pose comme changement d’indice 𝑙 = 𝑘 − 1.
𝑘−1
𝑛 − 1 𝑙+1 (1 𝑛 − 1 𝑙 (1
𝐸(𝑋) = 𝑛 ∑𝑛−1
𝑙=0 (( )𝑝 − 𝑝)𝑛−𝑙−1 ) = 𝑛𝑝 ∑𝑛−1
𝑙=0 (( )𝑝 − 𝑝)𝑛−1−𝑙 )
𝑙 𝑙
𝑛−1
𝐸(𝑋) = 𝑛𝑝(𝑝 + (1 − 𝑝)) = 𝑛𝑝1𝑛−1 = 𝑛𝑝.
𝑛 𝑛
2. 𝑉(𝑋) = 𝐸(𝑋²) − 𝐸(𝑋)2 = ∑𝑛𝑘=0 (𝑘 2 ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 ) − 𝑛2 𝑝2 = ∑𝑛𝑘=1 (𝑘 2 ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 ) − 𝑛2 𝑝2
𝑘 𝑘
𝑛 𝑛 − 1 𝑘 𝑛−𝑘
𝑉(𝑋) = 𝑛 ∑𝑘=1 (𝑘 ( ) 𝑝 (1 − 𝑝) ) − 𝑛²𝑝². On pose comme changement d’indice 𝑙 = 𝑘 − 1.
𝑘−1
𝑛 − 1 𝑙+1 (1
𝑉(𝑋) = 𝑛 ∑𝑛−1
𝑙=0 ((𝑙 + 1) ( )𝑝 − 𝑝)𝑛−𝑙−1 ) − 𝑛2 𝑝2
𝑙
𝑛 − 1 𝑙+1 𝑛 − 1 𝑙+1
𝑉(𝑋) = 𝑛 ∑𝑛−1
𝑙=0 (𝑙 ( ) 𝑝 (1 − 𝑝)𝑛−𝑙−1 ) + 𝑛 ∑𝑛−1
𝑙=0 (( ) 𝑝 (1 − 𝑝)𝑛−𝑙−1 ) −𝑛2 𝑝2
𝑙 𝑙
(𝑛−1)!
𝑉(𝑋) = 𝑛 ∑𝑛−1
𝑙=1 (𝑙 𝑙!(𝑛−1−𝑙)! 𝑝
𝑙+1 (1
− 𝑝)𝑛−𝑙−1 ) + 𝑛𝑝 − 𝑛²𝑝²
(𝑛−2)!
𝑉(𝑋) = 𝑛(𝑛 − 1) ∑𝑛−1
𝑙=1 ((𝑙−1)!(𝑛−1−𝑙)! 𝑝
𝑙+1 (1
− 𝑝)𝑛−𝑙−1 ) + 𝑛𝑝 − 𝑛2 𝑝2.
𝑛 − 2 𝑙+1
𝑉(𝑋) = 𝑛(𝑛 − 1) ∑𝑛−1
𝑙=1 (( ) 𝑝 (1 − 𝑝)𝑛−𝑙−1 ) + 𝑛𝑝 − 𝑛2 𝑝2 .
𝑙−1
On pose comme changement d’indice 𝑗 = 𝑙 − 1.
(𝑛−2)!
𝑉(𝑋) = 𝑛(𝑛 − 1) ∑𝑛−2
𝑗=0 ((𝑗)!(𝑛−𝑗)! 𝑝
𝑗+2 (1
− 𝑝)𝑛−𝑗−2 ) + 𝑛𝑝 − 𝑛2 𝑝2
(𝑛−2)!
𝑉(𝑋) = 𝑛(𝑛 − 1)𝑝² ∑𝑛−2 𝑗
𝑗=0 ((𝑙−1)!(𝑛−1−𝑙)! 𝑝 (1 − 𝑝)
𝑛−2−𝑗
) + 𝑛𝑝 − 𝑛2 𝑝2
𝑉(𝑋) = 𝑛(𝑛 − 1)𝑝2 (𝑝 + 1 − 𝑝)𝑛−2 + 𝑛𝑝 − 𝑛2 𝑝2 = 𝑛(𝑛 − 1)𝑝2 + 𝑛𝑝 − 𝑛2 𝑝2
𝑉(𝑋) = 𝑛𝑝((𝑛 − 1)𝑝 + 1 − 𝑛𝑝) = 𝑛𝑝(1 − 𝑝) ▲

Exemple : Soit 𝑛 ∈ ℕ∗ , l’expérience consiste à lancer 𝑛 fois une pièce équilibrée. déterminons la probabilité d’obtenir
au moins une fois la face pile sur les 𝑛 lancés effectués.
L’expérience est une répétition 𝑛 épreuves identiques et indépendantes à deux issues, le succès « avoir la facile pile »
1
a pour probabilité 𝑝 = 2. Soit 𝑋 la variable aléatoire correspondant au nombre de fois que la face pile apparaît.
1
La variable aléatoire 𝑋 suit une loi binomiale ℬ (𝑛, 2).
𝑛 1 0 1 𝑛−0 1 𝑛
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 = 0) = 1 − ( ) ( ) (1 − ) =1−( ) .
0 2 2 2
𝑛 1 1 𝑛
De plus 𝐸(𝑋) = 2 et 𝑉(𝑋) = 𝑛 2 (1 − 2) = 4 .

IPSA 2022-2023 S. RIOU

VI. Couple de variables aléatoires

Définitions : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)), 𝑋 et 𝑌
deux variables aléatoires discrètes. On pose 𝐼 = {1,2, … , card(𝑋(Ω)) } et 𝐽 = {1,2, … , card(𝑌(Ω)) }.

1. Loi conjointe :

Soient (𝑖, 𝑗) ∈ 𝐼 × 𝐽 et (𝑥𝑖 , 𝑦𝑗 ) ∈ 𝑋(Ω) × 𝑌(Ω). La loi conjoint du couple (𝑋, 𝑌) est définie par les probabilités
𝑃(𝑋 = 𝑥𝑖 , 𝑌 = 𝑦𝑗 ) = 𝑃 ((𝑋 = 𝑥𝑖 ) ∩ (𝑌 = 𝑦𝑗 )).

2. Lois marginales :

Les lois de probabilités des variables aléatoires 𝑋 et 𝑌 sont appelés lois marginales du couple (𝑋, 𝑌).

Remarque : On peut déterminer les lois marginales d’un couple de variables aléatoires discrètes à l’aide de la loi
conjointe de ce couple.

Propriétés : Soient Ω l’univers d’une expérience aléatoire discrète, 𝑃 une probabilité sur (Ω, 𝒫(Ω)) et (𝑋, 𝑌) un
couple de variables aléatoires discrètes où 𝐼 = {1,2, … , card(𝑋(Ω)) } et 𝐽 = {1,2, … , card(𝑌(Ω)) }.

1. ∀𝑥𝑖 ∈ 𝑋(Ω), 𝑃(𝑋 = 𝑥𝑖 ) = ∑𝑗∈𝐽 𝑃 ((𝑋 = 𝑥𝑖 ) ∩ (𝑌 = 𝑦𝑗 )).

2. ∀𝑦𝑗 ∈ 𝑌(Ω), 𝑃(𝑌 = 𝑦𝑗 ) = ∑𝑖∈𝐼 𝑃 ((𝑋 = 𝑥𝑖 ) ∩ (𝑌 = 𝑦𝑗 )).

Exemple : Soit 𝑛 ∈ ℕ∗ . On a 𝑛 boîtes numérotées de 1 à 𝑛. Pour 𝑘 ∈ {1,2, … , 𝑛}, la boîte 𝑘 possède 𝑘 boules
numérotées de 1 à 𝑘. L’expérience consiste à choisir une boîte au hasard puis une boule au hasard dans cette boîte.
On note 𝑋 le numéro de la boîte choisie et 𝑌 le numéro de la boule choisie.
Déterminons la loi conjointe du couple (𝑋, 𝑌) ainsi que ses lois marginales. On a 𝑋 ∈ ⟦1; 𝑛⟧ et 𝑌 ∈ ⟦1; 𝑛⟧.
Soient (𝑘, 𝑙) ∈ ⟦1; 𝑛⟧2 ∶ 𝑃(𝑋 = 𝑘, 𝑌 = 𝑙) = 𝑃((𝑋 = 𝑘) ∩ (𝑌 = 𝑙))
Dans la boîtes numérotée 𝑘, les boules sont numérotées de 1 à 𝑘, on en déduit :
Pour 𝑙 > 𝑘 ∶ 𝑃(𝑋 = 𝑘, 𝑌 = 𝑙) = 0
1 1 1
Pour 𝑙 ≤ 𝑘 ∶ 𝑃(𝑋 = 𝑘, 𝑌 = 𝑙) = 𝑃𝑋=𝑘 (𝑌 = 𝑙)𝑃(𝑋 = 𝑘) = 𝑘 × 𝑛 = 𝑘𝑛
Effectuons la vérifications :
∑(𝑘,𝑙)∈⟦1;𝑛⟧2 𝑃(𝑋 = 𝑘, 𝑌 = 𝑙) = ∑𝑛𝑘=1(∑𝑛𝑙=1 𝑃(𝑋 = 𝑘, 𝑌 = 𝑙)) = ∑𝑛𝑘=1(∑𝑘𝑙=1 𝑃(𝑋 = 𝑘, 𝑌 = 𝑙))
1 1 1 1 1 𝑛
= ∑𝑛𝑘=1 (∑𝑘𝑙=1 𝑘𝑛) = ∑𝑛𝑘=1 (𝑘𝑛 ∑𝑘𝑙=1 1) = ∑𝑛𝑘=1 (𝑘𝑛 × 𝑘) = ∑𝑛𝑘=1 𝑛 = 𝑛 ∑𝑛𝑘=1 1 = 𝑛 = 1
1
𝑠𝑖 𝑙 ≤ 𝑘
Donc ∀(𝑘, 𝑙) ∈ ⟦1; 𝑛⟧2 ∶ 𝑃(𝑋 = 𝑘, 𝑌 = 𝑙) = { 𝑘𝑛 , la loi conjointe du couple (𝑋, 𝑌) est déterminée.
0 𝑠𝑖 𝑙 > 𝑘
1
La loi marginale de 𝑋 ∶ ∀𝑘 ∈ ⟦1; 𝑛⟧, 𝑃(𝑋 = 𝑘) = 𝑛.
1 1 1
Soit 𝑙 ∈ ⟦1; 𝑛⟧ : 𝑃(𝑌 = 𝑙) = ∑𝑛𝑘=1 𝑃(𝑋 = 𝑘, 𝑌 = 𝑙) = ∑𝑛𝑘=𝑙 𝑃(𝑋 = 𝑘, 𝑌 = 𝑙) = ∑𝑛𝑘=𝑙 𝑘𝑛 = 𝑛 ∑𝑛𝑘=𝑙 𝑘
1 1
La loi marginale de 𝑌 ∶ ∀𝑘 ∈ ⟦1; 𝑛⟧, 𝑃(𝑌 = 𝑙) = 𝑛 ∑𝑛𝑘=𝑙 𝑘.

IPSA 2022-2023 S. RIOU