Presentation Chapitre3

Statistiques et Probabilité
(Pour GEGM)
n©N
Présenté par:
A. Laghrib
amine.laghrib@gmail.com
2022
FST Béni Mellal, Université Sultan Moulay Slimane

1 Introduction aux probabilités

2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition
A. Laghrib | c b n a 2 / 213
8 Exemples de lois de probabilités discrètes

Loi uniforme
Loi Bernoulli
Loi Binomiale
Loi de poisson
9 Variables aléatoires continues

Densité de probabilité
Loi d’une v.a.c
10 Exemples de lois de probabilités continues

Loi uniforme
Loi exponentielle
Loi Normale ou Gaussienne
Covariance de deux variables aléatoires
Statistiques et Probabilité | Introduction aux probabilités
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Introduction aux probabilités
Introduction
Historiquement, le calcul des probabilités s’est développé à partir du
XVIIe siècle autour des problèmes de jeux dans des situations où le
nombre de cas possibles est fini.
Les développements plus récents concernant des espaces non

nécessairement finis nécessitent quelques outils élémentaires de la théorie
de la mesure. Dans ce cours l’objectif est de simplement introduire sur les
espaces finis toutes les notions importantes de probabilités.
Cela fera appel à quelques propriétés sur l’analyse combinatoire, les

variables aléatoires ainsi que quelques lois de probabilités que ça
soit discrètes ou continues.
Introduction
Historiquement, le calcul des probabilités s’est développé à partir du
XVIIe siècle autour des problèmes de jeux dans des situations où le
nombre de cas possibles est fini.
Les développements plus récents concernant des espaces non

nécessairement finis nécessitent quelques outils élémentaires de la théorie
de la mesure. Dans ce cours l’objectif est de simplement introduire sur les
espaces finis toutes les notions importantes de probabilités.
Cela fera appel à quelques propriétés sur l’analyse combinatoire, les

variables aléatoires ainsi que quelques lois de probabilités que ça
soit discrètes ou continues.
Rappels de théorie des ensembles

Nous considérerons les ensembles comme des collections d’objets appelés
les éléments de cet ensemble. Les ensembles de nombres les plus classiques
sont N l’ensemble des entiers naturels, Z l’ensemble des entiers relatifs, R
l’ensemble des nombres réels. Ces ensembles sont tous infinis, c’est-à-dire
contiennent une infinité d’éléments. Un ensemble qui ne contient qu’un
nombre fini d’éléments est dit fini. Lorsque ce nombre fini n’est pas assez
grand, on représente parfois cet ensemble en écrivant tous les éléments
qu’il contient de la façon suivante :
{a, b, c}.
Il s’agit ici d’un ensemble contenant seulement les trois lettres a, b, c.

Soit E un ensemble, si a est un élément de E, on écrit a ∈ E qui se lit a
appartient à E.
Si un ensemble E contient tous les éléments d’un ensemble F , on dit que F
est inclus dans E, ce qui est noté F ⊂ E.
(Bien noter la différence entre l’appartenance (qui relie un élément à un

ensemble qui le contient) et l’inclusion (qui relie deux ensembles).
Definition (Ensemble)
Un ensemble est entièrement défini par les éléments qui le

constituent.
Un ensemble peut être défini en donnant la liste exhaustive de
ses éléments. On parle alors de définition en extension.
Definition (Sous-ensemble)
On dit qu’un ensemble E est inclus dans un ensemble F si tout élément
de E est un élément de F . Dans ce cas, on dit que E est un
sous-ensemble de F .
Definition
On appelle ensemble vide, l’ensemble ne contenant aucun élément. On le
note ∅.
Definition (Ensemble des parties d’un ensemble)

Soit E un ensemble. On appelle l’ensemble des parties de E, l’ensemble
noté P (E) dont les éléments sont les sous-ensembles de E.
Exemple
Soit E l’ensemble à deux éléments : E = {a, b}. Alors E admet comme
sous-ensembles ∅, {a}, {b} et E lui même. En effet, par la définition de
l’inclusion, on a toujours E ⊂ E. Ainsi
P (E) = {∅, E, {a}, {b}}.
Si E contient 2 éléments, P (E) contient 4 éléments.
Proposition
Soit E un ensemble. Si A est un sous-ensemble de E, on a alors les relations
A⊂E
et
A ∈ P (E).

Il est clair que ces deux relations veulent dire la même chose.
Definition (Cardinal d’un ensemble)

On dit que E est un ensemble dénombrable si on arrive à compter ses
éléments. Le nombre d’éléments de E est noté Card(E) ou |E|.
Definition (Réunion de deux ensembles)

Soient E et F deux ensembles. On appelle réunion de E et F , l’ensemble
noté E ∪ F et dont les éléments appartiennent à E ou à F .

La notation E ∪ F se lit aussi E union F . Notons qu’un élément de E ∪ F
peut appartenir à E et à F . Cette opération réunion peut être considérer
comme une opération dans l’ensemble des parties P (E) d’un ensemble
donné E. En effet si A et B sont des sous-ensembles de E, c’est-à-dire si A,
B ∈ P (E), alors A ∪ B est encore un sous-ensemble de E. Il est défini par
A ∪ B = {x ∈ E, tels que x ∈ A ou x ∈ B}.

Definition (Intersection de deux ensembles)

Soient E et F deux ensembles. On appelle intersection de E et F ,
l’ensemble noté E ∩ F et dont les éléments appartiennent à E et à F .
La notation E ∩ F se lit aussi E inter F . Cette opération intersection peut

être considérer comme une opération dans l’ensemble des parties P (E)
d’un ensemble donné E. En effet si A et B sont des sous-ensembles de E,
c’est-à-dire si A, B ∈ P (E), alors A ∩ B est encore un sous-ensemble de E.
Il est défini par
A ∩ B = {x ∈ E, tels que x ∈ A et x ∈ B}.

Definition (Ensembles disjoints)

Deux ensembles E et F sont dits disjoints si
E ∩ F = ∅.
Definition (Différence de deux ensembles)

Soient E et F deux ensembles. On appelle différence (ensembliste) de E
et F , l’ensemble noté E\F et dont les éléments appartiennent à E et
n’appartiennent pas à F .

La notation E\F se lit aussi E moins F . Cette opération différence peut
être considérer comme une opération dans l’ensemble des parties P (E)
d’un ensemble donné E. En effet si A et B sont des sous-ensembles de E,
c’est-à-dire si A, B ∈ P (E), alors A\B est encore un sous-ensemble de E.
Il est défini par
A\B = {x ∈ E, tels que x ∈ A et x ∈

/ B}.

Definition (Complémentaire d’un sous-ensemble)

Soit A un sous-ensemble d’un ensemble donné E. On appelle
complémentaire de A dans E le sous-ensemble de E noté A dont les
éléments sont ceux de E qui n’appartiennent pas à A. Ainsi
A = {x ∈ E tels que x ∈
/ A}
On a donc les propriétés suivantes :

1 A ∩ A = ∅,
2 A ∪ A = E.

On dit, dans ce cas que les sous-ensembles A et A forment une partition de
E. On généralisera, dans le paragraphe suivant, cette notion.
Definition (Partition d’un ensemble)

Soit (Ai )i∈I une famille de sous-ensembles de E. On dit qu’elle forme
une partition de E si
1 ∪ Ai = E,
i∈I
2 Ai ∩ Aj = ∅ dés que i 6= j ∈ I.
Propriété
Soit E un ensemble fini et A et B deux sous-ensemble de E alors on a :
1 Card(A) ≤ Card(E)
2 Card(A) = Card(E) si A = E
3 Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B)
4 Card(A × B) = Card(A) × Card(B)
Propriété
Soient A, B, C ∈ P (E). Alors
1 A ∪ B = B ∪ A; A ∩ B = B ∩ A
2 A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
3 A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
4 A ∪ A = A ; A ∩ A = A.
Propriété (Lois de Morgan)

Soient A, B deux sous-ensembles de E Alors
1 A ∪ B = A ∩ B,
2 A ∩ B = A ∪ B.
Statistiques et Probabilité | Analyse combinatoire
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Analyse combinatoire
Définition
L’analyse combinatoire est une branche des mathématiques qui étudie
comment dénombrer des objets. Elle fournit des méthodes utiles en théorie
de probabilités.
Définitions
Disposition sans répétition : c’est une disposition où un élément
peut apparaître 0 ou 1 fois.
Disposition avec répétition : un élément peut figurer plus d’une fois.
Disposition ordonnée : l’ordre d’obtention d’un élément est
important. Ex. les éléments constituant la plaque minéralogique d’un
véhicule.
Exemples
Disposition non-ordonnée : l’ordre d’obtention d’un élément n’est pas
important, on n’en tient pas compte dans la caractérisation de la
disposition.
Ex. Les numéros issus d’un tirage du loto. Le tirage au sort pour le
pélérinage.
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Arrangements
Definition
Étant donné un ensemble E de n éléments, on appelle arrangement de p
éléments toute disposition ordonnée de p éléments pris parmi les n
éléments. Le nombre d’arrangements de p éléments pris parmi n éléments
est noté
Apn
Remarque
On a nécessairement 1 ≤ p ≤ n, p ∈ N∗ . Si n < p alors Apn = 0.
Deux arrangements de p élément sont donc distincts s’ils différent par la
nature des éléments qui les composent ou par leur ordre dans la suite.
Arrangements
Definition (Arrangements avec répétition)

Lorsqu’un élément peut être observé plusieurs fois dans un arrangement,
le nombre d’arrangements avec répétition (ou avec remise) de p
éléments pris parmi n est alors
Apn = np .
Arrangements
Explication :
Pour le premier élément tiré, il y a n manières de ranger l’élément parmi n.
Pour le second élément tiré, il existe également n possibilités

d’arrangements car le premier élément fait de nouveau parti des n éléments.
Ainsi pour les p éléments tirés parmi n, il y aura n

|
×n×
{z
· · · × n} (p fois)
p f ois
arrangements possible, soit Apn = np . En effet on a n possibilités pour
chaque place.
Arrangements
Explication :
Réaliser un arrangement avec répétition des éléments d’ensemble E, c’est
aussi définir une application d’un ensemble F à p éléments dans E à n
éléments.
Arrangements
Exemples :
Si on considère une urne qui contient 9 boules (3 rouges, 3 noires et 3
blanches). On tire 4 boules avec remise de cette urne. Combien de nombres
de tirage possible ?
Il s’agit d’un arrangement avec répétition, le nombre de tirage possible est

de 94
Arrangements
Exemples :
Combien de mots de 10 lettres peut-on former avec les 26 lettres de
l’alphabet, si on peut réutiliser les lettres ?
A chaque position (1 à 10) on peut mettre 26 lettres différentes. C’est à dire,

on a 26 choix pour la première letter, 26 choix pour la deuxième lettre
puisqu’il y a répétition et ainsi de suite. Donc le nombre sera 2610 .
Arrangements
Exemples :
Combien de mots de 10 lettres peut-on former avec les 26 lettres de
l’alphabet, si on peut réutiliser les lettres ?
On veut déchiffrer le code d’un portable composé de 3 chiffres.
Arrangements
Definition (Arrangements sans répétition)

Lorsque chaque objet ne peut être observé qu’une seule fois dans un
arrangements, le nombre d’arrangements sans répétition (sans remise) de
p éléments parmi n est alors
n!
Apn = avec 1 ≤ p ≤ n.
(n − p)!
Arrangements
Explication :
Pour le premier élément tiré, il y a n manières de ranger l’élément parmi n.
Pour le second élément tiré, il n’existe que n − 1 manières de ranger
l’élément, car le premier élément ne plus être pris en compte.
Arrangements
Explication :
Ainsi pour les p éléments tirés parmi n, si 1 ≤ p ≤ n il aura :
Apn = n(n − 1)(n − 2) · · · (n − p + 1)

(n − p)(n − p − 1) · · · 2 × 1
= n(n − 1)(n − 2) · · · (n − p + 1)
(n − p)(n − p − 1) · · · 2 × 1
n!
=
(n − p)!
Arrangements
Explication :
Réaliser un arrangement sans répétition des éléments d’ensemble E, c’est
déterminer un p uplet (x1 , . . . , xp ) d’éléments de deux à deux distincts.
C’est aussi définir une application injective d’un ensemble F à p éléments
dans E à n éléments.
Arrangements
Exemple :
Si on considère une urne qui contient 9 boules (3 rouges, 3 noires et 3
blanches). On tire 4 boules sans remise de cette urne. Combien de nombres
de tirage possible ?
Il s’agit d’un arrangement sans répétition, le nombre de tirage possible est

de A49 = 9 × 8 × 7 × 6 × 5 = 15120.
Arrangements
Exemple :
Une course de 20 athlètes, on attribue une médaille d’or au premier, une
médaille d’argent pour le deuxième et le bronze pour le troisième. Combien
y-a-t il de distribution possible ?
On voit clairement que l’ordre ici est important et il n y a pas de répétition

donc le nombre de cas possibles est
20!
A320 = = 20 × 19 × 18 = 6840
17!
Arrangements
Exemple :
Un cadenas à numéros a trois roues ; chacune porte les numéros 0 à 9.
Chaque secret est composé de trois numéros différents.
Combien de "nombres" secrets y a-t-il ?
Statistiques et Probabilité | Analyse combinatoire | Permutations
Permutations
Definition
Une permutation est un rangement ordonné de n objets distinguables.
C’est également une bijection d’un ensemble de n éléments vers lui
même.
Permutations
Definition (Permutations sans répétition)

Etant donné un ensemble E de n éléments ; on appelle permutation de n
éléments distincts, toutes suites ordonnées de n éléments. Le nombre de
permutation de n éléments est noté Pn = n!.
Permutations
Une permutation est un rangement ordonné de n objets distinguables.
C’est également une bijection d’un ensemble de n éléments vers lui même.
Permutations
La permutation sans répétition constitue un cas particulier d’arrangement
lorsque n = p.
n!
Ann = = n!.
(n − n)!
Permutations
Exemple :
Le nombre de façon de placer 5 étudiants dans 5 places différentes est
5! = 5 × 4 × 3 × 2 × 1 = 120.
Permutations
Proposition :
n! = n × (n − 1)!
= n × (n − 1) × (n − 2)!
= n × (n − 1) × (n − 2) × . . . × 1
Permutations
Réaliser une permutation sans répétition des éléments d’ensemble E, c’est
réaliser un tirage exhaustif sans remise des éléments de E en tenant
compte de l’ordre du tirage. C’est aussi définir une bijection de ensemble E
sur lui-même.
Permutations
Exemple :
Combien de mots différents peut on écrire en permutant les lettres du mot
"Yasine".
Permutations
Exemple :
Le nombre de mots que l’on peut former est le nombre des
{1, 1, 1, 1, 1, 1}-permutations (sans répétition) de l’ensemble des lettres
"Yasine", soit
P = 6!.
Permutations
Exemple :
Combien de nombres différents de quatre chiffres peut-on écrire avec les
chiffres 3,4,5,0 ?
Permutations
Exemple :
Le nombre est 4!.
Permutations
Exemple :
Combien de permutations possibles des lettres A, E et F ?
Permutations
Definition (Permutations avec répétition)

Soit E un ensemble tel que Card(E) = n et soit n1 , n2 , . . . , nr des
entiers naturels tels que ri=1 ni = n. On appelle permutations avec
P
répétition de E une disposition ordonnée de n éléments. Parmi les n

éléments on trouve n1 éléments de a1 , n2 éléments de a2 ,. . ., nr de
éléments ar .
Permutations
 

 

(a1 , . . . , a1 ); (a2 , . . . , a2 ); . . . ; (ar , . . . , ar )

| {z } | {z } | {z }
n1 n2 nr
Le nombre de permutations est
n!
Pn1 ,n2 ,...,nr = .
n1 !n2 ! . . . nr !
C-à-d que le premier élément figure n1 fois, le deuxième figure n2 fois et
ainsi de suite.
Permutations
Combien de mots différents peut on écrire en permutant les lettres du mot
"Yassine".
Permutations
Exemple :
Le nombre de mots que l’on peut former est le nombre des
{1, 1, 2, 1, 1, 1}-permutations (avec répétition) de l’ensemble des lettres
"Yassine", soit
7! 7!
P = = = 2520.
1!1!2!1!1!1! 2!
Permutations
Exemple :
Combien d’anagrammes peut-on construire à partir du mot
"PROBABILITÉ" ? anagramme est un mot composé des lettres du mot initial
sans qu’il est un sens. On commence par la lettre "P", elle figure une seule
fois donc n1 = 1.
La lettre "R" figure aussi une seule fois donc n2 = 1. Même chose pour "O",
"A", "L", "É" et "T".
Il reste donc la lettre "B" et "I" qui sont répétés deux fois. Donc le nombre
d’anagrammes possible est :
11! 11!
= = 9979200.
1!1!1!2!1!2!1!1!1! 4
Permutations
Exemple :
Combien de nombres différents peut-on écrire avec les chiffres 3,4,5,0,3 ?
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Combinaisons
Definition (Combinaisons)
Etant donné un ensemble de n éléments ; on appelle combinaison de p
éléments, tout sous-ensemble de p éléments non ordonné pris parmi les n
éléments.
Combinaisons
Definition (Combinaisons sans répétition)

On appelle combinaison sans répétition de p éléments pris parmi n et
sans remise d’un ensemble E toute disposition non ordonnée de p
éléments de E. Le nombre de combinaison est
Apn n!
Cnp = = , avec p ≤ n.
p! p!(n − p)!
.
Combinaisons
Pour une disposition ordonnée de p éléments parmi n sans répétition.
Il y a Apn possibilités de tirer p élément parmi n en les ordonnant :
n!
Apn = (n−p)!
Une fois les p élément tirés, il y a p! manières de les ordonner.
Apn
Il y a donc Cnp = p! manières de tirer p élément parmi n sans les
ordonner.
Cnp = Nombre de combinaisons possibles

Nombre d’arrangements possibles
=
Nombre de permutations possibles dans cet arrangement
Ap n!
= n = .
p! p!(n − p)!
Combinaisons
Exemple :
Combien de couleurs peut-on obtenir en mélangeant deux couleurs non
identiques des trois couleurs : Rouge, Bleu, Jaune ?
Combinaisons
Exemple :
Combien de couleurs peut-on obtenir en mélangeant deux couleurs non
identiques des trois couleurs : Rouge, Bleu, Jaune ?
Combinaisons
Exemple :
Dans un jeu de 32 cartes, on tire 4 cartes au hasard. Combien de tirages
possibles.
Combinaisons
Definition (Combinaisons avec répétition)

On appelle combinaison avec répétition de p éléments parmi n éléments
avec répétition (remise) d’un ensemble E toute disposition non ordonnée
de p éléments, non nécessairement distincts de E. Le nombre de
combinaison est
p (n + p − 1)!
Cn+p−1 = .
p!(n − 1)!
Combinaisons
Exemple :
Combien de combinaisons avec répétition à deux éléments de l’ensemble
{1, 2, 3}
Combinaisons
Exemple :
Les combinaisons possibles sont : {1, 1}, {1, 2}, {1, 3}, {2, 2}, {2, 3} et
2
{3, 3}. On a alors : C3+2−1 = (3+2−1)!
2!(3−1)! = 6.
Combinaisons
Exemple :
On tire au hasard trois billes dans une urne qui contient une bille rouge,
deux billes bleues distinctes et quatre billes vertes distinctes. Déterminer le
nombre de combinaisons possibles si on effectue les tirages avec remise.
Combinaisons
Exemple :
(7 + 3 − 1)!
Nombre de combinaisons possibles = = 84.
3!(7 − 1)!
Combinaisons
Exemple :
On veut construire un bouquet de 7 fleurs, on dispose de 5 fleurs blanches 3
rouges et 4 jaunes. De combien de façons peut-on construire ce bouquet ?
Combinaisons
Exemple :
On veut construire un bouquet de 7 fleurs, on dispose de 5 fleurs blanches 3
rouges et 4 jaunes. De combien de façons peut-on construire ce bouquet ?
Combinaisons
Exemple :
Dans ce cas on a n = 3 éléments distincts (fleur blanche, rouge et jaune) et
on choisie p = 7 parmi ces fleurs donc le nombre de cas possible est :
p 7 9!
Cn+p−1 = C3+7−1 = = 36.
7!(2)!
Statistiques et Probabilité | Notions de Probabilités
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Statistiques et Probabilité | Notions de Probabilités | Langage de Probabilités
Notions de Probabilités
Definition (Expérience aléatoire)

Une expérience aléatoire est une épreuve que l’on peut répéter plusieurs
fois et telle que :
l’ensemble des résultats (issues) possibles est connu ;
on ne peut pas prévoir, par avance lequel de ces résultats sera
réalisés.
Definition (Univers)
L’ensemble de tous les résultats possibles d’une expérience aléatoire
constitue l’espace échantillon ou univers de l’expérience ou encore
l’espace des observable ; on le note habituellement Ω.
No Expérience Ensemble de résultats possibles
(Univers)
1 Jeter un dé et relever le Ω = {1, 2, 3, 4, 5, 6}
nombre qui est sur sa face
supérieure
2 Jeter une pièce de mon- Ω = {pile,face} = {P, F }
naie
3 Compter le nombre de Ω = {1, 2, 3, . . .} = N
personnes entrant dans
un magasin entre 8h et
22h
4 Jeter un dé deux fois de Ω =
suite {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (6, 5), (6
5 Jeter une pièce de mon- Ω =

Definition (Evénement)
Les sous-ensembles de l’univers Ω sont appelés événements. On distingue
les événements simples ou événements élémentaires qui sont constitués
d’un seul élément (autrement dit, un singleton) et des événements
composés.
Exemples :
Dans l’expérience No 1 de l’exemple du dé à six faces :
Soit ω ∈ {1, 2, 3, 4, 5, 6} = Ω.
ω est appelé une réalisation ou une "épreuve".
Soit A = {2}, A ⊂ Ω est appelé un événement simple.
Soit B = { " le nombre obtenu est pair " } est appelé un événement
composé.
B est réalisé ⇐⇒ ω ∈ {2, 4, 6}.
Exemples :
L’espace échantillon (univers) Ω est l’événement qui est toujours
réalisé, "événement certain".
L’ensemble vide ∅ est l’événement qui n’est jamais réalisé "événement
impossible".
Si A est un événement, alors A est un événement aussi.
Si A et B sont deux événements, alors A ∪ B est un événement aussi.
Si A et B sont deux événements, alors A ∩ B est un événement aussi.
Statistiques et Probabilité | Notions de Probabilités | Opérations sur les événements

Exemples :
L’espace échantillon (univers) Ω est l’événement qui est toujours
réalisé, "événement certain".
L’ensemble vide ∅ est l’événement qui n’est jamais réalisé "événement
impossible".
Si A est un événement, alors A est un événement aussi.
Si A et B sont deux événements, alors A ∪ B est un événement aussi.
Si A et B sont deux événements, alors A ∩ B est un événement aussi.
Statistiques et Probabilité | Notions de Probabilités | Opérations sur les événements

On arrive au point essentiel de définir la probabilité d’un événement A
(A ⊂ Ω), qui doit mesurer la chance que l’événement A à de se réaliser lors
qu’on effectue une expérience.
La complicité de la définition dépend de celle de Ω : Ω fini ; Ω infini
dénombrable où Ω infini non dénombrable.
Statistiques et Probabilité | Notions de Probabilités | Tribus
Tribus
Definition (Tribus)
Soient Ω un ensemble et P(Ω) l’ensemble des parties de Ω. On appelle
tribu de Ω un sous-ensemble
T ⊂ P(Ω)
vérifiant les conditions suivantes :

1 Ω ∈ T,
2 ∅ ∈ T,
3 A∈T ⇒ A∈T ,
4 (An )n∈N ⊂ T ⇒ ∪ ∈ T .
n∈N
Tribus
Les éléments d’une tribu T de Ω sont donc des sous-ensembles de E. La
troisième condition précise que si un sous-ensemble est dans la tribu T , son
complémentaire également. Un cas particulier de la condition (4) est de dire
que si deux sous-ensembles A et B sont dans la tribu T , alors leur réunion
A ∪ B est aussi dans T .
Exemples
Soit Ω un ensemble. Alors T = P(Ω) est une tribu de Ω.
Soit Ω un ensemble. Alors T = {Ω, ∅} est une tribu de Ω. C’est la plus
petite tribu que l’on puisse construire sur Ω. Elle est souvent appelée la
tribu triviale.
Soit Ω = {a, b, c} un ensemble à trois éléments. Considérons le
sous-ensemble de P(Ω)
T = {Ω, ∅, {a}, {b, c}}.
Alors T vérifie les conditions pour être une tribu de Ω.
Exemples
Definition
Un espace probabilisable est un couple (Ω, T ) où Ω est un ensemble, T
une tribu sur Ω.
example
L’espace (Ω, P(Ω)) est un espace probabilisable.
Vocabulaire
Definition
Soit (Ω, T ) un espace probabilisable. Alors
Ω est appelé l’espace des épreuves.
Les éléments de la tribu T sont les événements.
Un élément ω ∈ Ω est appelé résultat. Si ω ∈ Ω est un élément d’un
événement A ∈ T , on dit que A est réalisé.
Vocabulaire
notations vocabulaire ensembliste vocabulaire probabiliste
Ω ensemble plein espace des épreuves (événement
∅ ensemble vide événement impossible
ω élément de Ω événement élémentaire
A sous-ensemble de Ω événement
ω∈A ω appartient à A ω réalise A
A⊂B A inclus dans B A implique B
A∪B réunion de A et B A ou B
A∩B intersection de A et B A et B
Ac ou A complémentaire de A événement contraire de A
A∩B =∅ A et B disjoints A et B incompatibles
Exemple
Considérons l’ensemble à deux éléments
Ω = {p, f }
Cet espace des épreuves peut, par exemple, correspondre aux résultats
d’un lancer d’une pièce de monnaie. Prenons
T = P(Ω) = {{p, f }, ∅, {p}, {f }}.
Considérons le résultat p. Alors les événements suivants sont réalisés :
Ω, {p}
Notons que l’événement est toujours réalisé, quel que soit le résultat
ω ∈ Ω.
Exemple
Considérons l’ensemble à deux éléments
Ω = {p, f }
Cet espace des épreuves peut, par exemple, correspondre aux résultats d’un
lancer d’une pièce de monnaie. Prenons
T = P(Ω) = {{p, f }, ∅, {p}, {f }}.
Considérons le résultat p. Alors les événements suivants sont réalisés :
Ω, {p}
Notons que l’événement est toujours réalisé, quel que soit le résultat
ω ∈ Ω.
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Definition
Soit (Ω, T ) un espace probabilisable. Une application
P : T 7→ [0, 1]
est appelée une probabilité sur cet espace si

1 P (Ω) = 1,
2 0 ≤ P (A) ≤ 1, pour tout événement A ⊂ Ω
3 Pour tout familles fini ou dénombrable (Ai )i i ∈ I d’événements
deux-à-deux disjoints (incompatibles) (Ai ∩ Aj = ∅ pour i 6= j) on
a: X
P ( ∪ Ai ) = P (Ai ).
i∈N
i∈N

Soit P une probabilité sur l’espace (Ω, T ). Alors
P
1 P (Ω) = P (ω) = 1
ω∈Ω
2 P (∅) = 0,
Pour tout A ∈ T , P (A) =
P
3 P (ω)
ω∈A
4 Pour tout A ∈ T , P (A) = 1 − P (A)
5 Pour tout A, B ∈ T , P (A\B) = P (A) - P (A ∩ B),
6 Pour tout A, B ∈ T , si A ⊂ B, alors P (A) ≤ P (B) ;
7 Si A, B ∈ T sont deux événements pas nécessairement incompatibles,
alors
P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

example
Soit Ω = {p, f }. On Considère la tribu T = P(Ω). L’application
P(Ω) 7→ [0, 1]
définie par
1
= P ({f }), P(Ω) = 1, P (∅).
P ({p}) =
2
est une probabilité sur cet espace.

example
Soit Ω = {pp, pf, f p, f f }. On considère la tribu T = P(Ω). L’application
P définie à partir de
1
P ({pp}) = P ({pf }) = P ({f p}) = P ({f f }) =
4
s’étend en une probabilité. Ceci signifie qu’il existe une unique loi de
probabilité sur (Ω, T ) dont la restriction aux événements élémentaires est
donnée par la relations ci dessus. En particulier si A = {pp, pf, f p} qui
correspond à l’événement d’avoir au moins pile dans deux lancers d’une
pièce, alors P (A) = 43 .
Definition
On appelle espace probabilisé un triplet (Ω, T, P ) où (Ω, T ) est un espace
probabilisable et P une probabilité sur (Ω, T ).
Definition (Evénements négligeables)

Soit (Ω, T, P ) un espace probabilisé. Un événement A ∈ T est dit
négligeable si sa probabilité est nulle :
P (A) = 0.
Équiprobabilité
On dit qu’il y a équiprobabilité lorsque Ω est fini, de cardinal n, et tous les
événements simples sont de même probabilité c’est à dire elles ont la même
chance de se réaliser (équiprobables). Dans ce cas :
1 1
P ({ω}) = = , ∀ω ∈ Ω
n Card(Ω)
où Card(Ω) est le nombre d’élément de Ω. La probabilité P sur Ω est dite

uniforme. Si les événements simples sont équiprobables, la probabilité de
tout événement A est donnée par :
Card(A) Nombre de cas favorables à A

P (A) = = .
Card(Ω) Nombre de cas possibles
Indépendance
Definition (Événements indépendants)

Soit (Ω, T, P ) un espace probabilisé. Deux événement A, B ∈ T sont dits
indépendant si
P (A ∩ B) = P (A)P (B).
Cette notion d’indépendance est fondamentale pour la suite. Elle ne

concerne que deux événements. Pour trois (ou plus) événements, nous
avons la définition suivante
Indépendance
Definition
Soit (Ω, T, P ) un espace probabilisé. Un ensemble d’événements
A1 , A2 , . . . , An ∈ T est dit totalement indépendant si pour tout
sous-ensemble I ⊂ {1, 2, . . . , n}
Y
P ( ∩ Ai ) = P (Ai ),
i∈I
i∈I
Les événements sont deux à deux indépendants si pour tous indices i, j

(i 6= j),
P (Ai ∩ Aj ) = P (Ai )P (Aj ).
100 /
A. Laghrib | c b n a 213
Exemple
On considère l’expérience relative à un lancer de deux dés. On a alors
Ω = {(1, 1), (1, 2), · · · , (1, 6), (2, 1), (2, 2), · · · , (2, 6), (6, 1), · · · , (6, 6)}
Cet ensemble fini contient donc 6 × 6 = 36 éléments. On considère les

événements
A = { la somme des dés vaut 7 }
B = { le premier dé affiche 4 }
C = { le second dé affiche 3 }
Calculer P (A ∩ B), P (A ∩ C), P (B ∩ C) et P (A | B ∩ C).
Que pensez-vous des deux définitions ? Sont-elles équivalentes ?
101 /
Indépendance
Theorem (Critère d’indépendance)

Deux événements A et B sont indépendants si et seulement si
P (A ∩ B) = P (A)P (B)
102 /
Indépendance
Definition
Soit (Ω, T, P ) un espace probabilisé. Un ensemble d’événements
A1 , A2 , . . . , An ∈ T est dit totalement indépendant si pour tout
sous-ensemble I ⊂ {1, 2, . . . , n}
Y
P ( ∩ Ai ) = P (Ai ),
i∈I
i∈I
Les événements sont deux à deux indépendants si pour tous indices i, j

(i 6= j),
P (Ai ∩ Aj ) = P (Ai )P (Aj ).
103 /
Indépendance
Exemple :
On considère l’expérience relative à un lancer de deux dés. On a alors
Ω = {(1, 1), (1, 2), · · · , (1, 6), (2, 1), (2, 2), · · · , (2, 6), (6, 1), · · · , (6, 6)}
Cet ensemble fini contient donc 6 × 6 = 36 éléments. On considère les

événements
A = { la somme des dés vaut 7 }
B = { le premier dé affiche 4 }
C = { le second dé affiche 3 }
Calculer P (A ∩ B), P (A ∩ C), P (B ∩ C) et P (A | B ∩ C).
Que pensez-vous des deux définitions ? Sont-elles équivalentes ?
104 /
Indépendance
Theorem
Si A et B sont des événements indépendants, alors :
A et B sont des événements indépendants ;
A et B sont des événements indépendants ;
A et B sont des événements indépendants.
105 /
Indépendance
Exemple :
Une urne contient 12 boules numérotées de 1 à 12. On en tire une hasard, et
on considère les événements
A="tirage d’un nombre pair”,
B="tirage d’un multiple de 3”.
Les événements A et B sont-ils indépendants ?
106 /
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Definition (Probabilités conditionnelles)

Soient (Ω, T, P ) un espace probabilisé et A, B ∈ T deux événement tels
que P (B) 6= 0. On appelle probabilité conditionnelle de l’événement A
sachant B le rapport
P (A ∩ B)
P (A|B) =
P (B)
107 /
Il est clair que la probabilité conditionnelle de A sachant l’événement total
Ω est égal à P (A). De même si B est un événement tel que B ⊂ A, alors
A ∩ B = B et P (A|B) = 1.
108 /
Remarque :
Si A et B sont tels que P (A) > 0, P (B) > 0 on peut écrire :
P (A ∩ B)
P (A | B) = =⇒ P (A ∩ B) = P (A | B).P (B).
P (B)
De même :
P (A ∩ B)
P (B | A) = =⇒ P (A ∩ B) = P (B | A).P (A).
P (A)
109 /
Remarque :
A : l’événement dont on cherche à prévoir la probabilité.
B : l’élément additionnel qui aide à prévoir la probabilité de A.
P (A) : c’est la probabilité à priori.
P (A | B) : probabilité à posteriori de A contenu de B.
P (B) : à calculer par la formule des probabilités totale.
P (B | A) : fiabilité informationnelle de B par rapport à A.
110 /
Exemple :
On tire au hasard une carte parmi 10 (numérotées de 1 à 10).
soit S l’événement "le numéro tiré est multiple de 3 à condition qu’il soit
supérieur ou égal à 7".
111 /
Exemple :
Une urne contient 10 boules noires et 15 boules blanches. On effectue deux
tirages successifs sans remettre la première boule tirée dans l’urne (tirage
sans remise). Quelle est la probabilité d’obtenir une boule noire au premier
tirage et une boule blanche au deuxième tirage ?
112 /
Exemple (solution) :
On a Card(Ω) = 25
A : l’événement " Obtenir une boule noire au premier tirage "
10
Card(A) = 10 et P (A) =
25
B : l’événement " Obtenir une boule blanche au deuxième tirage "
15
Card(B) = 15 et P (B | A) =
24
C : l’événement " Obtenir une boule noire au premier tirage et une
boule blanche au deuxième tirage "
C = A ∩ B =⇒ P (C) = P (A ∩ B)
113 /
Exemple (solution) :
P (B ∩ A) 15 10 1
P (B | A) = =⇒ P (B∩A) = P (B | A)P (A) = =
P (A) 24 25 4
114 /
Remarque :
1 L’événement contraire de A | B est Ā | B.
2 Cas particulier si A ⊂ B alors P (A) ≤ P (B) et P (A ∩ B) = P (A)
d’où
P (A ∩ B) P (A)
P (A | B) = = .
P (B) P (B)
115 /
Theorem (Le théorème de Bayes)

Soient (Ω, T, P) un espace probabilisé et A, B ∈ T deux événement tels
que P (A) 6= 0 et P (B) 6= 0. Alors
P (B|A)P (A)
P (A|B) = .
P (B)
116 /
On remarque que
P (B) = P (A ∩ B) + P (A ∩ B) = P (B | A)P (A) + P (B | A)P (A), ainsi
P (B | A)P (A)
P (A | B) = .
P (B | A)P (A) + P (B | A)P (A)
Ce résultat se généralise de la façon suivante
Theorem (Le théorème de Bayes généralisé)

Soient (Ω, T, P ) un espace probabilisé et {A1 , · · · , Ak } une partition de Ω
telle que chaque Ai ∈ T , i = 1, · · · , k, et P (Ai ) 6= 0. Alors, pour tout
événement B de T on a :
P (B|Ai )P (Ai )
P (Ai |B) = P , pour i = 1, 2, ..., k
P (B|Aj )P (Aj )
j=1 117 /
Soient deux cages remplies de lapins. La première C1 contient dix 10 lapins
gris et trente 30 blancs ; la seconde C2 contient vingt 20 de chaque. On tire
sans préférence particulière une des deux cages au hasard et dans cette
cage, on tire un lapin au hasard. Le lapin est blanc. Quelle est la probabilité
qu’on ait tiré ce lapin de la première cage ?
118 /
Soit C1 l’événement " On tire dans la première cage"
et C2 l"événement " On tire dans la seconde cage".
Comme on tire sans préférence particulière : P (C1 ) = P (C2 )
de plus P (C1 ) = P (C2 ) = 12 .
119 /
Notons B l’information donnée " On tire un lapin blanc " . On a
la probabilité de B sachant C1 vaut :
P (B ∩ C1 ) 30
P (B | C1 ) = = = 0.75
P (C1 ) 40
la probabilité de B sachant C2 vaut :
P (B ∩ C2 ) 20
P (B | C2 ) = = = 0.5
P (C2 ) 40
On veut calculer la probabilité de C1 sachant B. La formule de Bayes nous
donne donc,
P (B | C1 )P (C1 )
P (C1 | B) = = 0.6
P (B | C1 )P (C1 ) + P (B | C2 )P (C2 )
120 /
Statistiques et Probabilité | Variables aléatoires
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Fonction de répartition 121 /
Variables aléatoires
Définition
Nous travaillons toujours dans un espace de probabilité (Ω, T , P ),
modélisant le phénomène aléatoire étudié.
Etant donné un univers Ω, Une variable aléatoire (v.a) X est une grandeur
numérique représentant le résultat d’une expérience aléatoire. On peut
donc considérer X comme une application de Ω dans R
X :Ω→ R
ω → X(ω)
122 /
Définition
123 /
Définition
A chaque évènement élémentaire ω de Ω correspond un nombre réel x
associé à la variable aléatoire X. Comme l’indique le graphe, il n’y a pas
obligatoirement autant de valeurs possibles prises par la variable aléatoire
X que d’évènements élémentaires. La valeur x correspond à la réalisation
de la variable X pour l’évènement élémentaire ω.
124 /
Exemple
Si l’on considère la constitution d’une fratrie de deux enfants, l’espace
fondamental est constitué des évènements élémentaires suivant :
Ω = {GG, GF, F G, F F }
Les valeurs possibles prises par la variable aléatoire
X = " nombres de fille dans la famille "
sont : X(Ω) = {0, 1, 2}
125 /
Exemple
L’expérience consiste à jeter trois pièces de monnaie simultanément.
Ω = {P P P, P P F, P F P, P F F, F P P, F P F, F F P, F F F }
Soit X = " nombre de faces obtenues " Dans ce cas : X(Ω) = {0; 1; 2; 3}.
126 /
Exemple
On lance un dé. On appelle X le numéro obtenu et Y son complément à 6.
Ω = {1, 2, 3, 4, 5, 6}.
ω 1 2 3 4 5 6
X(ω) 1 2 3 4 5 6
Y (ω) 5 4 3 2 1 0
sup(X, Y ) 5 4 3 4 5 6
127 /
Propriété
Soient X et Y deux variables aléatoires sur Ω et λ ∈ R. Alors X + Y ,
X − Y , λX, XY , sup(X, Y ) et inf(X, Y ) sont aussi des variables
aléatoires sur Ω.
128 /
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Fonction de répartition d’une variable aléatoire
Loi de probabilité
Definition (Loi de probabilité)

Soit Ω un univers muni d’une probabilité P , et soit X une v.a On appelle
loi de probabilité de X, notée PX , l’application qui à toute partie A de R
associe
PX (A) = P ({ω ∈ Ω : X(ω) ∈ A}).
130 /
Loi de probabilité
Dans la suite du cours, on utilisera la notation abrégée :
P ({ω ∈ Ω : X(ω) ∈ A}) = P (X ∈ A). De même, on notera P (X = x)
la probabilité P ({ω ∈ Ω : X(ω) = x})
131 /
Loi de probabilité
L’application PX définit une probabilité sur R.
132 /
Etablir une loi de probabilité

On considère une expérience aléatoire dont l’ensemble des issues est un
ensemble de nombres {x1 , x2 , . . . , xn }. Ces nombres sont les valeurs
possibles d’une variable aléatoire X. Soit pi , la probabilité de l’issue xi .
Établir la loi de probabilité de X, c’est attribuer à chacun des nombres xi la

probabilité pi . Cette loi est représentée sous forme d’un tableau :
133 /

Valeur possible x1 x2 ... xn
Probabilité p1 p2 ... pn 1
134 /

Pour établir une loi de probabilité, on commence par déterminer
correctement toutes les valeurs possibles, puis on calcule pour chaque
valeur sa probabilité.
On doit avoir p1 + p2 + · · · + pn = 1.
135 /

On tire une carte d’un jeu de 32. L’as de cœur rapporte 10 $, un roi, une
dame ou un valet rapporte 5 $, un dix 1 $ et les autres cartes ne rapportent
rien. On appelle X les gains possibles. On a X(Ω) = {0, 1, 5, 10}
Gain possible 10 5 1 0
1 12 4 15
Probabilité 32 32 32 32 1
136 /
Definition
On appelle fonction de répartition d’une v.a X, la fonction réelle F
définie par :
F : R → [0, 1]
x → F (x) = P (X ≤ x)
137 /
Propriété
Soit F la fonction de répartition de la v.a. X, on a
∀x ∈ R, 0 ≤ F (x) ≤ 1,
F est croissante,
F est continue à droite : ∀x0 ∈ R, on a lim F (x) = F (x0 )
x→x+
0
lim F (x) = 0 et lim F (x) = 1

x→−∞ x→+∞
Réciproquement, toute fonction F définie sur R et vérifiant les 4
propriétés ci-dessus est une fonction de répartition d’une v.a réelle.
∀(a, b) ∈ R2 , a < b, P (a < X ≤ b) = F (b) − F (a)
∀a ∈ R, P (X > a) = 1 − F (a)
138 /
Statistiques et Probabilité | Différents types de variables aléatoires
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Statistiques et Probabilité | Différents types de variables aléatoires
Types de variables aléatoires
Introduction
On distingue deux types de v.a, discrète et continue.
X(Ω), l’ensemble des possibilités, est fini ou dénombrable, on dit que
X est une v.a discrète, c’est à dire, X ne prend que des valeurs
numériques isolées.
X(Ω), l’ensemble des possibilités, est un intervalle ou une réunion
d’intervalles de R où R, on dit que X est une v.a continue.
140 /
Statistiques et Probabilité | Variable aléatoire discrète
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Variable aléatoire discrète
Definition
Soit un espace probabilisé (Ω, P(Ω), P ) associé à une expérience
aléatoire. On appelle variable aléatoire discrète, une application X, de Ω
dans X(Ω) = {x1 , x2 , ..., xn , ...}, ensemble fini ou dénombrable :
X : Ω → X(Ω) = {x1 , x2 , ..., xn , ...}

ω → X(ω)
X(Ω) est appelé ensemble des observables.
142 /
Variable aléatoire discrète

Exemples
On jette deux fois un dé ; on s’intéresse à la somme des numéros
obtenus.
On s’intéresse au nombre de lancers d’une pièces pour obtenir "pile".
143 /
Statistiques et Probabilité | Variable aléatoire discrète | Loi de probabilité
Loi de probabilité
Definition (Loi de probabilité)

La loi de probabilité (ou distribution) de la v.a. discrète X est la fonction :
P : X(Ω) = {x1 , x2 , ..., xn , ...} → [0, 1]

xi → P (X = xi )
144 /
Loi de probabilité
On note généralement P (X = xi ) = pi , et on a
1 Si X une v.a discrète finie, X(Ω) = {x1 , x2 , ..., xn }. La loi de de X est
définie par :
p1 = P (X = x1 ), p2 = P (X = x2 ), ..., pn = P (X = xn ) où 0 ≤ pk ≤ 1∀
où
n
X X
pk = 1, et P (A) = P (X = x), ∀A ⊂ X(Ω).
k=1 x∈A
145 /
Loi de probabilité
1 Si X est une v.a discrète infinie, sa loi de probabilité est définie par la
suite infinie :
p1 = P (X = x1 ), p2 = P (X = x2 ), ..., pn = P (X = xn ), ...
P+∞
où 0 ≤ pk ≤ 1 pour tout k ∈ N et k=1 pk = 1.
146 /
Loi de probabilité
Exemple :
On lance un dé. On appelle X le numéro obtenu et Y son complément à 6
et Z = sup(X, Y ).
1 Déterminer les ensemble des observables de X, Y et Z.
2 Déterminer les lois des v.a X et Y et Z.
147 /
Loi de probabilité
Theorem
{(xi , Pi )/1 ≤ i ≤ n} est la loi de probabilité d’une v.a
(
0 ≤ Pi ≤ 1 pout tout i ∈ {1, 2, ..., n}
si et seulement si Pn (1)
i=1 Pi =1
148 /
Loi de probabilité
Remarque
La loi de probabilité d’une v.a discrète X est entièrement déterminée par :
X(Ω) et {P (X = xi ), xi ∈ X(Ω)}
149 /
Loi de probabilité
Example
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d X
représentant le nombre de faces obtenues après ces 2 lancements.
1 Donner les valeurs de X.
2 Définir la loi de probabilité de X.
150 /
Loi de probabilité
On a Ω = {(P ; P ); (P ; F ); (F ; P ); (F ; F )} événement équiprobable.
X : Ω −→ R et X(Ω) = {0; 1; 2}
Donc
x 0 1 2
1 1 1
P (X = x) 4 2 4
151 /
Statistiques et Probabilité | Variable aléatoire discrète | Fonction de répartition
Definition
On appelle fonction de répartition de la v.a. discrète X, la fonction
F : R = → [0, 1]
x → F (x) = P (X ≤ x)
Autrement dit, X
F (x) = P (X = xi ).
xi ∈X(Ω),xi ≤x
152 /
Propriétés
Soit X une v.a finie de fonction de répartition F et de loi {p1 , p2 , ..., pn }.
X(Ω) = {x1 , x2 , ..., xn }, (x1 < x2 < · · · < xn ), alors
1 ∀x ∈] − ∞, x1 [, F (x) = 0
2 ∀x ∈ [xk , xk+1 [, F (x) = p1 + ... + pk 1 ≤ k ≤ n − 1
3 ∀x ∈ [xn , +∞[, F (x) = 1
4 pk = P (X = xk ) = F (xk ) − F (xk−1 )
153 /
Remarque
Il est parfois plus simple de déterminer la loi d’une v.a. d à partir de sa
fonction de répartition en utilisant la propriété 4.
154 /
Example
Soit la v.a.d X définie par X(Ω) = {1, 2, 3}.
1 1 1
p1 = P (X = 1) = , p2 = P (X = 2) = , p3 = P (X = 3) =
2 3 6
Donner la fonction de répartition de X
155 /
Example


 0 si x<1

 1/2 si 1≤x<2

F (x) =


 5/6 si 2≤x<3

1 x≥3

si
156 /
la courbe de la fonction de répartition est une courbe en escalier.
157 /
Espérance
Dans le cas discret X = x1 , x2 , ..., xn , l’espérence est donnée comme suit :
n
X
E(X) = p i xi
i=1
158 /
Variance
On appelle variance de la variable aléatoire X la valeur moyenne des
carrés des écarts à la moyenne,

V (X) = E (X − E(X))2 .
Le calcul de la variance se simplifie en utilisant l’expression :
V (X) = E(X 2 ) − E(X)2 .
On appelle écart-type de la variable aléatoire X la racine carrée de sa

variance.
q
σ(X) = V ar(X).
159 /
Statistiques et Probabilité | Exemples de lois de probabilités discrètes
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi uniforme
Exemples de lois de probabilités discrètes

Loi uniforme
Definition (Loi uniforme)

La v.a X suit la loi uniforme sur S = {x1 , . . . , xn } si :
X(Ω) = S.
1 1
P ({X = xk }) = n = Card(S) , ∀k = 1, . . . , n.
On écrira :
X ∼ U{x1 ,...,xn }
On a alors
n n
1X 1X
E(X) = xi et V (X) = x2 − [E(X)]2
n i=1 n i=1 i
161 /
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi uniforme
Loi uniforme
Example
On jette un dé bien équilibré, on considère la v.a.d X définie par X = le
point marqué par le dé.
Ω = {1, . . . , 6}, X(Ω) = {1, . . . , 6} = S,
si k ∈ S,
1 1
P ({k}) = P (X = k) = =
6 Card(S)
162 /
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Bernoulli
Loi Bernoulli
Soit une expérience à deux issues, succès et échec (ou vrai et faux) par
exemple. Soit la v.a X :
(
X = 0 si le résultat est un échec
X = 1 si le résultat est un succès
La loi de probabilité de la v.a X est : P (X = 1) = p et P (X = 0) = 1 − p,

(0 < p < 1). p est la probabilité du succès.
163 /
Loi Bernoulli
Definition
X est une v.a qui suit une loi de Bernoulli de paramètre p (0 ≤ p ≤ 1) si :
1) X(Ω) = {0, 1}.
2) P ({1}) = P (X = 1) = p, P ({0}) = P (X = 0) = 1 − p.
On écrira :
X ∼ Ber (p).
L’espérance et la variance de X sont :
E(X) = p, V (X) = p(1 − p)
164 /
Loi Bernoulli
Example
On jette une fois une pièce de monaie dont la probabilité d’avoir pile est p
(0 ≤ p ≤ 1), on considère la v.a X définie par :
(
1, si la pièce fait pile ;
X(ω) =
0, sinon.
comme Ω = {π, F }, π : pile, F : f ace.
165 /
Loi Bernoulli
Example
Si ω ∈ {π, F } alors
(
P (X = 1) = p, si ω = π ;
P ({ω}) =
P (X = 0) = 1 − p, si ω = F .
166 /
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Binomiale
Loi Binomiale
Soit une expérience à deux issues, succès ou échec (ou vrai et faux) par
exemple, on répète cette expérience dans les mêmes conditions n fois. On
note Xk la k ème observations
(
0 si le résultat est un échec
Xk =
1 si le résultat est un succès
et p la probabilité du succès.
167 /
Loi Binomiale
Les v.a X1 , · · · , Xn sont des v.a de Bernoulli de paramètre p indépendantes.
soit X = X1 + · · · + Xn le nombre de succès obtenu en n expériences
indépendantes. Cherchons la loi de X c’est à dire calculons P (X = k)
Si k > n il est clair qu’il n’y a pas de solution et que la probabilité est
nulle.
Si k ≤ n, on cherche tout les n-uplets comportant k "un" et n − k
"zéro". Il y en a Cnk . A cause de l’indépendance, chacune de ces n-uplets
a une probabilité égale à pk (1 − p)n−k . au totale nous obtenons :
P (X = k) = Cnk pk (1 − p)n−k
168 /
Loi Binomiale
Definition
On dit qu’une v.a.d X suit une loi Binomiale de paramètres n, p
(0 ≤ p ≤ 1) si :
X(Ω) = S = {0, 1, . . . , n}.
∀k ∈ S PX ({k}) = P (X = k) = Cnk pk (1 − p)n−k .
On note : X ∼ B(n, p).
169 /
Loi Binomiale
n
X n
X
E(X) = E(Xk ) = E(X1 ) = np
k=1 k=1
n
X n
X
V (X) = V (Xk ) = V (X1 ) = np(1 − p)
k=1 k=1
car X1 , . . . , Xn sont indépendantes.
170 /
Loi Binomiale
Propriété
Soient X1 et X2 deux v.a indépendantes suivant respectivent les lois
binomiales B(n1 , p) et B(n2 , p), alors X1 + X2 suit la loi binomiale
B(n1 + n2 , p).
171 /
Loi Binomiale
Example
On lance un dé dont les faces sont numérotées de 1 à 6. On appelle
événement E l’obtention sur la face le numéro 3 ou 6.
1 On lance le dé, quelle est la probabilité de l’événement E ?
2 On lance ledé, 8100 fois, calculer la moyenne et l’écart-type du
nombre d’arrivées de l’événement E.
172 /
Loi Binomiale
Example
1 On considère l’épreuve à deux issues

"succès" si E se produit c’est à dire on obtient 3 ou 6.
"échec" si E ne se produit pas c’est à dire on n’obtient ni 3 ni 6.
Donc P (E) = 1/3 = p
2 On répète l’épreuve 8100 fois. Soit la v.a, X = "nombre d’arrivées de
E ou nombre de succès ou nombre d’apparitions de 3 et 6".
X suit la loi binomiale B(8100, 1/3). Pour k = 0, 1, 2, . . . , 8100,
P (X = k) = Cnk (1/3)k (2/3)n−k , E(X) = 8100 × 31 = 2700,
√ √
V (X) = 8100 × 13 × 23 = 1800 et σ(X) = 1800 = 30 2
173 /
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi de poisson
Loi de poisson
La loi de poisson est une loi de probabilité qui s’applique aux événements
rares, elle décrit aussi le nombre d’apparitions d’un événement pendant une
duré de temps déterminée. Le nombre aléatoire X de ces événements suit
une loi de Poisson de paramètre λ > 0 qui représente la moyenne
d’événements survenus.
174 /
Loi de poisson
Definition
On dit que la v.a X suit la loi de poisson de paramètre λ > 0 si :
X(Ω) = N.

λk exp[−λ]
P (X = k) = ∀k∈N
k!
On note
X ∼ P(λ).
175 /
Loi de poisson
Definition
+∞ +∞ +∞
X X λk exp[−λ] X λk
E(X) = kP (X = k) = k = λ car = exp[λ]
k=0 k=0
k! k=0
k!
V (X) = λ
176 /
Loi de poisson
Propriété
Soient X1 et X2 deux v.a indépendantes suivant respectivent les lois de
poisson P(λ1 ) et P (λ2 ), alors X1 + X2 suit la loi de poisson P(λ1 + λ2 ).
177 /
Loi de poisson
Example
Une machine utilisée dans une chaîne de production tombe en panne en
moyenne 2 fois par mois. Soit X le nombre de pannes par mois.
1 Quelle est la probabilité que dans un mois donnée la machine ne
tombe pas en panne ?
2 Quelle est la probabilité que dans un mois donnée la machine tombe
en panne au moins deux fois ?
178 /
Loi de poisson
Example
X suit la loi de poisson de paramètre λ = 2, X ≈ P(2),
k
P (X = k) = 2 exp[−2]
k! .
1 La machine ne tombe pas en panne donc k = 0 et la probabilité est
0
P (X = 0) = 2 exp[−2]
0! = exp[−2] = 0.135.
2 La machine tombe en panne au moins deux fois donc k ≥ 2 et la
probabilité est : P (X ≥ 2) = 1 − P (X < 2) = 1 − (P (X =
0 1
0) + P (X = 1)) = 1 − ( 2 exp[−2]
0! + 2 exp[−2]
1! )=
1 − (exp[−2] + 2 × exp[−2]) = 1 − 0.405 = 0.595.
179 /
Résumé
Loi Loi de probabilié Espérance Variance

n+1 n2 −1
Uniforme P (X = k) = n1 , k ∈ {1, . . . , n} 2 12
bernoulli P (X = 1) = p et P (X = 0) = 1 − p p p(1 − p)
P (X = k) = Cnk pk (1 − p)n−k
Binomiale np np(1 − p)
k ∈ {0, 1, . . . , n}
λ k
Poisson P (X = x) = e k!λ pour λ ≥ 0 et k ∈ N λ λ
180 /
Statistiques et Probabilité | Variables aléatoires continues
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Variables aléatoires continues
Introduction
Une variable aléatoire est dite continue si elle peut prendre toutes les
valeurs d’un intervalle. En particulier, dans le cas où la variable aléatoire
peut prendre toute valeur réelle (son ensemble de définition contient un
intervalle de R), on parle de variable aléatoire réelle.
182 /
Introduction
Dans ce cas, il ne s’agira plus de calculer une probabilité d’apparition d’une
valeur donnée mais d’un intervalle. Quelques exemples :
temps d’attente pour avoir le bus : X(ω) ∈ [0, 30]
longueur de cheveux : X(ω) ∈ [0, 4]
intervalle entre deux averses :X(ω) ∈ [1, 20]
moyenne des tailles de 20 étudiants pris au hasard : X(ω) ∈ [1.5, 1.9]
183 /
Définition d’une variable aléatoire continue
Definition
Soit X : Ω → R une variable aléatoire continue réelle, X(Ω), l’ensemble
des possibilités, est un intervalle ou une réunion d’intervalles de R ou R
et P une probabilité sur Ω
184 /
Définition d’une variable aléatoire continue

En effet, pour une variable aléatoire continue, la probabilité associée à
l’évènement
{X = a}
est nulle, car il est impossible d’observer exactement cette valeur.
On considère alors la probabilité que la variable aléatoire X prenne
des valeurs comprises dans un intervalle [a, b] tel que
P (a ≤ X ≤ b)
Lorsque cet intervalle tend vers 0, la valeur prise par X tend alors vers
une fonction que l’on appelle fonction densité de probabilité ou
densité de probabilité.
185 /
Statistiques et Probabilité | Variables aléatoires continues | Densité de probabilité
En effet, pour une variable aléatoire continue, la probabilité associée à
l’évènement
{X = a}
est nulle, car il est impossible d’observer exactement cette valeur.
On considère alors la probabilité que la variable aléatoire X prenne
des valeurs comprises dans un intervalle [a, b] tel que
P (a ≤ X ≤ b)
Lorsque cet intervalle tend vers 0, la valeur prise par X tend alors vers
une fonction que l’on appelle fonction densité de probabilité ou
densité de probabilité.
186 /
Definition (Densité de probabilité)

On appelle densité de probabilité toute application :
f: R → R
x → f (x)
telle que
f (x) ≥ 0 pour tout x ∈ R
f est continue sauf en un nombre fini de points.
R +∞
−∞ f (t)dt = 1
187 /
Remarque
Cette fonction densité de probabilité est une loi de probabilité car l’aire sous
la courbe est égale à 1 pour toutes les valeurs de x définies.
188 /
Réciproquement :
Definition (Variable aléatoire continue)

Une application X : Ω → R est appelée variable aléatoire absolument
continue (ou de loi continue) s’il existe une fonction de densité f tel que :
pour tout (a, b) ∈ R
Z b
P (a ≤ X ≤ b) = f (x)dx.
a
189 /

Example
Soit
f: R → R

cos(x), si x ∈]0, π2 ]
x → f (x) :=
0, si non
Montrer que f est une densité de probabilité

Soit
c
f (x) =
1 + x2
Pour quelle(s) valeur(s) de c la fonction f est-elle bien une densité ?
190 /
Statistiques et Probabilité | Variables aléatoires continues | Fonction de répartition
Si comme pour les variables aléatoires discrètes, on définit la fonction de
répartition de X par :
F (x) = P (X ≤ x) pour tout x ∈ R
La relation entre la fonction de répartition F et la fonction densité de

probabilité f est la suivante :
Z t
∀t ∈ R F (t) = P (X ≤ t) = f (x)dx
−∞
191 /
La fonction de répartition F est la primitive de la fonction densité de
probabilité f , et permet d’obtenir les probabilités associées à la variable
aléatoire X.
192 /
Les propriétés associées à la fonction de répartition sont les suivantes :
Propriété
Soient X une v.a de densité f et F sa fonction de répartition. Alors :
F est continue sur R.
F est dérivable en tout point x0 où f est continue et on a
0
F (x0 ) = f (x0 ).
FX est croissante sur R
FX est à valeurs dans [0, 1]
lim F (t) = 0, lim F (t) = 1
t→−∞ t→+∞
193 /

Example
Soit
f: R → R

cos(x), si x ∈]0, π2 ]
x → f (x) :=
0, si non
Déterminer la fonction de répartition F :

Soit
c
f (x) =
1 + x2
Déterminer la fonction de répartition F .
194 /
Statistiques et Probabilité | Variables aléatoires continues | Loi d’une v.a.c
Loi d’une v.a.c
Definition
Soit X : Ω −→ E une v.a. On appelle loi de X sous P la probabilité image
de P par X.
195 /
Loi d’une v.a.c
Propriété
Soit X une variable aléatoire absolument continue de densité f et de fonction
de répartition F , alors :
Ra
P (X ≤ a) = F (a) = −∞ f (t)dt.
Rb
P (a < X ≤ b) = F (b) − F (a) = a f (t)dt, ∀a, b ∈ R.
P (X > a) = P (X ≥ a) = 1 − F (a), ∀a ∈ R.
P (X = a) = 0, ∀a ∈ R.
P (a < X < b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤
b), ∀a, b ∈ R.
196 /
Espérence
Dans le cas d’une variable aléatoire continue, l’espérence est définie comme
suit :
Z
E(X) = xf (x) dx.
R
197 /
Variance
Dans le cas d’une variable aléatoire continue,
Z Z
2
V (X) = (x − E(X)) f (x) dx = x f (x) dx − E(X)2 .
2
R R
198 /
Statistiques et Probabilité | Exemples de lois de probabilités continues
Contents
Arrangements
Permutations
Combinaisons
Tribus
Loi de probabilité
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi uniforme
Exemples de lois de probabilités continues

Loi uniforme
Definition
Une v.a X suit la loi uniforme sur l’intervalle [α, β] si elle admet pour
densité la fonction :
1
(
(β−α) si x ∈ [α, β]
f (x) =
0 sinon
et on écrit X ∼ U([α, β]), sa fonction de répartition est :




 0 si x ≤ α
x−α
F (x) = β−α si x ∈ [α, β]

si x ≥ β

 1

200 /
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi uniforme
Loi uniforme
Definition
β+α (β − α)2
E(X) = et V (X) =
2 12
201 /
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi exponentielle

Loi exponentielle
Definition
Une v.a X suit la loi exponentielle de paramètre λ > 0 si elle admet pour
densité la fonction :
(
λ exp[−λx] si x ≥ 0
f (x) =
0 si x < 0
et on écrit X ∼ E(λ), et sa fonction de répartition est :

(
1 − exp[−λx] si x ≥ 0
F (x) =
0 si x < 0
1 12
L’espérance et la variance de X sont : E(X) = λ et V (X) = λ .
202 /
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi exponentielle
Loi exponentielle
La loi exponentielle sert de modèle dans les problèmes de files d’attentes et
de durée de vie.
203 /
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi Normale ou Gaussienne
Definition
La v.a X suit la loi normale (ou loi de Gauss) d’espérance mathématique
m et de variance σ 2 , si X peut prendre n’importe quelle valeur de R et si
elle admet pour densité la fonction :
" #
1 (x − m)2
f (x) = √ exp −
2πσ 2σ 2
et on écrit X ∼ N (m, σ 2 ). Lorsque m = 0 et σ 2 = 1 on l’appelle la loi

normale standard ou loi normale centré réduite X ∼ N (0, 1) (centré
m = E(X) = 0, réduite V (X) = 1).
204 /
Propriété
Soient X ∼ N (m, σ 2 ) et a, b ∈ R alors on a :
Y = aX + b ∼ N (am + b, a2 σ 2 ).
X−m
Si X ∼ N (m, σ 2 ) alors Z = σ ∼ N (0, 1).
Si Z ∼ N (0, 1) alors X = σZ + m ∼ N (m, σ 2 ).
205 /

Loi densité de probabilié Espérance Variance
1 a+b (b−a)2
Uniforme f (x) = avec a ≤ x ≤ b
b−a 2 12
1 1
Exponentielle f (x) = λ exp[−λx] pour x ≥ 0 et λ > 0 λ λ2
2
Normale f (x) = √1
2πσ
exp[− (x−m)
2σ 2
] pour x ∈ R m σ2
206 /
Propriétés
Résumons les principales propriétés de ces deux paramètres dans un
tableau.
Changement d’origine Changement d’échelle Transformation affine

E(X + c) = E(X) + c E(aX) = aE(X) E(aX + c) = aE(X) + c
V (X + c) = V (X) V (aX) = a2 V (X) V (aX + c) = a2 V (X)
σ(X + c) = σ(X) σ(aX) = |a|σ(X) σ(aX + c) = |a|σ(X)
207 /
Propriétés
Definition
Une variable aléatoire X est dite centrée si son espérance
mathématique est nulle.
Une variable aléatoire X est dite réduite si son écart-type est égal à 1.
Une variable aléatoire centrée réduite est dite standardisée.
208 /
Combinaisons de plusieurs variables aléatoires

1 Somme et différence.
Dans tous les cas,
E(X + Y ) = E(X) + E(Y ),

E(X − Y ) = E(X) − E(Y ).
Dans le cas de variables indépendantes :
V (X + Y ) = V (X) + V (Y ),
V (X − Y ) = V (X) + V (Y ).
209 /
Combinaisons de plusieurs variables aléatoires

1 Produit. Dans le cas de variables indépendantes,
E(XY ) = E(X)E(Y ).
210 /
aléatoires

Lorsque deux variables aléatoires ne sont pas indépendantes, il existe une
caractéristique qui permet de déterminer l’intensité de leur dépendance.
C’est la covariance.
Definition
La covariance de deux variables aléatoires X et Y est définie par
Cov(X, Y ) = E[(X − E(X)(Y − E(Y )] = E(XY ) − E(X)E(Y ).
211 /
aléatoires
Proposition
1 Si deux variables aléatoires sont indépendantes, leur covariance est
nulle.
2 Attention : La réciproque n’est pas vraie. Deux variables de covariance
nulle ne sont pas obligatoirement indépendantes.
3 Si deux variables aléatoires sont dépendantes,
E(XY ) = E(X)E(Y ) + Cov(X, Y ),

V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y )
212 /

Presentation Chapitre3

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

Presentation Chapitre3

Transféré par

Droits d'auteur :

Formats disponibles

Statistiques et Probabilité

FST Béni Mellal, Université Sultan Moulay Slimane

1 Introduction aux probabilités

8 Exemples de lois de probabilités discrètes

9 Variables aléatoires continues

10 Exemples de lois de probabilités continues

Introduction aux probabilités

Les développements plus récents concernant des espaces non

Cela fera appel à quelques propriétés sur l’analyse combinatoire, les

Introduction aux probabilités

Les développements plus récents concernant des espaces non

Cela fera appel à quelques propriétés sur l’analyse combinatoire, les

Introduction aux probabilités

Rappels de théorie des ensembles

Il s’agit ici d’un ensemble contenant seulement les trois lettres a, b, c.

Introduction aux probabilités

Rappels de théorie des ensembles

(Bien noter la différence entre l’appartenance (qui relie un élément à un

Introduction aux probabilités

Rappels de théorie des ensembles

 Un ensemble est entièrement défini par les éléments qui le

Introduction aux probabilités

Rappels de théorie des ensembles

Introduction aux probabilités

Rappels de théorie des ensembles

Definition (Ensemble des parties d’un ensemble)

Introduction aux probabilités

P (E) = {∅, E, {a}, {b}}.

Si E contient 2 éléments, P (E) contient 4 éléments.

Introduction aux probabilités

Introduction aux probabilités

Rappels de théorie des ensembles

Definition (Cardinal d’un ensemble)

Introduction aux probabilités

Rappels de théorie des ensembles

Definition (Réunion de deux ensembles)

Introduction aux probabilités

Rappels de théorie des ensembles

A ∪ B = {x ∈ E, tels que x ∈ A ou x ∈ B}.

Introduction aux probabilités

Definition (Intersection de deux ensembles)

La notation E ∩ F se lit aussi E inter F . Cette opération intersection peut

A ∩ B = {x ∈ E, tels que x ∈ A et x ∈ B}.

Introduction aux probabilités

Definition (Ensembles disjoints)

Definition (Différence de deux ensembles)

Introduction aux probabilités

Rappels de théorie des ensembles

A\B = {x ∈ E, tels que x ∈ A et x ∈

Introduction aux probabilités

Definition (Complémentaire d’un sous-ensemble)

On a donc les propriétés suivantes :

Introduction aux probabilités

Rappels de théorie des ensembles

Definition (Partition d’un ensemble)

Introduction aux probabilités

Rappels de théorie des ensembles

Introduction aux probabilités

Rappels de théorie des ensembles

Introduction aux probabilités

Rappels de théorie des ensembles

Propriété (Lois de Morgan)

Definition (Arrangements avec répétition)

Un ensemble est entièrement défini par les éléments qui le

lim F (x) = 0 et lim F (x) = 1