PRB - Chap2 - Variables Aléatoire Dis

Préliminaire mathématique et motivation Variable aléatoire réelle discrète Paramètres d’une v.a.
r discrète Lois de probabilité discr
Cours de Probabilités
Éléments de théorie et procédures de calcul
VARIABLES ALÉATOIRES RÉELES DISCRÈTES
Abdeljalil SETTAR
a.settar.fstm@gmail.com
Code Classroom : z6jgx6f
Université Hassan 2 – Faculté des sciences et techniques
MIP/S4 2023-2024
A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 1 / 56

Préliminaire mathématique et motivation Variable aléatoire réelle discrète Paramètres d’une v.a.r discrète Lois de probabilité discr
Plan du chapitre
1 Préliminaire mathématique et motivation
2 Variable aléatoire réelle discrète
Définition et typologie
Loi de probabilité - Fonction de répartition
3 Paramètres d’une v.a.r discrète
Espérance mathématique
Variance - écart-type
4 Lois de probabilité discrètes usuelles
Épreuve de Bernoulli
Lois finies
Lois infinies dénombrables
Espérance - Variance des lois usuelles
Propriétés multivariées et approximations
5 Couple de v.a.r discrètes
Loi de probabilité conjointe
Notions sur les applications
Définitions : Ensemble image, Image réciproque

Soit f une application de E dans F.
Pour tout A ⊂ E , l’ensemble
f (A) = {f (x )|x ∈ A}
est appelé ensemble image de A par f.

Pour tout B ⊂ F , l’ensemble
f −1 (B) = {x |f (x ) ∈ B}
est appelé image réciproque de B par f.

Propriétés
Soit f une application de E dans F. A, B ⊂ E et C , D ⊂ F .
f (A ∪ B) = f (A) ∪ f (B)
f (A ∩ B) ⊂ f (A) ∩ f (B)
A ⊂ B ⇒ f (A) ⊂ f (B)
f −1 (C ∪ D) = f −1 (C ) ∪ f −1 (D)
f −1 (C ∩ D) = f −1 (C ) ∩ f −1 (D)
f −1 (C ) = f −1 (C )
C ⊂ D ⇒ f −1 (C ) ⊂ f −1 (D)

Exemple 1 : Lancer d’un dé

On lance deux fois de suite un dé équilibré dont les faces sont numérotées
de 1 à 6. Quelle est la probabilité d’obtenir un résultat dont la somme des
faces égale à 5 ?
Ω = {(i, j)/1 ≤ i ≤ 6 et 1 ≤ j ≤ 6} = {1, 2, 3, 4, 5, 6}2 , Card(Ω) = 36
Ω est fini. On considère donc l’espace probabilisé (uniforme)

(Ω, P(Ω), P).
Soit E = "obtenir un résultat dont la somme des faces est égale à 5".
E = {(2, 3); (3, 2); (1, 4); (4, 1)}
D’où
Card(E )
P(E ) = = 4/36 = 1/9
Card(Ω)
Voyons les choses autrement !
Puisqu’on ne s’intéresse qu’à la somme des faces obtenues,

considèrons une variable X qui enregistre la somme obtenue aprés
chaque deux lancers.
Il s’agit d’une application :
X: Ω −→ R
(i, j) 7−→ i + j
Ainsi, l’ensemble des résultats possibles, appelé support de X , est
X (Ω) = {2, 3, 4, . . . , 12}
(11 résultats possibles au lieu de 36 !)

Les éléments de X (Ω) comme images des éléments de Ω étant

aléatoires. D’où la variable X est qualifiée de aléatoire.
Il s’agit d’une quantification des événements de Ω :
E = {ω = (i, j) ∈ Ω | i + j = 5}
= {ω = (i, j) ∈ Ω | X (i, j) = 5}
= X −1 ({5}) := {X = 5]
D’une manière générale {X = x } est un év énement tel que :
{X = x } = {ω ∈ Ω | X (ω) = x } = X −1 ({x })
Ainsi,

P(E ) = P X −1 ({5}) = P({X = 5})

On peut donc caractériser la variable aléatoire X par sa loi de probabilité

définie sur X (Ω) par :
PX : X (Ω) −→ {0, 1}
x 7−→ PX (x ) = P({X = x })

Remarque
Outre que {X = x }, les éléments {X ≤ x }, {X < x }, {X ≥ x } et
{X > x } sont aussi des événements.
Par exemple :
{X < 4} = {X = 3} ∪ {X = 2}
= {(1, 2); (2, 1); (1, 1)}
Astuce
Pour tout x ∈ X (Ω)
X (E ) = x ⇔ E = X −1 ({x }) ⇔ P({X = x }) = P(E )

Exemple 2 : Lancer d’une pièce de monnaie

On lance deux fois de suite une pièce de monnaie équilibré. Soit X la v.a.r
qui compte le nombre de piles obtenu après la deu x lancers. Quelle est la
probabilité de lévénement E = "Obtenir deux lancers identiques" ?
Ω = {PP, PF , FP, FF } = {P, F }2 , Card(Ω) = 4
Ω est fini. On lui associe l’espace probabilisé (Uniforme) (Ω, P(Ω), P).
1
Ainsi, P(E ) = P({FF , PP}) = .
2
La v.a.r X est définie sur Ω dont le support est X (Ω) = {0, 1, 2}, telle
que :
X ({FF }) = 0, X ({FP}) = X ({PF }) = 1, X ({PP}) = 2

L’événement E de P(Ω) correspond à l’événement

{X = 0} ∪ {X = 2} de X (Ω)
On peut donc définir sur X (Ω) une mesure de probabilité PX telle que
PX : X (Ω) −→ {0, 1}
x 7−→ PX (x ) = P({X = x })
D’où
1 1 1
P({X = 0} ∪ {X = 2}) = P(X = 0) + P(X = 2) = + =
4 4 2

Définition : Variable aléatoire réelle discrète

On appelle variable aléatoire réelle discrète, toute application X de Ω dans
R telle que
X (Ω) est fini ou au plus dénombrable.
∀x ∈ R, X −1 ({x }) = {ω ∈ Ω | X (ω) = x } := {X = x } ∈ P(Ω)
Exemple 2 [10] :
On sait que X (Ω) = {0, 1, 2}.
Si x < 0 , {X = x } = ∅ ∈ P(Ω)
Si 0 ≤ x < 1 , {X = x } = {X = 0} = {FF } ∈ P(Ω)
Si 1 ≤ x < 2 , {X = x } = {X = 1} = {PF , FP} ∈ P(Ω)
Si x ≥ 2 , {X = x } = {X = 2} = {PP} ∈ P(Ω)
X est donc une variable aléatoire.

Types de v.a.r
À retenir
On distingue deux types de variables aléatoires réelles :
Une variable aléatoire X est dite discrète si elle ne peut prendre que
des valeurs isolées finies (resp. infini dénombrables), i.e.,
X (Ω) = {x1 , x2 , . . . xn } (resp. X (Ω) = {x1 , x2 , . . .})
Une variable aléatoire X est dite continue si elle peut prendre une
infinité non dénombrable de valeurs, i.e.,
X (Ω) ⊂ R

Exemple 1 [5]
X est discrète car X (Ω) = {2, 3, 4, . . . , 12} est fini.

Soit l’événement :
A = {(i, j) ∈ [[1, 6]]2 / i et j sont de même parité}
= {1, 3, 5}2 ∪ {2, 4, 6}2
On note par 1A la v.a.r appelée indicatrice de A définie par :

1 si ω ∈ A
1A (ω) =
0 sinon.
1A (Ω) = {0, 1} ⇒ 1A est discrète.

Soit Z la v.a.r définie sur Ω par :

]min(i, j), max (i, j)[ si i ̸= j
Z ({(i, j)}) =
]i − 1, i + 1[ sinon.
Z (Ω) ⊂ R ⇒ Z est continue.Cours de Probabilités

A.SETTAR (FSTM) MIP/S4 2023-2024 14 / 56
À retenir
Soit X une variable aléatoire discrète de l’espace probabilisable (Ω, P(Ω)).
On note X (Ω) = {x1 , x2 , . . . , xn }. Alors la famille ({X = xi })i=1,2,...,n , est
un s.c.e de Ω associé à X.
D’une part, on a
{X = xi } ∩ {X = xj } = ∅ ∀i ̸= j
D’autre part,
n n
X −1 ({xi })
[ [
{X = xi } =
i=1 i=1
n
!
−1
[
=X ({xi })
i=1
= X −1 (X (Ω)) = Ω
Soit X une v.a.r discrète de l’espace probabilisé (Ω, P(Ω), P).
Définition : loi de probabilité d’une variable discrète

On appelle loi de probabilité de X l’application PX définie par :
PX : X (Ω) −→ [0, 1]
x 7−→ PX (x ) = P({X = x })
Plus précisement, on a pour toute partie A ⊂ X (Ω)

X
PX (A) = P({X = x })
x ∈A

Exemples
Exemple 1 (suite) [5] : Rappelons que X (Ω) = {2, 3, 4, . . . , 12}

xi X −1 ({xi }) PX (xi ) = P({X = xi })
2 {(1, 1)} 1/36
3 {(1, 2); (2, 1)} 2/36
4 {(2, 2); (1, 3); (3, 1)} 3/36
5 {(1, 4); (2, 3); (3, 2); (4, 1)} 4/36
6 {(2, 4); (4, 2); (3, 3); (5, 1); (1, 5)} 5/36
7 {(1, 6); (6, 1); (2, 5); (5, 2); (3, 4); (4, 3)} 6/36
8 {(2, 6); (6, 2); (3, 5); (5, 3); (4, 4)} 5/36
9 {(3, 6); (6, 3); (4, 5); (5, 4)} 4/36
10 {(4, 6); (6, 4); (5, 5)} 3/36
11 {(5, 6); (6, 5)} 2/36
12 {(6, 6)} 1/36

À noter !
1 L’uniformité de P n’entraine pas forcément l’uniformité de PX !
2 Deux v.a.r ayant la même loi de probabilité ne sont pas forcément
égales !
1 Exemple 1 [5] : P est uniforme car P({(i, j)}) = 1/36 pour tout
(i, j) ∈ Ω, alors que PX ne l’est pas car par exemple :
P({X = 2}) = 1/36 ̸= P({X = 3}) = 2/36
2 Exemple 2 [10] : Soit Y la v.a.r désignant le nombre de "Face"

observé. On a :
→ X (Ω) = Y (Ω) = {0, 1, 2}
→ Pour tout x , PX (x ) = PY (x ) (à vérfier).
Pourtant X ̸= Y car par exemple X (FF ) = 0 ̸= Y (FF ) = 2

Définition : Fonction de répartition

On appelle fonction de répartition de X, l’application FX définie par :
Fx : R −→ {0, 1}
x 7−→ FX (x ) = P({X ≤ x }) = xi ≤x P({X = xi })
P
Remarque
La fonction de répartition d’une v.a.r discrète X détermine sa loi de
probabilité telle que
PX (x1 ) = FX (x1 ) et PX (xi ) = FX (xi ) − FX (xi−1 ) pour i ≥ 2

Propriétés
Toute fonction de répartition FX d’une v.a.r X posséde les propriétés
suivantes
FX est croissante.
lim FX (x ) = 0 et lim FX (x ) = 1.
x →−∞ x →+∞
FX est continue à droite en tout point x de R.
FX admet une limite finie à gauche en tout point x de R, et :
lim FX (t) = FX (x ) − P({X = x }) = P({X < x })

t→x −

Astuce
Soit X (Ω) = {x1 , x2 , . . . , xi−1 , xi , . . . , xj−1 , xj , . . .}
P(X < xi ) = P(X ≤ xi−1 ) = FX (xi−1 )
P(xi <X ≤ xj ) = P(X ≤ xj ) − P(X ≤xi ) = FX (xj ) − FX (xi )
P(xi ≤X < xj ) = P(X < xj ) − P(X <xi ) = FX (xj−1 ) − FX (xi−1 )
P(xi ≤X ≤ xj ) = P(X ≤ xj ) − P(X <xi ) = FX (xj ) − FX (xi−1 )
P(xi <X < xj ) = P(X < xj ) − P(X ≤xi ) = FX (xj−1 ) − FX (xi )

Exemples
Exemple 1 : Lancer d’un dé (suite) [5]

1 Détérminer la fonction de répartition de X.
2 Quelle est la probabilité d’avoir un résultat de faces dont la somme
est supérieure strictement à 6 ?
est supérieure à 3 ?
est comprise strictement entre 3 et 7 ?
dépasse 3 et au plus églae 7̀ ?

Dans ce qui suit, on s’intéresse aux v.a.r discrètes finies ou au plus

dénombrable définies sur un espace probabilisé (Ω, P(Ω), P), et on note :
X (Ω) = {x1 , x2 , . . . , xn } si X est finie
et
X (Ω) = {x1 , x2 , . . . , xi , . . .} si X est infinie dénombrable
Définition : Espérance mathématique

On appelle espérance mathématique de X, le nombre réel (si il existe),
noté E(X ), défini par :
X
E(X ) = xi P({X = xi })
xi ∈X (Ω)

Remarque
Si X (Ω) est fini, E(X ) existe toujours (calcul d’une somme finie).
Ainsi, on a :
n
X
E(X ) = xi P({X = xi })
i=1
P+∞
Si X (Ω) est infini dénombrable, E(X ) existe si i=1 xi P({X = xi })
converge. Ainsi, on a :
+∞
X
E(X ) = xi P({X = xi })
i=1
- Exemple 2 [10] : X (Ω) est fini. E(X ) existe et vaut :

E(X ) = 0 × P({X = 0}) + 1 × P({X = 1}) + 2 × P({X = 2})
= 0 × 1/4 + 1 × 1/2 + 2 × 1/4 = 1
Exemples
Exemple 3 : Soit X une v.a.r de support X (Ω) = N (infini dénombrable) et dont

2n
la loi de probabilité est P({X = n}) = e −2 .
n!
2n
La série numérique n≥0 ne −2
P
converge (utiliser la régle d’Alembert
n!
|un+1 |
lim < 1). E(X ) existe et vaut :
|un |
n
−2 2 2n−1 2n
= 2e −2 n≥1 = 2e −2 n≥0
P P P
n≥0 ne =2
n! (n − 1)! n!
Exemple 4 : Soit X une v.a.r de support X (Ω) = N∗ (infini dénombrable) et
1
dont la loi de probabilité est P({X = n}) = .
n(n + 1)
P 1 P 1 P 1
La série numérique n≥0 n = n≥0 = n≥1 diverge (série
n(n + 1) (n + 1) n
de Riemann). D’où X n’admet pas d’espérance.

Exercice-Proposition
Pour tout événement A de l’espace probabilisé (Ω, P(Ω), P). Montrer que
P(A) = E(1A )

Propriétés : linéarité de l’espérance-indépendance

Soient X et Y deux variables aléatoires définies sur un même espace
probabilisé et a et b deux nombres réels, on a :
E(a) = a
E(aX + b) = aE(X ) + b
E(X + Y ) = E(X ) + E(Y )
Si X et Y sont indépendantes alors E(XY ) = E(X )E(Y ).

Théorèrme de transfert
Soit g une application de X (Ω) dans R. g(X ) est une v.a.r
d’espérance(lorsqu’il existe) donnée par
X
E(g(X )) = g(xi )P({X = xi })
xi ∈X (Ω)
En particulier, si g(X ) = X r , r ∈ N, on obtient

X
E(X r ) = xir P({X = xi })
xi ∈X (Ω)
Lorsqu’il existe, E(X r ) s’appelle le moment d’ordre r de X.

Exemple 2 : Lancer d’une pièce de monnaie (suite) [10]

On lance deux fois de suite une pièce de monnaie équilibrée. Soit X (resp.
Y) la v.a.r qui compte le nombre de piles (resp. de faces) obtenu après les
deux lancers.
1 Vérifier que Y = 2 − X . En déduir E(Y ).
2 Calculer le moment d’ordre 2 de X et en déduire celui de Y.

Définition : variance-écart-type
On appelle variance de X le nombre réel positif (si il existe), noté V(X ),
défini par :

V(X ) = E (X − E(X ))2 = E(X 2 ) − (E(X ))2
On appelle écart-type de X le nombre réel positif, noté σ(X ), défini par :

q
σ(X ) = V(X )

Propriétés : bilinéarité de la variance-indépendance

Soient X et Y deux variables aléatoires définies sur un même espace
probabilisé et a et b deux nombres réels, on a :
V(a) = 0
V(aX + b) = a2 V(X )
Si X et Y sont indépendantes alors V(X ± Y ) = V(X ) + V(Y ).

Exemples
Exemple 5 : Lancer d’un dé

On lance un dé non pipé et on suppose que :
- on gagne 10 dh si on obtient la face numéro 1
- on gagne 5 dh si on obtient la face 2 ou 3
- on gagne 2 dh si on obtient la face 4
- on perd 5 dh si on obtient la face 5 ou 6.
Calculer l’espérance et la variance du gain noté X.
X ({1}) = 10 , X ({2, 3}) = 5 , X ({4}) = 2 , X ({5, 6}) = −5
xi -5
10 Total 2 5
P({X = xi }) 1/3
1/6 1 1/6 1/3
xi P({X = xi }) -5/3
10/6 2 2/6 5/3
xi2 P({X = xi }) 25/3
100/6 34 4/6 25/3
√
D’où E(X ) = 2dh, V(X ) = 34 − 4 = 30 et σ(X ) = 30dh
Définition : Épreuve de Bernoulli

On appelle épreuve de Bernoulli de succès S et de paramètre p, toute
épreuve aléatoire dans laquelle on s’intéresse à l’occurrence d’un
événement privilégié S avec une probabilié p. La non réalisation de S (S)
est appelée échec de probabilité 1 − p.
Exemple 6 : Dans une urne contenant 5 boules blanches, 4 boules rouges

et 3 boules noires, on tire au hasard une boule et on s’intéresse à la
réalisation de l’événement : S="Obtenir une boule blanche".
→ C’est une expérience de Bernoulli de succès S avec une proababilité
5
p = P(S) = .
12
→ La v.a.r 1S est dite de Bernoulli telle que
P ({1S = 1}) = P(S) = p et P ({1S = 0}) = P(S) = 1 − p

Définition : Schéma de Bernoulli

On appelle schéma de Bernoulli de paramètres p et n (n ∈ N∗ ),
l’expérience qui consiste à répéter n fois de manière indépendante une
épreuve de Bernoulli de paramètre p.
Dans la même urne de l’exemple précédent [33], on tire au hasard,

avec remise 4 boules.
5
→ C’est un schéma de Bernoulli de paramètre n = 4 et p = .
12
↛ Ce n’est plus un schéma de Bernoulli lorsque le tirage est sans remise
(absence d’indépendance !).

Lois finies
Loi binomiale
Contexte usuel : Dans un schéma de Bernoulli de paramètre n et p, on

s’intéresse à la réalisation d’un succès S (P(S) = p). La variable aléatoire
X qui compte le nombre de succès réalisés est dite binomiale de
paramètres n et p.
Quelle est la probabilité de réaliser k succès parmi les n répétitions, i.e.

P({X = k}) ?
Définition : Variable binomiale

Une variable aléatoire X est binomiale de paramètres n et p si :
X (Ω) = {0, 1, 2, . . . , n}.
P({X = k}) = Cnk p k (1 − p)n−k
On note X ∼ Bin(n, p).

Lois finies
Exemples
Exemple 6 [33] (suite) :

Soit X le nombre de boules blanches parmi les 4 boules tirées.
X ∼ Bin(n = 4, p = P(S) = 5/12).
X (Ω) = {0, 1, 2, 3, 4}
k 4−k
k 5 7
P({X = k}) = C4
12 12
→ Probabilité d’obtenir 2 boules blanche :
2 4−2
5 7

P({X = 2}) = C42 = 00
12 12
→ Probabilité d’obtenir au moins une boule blanche

0 :
5 7 4

P({X ≥ 1}) = 1 − P({X = 0}) = 1 − C4 0 = 00
12 12
Lois finies
Loi hypergéométrique
Contexte usuel : Soit E un ensemble formé de N = (N1 + N2 ) éléments avec

N1 éléments de type S (succès) et N2 éléments de type S. On choisit au hasard,
simultanément ou successivement sans remise, n éléments dans l’ensemble E.
La variable aléatoire X qui compte le nombre de succès est appelée
hypergéométrique de paramètres N, N1 et n.
Quelle est la probabilité de réaliser k succès parmi les n répétitions, i.e.

P({X = k}) ?
Définition : Variable hypergéométrique

Une variable aléatoire X est hypergéométrique de paramètres N, N1 et n si :
X (Ω) = {sup(0, n − N2 ), . . . , inf (n, N1 )}.
P({X = k}) = CNk 1 CNn−k
2
/CNn
On note X ∼ H(N, N1 , n).
Lois finies
Exemples
Exemple 6 [33] (suite) : On suppose que le tirage est sans remise.

X ∼ H(N = 12, N1 = 5, n = 4)
X (Ω) = {0, . . . , 4}.
CNk 1 CNn−k
2
P({X = k}) =
CNn
→ Probabilité d’obtenir 2 boules blanches :
C52 C73
P({X = 2}) = = 00
C14 2
→ Probabilité d’obtenir au moins une boule blanche :

C 0C 4
P({X ≥ 1}) = 1 − P({X = 0}) = 1 − 5 4 7 = 00
C1 2
Loi binomiale négative
Contexte usuel : Dans un schéma de Bernoulli infini de paramètre p, on

X qui compte le nombre de répétitions à faire pour réaliser le r ème succès
est dite binomiale négative de paramètres r et p.
Quelle est la probabilité de réaliser r succès dans k répétitions, i.e.

P({X = k}) ?
Définition : Variable binomiale négative

Une variable aléatoire X est binomiale négative de paramètre r et p si :
X (Ω) = {r , r + 1, . . .}.
r −1 r
P({X = k}) = Ck−1 p (1 − p)k−r
On note X ∼ BN (r , p).

Exemples

Soit X le nombre de tirages nécéssaires pour obtenir 4 boules blanches.
X ∼ BN (r = 4, p = P(S) = 5/12).
X (Ω) = {4, 5, . . .}
P({X = k}) = Ck−1 3 p 4 (1 − p)k−4
→ Probabilité d’obtenir 4 boules blanche dans 6 tirages :
P({X = 6}) = C53 (5/12)4 (7/12)2 = 00
→ Probabilité d’obtenir 4 boules blanches dans au plus 6 tirages :

6
X
3
P({X ≤ 6}) = Ck−1 p 4 (1 − p)k−4 = 00
k=4

Loi géométrique
Contexte usuel : Dans un schéma de Bernoulli infini de paramètre p, on

X qui désigne le rang d’apparition du premier succès est dite géométrique
de paramètres p.
Quelle est la probabilité de réaliser le premier succès au k ème répétition,

i.e. P({X = k}) ?
Définition : Variable géométrique

Une variable aléatoire X est géométrique de paramètre p si :
X (Ω) = N∗ .
P({X = k}) = (1 − p)k−1 p
On note X ∼ G(p).

Exemples

Soit X le nombre de tirages pour obtenir une boule blanche pour la
première fois.
X ∼ G(p = 5/12).
X (Ω) = N∗
k−1
7 5
P({X = k}) =
12 12
→ Probabilité d’obtenir une boule blanche
au 5 ème lancer pour la
première fois : 7 4 5
P({X = 5}) = = 00
12 12
→ Probabilité d’obtenir une boule blanche au plus au 3 ème lancer pour

la première fois :
3
7 k−1 5
X
P({X ≤ 3}) = = 00
12 12
A.SETTAR (FSTM) Cours de k=1
Probabilités MIP/S4 2023-2024 42 / 56
Loi de Poisson
Contexte usuel : Dans un schéma de Bernoulli de paramètre n et p, on

s’intéresse à la réalisation d’un succès S (P(S) = p) dont on connait la
moyenne d’occurrence λ = np par unité de temps. La variable aléatoire X
qui compte le nombre de succès réalisés par la même unité de temps est
dite de Poisson de paramètres λ.
Quelle est la probabilité de réaliser k succès par unité de temps fixée, i.e.
P({X = k}) ?
Définition : Variable de Poisson

Une variable aléatoire X est de Poisson de paramètre λ si :
X (Ω) = N.
e −λ λk
P({X = k}) =
k!
On note X ∼ P(λ).
Exemples
Exemple 7 : On admet que le nombre moyen d’appels téléphoniques

reçus par un standardiste est égal à 12 appels par heure. Soit X le nombre
d’appels reçus par le standardiste par heure.
X ∼ P(λ = 12/h).
X (Ω) = N
e −12 12k
P({X = k}) =
k!
→ Probabilité que ce standardiste reçoit 3 appels durant une période de
10 min : X ∼ P(λ = 12/h = 12/60min = 2/10min)
e −2 23
P({X = 3}) = = 00
3!
→ Probabilité que ce standardiste reçoit au moins 4 appels durant une

période de 10 min : 3
X e −2 2k
P({X ≥ 4}) = 1 − P({X ≤ 3}) = 1 − = 00
A.SETTAR (FSTM) Cours de Probabilités
k!
k=0 MIP/S4 2023-2024 44 / 56
Espérance - Variance des lois usuelles
Tableau récapitulatif des lois discrètes usuelles
X X (Ω) P(X = k) E(X ) V(X )

Bin(n, p) {0, 1, . . . , n} Cnk p k (1 − p)n−k np np(1 − p)
N −n
H(N, N1 , n) {sup(0, n − N2 ), . . . CNk 1 CNn−k /CNn np np(1 − p)
2 N −1
. . . , inf (n, N1 )}
r −1 r q
BN (r , p) {r , r + 1, . . .} Ck−1 p (1 − p)k−r r /p r
p2
G(p) N∗ (1 − p)k−1 p 1/p (1 − p)/q 2
λk
P(λ) N e −λ λ λ
k!
Table – Loi de probabilité, espérance et variance des v.a.r discrètes usuelles

Loi binomiale
Si X ∼ Bin(n, p) et si Y = n − X , alors Y ∼ Bin(n, 1 − p) (Y
représente le nombre des échecs).
Si X et Y sont deux variables aléatoires indépendantes telles que
X ∼ Bin(n1 , p) et Y ∼ Bin(n2 , p), alors la somme S = X + Y est une
variables aléatoirs et S ∼ Bin(n1 + n2 , p)
Loi hypergéométrique
Soient X et Y sont deux variables aléatoires indépendantes de somme
S = X + Y . Si X ∼ Bin(n1 , p) et Y ∼ Bin(n2 , p), alors
(X |S = n) ∼ H(N = n1 + n2 , N1 = n1 , n)

Loi de Poisson
Si X et Y sont deux variables aléatoires indépendantes telles que
X ∼ P(λ1 ) et Y ∼ P(λ2 ), alors la somme S = X + Y est une
variables aléatoirs et S ∼ P(λ1 + λ2 ).
λ1

De plus, (X |S = n) ∼ Bin n, et
λ1 + λ2
λ2

(Y |S = n) ∼ Bin k, .
λ1 + λ2

Approximations
Approximation de la loi binomiale par la loi de Poisson

Soit X ∼ Bin(n, p) telle que :
n ≥ 50
p ≤ 0, 1
np ≤ 5
Alors Bin(n, p) ≈ P(λ = np)
Approximation de la loi hypergéométrique par la loi binomiale

N N1

Soit X ∼ H(N, N1 , n) telle que > 10. Alors H(N, N1 , n) ≈ Bin n,
n N

Définition
Soient X et Y deux v.a.r définies sur le même espace probabilisé d’univers
Ω. On appelle loi de probabilité du couple (X , Y ) l’application :
PX ,Y : X (Ω) × Y (Ω) −→ [0, 1]

(x , y ) 7−→ PX ,Y (x , y ) = P({X = x } ∩ {Y = y })

Détermination d’une probabilité conjointe sur un produit d’univers finis, au

plus dénombrables
Proposition
Si X (Ω) et Y (Ω) sont finis, au plus dénombrables, alors PX ,Y est
déterminée par les valeures pij associées aux couples (xi , yj ), telles que :
pij = P({X = xi } ∩ {Y = yj })
Avec :
•
P P
xi ∈X (Ω) yj ∈Y (Ω) pij = 1.
• Pour tout I ⊂ X (Ω) et J ⊂ Y (Ω) :
XX
PX ,Y (I × J) = pij
xi ∈I yj ∈J


Exemple
Exemple 8 : Tirage dans une urne

Dans une urne contenant 4 boules blanches, 8 boules rouges et 6 boules
vertes, on tire au hasard successivement et sans remise 3 boules. Soient X
le nombre de boules rouges tirées et Y le nombre de boules vertes tirées.
1 Reconnaitre (sans calcul) la loi de X et de Y .
2 Déterminer la loi de probabilité conjointe du couple (X , Y ).
3 En déduire le calcul de la loi de probabilité de X et puis de Y .
4 Calculer P({0 < X ≤ 2} ∩ {0 ≤ Y ≤ 2}) et
P(0 < X ≤ 2 | 0 ≤ Y ≤ 2).


Indépendance
Définition-Proposition
Les assertions suivantes sont équivalentes :
i. X et Y sont indépendantes.
ii. Les événements {X = xi } et {Y = yj } sont indépendants pour tout
(xi , yj ) ∈ X (Ω) × Y (Ω).
iii. PX ,Y = PX PY
Deux variables aléatoires X et Y sont dites corrélées si elle ne sont pas
indépendantes. Dans ce cas, on a :
i. E(XY ) ̸= E(X )E(Y ). (E(XY ) =
P P
xi ∈I yj ∈J xi yj pij )
ii. V(X + Y ) ̸= V(X ) + V(Y ).

Covariance
Si X et Y ne sont pas indépendantes, alors E(XY ) − E(X )E(Y ) ̸= 0. Cet
écart est caractérisé par la notion de covariance
On appelle covariance de X et Y , la mesure de corrélation entre X et Y notée
Cov (X , Y ) et est définie par :
Cov (X , Y ) = E(XY ) − E(X )E(Y )
Ainsi, en cas d’indépendance, pn a Cov (X , Y ) = 0 (la réciproque est fausse !)
Propriétés
Pour tous réels a, b, c et d, on a :
Cov (aX + b, cY + d) = abCov (X , Y ).
Cov (X , X ) = V(X )
V(X + Y ) = V(X ) + V(Y ) + 2Cov (X , Y ) (Identité des variances)
Exemple
Exemple 9 : Tirage dans une urne

Soit (X , Y ) un couple de variables aléatoires dont la loi de probabilité
conjointe est donnée dans le tableau suivant :
1 Calculer E(XY ), E(X ) et E(Y ).
2 X et Y sont-elle indépendantes ?

PRB - Chap2 - Variables Aléatoire Dis

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

PRB - Chap2 - Variables Aléatoire Dis

Transféré par

Droits d'auteur :

Formats disponibles

Préliminaire mathématique et motivation Variable aléatoire réelle discrète Paramètres d’une v.a.

r discrète Lois de probabilité discr

VARIABLES ALÉATOIRES RÉELES DISCRÈTES

Université Hassan 2 – Faculté des sciences et techniques

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 1 / 56

Notions sur les applications

Définitions : Ensemble image, Image réciproque

est appelé ensemble image de A par f.

est appelé image réciproque de B par f.

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 3 / 56

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 4 / 56

Exemple 1 : Lancer d’un dé

Ω = {(i, j)/1 ≤ i ≤ 6 et 1 ≤ j ≤ 6} = {1, 2, 3, 4, 5, 6}2 , Card(Ω) = 36

Ω est fini. On considère donc l’espace probabilisé (uniforme)

Voyons les choses autrement !

Puisqu’on ne s’intéresse qu’à la somme des faces obtenues,

Ainsi, l’ensemble des résultats possibles, appelé support de X , est

X (Ω) = {2, 3, 4, . . . , 12}

(11 résultats possibles au lieu de 36 !)

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 6 / 56

Les éléments de X (Ω) comme images des éléments de Ω étant

Il s’agit d’une quantification des événements de Ω :

D’une manière générale {X = x } est un év énement tel que :

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 7 / 56

On peut donc caractériser la variable aléatoire X par sa loi de probabilité

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 8 / 56

X (E ) = x ⇔ E = X −1 ({x }) ⇔ P({X = x }) = P(E )

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 9 / 56

Exemple 2 : Lancer d’une pièce de monnaie

Ω = {PP, PF , FP, FF } = {P, F }2 , Card(Ω) = 4

X ({FF }) = 0, X ({FP}) = X ({PF }) = 1, X ({PP}) = 2

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 10 / 56

L’événement E de P(Ω) correspond à l’événement

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 11 / 56

Définition : Variable aléatoire réelle discrète

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 12 / 56

X (Ω) = {x1 , x2 , . . . xn } (resp. X (Ω) = {x1 , x2 , . . .})

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 13 / 56

X est discrète car X (Ω) = {2, 3, 4, . . . , 12} est fini.

1A (Ω) = {0, 1} ⇒ 1A est discrète.

Z (Ω) ⊂ R ⇒ Z est continue.Cours de Probabilités

Loi de probabilité - Fonction de répartition

Soit X une v.a.r discrète de l’espace probabilisé (Ω, P(Ω), P).

Définition : loi de probabilité d’une variable discrète

Plus précisement, on a pour toute partie A ⊂ X (Ω)

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 16 / 56

Loi de probabilité - Fonction de répartition

Exemple 1 (suite) [5] : Rappelons que X (Ω) = {2, 3, 4, . . . , 12}

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 17 / 56

Loi de probabilité - Fonction de répartition

P({X = 2}) = 1/36 ̸= P({X = 3}) = 2/36

2 Exemple 2 [10] : Soit Y la v.a.r désignant le nombre de "Face"

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 18 / 56

Loi de probabilité - Fonction de répartition

Définition : Fonction de répartition

PX (x1 ) = FX (x1 ) et PX (xi ) = FX (xi ) − FX (xi−1 ) pour i ≥ 2

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 19 / 56

Loi de probabilité - Fonction de répartition

lim FX (t) = FX (x ) − P({X = x }) = P({X < x })

A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 20 / 56

Loi de probabilité - Fonction de répartition

P(X < xi ) = P(X ≤ xi−1 ) = FX (xi−1 )

P(xi <X ≤ xj ) = P(X ≤ xj ) − P(X ≤xi ) = FX (xj ) − FX (xi )