Table des matières

I Introduction à la probabilité 3
1 Analyse combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Généralités sur les ensembles : . . . . . . . . . . . . . . . . . . . . . 3
1.2 Le nombre d’arrangement . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Le nombre de combinaisons . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Application : Formule de Pascal . . . . . . . . . . . . . . . . . . . . 5
2 Expériences et évènements . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1 Opérations sur les évènements . . . . . . . . . . . . . . . . . . . . . 6
3 Espace probabilisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1 Probabilité uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4 Probabilités conditionelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.1 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

II Les variables aléatoires discrètes 11

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Les variables aléatoires discètes . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Couple de variable aléatoire . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Indépendance entre variables aléatoires . . . . . . . . . . . . . . . . 13
2.3 Les moments d’une variable aléatoire discrète . . . . . . . . . . . . 13
3 Lois discrète usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.1 Loi de Bernouilli . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3 Loi Géometrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1
2 TABLE DES MATIÈRES

3.4 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

III Les variables aléatoires continues 19

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Couple de variables aléatoires continues . . . . . . . . . . . . . . . . . . . . 21
2.1 Lois marginales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4 Les Moments d’une variable aléatoires continue . . . . . . . . . . . . . . . 22
4.1 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2 Moements d’ordre k . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5 Les lois continues usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.1 Loi normale génèrale . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.2 Propriètés de la loi normale . . . . . . . . . . . . . . . . . . . . . . 24
7 Théorèmes limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
7.2 Convergence d’une suite de variable aléatoire . . . . . . . . . . . . . 27
7.3 Théorème de la limite centrale . . . . . . . . . . . . . . . . . . . . . 27
7.4 Des lois dérivées de la loi normale . . . . . . . . . . . . . . . . . . . 29
8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Chapitre I

Introduction à la probabilité

1 Analyse combinatoire

1.1 Généralités sur les ensembles :

— Soit Ω un ensemble non vide. A un sous ensemble de Ω (ou une partie) de Ω si
tout élèment de A est aussi un élèment de Ω (@ω P A, ω P Ωq. On note A Ă Ω.
— On appelle PpΩq l’ensemble des parties de Ω, c-à-d

PpΩq “ tA, A Ă Ωu

. On a donc A Ă Ω imlique que A P PpΩq.

— Soient A et B deux parties de Ω. On dit que A est incluse dans B si tout élèment
de A est aussi un élèment de B. On note dans ce cas A Ă B.
— L’intersection de A et B est la partie de Ω notée par A X B et définit par

A X B “ tω, ω P A et ω P Bu.

— La réunion de A et B est la partie de Ω notée par A Y B et définit par

A Y B “ tω, ω P A ou ω P Bu

.
On peut géneraliser ces définitions à une famille quelconque de parties de Ω. Soit I un
ensemble quelconque d’indices (fini ou infini) et pAi qpiPIq une famille de parties de Ω.
— On définit l’intersection des Ai notée XiPI Ai par

XiPI Ai “ tω, @i P I, ω P Ai u.

— On définit la réunion des Ai notée YiPI Ai par

YiPI Ai “ tω, Di P I, ω P Ai u.

— L’intersection et l’union sont distributives l’une par rapport à l’autre.

3
4 Introduction à la probabilité

1.2 Le nombre d’arrangement

Définition 1 Soit E un ensemble de cardinal n. On appelle un k-arrangement (un ar-

rangement de k élèments) toute liste ordonnée de k élèments pris parmi ces n élèments

Proposition 1 Un arrangement sans répétitions, les k élèments de la liste sont tous

distincts. Le nombre d’arrangement sans répétition de k élèments parmi n (0 ě k ě n)
est donné par

n!
Akn “ npn ´ 1qpn ´ 2q...pn ´ k ` 1q “ pn´kq!
.

Définition 2 Une permutation de n élèments distincts est un arrangement ordonné et

sans répétition de ces n élèments. Il est donné par n!

Proposition 2 Dans un arragement avec répétition les k objets de la liste ne sont pas
nécessairement distincts.
Le nombre d’arrangement avec répétition de k élèments parmi n est nk .

Exercice
1. Combien de nombre de 6 chiffres peut-on former avec les chiffres 1,2 et 3 ?
2. Quel est le nombre de manières de placer 5 convives autour d’une table ronde ?
3. Combien de mots de 3 lettres distinctes peuvent être formés dans un alphabet de
26 lettres ?
4. 12 candidats se présentent aux éléctions au conseil d’administration comportant 8
places. La liste des élus est publiée selon le nombre de voix. Combien y-t-il de listes
possibles ?

1.3 Le nombre de combinaisons

Définition 3 Soit E un ensemble de cardinal n. Une combinaison de k élèments pris

dans E est un sous-ensemble de k élèments de ces n élèments.

Proposition 3 Le nombre de combinaisons sans répétion de k élèments parmi n est

donné par ˆ ˙
n Ak n!
k
Cn “ “ n “ .
k k! k!pn ´ kq!

Proposition 4 Le nombre de combinaisons avec répétition de k élèments parmi n est

donné par ˆ ˙
k n`k´1 pn ` k ´ 1q!
Cn`k´1 “ “ .
k p!pn ´ 1q!
2. Expériences et évènements 5

Exercice :
1. De combien de manières peut-on choisir une délègation de 3 hommes et 2 femmes
pris parmi un groupe de 7 hommes et5 femmes ?
2. En jouant au pocker contanant 52 cartes, combien de main de 5 cartes peut-on
tirer ?

1.4 Application : Formule de Pascal

Proposition 5 Soient n P N et k ď n, on a

Cnk “ Cn´1
k´1 k
` Cn´1 , @1 ď k ď n ´ 1.

Proposition 6 Soient x, y P R et n P N, on a
n
ÿ
n
px ` yq “ Cnk xk y n´k .
k“0

2 Expériences et évènements
Définition 4 1. Une expérience aléatoire est une expérimentation ou un phéno-
mène conduisant à plusieurs résultats et pour lequel on ne peut pas savoir à priori
le résultat qui se produira.
2. Ces différents résultats sont appelés issues.

Exemple 1 1. On lance une pièce de monnaie et on regarde sa face supérieure. Les

issues possibles sont : Pile ou Face.
2. on jette un dé et on observe sa face supérieure. les issues possibles sont les chiffres
1,2,3,4,5 et 6.

Définition 5 1. On appelle évènement une partie de l’ensemble des issues d’une ex-
périence aléatoire.
2. L’évènement est dit élementaire s’il ne correspond qu’à une seule et unique issue.
3. L’ensemble de tous les évènements possibles s’appelle univers (espace d’échantillo-
nage), noté Ω.

Remarque: Un évènement est une partie de l’univers Ω.

Exemple 2 On considère l’expérience aléatoire "le lancement d’un dé". Il vient que
— les résultats : 1,2,3,4,5 et 6 sont des éventualités (issues, possibilités).
— Ω “ t1, 2, 3, 4, 5, 6u est l’univers de cette expérience.
— A ’Obtenir un nombre pair’“ t2, 4, 6u est un évènement
— B ’obtenir la face 1’ “ t1u est un évènement élèmentaire.
6 Introduction à la probabilité

Réalisation d’un évènement Soit A un évènement de Ω. Soit ω le résultat de l’expé-

rience. Alors
A se réalise si et seulement si ω P A
.
En particulier,
si A “ Ω se réalise toujours, on l’appelle évènement certain.
si A “ H ne se réalise jamais, on l’appelle l’évènement impossible.

2.1 Opérations sur les évènements

langage ensembliste langage probabiliste

H évènement impossible
ensemble total Ω évènement certain
A un sous ensemble de Ω A est un évènement
ω est un élèment de Ω évènement élementaire
BĂA B implique A
AYB A ouB
AXB A etB
le complémentaire de A,A évènement contraire de A
A X B “ H A et B sont incompatibles
A X B “ H et A Y B “ Ω A et B sont contraires.

3 Espace probabilisé
Définition 6 Soit Ω un ensemble et PpΩq l’ensemble des parties de Ω. On appelle pro-
babilité définie sur l’espace pΩ, PpΩqq toute application P de PpΩq dans r0, 1s vérifiant
les trois axiomes suivantes
1. PpΩq “ 1.
2. Pour tout évènement A P PpΩq on a 0 ď PpAq ď 1.
3. Pour tout évènements A et B incompatibles on a PpA Y Bq “ PpAq ` PpBq.
Le triplet pΩ, PpΩq, Pq s’appelle espace probabilisé.

Proposition 7 Soient A et B deux évènements quelquonques, alors

1. PpAq “ 1 ´ PpAq.
2. PpHq “ 0.
3. PpBq ď PpA) si B Ă A.
4. PpAq “ PpA X Bq ` PpA X Bq.
5. PpA Y Bq “ PpAq ` PpBq ´ PpA X Bq.

Définition 7 Soeint A1 , A2 , ...A

" n , n évènements. on dit que pA1 , .., An q constitue un sys-
@i ‰ j Ai X Aj “ H,
tème complet d’évènements si
Yni“1 Ai “ Ω,
4. Probabilités conditionelles 7

Exemple 3 1. pA, Aq est un système complet d’évènements.

2. Dans une urne, on a des cubes et des boules rouges et verts. On tire un de ces objets.
— A ="On tire une boule rouge."
— B="On tire un cube rouge."
— C="On tire un objet vert."s
pA, B, Cq forme un système complet d’évènements.

3.1 Probabilité uniforme

Définition 8 On suppose que Ω est un ensemble fini. On dit qu’on se trouve dans un cas
équiprobable si tous les évènements élèmentaires ont la même valeur de probabilité. On
parle aussi de probabilité uniforme.

Proposition 8 S’il y a équiprobabilité, pour tout évènement A, on a

CardpAq
PpAq “ .
CardpΩq
le nbr des cas favorables
C’est exactement : le nbr des cas possibles
.

Remarque: Les expressions suivantes : "dé équilibré ou parfait", "tirer uniformément au

hasard", "boules indiscernables au touché" indiquent que, pour les expériences réalisées,
on est dans un cas d’équiprobabilité.

Exercice 1 On considère l’ensemble E des entiers de 1 à 20. On choisit l’un de ces

nombres au hasard. Soient
— A="Le nombre tiré est un multiple de 2."
— B="Le nombre tiré est un multiple de 3."
— C= "Le nombre tiré est un multiple de 6."

1. Définir Ω, donner son cardinal.

2. Calculer PpAq, PpBq, PpCq, PpA X Bq, PpA Y Bq, PpA X Cq et PpA Y Cq.

4 Probabilités conditionelles
Définition 9 Soit pΩ, PpΩq, Pq un espace probabilisé, B un évènement tel que P pBq ‰ 0.
On appelle probabilité conditionnelle par B, l’application notée PB de pΩ, PpΩqq dans r0, 1s
définit par
PpA X Bq
@A P PpΩq, PB pAq “ .
PpBq
On dit que PB pAq est la probabilité de A sachant B, notée aussi PpA|Bq.

Théorème 1 (Formule des probabilités composées) Soient A1 , A2 , .., An n évènements

tels que PpXni“1 Ai q ‰ 0. Alors
PpXni“1 Ai q “ PpA1 qPpA2 |A1 qPpA3 |A1 X A2 q...PpAn |A1 X .. X An´1 q.
8 Introduction à la probabilité

Théorème 2 (Formule des probabiltés totales) Soient pA1 , A2 , .., An q un système complet
d’évènements et B un évènement quelquonque, alors

PpBq “ PpB|A1 qPpA1 q ` PpB|A2 qPpA2 q ` ... ` PpB|An qPpAn q.

ÿn
“ PpB|Ai qPpAi q.
i“1

Théorème 3 (Formule de Bayes) Soient pA1 , a2 , .., An q un système complet d’évènements

et B un évènement tel que PpBq ‰ 0. Alors
PpB|Ai qPpAi q
PpAi |Bq “ řn .
i“1 PpB|Ai qPpAi q

Exercice 2 Dans un champ on trouve seulement 3 espèces de plantes qu’on note A, B et

C. On sait que 12% de l’espèce A, 7% de l’espèce B et 15% de l’éspèce C sont résistantes
à l’herbicide. De plus, le champ est composé de 30% de l’espèce A, 20% de l’espèce B et
50% de l’espèce C. On prélève une plante au hasard. Quelle est la probabilité qu’elle soit
résistante à l’herbicide ?

Exercice 3 Une compagnie estime que les gens peuvent être répartis en 2 classes.
— Ceux qui sont enclins au accidents à haut riques, soit 30% de la population.
— Les autres sont dits à rique modéré.
Les statistiques montrent q’un individu à haut rique a une probabilité de 0.4 d’avoir un
accident en l’espace d’un an de la signature de son contrat. cette probablité tombe à 0.2
pour les gens à rique modéré.
1. Quelle est la probabilité qu’un nouvel assuré soit victime d’un accident durant l’année
qui suit la signature du contrat ?
2. Un nouveau signataire a eu un accident dans l’année qui suit la signature de son
contrat ? Quelle est la probabilité qu’il fasse parti à la classe haut risque ?

Exercice 4 Une entreprise utilise trois machine A,B et C pour fabriquer des pièces. 40%
sont fabriquées par A, 30% par B et 30% par C. La machine à produit 2% de pièces
défectueses, B : 4% et C5%.
1. Si on prélève une pièce au hasard, quelle est la probabilité qu’elle soit défèctueuse ?
2. Si on prélève une pièce défèctueuse, quelle est la probabilité qu’elle vienne de A ?
3. Si on prélève une pièce saine, quelle est la probabilité qu’elle vienne de C ?

4.1 Indépendance

Soit A et B deux évènements de probabilité non nulle. Il se peut que la connaissance de

la réalisation de A ne change pas la probabilité de B, i.e,

PpB{Aq “ PpBq.
5. Exercices 9

Proposition 9 Soient A, B telles que PpAq et PpBq sont non nulles. Alors on a l’équi-
valence
1. PpA{Bq “ PpAq.
2. PpB{Aq “ PpBq.
3. PpA X Bq “ PpAqPpBq.

Remarque: Si PpAq ą 0, pPBq ą 0 et AXB “ H alors A et B ne sont pas indépendants.

Exemple 4 On jette deux fois le même dé.

— A = Obtenir un chiffre pair au premier lancer
— B= Obtenir 1 au deuxième lancer

Exemple 5 Une urne contient 12 boules numérotées de 1 à 12. On tire une boule au
hasard. Soit A = Tirage d’un nombre pair et B = Tirage d’un multiple de 3.
1. Calculer PpAq, PpBq et PpA X Bq. A et B sont-ils indépendants ?
2. Répondre aux mêmes questions si on rajoute dans l’urne une boule numérotée 13.

5 Exercices
Exercice 5 On dispose de deux urnes U1 et U2 . L’urne U1 contient 3 boules blanches et
une boule noire. L’urne U2 contient une boule blanche et 2 boules noires. On lance un dé
non truqué, si le dé donne un nombre supérieur á 2 on tire dans l’urne U1 , sinon on tire
dans l’urne U2 .
1. Calculer la probabilité de tirer une boule blanche.
2. On a tiré une boule blanche. Quelle est la probabilité qu’elle provienne de U1 .

Exercice 6 Un questionnaite á choix multiples propose m réponses pour chaque question.

Soit p la probabilité qu’un étudiant connaisse la bonne réponse à une question donnée. S’il
ignore la réponse, il choisit au hasard l’une des réponses proposées.
Quelle est, pour le correcteur,la probabilité qu’un étudiant connaisse vraiment la bonne
réponse lorsqu’il l’a donnée ?

Exercice 7 Le gérant d’un magasin d’informatique a reçu un lot de clé USB. 5% de

boites sont abîmées. Le gérant estime que
— 60% des boites abîmées contiennent au moins une clé défectueuse.
— 98% des boites non abîmées ne contiennent aucune clé défectueuese.
Un client achète une boite du lot. On désigne par
— A "La boite est abîmée".
— B "La boite achetée contient au moins une clé défectueuese".

1. Donner le probabilitées PpAq, PpAq, PpD|Aq, PpD|Aq et PpD|Aq. En déduire PpDq.

10 Introduction à la probabilité

2. On constate que l’une des clés achetée est défectueuse. Quelle est la probabilité pour
qu’il ait acheté une boite abîmée ?

Exercice 8 Dans une population Ω, deux maladies M 1 et M 2 sont présentes respective-

ment chez 10% et 20%. On suppose que le nombre de ceux qui souffrent des deux maladies
est négligeable. On entreprend un dépistage systématique des maladies M 1 et M 2. Pour
cela, on applique un test qui réagit sur 90% des malades de M 1, sur 70% des malades
M 2, et sur 10% des individus qui n’ont aucune de ces deux affections.
1. Quand on choisit au hasard un individu ω dans Ω, quelle est la probabilité pour que
le test réagisse ?
2. Sachant que pour un individu ω, le test a réagi, donner les probabitités :
— pour que le test ait réagi à cause de la maladie M 1.
— pour que le test ait réagi à cause de la maladie M 2.
— pour que le test ait réagi alors que l’individu n’est infecté par qu’aucune des deux
maladies M 1 et M 2 .

Exercice 9 A l’ISIMM, parmi les étudiants 40% suivent l’option A1, 30% suivent l’op-
tion A2 et 30% suivent l’option A3. Chaque étudiant suit une seule option. La proportion
d’étudiants qui n’ont pas la moyenne dans l’option A1 est de 10%, dans l’option A2 de
5% et dans l’option A3 de 5%. On choisit un étudiant au hasard.
1. Calculer la probabilité qu’il n’ait pas la moyenne.
2. Sachant qu’il n’a pas la moyenne, calculer la probabilité qu’il ait suivi l’option A1,
A2 ou A3.

Exercice 10 Une usine fabrique des pièces, avec une proportion de 0, 05 de pièces défec-
tueuses. Le contrôle des fabrications est tel que :
— si la pièce est bonne, elle est acceptée avec la probabilité 0,96.
— si la pièce est mauvaise, elle est refusée avec la probabilité 0,98.
On choisit une pièce au hasard et on la contrôle. On désigne par A l’évènement " La pièce
est acceptée au contrôle" et par B l’évènement "la pièce est bonne".
1. Donner les probabilités PpBq, PpA{BqetPpA{Bq. En déduire PpAq.
2. Sachant que la pièce est acceptée, calculer la probabilité qu’elle soit défectueuse. On
désigne par E l’évènement "une erreur de contrôle s’est produite".
(a) Exprimer E en fonction de A et B.
(b) Calculer PpEq.
Chapitre II

Les variables aléatoires discrètes

1 Introduction
On lance une pièce de monnaie deux fois de suite et on tient compte à l’ordre de lancé.
Il vient que l’univers Ω “ tpp, pq, pp, f q, pf, f q, pf, pqu. Soit X le nombre d’apparition de
pile. C’est une variable aléatoire définie par
$
& 2, si ω “ pp, pq ;
Xpωq “ 1, si ω P tpp, f q, pf, pqu ;
0, si ω “ pf, f q.
%

Définition 10 Soit pΩ, PpΩq, Pq un espace probabilisé. Une variable aléatoire est une
fonction de Ω dans R

Définition 11 Le support d’une variable aléatoire X est l’ensemble de ses valeurs pos-
sibles. On le note SpXq ou SupppXq

Remarque: On a 3 types de support différents : fini, infini dénombrable et infini non

dénombrable.
Suivant cette distinction les calculs de probabilités vont s’effectuer d’une façon différentes.
On distinguera 2 types de variables aléatoires.

2 Les variables aléatoires discètes

Définition 12 La variable aléatoire X est dite discrète si son support SpXq est fini ou
infini dénombrable

Dans toute la suite de cette section on considère les variables aléatoires discrètes X (resp
Y ) définies sur l’espace pΩ, PpΩq, P q telle que XpΩq “ txi , i P Iu, où I Ă N( resp Y pΩq “
tyj ; j P Ju où J Ă N).

11
12 Les variables aléatoires discrètes

Définition 13 Loi de probabilité On appelle loi de probabilté ou la distribution de proba-

bilité de X l’expression de probabilité

pi “ P pX “ xi q; i P I,

Remarque: Donner la loi de X c’est donner pi pour tout i dans I. Remarque: Soit X
une variable aléatoire discrète.
1. Pour tout x P XpΩq, l’ensemble tX “ xi u “ tω P Ω; Xpωq “ xi u est un événement.
2. La famille d’évènements tX “ xi , xi P XpΩqu est une partition de Ω.
ř
3. On a xi PXpΩq P pX “ xi q “ 1.

Exemple 6 On considère l’exemple de l’introduction. La loi de X est donnée par

— P pX “ 0q “ 1{4.
— P pX “ 1q “ 1{2.
— P pX “ 2q “ 1{4.

Remarque: Deux v.a. peuvent avoir même loi sans être égales. Par exemple, on jette deux
dès, l’un bleu et l’autre rouge. Notons X le numéro indiqué par le dé bleu et Y celui indiqué
par le dé rouge. Les variables X et Y sont définies sur le même espace de probabilité.
Ω “ t1, ..., 6u et XpΩq “ Y pΩq “ t1, ..., 6u et @k P t1, ..., 6u; P pX “ kq “ P pY “ kq “ 1{6.
Donc les deux variables X et Y ont la même loi. Pourtant les deux variables ne sont pas
égales. En effet, l’égalité entre X et Y signiferait que Xpωq “ Y pωq, @ω P Ω. On peut voir
que PpX “ Y q ‰ PpX “ Y q.

Définition 14 Fonction de répartition On appelle fonction de répartition de X la fonc-

tion F définie par
F : R Ñ r0, 1s
x ÞÑ P pX ď xq.

Proposition 10 La fonction de répartition vérifie les proprietés suivantes :

1. F est une fonction en escalier croissante.
2. P pa ă X ď bq “ F pbq ´ F paq @b ě a.
3. si xj ď x ă xj`1 alors F pxq “ ji“1 pi .
ř

Exemple 7 Soit X le résultat du lancé d’un dé équilibré.

— Donner la loi de X.
— Donner la fonction de répartion de X.

2.1 Couple de variable aléatoire

Définition 15 Soit
C : Ω Ñ R2
ω ÞÑ pXpωq, Y pωqq.
On dit que C “ pX, Y q est un couple de variable aléatoire discrète.
2. Les variables aléatoires discètes 13

Définition 16 Soit C “ pX, Y q un couple de variables aléatoires discrètes. L’application

définie par
pc : XpΩq ˆ Y pΩq Ñ ` r0, 1s ˘
pxi , yj q ÞÑ pi,j “ P pX “ xi q X pY “ yj q ,

s’appelle la loi conjointe du couple.

Proposition 11 Soit C “ pX, Y q un couple de v a d.

— L’application
pi : XpΩq Ñ r0, 1s
xi ÞÑ P pX “ xi q,
s’appelle la première loi marginale.
— L’application
qj : Y pΩq Ñ r0, 1s
yj ÞÑ P pY “ yj q,
s’appelle la deuxième loi marginale loi marginale.

ř 12 soit C “ pX, Y q un couple de v.a.d. On a

Proposition
— pi “ řjPJ pi,j .
— qřj “ ř iPI pi,j .
— iPI jPJ pi,j “ 1.

Remarque: La loi conjointe du coulpe détermine complètement les lois marginales mais
la réciproque est fausse.

2.2 Indépendance entre variables aléatoires

Définition 17 Deux variables aléatoires discrètes X et Y sont dites indépendantes si

tous les couples d’évènements pX “ xi q et pY “ yj q sont indépendants. C’est à dire pour
tout xi P XpΩq et pour tout yj P Y pΩq on a
` ˘
P pX “ xi q X pY “ yj q “ P pX “ xi qP pY “ yj q.

Proposition 13 Soient X et Y deux v.a indépendantes, f et g deux fonctions dont les

domaines de défnition contiennent respectivement XpΩq et Y pΩq. Alors f pXq et gpY q sont
indépendants.

2.3 Les moments d’une variable aléatoire discrète

a L’espérance d’un v.a

Définition 18 On appelle espérance mathématique de X le réel (lorsqu’il est défini)

donné par ÿ
EpXq “ xi P pX “ xi q.
iPI
14 Les variables aléatoires discrètes

Définition 19 Soit X une v.a.d et f une fonction réelle dont le domaine de définition
contient XpΩq. Alors si Epf pXqq existe on a
ÿ
Epf pXqq “ f pxi qP pX “ xi q.
iPI

Proposition 14 Soient X et Y deux v a d qui possèdent une espérance, et a, b P R. Alors

— EpaX ` bY q “ aEpXq ` bEpY q.
— Si X ě 0, alors EpXq ě 0.
— Si X ď Y , alors EpXq ď EpY q.
— Si X et Y sont indépendantes, alors EpXY q existe et on a EpXY q “ EpXqEpY q.
La rérciproque est fausse. Si EpXY q “ EpXqEpY q, alors X et Y ne sont pas
nécessairement indépendantes.

b La variance d’une variable aléatoire discète

Définition 20 Les Moments d’ordre k On appelle moment d’ordre k de la variable X le

réel donnée par ÿ
mk “ EpX k q “ xki P pX “ xi q.
iPI

lorsqu’il est fini.

Définition 21 Variance Soit X une variable aléatoire qui possède un moment d’ordre 2
fini. On appelle la variance de X le réel donnée par
` ˘
VarpXq “ E pX ´ EpXqq2 “ EpX 2 q ´ EpXq2 .

Proposition 15 Soient a, b P R alors

1. VarpaX ` bq “ a2 VarpXq.
2. VarpX ` Y q “ VarpXq ` VarpY q si X et Y sont indépendantes.

Proposition 16 (Inégalité de Tchebychev) Si VarpXq existe, alors

VarpXq
@t ą 0, P p|X ´ EpXq| ě tq ď .
t2

Définition 22 On appelle écart type de la variable X le réel donné par

a
σpXq “ VarpXq.

Définition 23 On suppose que les deux variables aléatoire X et Y possèdent des va-
riances. On appelle covariance de X et Y notée
` ˘
CovpX, Y q “ E pX ´ EpXqqpY ´ EpY qq
“ EpXY q ´ EpXqEpY q
3. Lois discrète usuelles 15

Proposition 17 1. CovpX, Y q “ CovpY, Xq.

2. CovpaX ` b, cY ` dq “ acCovpX, Y q.
3. |CovpX, Y q| ď σpXqσpY q.
4. CovpX, Y q “ EpXY q ´ EpXqEpY q.
5. VarpX ` Y q “ VarpXq ` VarpY q ` 2CovpX, Y q.
Si X et Y sont indépendantes alorsCovpX, Y q “ 0. La réciproque est fausse.

3 Lois discrète usuelles

3.1 Loi de Bernouilli

On réalise une expérience aléatoire qui a deux résultats possibles, le" succés S de proba-
1, si succés ;
bilité p et l’echec E de probabilité 1 ´ p. La variable aléatoire X “ est
0, si echec.
une v.a de Bernouilli. On note X ” Bppq.

Proposition 18 — XpΩq “ t0, 1u.

— P pX “ 1q “ p1 ´ pq et P pX “ 0q “ 1 ´ p.
— EpXq “ p.
— VarpXq “ pp1 ´ pq.

3.2 Loi binomiale

On réalise n fois successivement et d’une manière indépendante une expérience aléatoire

qui a deux résultats possibles S de probabilité p et E de probabilité 1 ´ p. X : le nombre
de succés obtenus est une variable aléatoire binomiale de paramètres n et p. On la note
X ” Bpn, pq.

Proposition 19 — XpΩq “ t0, 1, ..., nu.

— P pX “ kq “ Cnk pk p1 ´ pqn´k .
— EpXq “ np.
— VarpXq “ npp1 ´ pq.

Remarque: C’est une somme de n épreuves de Bernouilli.

Exemple 8 On effectue n tirages avec remise dans une urn contenant des boules blanches
(avec proportion p) et des boules noires (avec proportion (1 ´ p)). X le nombre de boules
blanches tirées est une variable aléatoire binomiale de paramètre n et p.
16 Les variables aléatoires discrètes

3.3 Loi Géometrique

X suit la loi géometrique de paramètre Gppq si elle est égale au nombre d’épreuves de Bppq
indépendantes, qu’il faut réaliser pour obtenir la première fois l’évènement de probabilité
p.

Exemple 9 X le nombre de tirages nécessaire pour obtenir une boule blanche.

Proposition 20 — XpΩq “ N.
— P pX “ kq “ pp1 ´ pqk´1 .
— EpXq “ 1{p.
— VarpXq “ 1´p
p2
.

3.4 Loi de Poisson

X est une variable aléatoire de poisson de paramètre λ si ssi

λk
XpΩq “ N et P pX “ kq “ exp´λ .
k!
On la note Ppλq.

Proposition 21 — EpXq “ λ.
— VarpXq “ λ.

Remarque: Lorsqu’un évènement a une faible probabilité d’apparition lors d’une épreuve
de Bernouilli et si l’on répète un grand nombre de fois. Le nombre total de réalisation de
l’évènement consodéré suit à pau près une loi de poisson de paramètre λ “ n ˆ p. C’est
la loi des phénomènes rares. En pratique n ě 30 et p ď 0.1

Exemple 10 Lors d’un sondage portant un grand nombre de personnes. On sait que 20%
de personnes acceptent de ne pas être anonymes. Sachant qu’on a intérrogé 250 personnes,
calculer la probabilité
1. que ces 250 personnes souhaitent rester anonymes.
2. 3 personnes acceptent de ne pas rester anonymes.
3. plus que 10 personnes acceptent de ne pas être anonymes.

4 Exercices
Exercice 11 Soit X une variable aléatoire discrète à valeurs dans t1, 2, ..., nu de loi :
P pX “ iq “ Ci @i P t1, 2, ..., nu
où C est une constante.
4. Exercices 17

1. Déterminer la valeur de la constante C.

2. Déterminer la fonction de répartition de la loi de X.
3. Déterminer la loi de Y “ n ´ X.
4. Déterminer la loi de Z “ n ` X.

Exercice 12 Soit X et Y deux variables aléatoires discrètes, indépendantes à valeurs

dans t0, 1u de lois respectives :

P pX “ 1q “ p1 , P pX “ 0q “ 1 ´ p1 , P pY “ 1q “ p2 , P pY “ 0q “ 1 ´ p2

On pose U1 “ X ` Y et U2 “ XY .
1. Déterminer les lois de U1 et de U2 .
2. Calculer ErU1 s, V arrU1 s, ErU2 s et V arrU2 s.

Exercice 13 Une urne contient des boules blanches et des boules noires. La proportion
de blanches est p. Les tirages se font avec remise ainsi la proportion de boules blanches
ne changent jamais.
1. Soit Y la v.a qui vaut 1, si on tire une boule blanche et 0 sinon. Quelle est la Loi
de Y ? Calculer EpY q ?
2. Soit X la v.a indiquant le nombre de boules noires tirées sur 5 tirages. Quelles sont
l’espérance et la variance de cette variable ?

Exercice 14 Sioient X et Y deux variables aléatoires à valeurs dans t´1, 0, 1u. La loi
du couple est donnée par le tableau suivant

XY -1 0 1
-1 1/5 0 1/5
0 1/15 1/15 1/15
1 1/5 0 1/5

1. Donner les lois marginales de X et Y .

2. Donner la covariance de X et Y .
3. Les variables X et Y sont- elles indépendantes ?
4. Donner la loi de U “ X ` Y et celle de V “ XY .
5. Les variables U et V sont-elles indépendantes ?

Exercice 15 On considère une pièce de monnaie truquée. On désigne par P l’événe-

ment"obtenir Pile" et par F l’événement"obtenir Face". On sait que la probabilité P pP q
d’obtenir "Pile"est égale à 1{3.
1. Calculer P pF q.
2. On lance trois fois cette pièce de monnaie
a) Donner Ω ainsi que son cardinal.
b) Quelle est la probabilité
18 Les variables aléatoires discrètes

i) D’obtenir que des "Pile" ?

ii) D’obtenir deux fois "Pile" et une fois "Face" ?
3. On lance cette pièce 10 fois de suite. On désigne par X le nombre de Face obtenu.
a) Quelle est la loi de X, justifier.
b) Calculer la fonction de répartition de X et tracer son graphe.
c) Calculer EpXq et VarpXq.

Une entreprise fabrique des lecteurs MP3, dont 6% sont défectueux. Chaque lecteur MP3
est soumis à une unité de contrôle dont la fiabilité n’est cependant pas parfaite. Cette
unité de contrôle rejette 98% des lecteurs MP3 défectueux et 5% des corrects. Soit Ω
un ensemble de MP3 fabriqués qui subit l’ensemble du circuit de contrôle. On note les
événements suivants :
‚ D = {MP3 défectueux},
‚ R = {MP3 rejetés par l’unité de contrôle}

1. Calculer P pDq, P pR|Dq et P pR|Dq.

a) Calculez la probabilité pour que le MP3 soit défectueux et ne soit pas rejeté.
b) On dit qu’il y a une erreur de contrôle lorsque le MP3 est rejeté alors qu’il n’est
pas défectueux (« faux rejet ») ou qu’il n’est pas rejeté alors qu’il est défectueux
(fausse acceptation). Calculez la probabilité qu’il y ait une erreur de contrôle.
2. Quatre contrôles successifs sont maintenant réalisés de manière indépendante pour
savoir si un lecteur peut être commercialisé. Un lecteur MP3 est :
‚ commercialisé avec le logo de l’entreprise s’il subit avec succès les quatres contrôles
successifs,
‚ détruit s’il est rejeté au moins deux fois sur les quatres,
‚ commercialisé sans le logo sinon.
Le coût de fabrication d’un lecteur MP3 est de 50 dinars. Son prix de vente est
de 120 dinars pour un lecteur avec logo, 60 dinars sans logo. On désigne par G la
variable aléatoire qui, à chaque MP3 fabriqué, associe le gain en dinars (le prix de
vente - coût) réalisé par l’entreprise.
a) Donner l’ensemble des valeurs de G.
b) Donner la loi de G.
c) Calculer EpGq et VarpGq.
Chapitre III

Les variables aléatoires continues

1 Introduction
Soit pΩ, PpΩq, Pq un espace probabilisé et X une application de Ω dans R. Une variable
aléatoire X est dite continue si l’ensemble XpΩq est un intervalle ou une réunion d’inter-
valle de R. La description d’une loi continue diffère de celles des lois discrètes puisque pour
une variable aléatoire continue X, la probabilité que X prenne une valeur bien précise
x est nulle, PpX “ xq “ 0 . Il y a, en effet, une infinité de valeurs dans R ou dans un
intervalle, et au regard de toutes ces valeurs précises, le poids de la valeur particulière est
tellement insignifiant qu’il en est nul.

Exercice 16 On jette un stylo sur une table et on note X l’angle qu’il forme avec le bord
de la table. Alors l’ensemble des valeurs prises par X est l’intervalle r0, πs. X est une
variable aléatoire continue

Exemple 11 ‚ La taille d’un individu d’une population XpΩq “ r0, M s.

‚ Le temps d’attente à la poste XpΩq “ R` .
‚ Le taux de cholestérol, XpΩq “ R` .
‚ Poids à la naissance, XpΩq “ r0, ms.

Exemple 12 Si X=la taille d’un individu dans une population. Alors PpX “ 1, 8522692q “
0.

Définition 24 Une variable aléatoire X est dite à densité s’il existe une fonction positive
f : R Ñ R` , telle que
żb
Ppa ď X ď bq “ f ptqdt, pour tout a ď bR.
a

Cette fonction est appelée la densité de X.

19
20 Les variables aléatoires continues

Remarque: La probabilité pour que la variable X prenne des valeurs entre a et b n’est
que l’aire de la partie coloré

Ici a peut prendre la valeur ´8 et b peut prendre la valeur `8.

Proposition 22 Une densité de probabilité vérifie

‚ @x P R, f pxq ě 0.
ş`8
‚ ´8 f pxqdx “ 1.

Proposition 23 Soient a, b P R ; a ď b. On les proprietés suivantes

` ˘ ş`8
1. P X ą a “ a f ptqdt.
` ˘ şb
2. P X ă b “ ´8 f ptqdt.
3. PpX “ aq “ 0.

Définition 25 La fonction de répartition F de X est donné par

F : RÑ r0, 1s
.
x ÞÑ PpX ď xq

Exemple 13 La différence entre une fonction de répartition d’une loi discrète et d’une
loi continue

Proposition 24 1. F est une fonction croissante.

2. limxÑ`8 F pxq “ 0 et lim`8 F pxq “ 1.
` ˘ ` ˘
3. P a ď X ď b “ P a ă X ă b “ F pbq ´ F paq.
4.

Proposition 25 Si la fonction F est dérivable, alors X est une fonction à densité et sa

densité est la dérivé de F .
2. Couple de variables aléatoires continues 21

2 Couple de variables aléatoires continues

Définition 26 Soit f une fonction définit sur R2 . On dit que f est une densité de pro-
babilité sur R2 si
‚ f ě 0.
şş
‚ R2 f px, yqdxdy “ 1.

Définition 27 Soit f une densité définit sur R2 . On dit que le coulpe C “ pX, Y q est un
couple de densité f si pour tout couple px, yq on a
ż y ´ż x ¯
` ˘
P X ď x, Y ď y “ f pu, vqdv du.
´8 ´8

Définition 28 On appelle fonction de répartition du couple C “ pX, Y q de densité f

l’application définit sur R2 par
ż x ´ż y ¯
` ˘
F px, yq “ P X ď x, Y ď y “ f pu, vqdu dv
´8 ´8

2.1 Lois marginales

Définition 29 Soit C “ pX, Y q un couple de variables aléatoires continues de densité f .

Alors X et Y sont de densités respectives
ż `8
fX pxq “ f px, yqdy.
´8
ż `8
fY pyq “ f px, yqdx.
´8
Les lois de X et Y obtenues ainsi sont appelées les lois marginales du couple C.

3 Indépendance
Définition 30 Les variables aléatoires continues X et Y sont dites indépendantes si pour
tout couples px, yq P R2 on a
PpX ď x, Y ď yq “ PpX ď xqPpY ď yq.

Proposition 26 Soit C “ pX, Y q un couple de variables aléatoires continues de densité

f et de fonction de répartition F . Alors les proposition suivantes sont équivalentes
1. X et Y sont indépendantes.
2. F px, yq “ FX pxqFY pyq @px, yq P R2 .
3. f px, yq “ fX pxqfY pyq @px, yq P R2 .

Proposition 27 Soient X et Y deux variables aléatoires continues et φ et ψ deux fonc-

tions réelles, alors φpXq et ψpY q sont aussi indépendantes.
22 Les variables aléatoires continues

4 Les Moments d’une variable aléatoires continue

4.1 Espérance

Définition 31 On appelle l’espérance mathématique de X le réel donnée par

ż `8
EpXq “ tf ptqdt.
´8

Proposition 28 Soit a, b P R, alors on a les proprietés suivantes

‚ EpaX ` bY q “ aEpXq ` bEpY q.
‚ si X ď Y alors EpXq ď EpY q.

4.2 Moements d’ordre k

Définition 32 On appelle moment d’ordre k de la variable X, le réel donné par

ż `8
k
EpX q “ tk f ptqdt.
´8

Définition 33 On appelle variance de la variable aléatoires X le réel donné par

ż `8
` ˘2
VarpXq “ t ´ EpXq dt.
´8

Proposition 29 Soient X et Y deux variables aléatoires continues admettant des va-

riances et a et b P R. On a
1. VarpX ` Y q “ VarpXq ` VarpY q ` 2covpX, Y q
2. VarpaXq “ a2 VarpXq.

Définition 34 On appelle ecart type de la variable aléatoire X le réel donné par

a
σpXq “ VarpXq.

5 Les lois continues usuelles

5.1 Loi uniforme

Cette loi modèlise un phénomène uniforme sur un intervalle donné. Une variable aléatoire
X suit la loi uniforme sur l’intevalle borné ra, bs si elle a une densité f constante sur cet
intervalle et nulle en dehors. Elle est notée Upra, bsq. Sa densité est alors,
" 1
b´a
, si x P ra, bs ;
f pxq “
0, sinon.
6. La loi normale 23

Proposition 30 Soit X une variable aléatoire qui suit la loi uniforme sur l’intevalle
ra, bs.
a`b
‚ EpXq “ 2
.
pb´aq2
‚ VarpXq “ 12 .

5.2 Loi exponentielle

Soit λ ą 0, une variabla aléatoire X suit une loi exponentielle de paramètre λ et notée
Exppλq si elle admet pour densité la fonction
"
λ expp´λxq, si x ě 0 ;
f pxq “
0, sinon.

Proposition 31 Soit X une variable aléatoire qui suit la loi Epλq

‚ EpXq “ 1{λ.
‚ VarpXq “ 1{λ2 .

Les lois exponentielles sont souvent utilisées pour modéliser des temps d’attente ou des
durées de vie. Par exemple, les temps d’attente à partir de maintenant du prochain trem-
blement de terre, de la prochaine panne d’un appareil, de la prochaine désintégration
dans un réacteur nucléaire suivent des lois exponentielles. Le paramètre λ désigne alors
l’inverse du temps d’attente moyen.

6 La loi normale
C’est la loi la plus connues en probabilité, souvent sous le nom de loi de Gauss. Elle est
apparue naturellemnt comme la limite de certains processus.

6.1 Loi normale génèrale

La variable aléatoire X suit la loi normale de paramètre µpµ P Rq et σ 2 pσ 2 P R` q si elle

admet pour densité la fonction

1 ´ px ´ µq2 ¯
f pxq “ ? exp ´ .
σ 2π 2σ 2

Elle est notée N pµ, σ 2 q.

Proposition 32 Soit X „ N pµ, σ 2 q, alors

‚ EpXq “ µ.
‚ VarpXq “ σ 2 .
24 Les variables aléatoires continues

Remarque: Si µ “ 0 et σ 2 “ 1 alors X suit la loi normale centrée réduite. Elle est notée
N p0, 1q.

Exemple 14 Variation de la densité suivant ses paramètres µ et σ 2

Proposition 33 Si la variable aléatoire X „ N pm, σ 2 q a, b P R; a ‰ 0. Alors

X´m
‚ Y “ σ
„ N p0, 1q.
‚ Y “ aX ` b „ N pam ` b, a2 σ 2 q.

Exemple 15 Soit X la variable aléatoire qui désigne le poids d’un bébé à la naissance.
On fait l’hypothèse que X suit une loi normale de moyenne µ “ 3500g et de variance
σ “ 500g. Quelle est la probabilité qu’un bébé ait un poids inférieur à 3.1kg à la naissance ?
On commence par standariser (centrer et réduire) la variable X, alors
X ´µ
Z“ „ N p0, 1q
σ

`X ´ µ 3100 ´ µ ˘
PpX ď 3100q “ P ď
σ σ
` 3100 ´ 3500 ˘
“ P Zď
500
“ PpZ ď ´0.8q
“ “ 1 ´ PpZ ď 0.8q
“ 1 ´ 0.788 “ 0.211.

6.2 Propriètés de la loi normale

a Concentration autour de la moyenne

Soit X „ N p0, 1q, alors

‚ Dans l’intervalle rµ ´ 2σ, µ ` 2σs centré autour de la moyenne µ il y a 95% de la masse
de la loi N pµ, σ 2 q. Autrement dit

Ppµ ´ 2σ ď X ď µ ` 2σq « 0.95.

‚ Dans l’intervalle rµ ´ 3σ ď X ď µ ` 3σs centré autour de la moyenne il y a 99% de la

masse de la loi de X.
6. La loi normale 25

b La table de la loi N p0, 1q

Soient Z „ N p0, 1q, z P R et α P r0, 1s. La table de la loi normale centrée réduite nous
permet de faire une lecture directe (sans effectuer aucun calcul) pour déterminer
‚ le réel z qui vérifie PpZ ď zq “ α ; α est donnée.
‚ la probabilité α telle que PpZ ď zq “ α, pour un réel z donné.

Exemple 16 Déterminer, par lecture directe sur la table le réel z telle que PpZ ď zq “
0.767 ?
26 Les variables aléatoires continues

1. On regarde les cases dans le tableau et on cherche le nombre 0.767

2. On note à quelle ligne et quelle colonne il appartient.
3. le nombre indiqué sur la ligne (ici 0.7) correspond au premier chiffre après la virgule
et le nombre indiqué sur la colonne (ici 0.03) correspond au deuxième et troisième
chiffre après la virgule.
4. Dans cet exemple z “ 0.7 ` 0.03.
Déterminer par lecture sur la table PpZ ď 1.62q ?
1. On regarde la ligne qui contient 1.6.
2. On regarde la colonne qui contient 0.02.
3. L’intersection est exactement PpZ ď 1.62q “ 0.947.

7 Théorèmes limites

7.1 Introduction

On lance un grand nombre de fois une pièce de monnaie équilibrée. On s’attend à observer
en moyenne 50% de piles et 50% de faces. Plus précisément, si on note Xi la v.a. de
Bernoulli qui vaut "
1, si on tombe sur pile ;
0, si on tombe sur face.

alors le pourcentage de piles sur n tirages est représenté par

n
1ÿ
Sn “ Xi .
n i“1

On voudrait pouvoir dire que

nÑ`8
Xn ÝÑ 0.5 “ EpX1 q.

en un certain sens. C’est ce qu’on appelle la loi des grands nombres.

Exemple 17 On lance n fois un dé équilibré à six face etřon note par Xi le résultat du
ième lancer. On calcule la moyenne des n lancers Sn “ n1 ni“1 . Qu’obtient-on lorsque n
devient grand ? ?
L’intuition laisse penser que lorsque n devient grand, cette moyenne devient proche de
l’espérance d’un des lancers Xi , c’est à dire de

1 2 3 4 5 6
EpXi q “ ` ` ` ` ` “ 3.5.
6 6 6 6 6 6
On voudrait donc dire que que la limite de Sn lorsque n est assez grand vaut 3.5. C’est ce
qu’on veut dire par la loi des grands nombres (appelation des grands nombre= le nombre
n qui est assez grand.)
7. Théorèmes limites 27

7.2 Convergence d’une suite de variable aléatoire

De la même manière que l’on peut s’intéresser à la convergence d’une suite pxn qně0 de
nombres réels déterminés, on peut aussi regarder la convergence d’une suite pXn qněq de
variables aléatoires, mais cette convergence aura forcément un caractère aléatoire puisque
les Xn le sont. Dans ce cours, on se restreint à la convergence presque sûre

nÑ
Définition 35 On dit que Xn converge presque sûrement vers X si PpXn ÝÑ Xq “ 1.
On la note
p.s
Xn ÝÑ X, lorsquen Ñ `8.

Proposition 34 Soit pXn qně0 une suite de vraible aléatoire indépendantes et idetique-
ment distribuées (suivent toutes la même loi). On suppose que l’espérance et la ř
variance
commune de toutes les Xi sont EpXi q “ µ et VarpXi q “ σ 2 . On pose Sn “ n1 ni“1 Xi ,
alors
σ2
EpSn q “ µ, VarpSn q “ .
n

Proposition 35 Soient pXn qně0 une suite de variables aléatoires indépendantes et de

même loi. On suppose que Ep|X1 |q ă 8, alors la suite Sn converge presque sûrement vers
EpX1 q,
n
1ÿ p.s
Sn “ Xi ÝÑ EpX1 q, lorsquen Ñ `8.
n i“1

7.3 Théorème de la limite centrale

Théorème 4 Soit X1 , X2 , .., Xn une suite de variable aléatoires indépendantes et iden-

tiquement distribuées (deřmême loi) telles que EpXi q “ m et VarpXi q “ σ 2 pour tout
i P t1, .., nu. Soit Sn “ n1 ni“1 Xi et N une variable de loi N p0, 1q. Alors pour tout réels
a, b tels que a ă b on a
? żb
`n ˘ nÑ8 1 x2
P aď pSn ´ µq ď b ÝÑ Ppa ď N ď bq “ ? e´ 2 dx.
σ 2π a

Remarque:
?
n Sn ´ µ
‚ On a σ
pSn ´ µq “ b . Donc le théorème affirme que si on centre et on réduit la
σ2
n
variable Sn , sa loi converge vers une N p0, 1q.
‚ En pratique, tout calcul de probabilité effectué sur cette moyenne de variables i.i.d. avec
suffisamment d’échantillons peut donc être approché par un calcul de probabilité
avec la loi normale centrée réduite.
28 Les variables aléatoires continues

a Application 1

Proposition 36 Soit pXn qně0 une suite de variable aléatoire indépendantes et identique-
ment distribuées de loi de Bernouilli de paramètre p. On note Sn “ X1 ` X2 ` .. ` Xn ,
alors
Sn „ Bpn, pq.
b
n
D’après le théorème de la limite centrale on a p Sn ´ pq tend vers la loi N p0, 1q
pp1´pq n
lorsque n est assez grand.
La loi de Sn peut donc être approché par N pnp, npp1 ´ pqq.

Exemple 18 Approximation de la loi binomiale par une loi normale

8. Exercices 29

Remarque: Si n est assez petit pour la même valeur de p l’approximation est très
mauvaise.

b Application 2

Proposition 37 Soit pXi qiPN une suite ř de variable aléatoire indépendantes de même loi
de Poisson de?paramètre 1. Soit Sn “ ni“1 Xi , Alors d’après le théorème de la limite
centrale on a np Snn ´ 1q tend vers la loi N p0, 1q lorsque n est assez grand.

7.4 Des lois dérivées de la loi normale

a La loi De khi-deux
řn
Si Xi , .., Xn sont n v.a indépendantes de loi N p0, 1q alors X “ i“1 Xi est une v.a khi-
deux à n degré de liberté. On la note χ2n et on a
— EpXq “ n
— VarpXq “ 2n.

b La loi de Fisher

Si X1 et X2 sont deux v.a indépendantes telles que X1 suit χ2n1 et X2 suit χ2n2 . Alors
X1 {n1
F “ X 2 {n2
suit une loi de Fisher à n1 , n2 degré de liberté. Elle est notée Fn1 ,n2 . On a de
plus
— EpF q “ n2n´2 2
si n2 ą 2,
2n22 pn1 `n2 ´2q
— VarpF q “ n1 pn2 ´2q2 pn2 ´4q
. si n2 ą 4.

c La loi de Student

Si X et Y sont deux v.a indépendantes telles que X suit N p0, 1q et Y suit χ2n . Alors
S “ ?X est une variable de Student à n degré de liberté. Elle est notée Sn , on a
Y {n
— EpSq “ 0 si n ą 1
n
— VarpSq “ n´2 si n ą 2.

8 Exercices
Exercice 17 Exercice 1
Soit X une variable aléatoire continue dont la densité est donnée par
"
ap9x ´ 3x2 q, 0 ă x ă 3 ;
f pxq “
0, sinon.

1. Calculer a.
30 Les variables aléatoires continues

2. Calculer P pX ą 1q et P p1{2 ă X ă 3{2q.

3. Quelle est la fonction de répartition de X ?
4. Calculer EpXq.

Exercice 18 Soit X une v.a suivant une loi uniforme sur r0, 1s. On pose Y “ ´2lnp1 ´
Xq.
1. Rappeler la valeur de P pX ď aq suivant les valeurs de a.
2. Expliquer rapidement pourquoi Y est une v.a. Préciser les valeurs que peut prendre
Y
3. Calculer alors P pY ď yq en fonction de y.
4. Soit h une densité de Y . A l’aide de la question précèdente, que doit vérifier h ?
Calculer h.

Exercice 19 Soit X une variable aléatoire qui suit une loi uniforme sur r0, 1s. On pose

U “ maxpX, 1 ´ Xq et V “ minpX, 1 ´ Xq.

1. U et V sont elles des v.a ? Préciser les valeurs qu’elles peuvent prendre.
2. Soit hU [resp hV ] une densité de U [resp de V ].Donner une expression de hU et
de hV .

Exercice 20 Soit X une variable aléatoire qui suit la loi exponentielle de paramètre λ.
1. Calculer P pX ď 2q et P pX ě 0.5q
2. Déterminer la densité de Y “ 3X. ´ ¯ ´ ¯
3. Monter que pour tout t, h P R on a PpXětq X ě t ` h “ P X ě h .

Exercice 21 La durée de vie d’un appareil électronique est une variable aléatoire X ,
exprimée en heures, qui suit une loi exponentielle de paramètre 0.000026 .
1. Quelle est la probabilité que la durée de vie de l’appareil soit de 1000 heures au
maximum ?
2. En déduire la probabilité que la durée de vie de l’appareil soit 1000 d’au moins heures.
3. Sachant que la durée de vie de l’appareil a dépassé 1000 heures, quelle est la proba-
bilité que sa durée de vie dépasse 2000 heures ?
4. Sachant que l’appareil a fonctionné plus de 2000 heures, quelle est la probabilité qu’il
tombe en panne avant 3000 heures ?

Exercice 22 On tire 400 fois à pile ou face avec une pièce de monnaie non biaisée. Soit
X le nombre de pile.
1. Indiquer la loi de X.
2. Calculer EpXq et V arpXq.
3. On souhaite approximer la loi de X par une loi normale. Est ce légitime ? Quels
paramètres doit on choisir pour déterminer cette loi normale ?
8. Exercices 31

4. Calculer P pX ą 220q et P p180 ă X ă 220q.

5. Déterminer un intervalle ra; bs centrée en EpXq tel que P pa ă X ă bq “ 0.98.
Calculer P pX “ 220q et P pX “ 190q

Exercice 23 Un fabricant souhaite lancer une nouvelle console de jeu. Les études mar-
keting montrent que parmi les 2000 joueurs de la région, 40% ont déclaré avoir l’intention
d’acheter le jeu. On appelle X, la v.a égale au nombre de personnes allant effectivement
acheter le jeu.
1. Quelle est la loi de X ?
2. En approximant la loi de X par une loi normale dont on précisera les caracté-
ristiques, déterminer le stock que doit avoir le magasin pour que la probabilité de
rupture de stock soit inférieure à 0, 1.