CHAPITRE II Calcul de Probabilités et Variables Aléatoires

I. ANALYSE COMBINATOIRE

I.1 INTRODUCTION
L’analyse combinatoire est une branche des mathématiques où on s’intéresse à l’étude de problèmes de
dénombrements d’ensembles finis.

I.2 PRINCIPE DE L’ADDITION

Si une opération O1 peut être effectuée de n1 manières différentes, une opération O2 peut être effectuée de n2
manières différentes et ainsi de suite jusqu’à une opération Ok qui peut être effectuée de nk manières
différentes.
Alors le nombre de manières différentes d’effectuer l’une ou l’autre de ces opérations est
N = n 1+ n 2+ . . . + n k
Exemple : On se donne le réseau routier suivant reliant trois villes A, B et C.

R1 R5

R2 C
A B R4
R3

Pour un individu se trouvant dans la ville B, combien y a-t-il de façons différentes pour quitter cette ville?
Soient les opérations suivantes:
O : « quitter B » , O1 : « quitter B vers A » , O2 : « quitter B vers C »
On a : O ⇔ O1 ∨ O2
n1 = 3 manières pour réaliser O1 , n2 = 2 manières pour réaliser O2
Le nombre de manières d’effectuer l’opération O est : N = n1 + n2 = 3 + 2 = 5

I.3 PRINCIPE DE LA MULTIPLICATION

Soit une première opération O1 qui peut être effectuée de n1 manières différentes. Si pour chacune de ces n1
manières, une deuxième opération O2 peut être effectuée de n2 manières différentes. Si pour chacune de ces
n1 × n2 manières différentes pour effectuer O1 et O2 , une troisième opération O3 peut être effectuée de n3
manières différentes. Et ainsi de suite jusqu’à la k ième opération Ok qui peut être réalisée de nk manières
différentes pour chacune des manières de réaliser les opérations précédentes.
Alors l’ensemble de ces opérations peut être effectué de N = n1× n2 × . . . × nk manières différentes.

I.4 NOTION DE FACTORIELLE

Définition
Soit n∈IΝ*. On définit factorielle n, notée n!, par : n! = n.(n-1) (n-2). . . 2.1
Par convention, on prend : 0!=1
On a : n! = n.(n-1)!

1
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
I.5 ARRANGEMENTS
On considère un ensemble E de n éléments (n fini) et soit une suite ( une disposition ) de p éléments choisis
parmi les éléments de l’ensemble E.
Cette suite peut être ordonnée ou non selon qu’on tient compte de la position des éléments ou non.
Elle peut se faire avec ou sans répétition selon que l’on puisse utiliser le même élément plusieurs ou une
seule fois.

Définition

Soit E un ensemble contenant n éléments différents ( n fini ). On appelle arrangement sans répétition de p
éléments ( 0 ≤ p ≤ n) toute suite ordonnée de p éléments différents choisis dans E.
Le nombre d’arrangements sans répétition est :
n!
A pn =
(n - p)!
Remarque : l’ordre est important.

Définition
Soit E un ensemble contenant n éléments différents ( n fini ). On appelle arrangement avec répétition de p
éléments ( p quelconque ) toute disposition ordonnée de p éléments quelconques de E.
Le nombre d’arrangements avec répétition est :
T pn = n p
Exemple
Dans un club de 10 personnes, on veut choisir un comité qui comprend un président, un secrétaire et
un trésorier. Le cumul est exclu. De combien de manière peut-on choisir ce comité ?
Puisqu’il y a des charges, chaque comité est un arrangement et comme le cumul est exclu alors se sont des
arrangements sans répétition.
10!
On a alors 3
A10 = = 720 comités possibles
(10 - 3)!

I.6 PERMUTATIONS
Définition
On appelle permutation toute disposition ordonnée des n éléments de l’ensemble E.
Remarque : Une permutation est donc un arrangement particulier où p = n (tous les éléments de E)
Le nombre de permutations différentes est : Pn = n!

Exemple 1
Combien de mots peut-on former avec les lettres du mot DIPLOMES
n = 8 , le nombre de mots différents est : N = P8 = 8! = 40 320

Exemple 2
De combien de manières peut-on ranger, sur une étagère, 4 livres de maths, 3 livres de physiques et 2 livres
de chimie ?
Il y a N = 9! = 362 880 manières différentes

Permutations dans le cas où certains éléments de l’ensemble E sont identiques:

Soient n1 éléments d’une certaine sorte, n2 éléments d’une autre sorte, et ainsi de suite jusqu’à nk éléments
qui sont d’une sorte différente. Alors le nombre de permutations différentes est
n1 , n 2 ,..., n k n!
cn =
n1!n 2!...n k !
Exemple:
Combien de mots peut-on former avec les lettres du mot STATISTIQUES
n = 12 , n1=3 ( 3 S) , n2 =3 (3T) , n3 = 2 (2I)
12!
le nombre de mots différents est : c 3,3, 2
12 = = 6 652 800
3!3!2!

2
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
I.7 COMBINAISONS
Définition
On appelle combinaison sans répétition de p éléments ( 0 ≤ p ≤ n) toute disposition non ordonnée de p
éléments différents choisis parmi les éléments de E.
Le nombre de combinaisons différentes est : p n!
C =
n p!(n - p)!
Propriétés
C0 = 1 , Cn = 1 , p
, Cn = Cn
n-p
,
p
C =C
p
+C
p -1
n n n n -1 n -1

Définition
On appelle combinaison avec répétitions de p éléments (p quelconque) toute disposition non ordonnée de p
éléments quelconques pris parmi les éléments de E.
p (n + p - 1)!
Il y en a : Kn =
p!(n - 1)!

Exemple
A partir d’un groupe de 5 hommes et de 7 femmes, combien de comités différents composés de 2
hommes et de 3 femmes peut-on former?

Il n’y a pas ordre C C = 10 ×35 = 350 comités possibles

II. CALCUL DE PROBABILITES

II.1 Expériences aléatoires et Evènements : une expérience ou épreuve est dite aléatoire s’il est impossible
de prévoir son résultat.
L’ensemble de tous les résultats possibles est appelé univers ou ensemble fondamental de l’expérience, il est
en général connu. On le note Ω.

Exemples
1. On lance une pièce de monnaie. L’univers de cette épreuve aléatoire est: Ω = { pile , face }
2. On lance un dé. Ω = { 1, 2, 3, 4, 5, 6 }
3. On lance deux dés. Ω = { (1,1),(1, 2),. . . , (6, 6) } = { ( i , j ) / i , j ∈ IN et 1 ≤ i , j ≤ 6}

Les sous-ensembles de Ω sont appelés les évènements.

∅ est appelé évènement impossible.

Ω est l’évènement certain.
Chaque partie de Ω contenant un seul élément ( un seul résultat possible) est appelée évènement élémentaire.

Exemple
On lance deux dés. Ω = { (1,1),(1, 2),. . . , (6, 6) }
Soit l’évènement A : « la somme des points obtenus est >10 »
A = { (5,6),(6, 5),(6, 6) }
Soit l’évènement B : « la somme des points obtenus est égale à 1 »
B=∅
Rq. Un évènement est une partie de Ω définie par une proposition logique.

Définitions
Soient A et B deux évènements de Ω.
• L’évènement A∪B est l’évènement qui est réalisé si A est réalisé ou B est réalisé.
• L’évènement A ∩ B est l’évènement qui n’est réalisé que si A et B sont réalisés simultanément.
• Si A est évènement de Ω. L’évènement contraire de A, noté A , est l’évènement qui n’est réalisé que
si A ne l’est pas.
• Si A ∩ B = ∅ alors on dira que A et B sont deux évènements incompatibles.

3
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
Propriétés A∪B= A∩B et A∩B= A∪B

II.2 Notion de probabilité

Définition
Soient Ω l’ensemble fondamental associé à une épreuve aléatoire. Une probabilité P définie sur Ω est une
application de c (Ω) (ensemble de toutes les parties de Ω ) dans IR vérifiant :
i. ∀ A ∈ c (Ω) : 0 ≤ P(A) ≤ 1
ii. P(Ω) = 1
iii. ∀(Ai)⊂ c (Ω) : P(∪Ai )=Σ P(Ai) si les évènements Ai sont deux à deux disjoints
(c.a.d. pour i ≠ j: Ai ∩Aj =∅)

Conséquences : si P est une probabilité sur Ω, on a alors :

P(∅) = 0
∀ A ∈ T : P( A ) = 1 - P(A)
∀ A, B ∈ T : P(A∪B) = P(A) +P(B) - P(A∩B)

II.3 Notion d’équiprobabilité : l’équiprobabilité correspond au cas où tous les évènements élémentaires
ont la même probabilité de se réaliser. c.a.d si Ω = { ω1, ω2, . . . ωn } alors P({ ωi})=1/n.
Dans ce cas d’équiprobabilité, si A est un évènement quelconque alors :
le nombre de cas favorables à A card ( A )
P(A) = =
le nombre de cas possibles card (Ω)
Exemples:
• on lance un dé bien équilibré. Quelle est la probabilité d’obtenir un nombre premier?
• On lance deux dés bien équilibrés. Quelle est la probabilité que la somme des points obtenus soit
supérieure à 10?
• On tire 5 cartes d’un jeu de 32 cartes. Quelle est la probabilité d’avoir dans la main exactement deux
dames ?

III. Probabilité Conditionnelle - Théorème de Bayes

III.1 Exemple :
1. On tire, au hasard, une carte d’un jeu de 52 cartes. On s’intéresse à l’évènement A : « la carte tirée est un
Valet ». Calculer la probabilité de A.
le nombre de cas favorables à A C 14 4 1
On a P(A) = = 1
= = =0.077
le nombre de cas possibles C 52 52 13

2. Après avoir tiré la carte, on a vu du coin de l’œil, que la carte tirée était une figure noire. Etant donnée
cette information, calculer la probabilité de A.
Cette information change la probabilité de A car il ne reste que deux valets noirs comme résultats favorables
à A et ils constituent 2 des 6 résultats possibles ( les 6 figures noires). La probabilité cherchée devient donc
1
C2 2 1
= = = 0.333
1 6 3
C6
En effet, si on appelle B l’évènement « la carte tirée est une figure noire », on a alors P(B)= 6/52=3/26
Lorsque B est réalisé, cet évènement devient l’ensemble des résultats possibles c.a.d. le nouveau ensemble
p(A ∩ B) 2 / 52
fondamental et la probabilité que A se réalise est : = = 1/3 = 0.333
p(B) 6 / 52

4
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
III.2 Probabilité conditionnelle
Définition
Si A est un évènement associé à une épreuve aléatoire et si B est un évènement de probabilité non nulle
associé à la même épreuve, on définit alors la probabilité conditionnelle que A se réalise étant donné que B
P(A ∩ B)
est réalisé, notée P(A/B), par P(A/B) = .
P(B)

De cette définition, on a : P(A∩B) = P(A/B). P (B)

On a aussi : P(A∩B) = P(B/A). P(A) ( si p(A)≠0 )

III.3 Indépendance
On dira que l’évènement A est indépendant de l’évènement B si et seulement si la réalisation de B ne change
rien aux chances ( à la probabilité ) de réalisation de A. c.a.d. P(A/B) = P(A)
On démontre que A indépendant de B si et seulement si B est indépendant de A. On dira tout simplement que
A et B sont indépendants.
A indépendant de B ⇔ P(A/B) = P(A)
P(A ∩ B)
⇔ = P(A)
P(B)
⇔ P(A∩B) = P(A).P (B)
P(A ∩ B) P(A).P (B)
⇔ P(B/A) = = = p(B)
P(A) P(A)
⇔ B est indépendant de A

On a donc : A et B sont indépendants ⇔ P(A∩B) = P(A).P (B)

Attention :
1) indépendants ≠ incompatibles.
Exercice
30 % des étudiants de la 1e année MIAS ont échoué au cours de Probabilités, 20 % ont échoué au cours
d’Analyse et 10 % ont échoué aux deux cours. On rencontre un étudiant au hasard. Calculer :
1. la probabilité que cet étudiant ait réussi le cours de Probabilités et échoué au cours d’Analyse.
2. la probabilité que cet étudiant ait échoué au cours d’Analyse sachant qu'il a échoué au cours de
Probabilités.
3. la probabilité que cet étudiant ait échoué au cours d’Analyse sachant qu'il a réussi au cours de
Probabilités.
Solution : Soit les événements suivants :
A : « l’étudiant a échoué au cours d’analyse »
B : « l’étudiant a échoué au cours de probabilités »
On a : P(A)=0,2 ; P(B)=0,3 et P(A∩B)=0,1
1. On cherche P(A∩ )

A=(A∩B)∪ (A∩ ) alors P(A)= P((A∩B)∪ (A∩ ))=P(A∩B)+P(A∩ ) car (A∩B) ∩ (A∩ )=∅
Et donc P(A∩ )= P(A) - P(A∩B) = 0,2 -0,1 = 0,1
2. On cherche P(A/B)
( ∩ ) ,
P(A/B)= = =
( ) ,

3. On cherche P(A/ )

( ∩ ) ,
P(A/ )= ( )
=
,
=

5
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
III.4 Théorèmes de Bayes
Définition
Soit (Ai) une suite d’évènements associés à une épreuve aléatoire. On dira que (Ai) forme un système
complet d’évènements (SCE) de Ω si et seulement si on a :
• ∀i : Ai ≠ ∅
• ∀ i ≠ j : Ai ∩Aj = ∅
• Ω = ∪Ai

1ère Formule de Bayes : Soit (Ai) un système complet d’évènements de Ω et soit B un évènement
quelconque. On a alors :
P(B) = ∑ P(B/Ai )P(Ai )
i

2ème Formule de Bayes: Soient (Ai) un système complet d’évènements de Ω et B un évènement de

probabilité non nulle. Alors
P(B/Ai ).P(A i )
P(Ai/B) =
∑ P(B/A j ) P(A j )
j
Exemple : Une population est formée de 60% d’hommes et 40% de femmes. 80% des hommes et 70% des
femmes fument.
1. Quelle est la proportion des fumeurs dans cette population ?
2. On tire au hasard une personne de cette population, elle fume. Quelle est la probabilité que cette
personne soit un homme ?

1. On tire une personne au hasard de cette population et soient les évènements suivants
H « la personne tirée est un homme»
F « la personne tirée est un femme»
B « la personne tirée fume »
On cherche P(B)
{F , H} forme un SCE de Ω
P(B)= P(B/F).P(F)+P(B/H).P(H)
On a : P(F) = 0.4 , P(H) = 0.6 , P(B/F) = 0.7 , P(B/H) = 0.8
P(B)= 0.7 × 0.4 + 0.8 × 0.6 = 0.76
76 % de cette population sont des fumeurs.

2. On cherche P(H/B)
P( B/H ) .P( H ) 0.8 × 0.6
P( H/B ) = = = 0.63
P( B/H ).P( H ) + P( B/F ).P( F ) 0.76

Exercice
Trois secrétaires tapent des adresses sur un lot d’enveloppes. La secrétaire A remplit 50% des enveloppes, la
secrétaire B en remplit 30% et la secrétaire C, 20%. La probabilité qu’il y ait une faute dans une adresse, si
elle est tapée par la secrétaire A, est de 0,03. La probabilité qu’il y ait une faute dans une adresse, si elle est
tapée par la secrétaire B, est de 0,02. La probabilité qu’il y ait une faute dans une adresse, si elle est tapée par
la secrétaire C, est de 0,01.
1. On tire une lettre au hasard, l’adresse est fausse. Quelle est la probabilité que cette adresse ait été tapée
par la secrétaire A?
2. On tire une lettre au hasard. L’adresse est exacte. Quelle est la probabilité que cette adresse ait été tapée
par la secrétaire A?

On tire une lettre au hasard, soit les événements suivants :

A : « la lettre est tapée par la secrétaire A »
B : « la lettre est tapée par la secrétaire B »
C : « la lettre est tapée par la secrétaire C »
F : « l’adresse est fausse »

6
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
A,B,C forment un système complet d’événements.

On a : P(A)=0,5 ; P(B)=0,3 et P(C)=0,2

P(F/A)=0,03 ; P(F/B)=0,02 et P(F/C)=0,01
1. On cherche P(A/F)

( ∩ ) ( / ) ( ) , . , ,
P(A/F)= ( )
= ( / ) ( ) ( / ) ( ) ( / ) ( )
= , . , , . , , . ,
= ,
= 0,65
2. On cherche P(A/ )
( ∩ )
P(A/ )=
( )

On a A= (A ∩ F) ∪ (A ∩ )
P(A)= P(A∩F) + P(A∩ ) donc P(A∩ ) =P(A) - P(A∩F) = 0,5 – 0,015 = 0,485
,
P(A/ )= , = 0,496

7
CHAPITRE II Calcul de Probabilités et Variables Aléatoires

I. Introduction et Définitions
Dans le chapitre précédant, nous avons introduit la notion d’univers associé à une épreuve aléatoire
et nous avons attaché à chaque évènement une probabilité. Dans plusieurs cas nous nous intéressons
plus à une fonction réelle du résultat de l’épreuve qu’au résultat lui-même.
• En lançant deux dés, certains jeux accordent plus d’importance à la somme obtenue, par exemple
7, qu’aux résultats (1,6) ou (5,2) . . . qui apparaissent
• Dans le cas de lancers d’une pièce de monnaie, il peut être plus intéressant de connaître le nombre
de piles qui apparaissent que la suite des résultats.
• Définition 1: Soit Ω l’univers associé à une épreuve aléatoire. Une variable aléatoire ( v a ) X est
une application de Ω dans IR telle que l’image réciproque de tout intervalle I de IR est un
élément de l’algèbre ( ou de la σ-algèbre ) T

X fait correspondre à chaque résultat de l’épreuve un nombre réel.

La va X est une application X: Ω → IR

ω → X(ω)
telle que : ∀ I ⊂ IR ( I intervalle ) : X (I) ∈ T i.e X-1(I) a une probabilité.
-1

• Si a et b sont deux réels (tel que a < b ) alors on note p( a < X < b ) la probabilité de l’évènement
X-1(]a,b[) = { ω ∈Ω / a < X(ω ) < b }.

i.e p(X-1(]a,b[)) = p({ω∈Ω / a < X(ω) < b}) = p(a < X < b)

De même si x ∈ IR, alors la probabilité p( X = x ) = p(X-1({x })) = p({ ω ∈ Ω / X(ω ) = x})

On peut donc attribuer une probabilité aux différentes valeurs de la va X.
Exemples:
• On lance 2 dés bien équilibrés. On s’intéresse à la somme obtenue.
Ω= { (i,j) / i,j ∈ IN et 1 ≤ i , j ≤ 6 }.
La va correspondante est :
X : Ω → IR
(i,j) → X (i,j)= i+j
Les valeurs de la va X sont 2, 3, . . ., 12.
p(X=2)=p({(1,1)})=1/36
p(X=3)=p({(1,2),(2,1)})=2/36
p(X=4)=p({(1,3),(2,2),(3,1)})=3/36
• On lance n fois une pièce de monnaie. La va X est le nombre de faces obtenues.
X prend les valeurs 0, 1, . . ., n.

• On tire sur une cible. La distance du point d’impact au centre de la cible est une va qui prend
n’importe quelle valeur positive ou nulle.
II. Fonction de répartition
Définition 2 : Soit X une va définie sur Ω. On appelle fonction de répartition de la va X la fonction
définie par :
F : IR → [0,1]
x → F(x) = p( X ≤ x )

8
CHAPITRE II Calcul de Probabilités et Variables Aléatoires

p( X ≤ x )= p({ω∈Ω / X(ω) ≤ x}) = p( X-1( ]-∞ , x] ))

Propriétés de la fonction de répartition F:

• F est une fonction non décroissante.
• ∀ x ∈ IR: 0 ≤ F(x) ≤ 1
• F est continue à droite.
• lim F(x) = 0 et lim F(x) = 1
x → −∞ x → +∞

• ∀ a, b ∈ IR, ( a < b ) p(a < X ≤ b ) = F (b) - F (a)

III. Variables aléatoires discrètes

X est une va discrète si X(Ω) est fini ou infini dénombrable.

1. Loi de probabilité
Définition 3 : Soit X une v a discrète. L’application
f : X(Ω) → [ 0 , 1 ]
xi → f (xi) = p( X = xi )
est appelée loi de probabilité ( ou distribution de probabilité ) de la v a X.

Proposition : ∑ f(x ) = 1
x i ∈X( Ω )
i

Une v a discrète X est définie par les valeurs xi de la variable et de leurs probabilités f(xi).

Soit X une v a discrète. La loi de probabilité f de X peut être représentée par un diagramme en
bâtons (diagramme différentiel).
La courbe représentative de la fonction de répartition F de la v a X est un graphique en escalier
(diagramme intégrale).

2. Espérance mathématique d’une v a : Soit X une v a discrète. On appelle espérance

mathématique de X la valeur, si elle existe
E(X) = ∑ x i f( x i ) = ∑ x i p ( X = x i )
i i
3. Espérance mathématique d’une fonction de v a : Soient X une v a et g une fonction réelle
telle que Y = g (X) est une v a.
On a alors : E(Y) = E [g(X)] = ∑ g( x i )f( x i )
i
4. Variance d’une v. a. : On appelle variance d’une v a X la quantité, si elle existe, définie par :
V(X) = E[ ( X-E(X))2 ] = ∑ ( x i - E(X) ) 2 f ( x i )
i
Exemple
Soit la v a discrète X : « point amené par un dé bien équilibré ».
Donner la loi de probabilité, déterminer la fonction de répartition F de X et tracer sa courbe
(diagramme intégrale). Calculer l’espérance mathématique et la variance de X .

IV. Variables aléatoires continues

1. Définition 4: soit X une v a de fonction de répartition F. On dit que X est une v a continue s’il
existe une fonction f vérifiant :
a) ∀ x∈ IR, f(x) ≥ 0
b) F continue sur IR (sauf peut être en quelques points)

9
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
+∞
c) ∫ f(x)dx = 1
−∞
x
d) F(x) = ∫ f(t)dt
−∞

La fonction f est appelée densité de probabilité (ou distribution de probabilité) de la v a continue X.

Exemple : soit la v a continue X définie par sa densité de probabilité

1
 si 0 ≤ x ≤ 2
f(x)=  2
0 sinon
Vérifier que f est bien une densité de probabilité et tracer sa courbe (diagramme différentiel).
Déterminer la fonction de répartition F de X et tracer sa courbe (diagramme intégrale).

2. Espérance mathématique : Soit X une v a continue. On appelle espérance mathématique de

X la valeur, si elle existe
+∞
E(X)= ∫ x f(x) dx
−∞
Exemple : Calculer l’espérance mathématique de la v a de l’exemple précédent
+∞ 2
1
E(X)= ∫−∞ x f(x) dx = ∫ x dx
0
2

3. Espérance mathématique d’une fonction de v a : Soient X une v a et g une fonction réelle

telle que Y = g (X) est une v a.
On a alors :
+∞
E(Y) = E [g(X)] = ∫ g (x ) f ( x ) dx
−∞
Exemple : si Y = g (X) = a X + b ( a ≠ 0 ) alors E(Y) = E(a X + b) = a E(X) + b

4. Variance d’une v. a. : On appelle variance d’une v a X la quantité, si elle existe, définie par :
+∞
V(X) = E[ ( X-E(X))2 ] = ∫ ( x - E(X) )
2
f ( x ) dx
−∞
On a : V(X) = E(X2 ) – ( E(X) )2

Exemples: 1) Soit la v a continue X définie par sa densité de probabilité

1
 si 0 ≤ x ≤ 2
f(x)=  2
 0 sin on
Calculer l’espérance mathématique et la variance de X.

V. Moments d’une variable et Fonction génératrice

1. Moments d’une variable On appelle moment d’ordre n la quantité, si elle existe, mn = E(Xn)
mn = ∑ x in f( x i ) si X est discrète
i
+∞

∫x
n
mn = f(x) dx si X est continue
−∞

10
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
Rq. : L’espérance mathématique est le moment d’ordre 1.

On appelle moment centré d’ordre n la quantité, si elle existe, définie par : µn= E[(X-E(X))n]
µn = ∑ ( x i - E(X) ) n f ( x i ) si X est discrète
i
+∞
µn = ∫ ( x - E(X) )
n
f ( x ) dx si X est continue
−∞
Rq. La variance est le moment centré d’ordre 2.
Proposition : µ2= m2 – (m1)2
i.e
V(X) = E(X2 ) – ( E(X) )2

Exemples: 1) Soit la v a continue X définie par sa densité de probabilité

1
 si 0 ≤ x ≤ 2
f(x)=  2
 0 sin on
• Calculer le moment d’ordre n.
• En déduire l’espérance mathématique et la variance de X.

2) Soit la v a discrète X : « point amené par un dé bien équilibré ».

Donner la loi de probabilité, l’espérance mathématique et la variance de X .

2. Fonction génératrice des moments : Soit X une v a. On définit, pour tout réel t, la fonction
génératrice des moments ϕX de la variable aléatoire X par :
 ∑ e t x i f( x i ) si X est discrète
 i
ϕX(t) = E(etX) = + ∞
 ∫ e f ( x ) dx si X est continue
tx

− ∞
Rq. La fonction ϕX est appelée fonction génératrice des moments du fait que tous les moments
d’ordre n de X peuvent être calculés en dérivant n fois ϕX puis en évaluant la dérivée en t = 0.
d d
ϕ’X(t) = E(etX) = E( etX) = E(X etX)
dt dt
Pour t = 0 , on a m1 = ϕ’X(0)= E(X)
d
ϕ’’X(t) = ϕ’X(t) = E(X2 etX) et m2 = ϕ’’X(0) = E(X2)
dt
L’expression générale de la nième dérivée est :
ϕ X(n) ( t ) = E(Xn etX) et donc mn = ϕ X(n) (0) = E(Xn )

VI. Lois usuelles discrètes

1. Loi Binomiale
a. Variable de Bernoulli : On réalise une épreuve aléatoire dont le résultat est interprété soit
comme un succès (s) soit comme un échec (e). On a alors Ω={s,e}
La probabilité du succès est p(s) = p, la probabilité de l’échec est donc p(e) = 1 - p = q
Soit la v a X définie comme suit : X : Ω = { s , e }→ IR
telle que X(s) = 1 et X (e) = 0
X est appelée variable de Bernoulli. On a p(X=1) = p(s) = p et p(X=0) = p(e) = 1 – p = q
L’espérance mathématique de X :
E(X) = ∑ x i p ( X = x i ) = 1. p(X=1) +0. p(X=0) = p
i

11
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
La variance de X :
V(X)= E(X2)-(E(X))2=12 p(X=1)+02 p(X=0) - p2
= p - p2 = p(1 - p) = p q

b. Loi Binomiale : supposons qu’on exécute n épreuves indépendantes de Bernoulli chacune ayant
la probabilité p du succès.
Soit la v a X qui compte le nombre de succès sur les n épreuves.
X est appelée v a binomiale. On note X ~ B(n ; p)
On a : p( X = k )= C kn pk (1-p)n-k pour k = 0, 1, . . . , n
C kn : nombre de manières d’avoir k succès dans n épreuves
pk : p étant la probabilité d’un succès, pour k succès, la probabilité est pk car les épreuves
sont indépendantes.
n-k
(1-p) : p étant la probabilité du succès, 1-p est donc la probabilité de l’échec et pour n échecs
la probabilité est (1-p)n-k

Exemples:
1. On lance 5 pièces de monnaie équilibrées.
Soit la v a X : « le nombre de piles obtenus »
Établir la loi de X.
Pour chacune des 5 épreuves ( lancer de pièce ), on a soit un succès (pile), soit un échec (face).
La probabilité du succès est ½ pour chaque épreuve. Donc X ~ B(5 ; ½ )
p(X=k)= C 5k (½ )k (1- ½)5-k ; k = 0, 1, . . . , 5

2. On tire un échantillon de n = 4 boules d’une urne contenant N = 20 boules dont 5 sont

blanches. Les tirages se font successifs et en remettant chaque fois la boule tirée avant le
tirage suivant. Soit la v a X : «le nombre de boules blanches tirées» . Établir la loi de X.
Quelle est la probabilité de tirer exactement 2 boules blanches ?

L’espérance mathématique de la variable binomiale : E(X) = np

La variance de la variable binomiale : V(X) = np(1-p)

En effet, calculons la fonction génératrice:

n n n
ϕX(t) = E(etX) = ∑ e t k P( X = k ) = ∑ e t k C kn p k (1 − p ) n - k = ∑C k
n ( e t p) k (1 − p ) n - k = ( p et -
k =0 k =0 k =0
n
(1-p) )
ϕ’X(t)= n ( pet + (1-p) )n-1 pet D’où m1 = E(X) = ϕ’X(0) = n p

ϕ’’X(t) = n(n-1) ( pet + (1-p) )n - 2 ( pet )2 + n( pet + (1-p) )n - 1 pet

m2 = ϕ’’X(0) = n(n-1)p2 + n p
on a donc : V(X) = µ2 = m2 – (m1)2 = n(n-1)p2 + n p -(np)2 = np(1-p)
E(X) = n p et V(X) = np(1-p)

Exercice 1 : Un vendeur de fruits reçoit un lot de pommes dont 25 % sont avariés. Il préparer des
emballages de 5 pommes chacun mais il ne se donne pas la peine de jeter les fruits avariés.
Chaque client qui trouve, dans l’emballage qu’il achète, 2 fruits ou plus qui sont avariés, revient
pour se plaindre.

12
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
1. Soit X le « nombre de pommes avariées dans un emballage ». Déterminer la loi de probabilité de
X.
2. Quelle est la probabilité pour qu’un client donné se plaigne auprès du vendeur?
3. Si le vendeur a 100 clients qui achètent des pommes ce jour-là, combien y aura-t-il de plaintes?
Exercice 2 : Un journaliste se voit remettre une liste de personnes à interviewer. Il doit interroger 5
personnes au moins. Les interviewés potentiels n’acceptent de parler qu’avec une probabilité de 2/3,
indépendamment les uns des autres. Quelle est la probabilité qu’il puisse réaliser ses 5 entretiens si
la liste compte 5 noms ?
Qu’en est-il si elle en compte 8 ?

2. La loi Hypergéométrique
On tire un échantillon de n boules d’une urne contenant N boules dont Np sont blanches (0< p<1).
Les tirages se font successifs et sans remise.
Soit la v a X : « le nombre de boules blanches tirées »
C kNp C nN(1
-k
- p)
p(X=k)= n
où max(0,n-(N-Np)) < k < min(n,Np)
CN
X est appelée v a hypergéométrique. On note X ~ H(N,n, p)

Exemple 1: 3 des 7 tartes présentées sur le comptoir d’une pâtisserie ont été préparées la veille. Un
client arrive et prend d’un seul coup deux tartes.
Quelle est la probabilité qu’il ait choisi deux tartes préparées la veille?
Exemple 2: C’est le Saint Valentin, Said est heureux. Il va rencontrer sa belle fiancé Djamila. Il a
décidé de lui acheter des roses qu’elle aime tant…
Malheureusement le fleuriste est aveugle, il a mélangé dans le même bocal 15 roses rouges et 10
roses blanches. Il (le fleuriste) confectionne un bouquet de 7 roses pour Said.
Quelle est la probabilité que le bouquet ne contienne que des roses rouges?
N−n
Espérance mathématique et variance : E(X) = n p et V(X) = np(1-p)
N −1

3. Loi Binomiale Négative : On réalise une série d’épreuves indépendantes de Bernoulli,

ayant chacune la probabilité p du succès, jusqu’à l’obtention de r succès.
Soit la v. a. X : « le nombre d’épreuves nécessaires pour obtenir r succès ».
On a
P( X = n ) = C nr−−11 p r (1 − p ) n − r pour n = r, r + 1, . . .
La v a X est dite distribuée selon la loi binomiale négative. On note X ~ R(r , p).

• L’espérance mathématique et la variance de la loi binomiale négative :

r r (1 − p )
Si X ~ R( r , p) : E(X) = et V(X) =
p p2
Rq. Pour r = 1, on retrouve la loi géométrique.

Exemple( loi géométrique ) une urne contient N boules blanches et M noires. On tire des boules
une par une avec remise jusqu’à l’apparition d’une noire. Quelle est la probabilité qu’il faille
exactement n tirages?
M
X ~ R(1; p) avec p =
M+ N

p( X = n ) = p (1-p)n-1 ; n = 1, 2, 3, . . .
13
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
n -1
M  N 
=  
M+NM+N
• L’espérance mathématique et la variance de la variable géométrique :
La fonction génératrice:
+∞
p +∞ t n pe t
ϕX(t) = E(etX) = ∑ e t n p(1 − p) n −1 = ∑ ( e (1 − p )) n
= pour t tel que et (1-p)<1
n =1 1 − p n=1 1 − e (1 − p )
t

pe t (1 − e t (1 − p )) + pe t (e t (1 − p ))
ϕ’X(t) =
(1 − e t (1 − p )) 2
1
E(X) = m1 = ϕ’X(0) =
p
1− p
m2 = ϕ’’X(0) , on retrouve V(X) = m2 - ( m1)2 =
p2
1 1− p
Si X ~ R( 1 , p) : E(X) = et V(X) =
p p2

3. La loi de Poisson :
Une v.a. discrète X pouvant prendre les valeurs entières k = 0, 1, 2 , . . . , n , . . .
e− λ λ k

avec les probabilités P(X=k) = ,où λ est un paramètre réel positif, est appelé variable
k !
de Poisson.
On écrit X ~ P(λ).

• On obtient une v.a. de Poisson pour approximer une v.a. binomiale pour laquelle le nombre
d’épreuves n est grand et la probabilité p du succès est faible.
• On peut aussi introduire la loi de Poisson par la notion de processus de Poisson. Soit un
phénomène tel qu’un seul évènement puisse se produire à la fois (non simultanéité des
réalisations) et que le nombre d’évènements se produisant pendant une période T ne dépend
que de la durée de cette période. Supposons enfin l’indépendance des évènements.

• L’espérance mathématique et la variance de la loi de Poisson :

Si X ~ P(λ) alors E(X) = λ et V(X) = λ

Calcul de la fonction génératrice:

+∞
+∞
e- λ λ k +∞
( λ et )k - λ λe t
tX
ϕX(t) = E(e ) = ∑e tk
P( X = k ) = ∑ et k k! = e ∑
-λ
= e e =e
λ ( et −1)
k =0 k =0
k =0 k!
λ ( et −1)
ϕ’X(t)= λ e e
t

E(X) = m1 = ϕ’X(0) = λ
λ ( et −1) t
ϕ’’X(t)= (λ e ) e
t 2
+ λ e t e λ ( e −1)
m2 = ϕ’’X(0) = λ2 + λ
V(X) = m2 – (m1)2 = λ

Donc si X ~ P(λ) alors E(X) = λ et V(X) = λ

14
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
Exemple 1
Une émission à la radio EL BAHIA reçoit en moyenne 2 appels téléphoniques par minute. On suppose que le
nombre d’appels pendant un intervalle de temps suit une loi de Poisson. Calculer la probabilité que durant 3
mn l’émission reçoit : a) 3 appels ? b) Au moins un appel ?
Exemple 2
Les chasseurs tuent en moyenne cinq vaches par an. Le nombre de ces vaches prises pour des lapins suit une
loi de Poisson. Calculer la probabilité pour qu’il ne dépasse pas sept (07). Quelle est la probabilité d’avoir
une année sans victime ?

VI. Lois usuelles continues

1. Loi uniforme sur [a,b] : La v a continue X définie par la fonction de densité
 1
 si a ≤ x ≤ b
f(x) =  b - a
 0 sinon
est dite uniformément distribuée sur [a,b]. On écrit X ~ U(a,b).
 0 si x < a
x
x -a
La fonction de répartition : F(x)= P(X ≤ x)= ∫ f ( t ) d t =  b - a si a ≤ x < b
−∞ 
1 si x > b
b b
L’espérance mathématique E(X) = x f(x)dx = x 1 dx = b + a
∫a ∫a b - a 2
b b
1 (b − a) 2
La variance : V(X) = ∫ x 2 f(x)dx − (E(X)) 2 = ∫ x 2
dx − (E(X)) 2 =
a a
b-a 12
Exemple 1
Soit X une variable aléatoire uniforme sur [ -1 , 1 ].
Calculer P( X> 1/2 )
Trouver la densité de la variable aléatoire Y =X.

Exemple 2
A partir de 7 heures, les bus passent toutes les 15 mn à un arrêt donné. Un usager se présente entre 7h 00 et
7h 30 à cet arrêt. L’heure exacte de son arrivée étant une variable uniformément distribuée sur cette période.
Trouver la probabilité qu’il doive attendre :
1. moins de 5 mn.
2. plus de 10 mn.

2. Loi exponentielle : Une v a continue X suit une loi exponentielle si sa densité f est définie par:
 0 si x<0
f(x) =  - λ x où λ est un paramètre réel positif.
 λ e si x ≥ 0

On écrit X ~ E(λ).

En pratique, on rencontre la loi exponentielle lorsqu’il s’agit de représenter le temps d’attente avant
l’arrivée d’un évènement aléatoire obéissant aux conditions de processus de Poisson.
x x

• Fonction de répartition F(x) = P(X ≤ x)∫ f(t)dt

= = ∫ λ e - λ t dt = 1 – e-λx
+∞
-∞ 0
1
• L’espérance mathématique : E(X) ∫ x=f ( x ) d x =
0
λ

1
• La variance V(X) = λ 2

15
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
2
Propriété d’absence de mémoire: λ2

∀s,t ≥ 0 : P(X>s+t / X>t ) = P(X>s)

Exemple: la distance (en Km) couverte par une batterie de voiture avant défaillance est distribuée
exponentiellement et sa valeur moyenne est 10 000 Km. Une personne souhaite faire un voyage de
5 000 Km. Avec quelle probabilité terminera-t-elle son voyage sans problème de batterie?

2
1  x -m 
3. Loi Normale 
- 
1
a. Définition: Une v.a. continue X définie sur IR par la densité f(x)= e 2 σ  ∀ x∈IR,
σ 2π

où m ∈IR et σ >0 sont deux paramètres réels, est dite normalement distribuée.
On écrit X~N(m, σ) et on lit X suit la loi normale de paramètres m et σ.

• On applique la loi normale pour décrire un phénomène qui est engendré par un grand nombre de
causes agissant de façons indépendantes et où aucunes de ces causes n’est dominante.
• On applique aussi la loi normale pour approximer une variable binomiale ou de Poisson.
La courbe représentative de f est symétrique par rapport à la droite d’équation x = m.

On a : E(X) = m et V(X) = σ2

La fonction de répartition de la v.a. X : F(x) = P(X ≤ x)=

1
x - ( ) du
1 u -m 2
2 σ
∫e
σ 2π
+∞
b. La loi normale centrée réduite: Soit X une v a normalement distribuée, X~N(m, σ) et soient fX
et FX sa densité et sa fonction de répartition respectivement.
X-m
Soit la variable aléatoire T définie par : T =
σ
On démontre que T est normalement distribuée.

Calculons de la densité fT de la v.a. T

Fonction de répartition FT la v.a. T :
x-m
Soit t ∈IR et x = σ t + m ( i.e t = )
σ
X -m
FT(t)= P(T≤ t) = P( ≤ t) = P( X ≤ σ t + m ) = FX(σ t + m ) = FX(x )
σ

d FT ( t ) dFX ( x ) dFX ( x ) dx
fT(t)= = =
dt dt d x dt
= f X ( x ) . σ = σ .f X ( σ t + m )
2
-
1  (σ t + m ) - m 
  t2
1 -
e 2 σ  1
=σ . σ 2 π = e 2
2π

Donc T suit la loi normale de paramètres m = 0 et σ =1 i.e T~N(0,1) d’où E(T)=0 et V(T)=1.

16
CHAPITRE II Calcul de Probabilités et Variables Aléatoires

Exercice 1: Soit la variable aléatoire T∼N(0,1). Evaluer :

P(T < 1,31) ; P(T > 1,41) ; P(T < -0,13) ; P(-0,13 < T < 1,41).
Soit une variable aléatoire X∼N(60,4). Evaluer :
P(X < 65,24) ; P(X > 65,64) ; P(X < 59,48) ; P(59,48< X < 65,64).

Exercice 2 : On considère que la taille des enfants de 12 ans est une v.a. continue qui suit une loi Normale
de moyenne 125 cm et d’écart-type 15 cm. Si on choisit un enfant de 12 ans au hasard, quelle est la
probabilité qu’il ait une taille de plus de 140 cm ?

Exercice 3 : Un distributeur automatique de café est ajusté pour verser en moyenne 200 cm3 de café avec
un écart-type de 12 cm3 .Si on utilise des tasses de 225 cm3, déterminer le pourcentage des tasses qui
déborderont. La quantité de café versée suit une loi Normale.

17
CHAPITRE II Calcul de Probabilités et Variables Aléatoires
Table de la loi Normale :

18