1

Universit Abdelmalek Essadi Facult des Sciences et Techniques - Tanger

settati_adel@yahoo.fr Anne universitaire 2012-2013
(portail E.E.A et G.ID )
Calcul des Prbabilits
Cours et Exercices
Pour
Gnie Industriel
&
Gnie Electrique- Electronique
Par
Settati Adel
2
Ce document est un support de cours pour les enseignements des probabilits et
de la statistique. Il couvre lanalyse combinatoire, le calcul des probabilits et les
lois de probabilits dusage courant.
Pour laborer ce support, je me suis appuy sur direntes rfrences, des ou-
vrages reconnus dans la discipline, mais aussi des ressources en ligne qui sont de
plus en plus prsents aujourdhui dans la diusion de la connaissance.
Veuillez mexecuser au cas o il y a des erreures de frappes. Toutes suggestions
ou commentaires qui peuvent lamliorer sont le bienvenu.
Table des matires
Introduction 5
1 Calcul des probabilits 7
1.1 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Permutations sans rptition . . . . . . . . . . . . . . . . . . 7
1.1.2 Permutations avec rptitions . . . . . . . . . . . . . . . . . 7
1.2 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Arrangements sans rptition (Tirage successif sans remise) 8
1.2.2 Arrangements avec rptitions (Tirage successif avec remise) 9
1.3 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Combinaisons sans rptitions (Tirage simultan) . . . . . . 9
1.3.2 Combinaisons avec rptitions . . . . . . . . . . . . . . . . 10
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Espace fondamental et vnements . . . . . . . . . . . . . . . . . . 12
1.6 Calcul des probabilits . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Probabilit sur un ensemble ni . . . . . . . . . . . . . . . . . . . . 14
1.8 Probabilits conditionnelles - Indpendance . . . . . . . . . . . . . 15
1.8.1 Probabilits conditionnelles . . . . . . . . . . . . . . . . . . 15
1.8.2 Partitions - Probabilits totales . . . . . . . . . . . . . . . . 15
1.8.3 Indpendance . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.9 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Variables alatoires discrtes - Lois discrtes usuelles 19
2.1 Variables alatoires discrtes . . . . . . . . . . . . . . . . . . . . . . 19
3
4 TABLE DES MATIRES
2.2 Variables alatoires indpendantes . . . . . . . . . . . . . . . . . . 20
2.3 Paramtres dune variable alatoire . . . . . . . . . . . . . . . . . . 21
2.3.1 Esprance mathmatique . . . . . . . . . . . . . . . . . . . . 21
2.3.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.3 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.4 Oprations sur les variables alatoires . . . . . . . . . . . . 23
2.3.5 Ingalit de Tchebychev . . . . . . . . . . . . . . . . . . . . 24
2.4 Lois discrtes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.1 Loi Uniforme discrte . . . . . . . . . . . . . . . . . . . . . 24
2.4.2 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.3 Loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.4 Loi gomtrique . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Loi de Poisson - Approximation dune loi binomiale . . . . . . . . 27
2.5.1 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5.2 Approximation dune loi binomiale par une loi de Poisson 28
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6.1 Variables alatoires discrtes . . . . . . . . . . . . . . . . . . 29
3 Variables alatoires continues - Lois continues usuelles 31
3.1 Variables alatoires continues . . . . . . . . . . . . . . . . . . . . . 31
3.1.1 Paramtres dune variable alatoire . . . . . . . . . . . . . . 32
3.1.2 Quantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1.3 Mode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Lois continues usuelles . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.1 La loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.3 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.4 Cas particulier : La loi normale centre rduite . . . . . . . 34
3.2.5 Le thorme central limite . . . . . . . . . . . . . . . . . . . 35
3.3 Approximations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 Couple de variables alatoires . . . . . . . . . . . . . . . . . . . . . 36
TABLE DES MATIRES 5
3.4.1 Fonction densit conjointe . . . . . . . . . . . . . . . . . . . 36
3.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6 TABLE DES MATIRES
Chapitre 1
Calcul des probabilits
1.1 Permutations
1.1.1 Permutations sans rptition
Dnition 1.1.1. Soit E un ensemble n lments. Une permutation de E est un
echantillon ordonn sans rptitions de E tout entier (on crit EOR(n, n)).
Le nombre de permutations de E est :
P
n
= n (n 1) (n 2) ... 2 1 = n!.
Remarque 1.1.1. Par convention, on pose 0 ! = 1.
Exemple 1.1.1. Le nombre de permutation de lensemble {0, 1, 2, 3} est 4 !=24.
Exerice 1.1.1. Combien de nombres peut-on former avec les chires {0, 1, 2, 3, 4, 5, 6, 7},
chaque chire netant prsent quune fois, de faon que chaque nombre commence par
un 7 et soit divisible par 5.
Rponse : 1440.
1.1.2 Permutations avec rptitions
Dnition 1.1.2. Soit E un ensemble n lments comportant :
n
1
lments dun premier type, indiscernables entre eux,
n
2
lments dun second type, indiscernables entre eux,
...
n
k
lment dun k-ime type, indiscernables entre eux. Une permutation avec rpti-
tions (PAR(n, n
1
, ..., n
k
)) de ces n lments est une disposition ordonne de ces lments.
7
8 CHAPITRE 1. CALCUL DES PROBABILITS
Le nombre de permutations de E est :
P
n,n
1
,...,n
k
=
n!
n
1
! n
2
! ... n
k
!
.
Exemple 1.1.2. Combien de mots dirents peut-on former partir des lettres A, B, B, C, A, D, B?
Il y a
P
7,2,3
=
7!
2! 3!
420 mots possibles.
Exerice 1.1.2. On jette successivement 12 ds. On appelle "rsultat" une suite ordon-
ne de 12 points emmens.
1. Combien y a-t-il de rsultats o chaque face est emmene 2 fois ?
Rponse : P
12,2,2,2,2,2,2
2. Combien y a-t-il de rsultats o la face "1" se retrouve 5 fois, "2" 3 fois, "3" 3
fois, et "4" 1 fois ?
Rponse : P
12,5,3,3,1,0,0
.
1.2 Arrangements
1.2.1 Arrangements sans rptition (Tirage successif sans re-
mise)
Dnition 1.2.1. Soit E un ensemble n lments. Soit p n, un arrangement de p
lments choisis parmi n est un echantillon ordonn sans rptition (EOR(p, n)) de E
ayant p lments.
Le nombre darrangements sans rptition de p objets pris parmi n est :
A
p
n
=
n!
(n p)!
.
Remarque 1.2.1. Pour p = n, on retrouve le cas de la permutation sans rptition :
A
n
n
=
n!
(n n)!
= n!.
Exemple 1.2.1. On tire 2 boules numrotes prises parmi 3, sans remise : il y a
A
2
3
=
3!
1!
possibilits.
Exerice 1.2.1. Donner le nombre de podiums possibles dans une course opposant 8
athltes. Rponse : A
8
3
=
8!
5!
= 6 7 8 = 336.
1.3. COMBINAISONS 9
1.2.2 Arrangements avec rptitions (Tirage successif avec re-
mise)
Dnition 1.2.2. Soit E un ensemble n lments. Un arrangement avec rptitions
de p lments choisis parmi n est un echantillon ordonn avec rptition (EOR(p, n))
de E ayant p lments.
Le nombre darrangements avec rptitions de p objets pris parmi n est :
n
p
.
Exemple 1.2.2. On lance 3 fois une pice de monnaie. Combien y a-t-il de suites
direntes de pile ou face ? Il y en a : 2
3
.
Exerice 1.2.2. On tire 4 boules numrotes prises parmi 20, avec remise. Donner le
nombre de rsultats possibles.
1.3 Combinaisons
1.3.1 Combinaisons sans rptitions (Tirage simultan)
Dnition 1.3.1. Soit E un ensemble n lments. Soit p n, une combinaison sans
rptition de p lments choisis parmi n EOR(p, n) est un echantillon de E ayant p
lments.
Le nombre darrangements sans rptition de p objets pris parmi n est :
C
p
n
=
n!
p!(n p)!
.
Proprits 1.3.1. C
0
n
= C
n
n
= 1 et C
1
n
= C
n1
n
= n.
Exemple 1.3.1. On tire simultanment ( la fois) 6 boules numrotes prises parmi
10 : il y a
C
6
10
=
10!
6!4!
rsultats possibles.
Exerice 1.3.1. Monter pour p n que
C
p
n
= C
np
n
,
et
C
p
n
= C
p
n1
+C
p1
n1
.
10 CHAPITRE 1. CALCUL DES PROBABILITS
1.3.2 Combinaisons avec rptitions
Dnition 1.3.2. Soit p, n 0 deux entiers, une suite (p
1
, ..., p
n
) dentiers positifs ou
nuls satisfaisant la relation
p = p
1
+... +p
n
est appele dcomposition de p en p
1
+... +p
n
.
Rsultat admis : Le nombre de combinaison avec rptitions (ou EOR(p, n)) est gale
au nombre de dcomposition (D(p, n) ) de p objets pris parmi n est : il y en a
= C
p
n+p1
.
Exemple 1.3.2. Soit f une fonction, 2 variables, de classe C

. Le nombre de drives
partielles dodre 3 de f est
K
3
2
= C
3
2+31
= 4.
1.4 Exercices
Exerice 1.4.1. Donner le nombre de monmes distincts x
p
1
1
...x
p
n
n
dans le dveloppe-
ment de
(x
1
+... +x
n
)
p
.
Exerice 1.4.2. On dispose des six premires lettres de lettres de lalphabet.
1. Combien de sigles de 6 lettres distinctes peut-on former ?
2. Combien de sigles de 4 lettres distinctes peut-on former ?
3. Combien de sigles de 4 lettres peut-on former ?
Exerice 1.4.3. On doit asseoir 7 personnes discernables sur 7 chaises discernables.
1. Donner le nombre de possibilits.
2. Donner le nombre de possibilits o la personne numro 7 est sur la chaise nu-
mro 5 ou 6.
Exerice 1.4.4. On rpond par OUI ou NON un questionnaire de 4 questions.
1. Donner le nombre de rponses.
2. Donner le nombre de rponses qui comportent au moins un OUI.
Exerice 1.4.5. Huit personnes se rpartissent dans deux voitures de quatre places.
Combien de possibilits peut-on dnombrer ?
Exerice 1.4.6. Une course comporte 5 chevaux.
1. Donner le nombre de tiercs dans lordre.
1.4. EXERCICES 11
2. Donner le nombre de tiercs dans lordre qui comportent le cheval 4.
Exerice 1.4.7. Lors dun recrutement pour 4 postes identiques, 6 femmes et 8 hommes
se prsentent.
1. Combien de recrutements distincts sont possibles ?
2. Sachant que lon embauche 2 hommes et 2 femmes, combien de recrutements
distincts sont possibles ?
Exerice 1.4.8. A partir dun groupe de 5 hommes et 7 femmes on veut former
un comit de 5 personnes : toutes les personnes du groupe sont discernables.
1. Donner le nombre de comits possibles.
2. Donner le nombre de comits comportant 2 hommes et 3 femmes.
3. Donner le nombre de comits comportant au plus deux hommes.
Exerice 1.4.9. Une entreprise fabrique 4 types de pices numrotes. On dispose dun
stock de :
1. 8 pices de type A,
2. 7 pices de type B,
3. 6 pices de type C,
4. 5 pices de type D.
De combien de manires distinctes peut-on constituer :
1. un lot de 4 pices ayant au moins une pice A?
2. un lot de 4 pices ayant au moins une pice A et au moins une pice B?
Exerice 1.4.10. 5 lms discernables sont classs de 1 10.
1. Nb de classements
2. Nb de classements sachant que le lm 2 a la note 4
3. Nb de classements sachant que la note 1 a t attribue 1 fois
4. Nb de classements sachant que la note 1 a t attribue 2 fois
Exerice 1.4.11. On lance une pice de monnaie 5 fois de suite et on note dans lordre
lapparition de PILE ou FACE :
1. Donner le nombre de suites de PILE ou FACE obtenues
2. Donner le nombre de suites comportant deux PILE
3. Donner le nombre de suites comportant au moins deux PILE
4. Donner le nombre de suites comportant au moins un PILE et un FACE
Exerice 1.4.12. On lance 3 ds identiques 5 faces discernables et on note le nombre
de fois o chaque face est apparue.
12 CHAPITRE 1. CALCUL DES PROBABILITS
1. Donner le nombre de rsultats
2. Donner le nombre de rsultats comportant 2 fois la face 2
Exerice 1.4.13. Une urne comptient 3 boules numrotes 1 ; 2 ; 3 : On eectue 5 ti-
rages avec remise et on note le nombre de fois o chaque boule est apparue.
1. Donner le nombre de rsultats.
2. Donner le nombre de rsultats sachant que la boule numro 1 nest pas apparue.
3. Donner le nombre de rsultats sachant que chaque boule est apparue au moins
une fois.
Exerice 1.4.14. 8 enseignants indiscernables sont aects 4 coles discernables.
1. Nb aectations.
2. Nb aectations si lcole numro 2 reoit 3 enseignants.
3. Nb aectations si chaque lcole reoit au moins un enseignant.
Exerice 1.4.15. Une personne dispose de 20000 e investir sur 4 placements discer-
nables. Donner le nombre de stratgies possibles dans les cas suivants :
1. certains placements peuvent tre ignors.
2. tous les placements sont pourvus dau moins un euro.
1.5 Espace fondamental et vnements
Dnition 1.5.1. On appelle exprience alatoire une exprience dont on ne peut
prvoir le rsultat.
Exemple 1.5.1. Un lancer de d est une exprience alatoire.
Dnition 1.5.2. On appelle vnement lmentaire ou encore issue le rsultat dune
exprience alatoire.
Exemple 1.5.2. Jobtiens un "4" est un vnement lmentaire.
Dnition 1.5.3. On appelle vnement un ensemble dvnements lmentaires.
Exemple 1.5.3. "Jobtiens un nombre pair" est un vnement.
Dnition 1.5.4. On appelle espace fondamental ou univers, not , lensemble de
tous les vnements lmentaires possibles.
Exemple 1.5.4. Pour un lancer dun d lespace fondamental est = {1, 2, 3, 4, 5, 6}.
Remarque 1.5.1. Chaque vnement peut ainsi tre vu comme un sous-ensemble de
quon nommera avec une lettre majuscule A, B,...
est lvnement certain et lvnement vide sera not .
1.6. CALCUL DES PROBABILITS 13
Exemple 1.5.5. Lvnement "jobtiens un 5" scrit aussi A = {5}, lvnement "job-
tiens un nombre impair" B = {1, 3, 5}.
Notation. Souvent, en calcul des probabilits, on se rammne combiner des vne-
ments. On dispose de plusieurs oprations :
(i) Le complmentaire de lvnement A est not A,
(ii) La runion de deux vnements A et B est note AB,
(iii) Lintersection de deux vnements A et B est note AB.
Exemple 1.5.6. Dans le cas du lancer de d, considrant les vnements A = {5} et
B = {1, 3, 5} on a :
A = {1; 2; 3; 4; 6},
AB = {1; 3; 5},
AB = {5}.
Dnition 1.5.5. Deux vnements A et B sont dits incompatibles ou disjoints. si
AB = .
Exemple 1.5.7. Les vnements {1; 3; 5} et {2; 4} sont incompatibles.
Proprits 1.5.1. Pour deux ensembles nis E et F de , on a :
Card(E F) = Card(E) +Card(F) Card(E F).
Si, de plus, est ni on a,
Card(E) = Card() Card(E).
1.6 Calcul des probabilits
Dnition 1.6.1. On appelle probabilit sur lespace fondamental une application
P valeurs dans [0, 1] telle que
P() = 1,
et si A
1
et A
2
sont deux parties disjointes de , on a
P(AB) = P(A) +P(B).
Proprits 1.6.1. On a les proprits suivantes
14 CHAPITRE 1. CALCUL DES PROBABILITS
(i) P(A) = 1 P(A).
(ii) P() = 0.
(iii) Si A B alors P(A) P(B).
(iv) 0 P(A) 1.
(v) P(AB) = P(A) +P(B) P(AB).
1.7 Probabilit sur un ensemble ni
On suppose que lespace fondamental est ni :
= {
1
,
2
, ...,
3
}.
On peut construire une probabilit P en se donnant des nombres p
i
= P(
i
) tels
que
0 p
i
1, i {1, 2, ..., n},
et
p
1
+p
2
+... +p
n
= 1.
Cas dquiprobabilit. Si tous les vnements lmentaires ont la mme proba-
bilit, on dit quil y a quiprobabilit. Cette probabilit vaut alors
1
n
et dans ce
cas la probabilit dun vnement A contenant k vnements lmentaires vaut
k
n
. Plus gnralement, on crit :
P(A) =
card(A)
card()
.
On retrouve alors la dnition dune probabilit comme tant le quotient :
P(A) =
nombre de cas favorables
nombre de cas possibles
.
Exemple 1.7.1. Soit = {1, 2, ..., 6}. On dnit :
P({i}) =
1
6
( d quilibr). Dans ce cas,
P({1, 3, 6}) =
1
2
P({i}) =
1
7
, i 5 et P({6}) =
2
7
( d pip). Dans ce cas
P({1, 3, 6}) =
4
7
.
1.8. PROBABILITS CONDITIONNELLES - INDPENDANCE 15
1.8 Probabilits conditionnelles - Indpendance
1.8.1 Probabilits conditionnelles
Dnition 1.8.1. Soit P une probabilit dnie sur un espace fondamental et B un
vnement tel que P(B) > 0. Pour un vnement quelconque A, on appelle probabilit
conditionnelle de A sachant que B est ralis, le nombre
P(A/B) =
P(AB)
P(B)
.
En pratique, il est courant de connatre directement P(A/B), ce qui permet de
calculer la probabilit conjointe par la formule des probabilits composes :
P(AB) = P(B) P(A/B).
Exemple 1.8.1. Dans lexemple du lancer de d, la probabilit de A sachant B vaut :
P(A/B) =
P(AB)
P(B)
=
P(A)
P(B)
=
1
6
1
2
=
1
3
.
En eet, il sagit bien de la probabilit dobtenir un 6 sachant quon a un nombre pair.
Proprits 1.8.1. (Formule de Bayes). Soient A et B deux vnements tels que P(B) >
0, alors
P(A/B) =
P(B/A) P(A)
P(B)
.
Cette formule permet de lier les probabilits conditionnelles P(A/B) et P(B/A).
1.8.2 Partitions - Probabilits totales
Dnition 1.8.2. Les vnements B
1
; ...; B
n
forment une partition de signie queils
sont deux deux incompatibles et que
n
_
i=1
B
i
= .
Proprits 1.8.2. (Formule des probabilits totales). Si les vnements B
1
; ...; B
n
forment
une partition de , alors pour tout vnement A
P(A) =
n

i=1
P(AB
i
) =
n

i=1
P(A/B
i
) P(B
i
).
16 CHAPITRE 1. CALCUL DES PROBABILITS
Proprits 1.8.3. (Autre criture de la Formule de Bayes). Soient A et B deux vne-
ments tels que P(B) > 0, alors
P(A/B) =
P(B/A) P(A)
P(B/A) P(A) +P(B/A) P(A)
.
Plus gnralement, si les vnements H
1
; ...; H
n
forment une partition de alors pour
tout vnement B,
P(H
j
/B) =
P(H
j
/A) P(H
j
)

n
i=1
P(B/H
i
) P(H
i
)
,
pour tout j {1, 2, ..., n}.
1.8.3 Indpendance
Dnition 1.8.3. Deux lments A et B sont dit indpendants pour une probabilit P
si
P(AB) = P(A) P(A)
Remarque 1.8.1. Il ne faut pas confondre vnements indpendants et incompatibles.
Dans le cas dvnements indpendants, la ralisation de lun des vnements nem-
pche pas celle du second. Par contre au dvnements incompatibles, la ralisation de
lun des vnements interdit celle de lautre.
Exemple 1.8.2. On lance deux ds simultanment. On note A, B et C les vnements
suivants : "jobtiens 1 avec le premier d", " jobtiens 4 avec le second d" et "jobtiens 3
avec le premier d". Les vnements A et B sont indpendants alors que les vnements
A et C sont incompatibles.
Proprits 1.8.4. Si A et B sont indpendants pour P, alors :
(i) P(B/A) = P(B) si P(A) 0 ;
(ii) P(A/B) = P(A) si P(B) 0 ;
(iii) P(AB) = P(A) +P(B) P(A) P(A)
1.9 Exercices
Exerice 1.9.1. Dans un restaurant universitaire, on propose deux desserts chaque
repas. La probabilit que lun deux soit une banane est 0.4, une orange 0.8. La pro-
babilit que les deux desserts soient une banane et une orange est 0.3. Calculer la
probabilit que lon propose
1. une banane et pas dorange ?
2. une orange et pas de banane ?
1.9. EXERCICES 17
3. ni banane, ni orange ?
Exerice 1.9.2. On lance une pice de monnaie 5 fois de suite indpendamment et on
note dans lordre lapparition de PILE ou FACE : P(PILE)=2/3. Calculer la probabilit
quun lancer comporte deux PILE exactement.
Exerice 1.9.3. Une salle contient n personnes dont les dates de naissance sont indpen-
dantes. Donner la probabilit quune personne (au moins) soit ne le mme jour que
moi.
Exerice 1.9.4. On jette deux ds. Soit A lvnement "la somme des chires indiqus
est impaire" et soit B lvnement "lun des ds indique le chire 1". Les vnements A
et B sont-ils indpendants ?
Exerice 1.9.5. On lance un d quiprobable 6 faces un nombre indtermin de fois in
dpendamment : on note
n
lvnement "le premier 5 est au rang n" et A lvnement
le "le 5 apparat avant le 2". Calculer :
1. P(
n
)
2. P(A
n
)
3. P(A)
Exerice 1.9.6. Trois personnes vont au cinma. Il passe trois lms dirents. Chaque
personne choisit son lm au hasard et indpendamment des autres. Quelle est la pro-
babilit que les trois personnes aient vu les trois lms dirents ?
Exerice 1.9.7. On lance une pice de monnaie 4 fois de suite et on note dans lordre
lapparition de PILE ou FACE :
1. Calculer la probabilit dobtenir le lancer PFPP.
2. Calculer la probabilit que le lancer nisse par FACE.
3. Calculer la probabilit que le lancer comporte au moins un PILE.
Exerice 1.9.8. On lance 2 ds quiprobables 6 faces. Pb que la somme des chires
soit suprieure ou gale 10.
Exerice 1.9.9. Un groupe de 10 personnes est compos de 4 hommes et 6 femmes : on
choisit 5 personnes.
1. Calculer la probabilit quil n y ait aucun homme
2. Calculer la probabilit dobtenir 2 hommes et 3 femmes.
Exerice 1.9.10. On rpartit 10 oeufs indiscernables dans 3 paniers discernables.
1. Calculer la probabilit de la rpartition (2, 5, 3)
2. Calculer la probabilit que tous les oeufs soient dans le mme panier
3. Calculer la probabilit que tous les oeufs ne soient pas dans le mme panier
18 CHAPITRE 1. CALCUL DES PROBABILITS
Exerice 1.9.11. On considre une population compose de 48% dhommes et de 52%
de femmes. La probabilit quun homme soit daltonien est 0.05, la probabilit quune
femme soit daltonienne est 0.0025. Quelle proportion de la population est-elle dalto-
nienne ?
Exerice 1.9.12. On considre un d six faces avec lequel on eectue un lancer. On
note A lvnement "le lancer est un nombre pair" et B lvnement "le lancer est un
multiple de trois". Dans chacun des deux cas suivants, dnir la probabilit utilise et
tudier lindpendance des vnements A et B :
1. On considre que le d est quilibr.
2. Le d est pip et on a deux fois plus de chances dobtenir un 6 quun autre rsultat
et que les nombres de 1 5 ont la mme probabilit dapparatre.
Exerice 1.9.13. Dans une entreprise, une machine A fabrique 40% des pices et une
machine B en fabrique 60%. La proportion de pices dfectueuses fabriques par A est
de 3% et par B de 2%. On choisit une pice au hasard.
1. Calculer la probabilit quelle soit dfectueuse.
2. Sachant quelle est dfectueuse, calculer la probabilit quelle soit fabrique par
A.
Exerice 1.9.14. Pour se rendre au Lyce, un lve a le choix entre quatre itinraires :
A, B, C et D. La probabilit quil a de choisir A (respectivement B, C) est 1/3 (resp
1/4,1/12 ). La probabilit darriver en retard en empruntant A (resp. B, C) est 1/20 .
En empruntant D, il nest jamais en retard.
1. Quelle est la probabilit : quil choisisse litinraire D? quil arrive en retard ?
2. Un jour donn, llve est arriv en retard. Quelle est la probabilit quil ait
emprunt litinraire C?
Exerice 1.9.15. Un grossiste en appareils mnagers est approvisionn par trois marques,
notes respectivement M1, M2 et M3. 3 La moiti des appareils de son stock provient
de M1, un huitime de M2 et trois huitime de M3. Ce grossiste sait que dans son stock,
13% des appareils de la marque M1 sont rouges, que 5% des appareils de la marque
M2 sont rouges et que 10% des appareils de la marque M3 le sont aussi. On choisit au
hasard un appareil emball dans le stock de ce grossiste :
1. Quelle est la probabilit quil vienne de M3 ?
2. Quelle est la probabilit quil soit rouge sachant quil vienne de M2 ?
3. Quelle est la probabilit que lappareil choisi ne soit pas de couleur rouge ?
4. Aprs examen, on sapperoit que lappareil choisi est rouge. Quelle est la proba-
bilit quil soit de la marque M1 ?
Exerice 1.9.16. Un serveur de banque de donnes a calcul quun individu se trompe
1 fois sur 20 en saisissant son code de carte bancaire. Sachant que la machine accepte
trois essais de code, quelle est la probabilit de bloquer sa carte bancaire ?
Chapitre 2
Variables alatoires discrtes - Lois
discrtes usuelles
2.1 Variables alatoires discrtes
Dnition 2.1.1. Soit un espace fondamental et P une probabilit sur . On ap-
pelle variable alatoire discrte toute application X de dans une partie de nie ou
dnombrable de R :
X R
X() avec X() ni ou dnombrable.
Exemple 2.1.1. Soient = {1, 2, ..., 6}, et P
1
({i}) =
1
6
. On dnit :
1. X
1
() = :
P
1
(X = i) = P
1
({ , X
1
() = i}) = P
1
({i}) =
1
6
2. X
2
() = 1
{1,2,4}
() :
P
1
(X
2
= 1) = P
1
({1, 2, 4}) = P
1
({1}) +P
1
({2}) +P
1
({4}) =
1
2
Dnition 2.1.2. Etant donne une variable alatoire X telle que X() = {x
1
, ..., x
n
},
on appelle loi de probabilit ou distribution de probabilit de X une expression des
probabilits
p
i
= P(X = x
i
); i {1, 2..., n}.
Remarque 2.1.1. Les probabilits p
i
trouves vrient alors :
n

i=1
p
i
19
20CHAPITRE 2. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
2. Si X() = {x
1
, x
2
..., } est inni alors la loi de probabilit de X est dnie par
p
i
= P(X = x
i
); i {1, 2..., }, bien

i=1
p
i
= 1.
Exemple 2.1.2. On lance deux pices de monnaie. Lensemble fondamental comprend
4 vnements lmentaires nots PP; PF; FP; FF, de probabilit chacun 1/4. On note
X la variable alatoire qui compte le nombre de piles obtenus. X prend les valeurs 0, 1
et 2. On a
P(X = 0) = 1/4, P(X = 1) = 1/2, P(X = 2) = 1/4.
On reprsente souvent la loi de probabilit laide dun tableau :
x 0 1 2 Total
P(X = x) 1/4 1/2 1/4 1
Dnition2.1.3. Soit X une variable alatoire discrte sur telle que X() = {x
1
, ..., x
n
},
avec x
1
< ... < x
n
. On appelle fonction de rpartition de X la fonction F dnie par :
F : R [0, 1]
P(X x).
Proprits 2.1.1. On a les proprits suivantes
(i) F est une fonction en escalier croissante.
(ii) Si x < x
1
, alors F(x) = 0.
(iv) Si x
j
x < x
j+1
, alors F(x) =

j
i=1
p
i
.
(v) Si x x
n
, alors F(x) = 1.
2.2 Variables alatoires indpendantes
On considre deux variables alatoires discrtes X et Y dnies sur lunivers. On
note
X() = {x
1
, ..., x
p
}
et
Y() = {y
1
, ..., x
q
}.
La loi de probabilit du couple (X, Y) est dnie par la donne des nombres :
p
ij
= P(X = x
i
, Y = y
j
), pour 1 i p et 1 j q
2.3. PARAMTRES DUNE VARIABLE ALATOIRE 21
On reprsentera la loi de probabilit dun couple de variables alatoires discrtes
par un tableau avec p lignes et q colonnes. En sommant les lments de chaque
ligne (resp. colonne), on trouve la loi de X (resp. Y ), savoir les valeurs de
p
i
=
q

j=1
P(X = x
i
, Y = y
j
) = P(X = x
i
)
et
p
j
=
p

i=1
P(X = x
i
, Y = y
j
) = P(Y = y
j
).
On les appelle lois marginales de X et Y.
Dnition 2.2.1. Les deux variables alatoires X et Y sont dites indpendantes si les
vnements (X = x
i
) et (Y = y
j
) sont indpendants pour toutes valeurs de i et j, en
dautres termes si
P(X = x
i
, Y = y
j
) = P(X = x
i
) P(Y = y
j
),
ou encore
p
ij
= p
i
p
j
.
Exemple 2.2.1. Jeu de cartes : on tire une carte au hasard dans un jeu de 32 cartes. Le
rsultat de ce tirage est reprsent par le couple alatoire (X, Y), o X est la couleur et
Y la valeur. Autrement dit, X appartient lensemble {Pique, Coeur, Carreau, Tre}
et Y lensemble {7, 8, 9, 10, Valet, Dame, Roi, As}. X et Y sont-elles indpendantes ?
X Y 7 8 9 10 Valet Dame Roi As pi
Pique 1/32 1/32 . . . . 1/32 1/32 1/4
Coeur 1/32 1/32 . . . . 1/32 1/32 1/4
Carreau 1/32 1/32 . . . . 1/32 1/32 1/4
Tre 1/32 1/32 . . . . 1/32 1/32 1/4
pj 1/8 1/8 . . . . 1/8 1/8 1
2.3 Paramtres dune variable alatoire
2.3.1 Esprance mathmatique
Elle correspond la moyenne des valeurs prises par la variable alatoire X pond-
res par la probabilit dobtenir cette valeur. Cette moyenne, appele esprance
mathmatique joue un rle central en probabilits et statisques.
22CHAPITRE 2. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
Dnition 2.3.1. Soit X une variable alatoire discrte sur telle que
X() = {x
1
, ..., x
p
},
avec x
1
< ... < x
n
. On appelle exprance mathmatique de X le rel
E(X) =
n

i=1
x
i
P(X = x
i
).
Exemple 2.3.1. Dans le cas du lancer des deux pices de monnaie, on trouve :
E(X) = 0
1
4
+1
1
2
+2
1
4
.
Remarque 2.3.1. Lesprance est la version probabiliste de la moyenne ou du bary-
centre.
2.3.2 Variance
Lesprance mathmatique fournit une valeur moyenne des observations. On sin-
tresse souvent la dispersion, des valeurs prises par la variable, par rapport la
valeur moyenne, en dautres termes si les valeurs observes seront plutt voisines
de la valeur moyenne ou si au contraire elle peuvent sen loigner fortement. Au-
trement dit, Lesprance mathmatique (ou la moyenne) est-elle reprsentative ?
Dnition 2.3.2. Soit X une variable alatoire discrte sur telle que
X() = {x
1
, ..., x
p
}
avec x
1
< ... < x
n
. On appelle variance de X le rel
V(X) = E(X E(X))
2
=
n

i=1
(x
i
E(X))
2
P(X = x
i
).
On appelle cart type de X le rel
(X) =
_
V(X).
Proprits 2.3.1. On a la relation suivante :
V(X) = E(X
2
) E(X)
2
=
n

i=1
x
2
i
P(X = x
i
) E(X)
2
2.3. PARAMTRES DUNE VARIABLE ALATOIRE 23
2.3.3 Covariance
Lorsquon tudie deux variables alatoires simultanment, on souhaite connatre
leur degr dindpendance. Pour cela on fait appel deux indicateurs : la cova-
riance et le coecient de corrlation.
Dnition 2.3.3. Soient X et Y deux variables alatoires. La covariance de X et Y est
le nombre rel
Cov(X, Y) = E(X E(X))(Y E(Y)),
et le coecient de corrlation
=
Cov(X, Y)
_
V(X)V(Y)
=
Cov(X, Y)
(X)(Y)
.
Proprits 2.3.2. On a la relation suivante :
Cov(X, Y) = E(XY) E(X)E(Y).
2.3.4 Oprations sur les variables alatoires
On a les rsultats suivants :
Proprits 2.3.3. Pour tous rel a et b,
E(aX) = aE(X), E(X +Y) = E(X) +E(Y),
et
V(aX +b) = a
2
V(X).
Proprits 2.3.4. Pour X une variable alatoire, on appelle variable centre rduite la
variable alatoire
Y =
X E(X)
(X)
,
Y est alors telle que
E(Y) = 0, (Y) = 1.
Proprits 2.3.5. Si X et Y sont deux variables alatoires indpendantes alors
E(XY) = E(X)E(Y),
Cov(X, Y) = 0,
et
V(aX +bY) = a
2
V(X) +b
2
V(Y).
24CHAPITRE 2. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
2.3.5 Ingalit de Tchebychev
La variance dune variable alatoire mesure la concentration de la variable autour
de sa valeur moyenne. Cest ce quexprime lingalit de Tchebychev.
Proprits 2.3.6. (Ingalit de Tchebychev) Si X est une variable alatoire desprance
de variance nies alors pour tout > 0, on a
P(|X E(X)| )
V(X)

2
.
2.4 Lois discrtes usuelles
2.4.1 Loi Uniforme discrte
Dnition2.4.1. Une variable alatoire Xqui peut prendre n valeurs possibles k
1
, k
2
, ..., k
n
quiprobables, suit une loi uniforme lorsque la probabilit de nimporte quelle valeur
k
i
est gale 1/n. Autrement dit
P(X = k) =
1
n
, k {k
1
, ..., k
n
}.
Cas particulier : on dit que X suit une loi uniforme sur [a, b] si
P(X = k) =
1
b a +1
, k {a, ..., b}.
Cas particulier : on dit que X suit une loi uniforme sur [1, n] si
P(X = k) =
1
n
, k {1, ..., n}.
Exemple 2.4.1. Un exemple simple de loi discrte uniforme est le lancer dun d hon-
nte. Les valeurs possibles de k sont 1, 2, 3, 4, 5, 6 ; et chaque fois que le d est lanc,
la probabilit dun score donn est gale 1/6.
Proprits 2.4.1. On a les caractristiques suivantes :
Paramtre n
Valeurs possibles X() = {1, ..., n}.
Probabilits P(X = k) =
1
n
, k {1, ..., n}.
Esprance E(X) =
n+1
2
.
Variance V(X) =
n
2
1
12
.
Notation X U([1, n]).
2.4. LOIS DISCRTES USUELLES 25
2.4.2 Loi de Bernoulli
Dnition 2.4.2. On appelle preuve de Bernoulli de paramtre p [0, 1] une exp-
rience alatoire qui a deux possibilits, lune appele succs de probabilit p et lautre
appele chec de probabilit 1-p. On lui associe la variable alatoire Y qui aecte la
valeur 1 au succs et la valeur 0 lchec. On dit que Y suit une loi de Bernoulli B(p)
de paramtre p.
Exemple 2.4.2. On eectue un tirage dune boule dans une urne contenant des boules
blanches et noires, les premires en proportion p, les secondes en proportion q = 1 p.
La variable alatoire X dsignant le nombre de boules blanches tires suit une loi de
Bernoulli B(p) de paramtre p.
Proprits 2.4.2. On a les caractristiques suivantes :
Paramtre p.
Valeurs possibles X() = {0, 1}.
Probabilits P(X = 0) = q = 1 p, P(X = 1) = p.
Esprance E(X) = p.
Variance V(X) = pq.
Notation X B(p) B(1, p).
2.4.3 Loi binomiale
Exemple 2.4.3. Si on sintresse au nombre de succs aprs avoir rpter de faon
indpendante une preuve de Bernoulli on considre la variable alatoire X qui est
gale X = Y
1
+...+Y
n
o les Y
i
sont des variables alatoires indpendantes qui suivent
une loi de Bernoulli de paramtre p. La loi X compte le nombre de succs de n preuves
de Bernoulli indpendantes et de mme paramtre p. Ainsi
P(X = k) = C
k
n
p
k
q
nk
, k {0, 1, ..., n},
et on dit que X suit une loi binomiale de paramtres n et p.
Exemple 2.4.4. On eectue n tirages avec remise dans une urne contenant des boules
blanches et noires, les premires en proportion p, les secondes en proportion q = 1 p.
Soit X le nombre de boules blanches tires.
Proprits 2.4.3. On a les caractristiques suivantes :
Paramtre n et p
Valeurs possibles X() = {0, 1, ..., n}.
Probabilits P(X = k) = C
k
n
p
k
q
nk
, k {0, 1, ..., n}.
26CHAPITRE 2. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
Esprance E(X) = np.
Variance V(X) = npq.
Notation X B(n, p).
Remarque 2.4.1. Pour n = 1, on retrouve la loi de Bernoulli.
Exemple 2.4.5. Si on lance n fois une pice de monaie, la variable alatoire X dsi-
gnant le nombre de piles obtenus suit une loi binomiale B(n, 1/2). En eet
P(X = k) = P(on obtient k piles en n lancers) = C
k
n
_
1
2
_
k
_
1
2
_
nk
=
1
2
n
C
k
n
,
et ceci pour tout k {0, 1, ..., n}.
Exemple 2.4.6. Une pice de monnaie est truque de sorte qu chaque lancer jai une
chance sur trois de faire "pile". Quelle est la probabilit en 4 lancers davoir une fois
face ? Rponse :
P(on obtient 1 face en 4 lancers) = P(B(4, 2/3) = 1)
= C
1
4
_
2
3
_
1
_
1
3
_
41
= 4
2
3

1
27
=
8
81
.
Exemple 2.4.7. Dans une usine de voitures on fabrique 700 voitures par jour. La
probabilit pour quune voiture ait besoin dune retouche de nition est de 0.01 et
ne dpend pas des autres voitures. Le nombre de voitures produites par jour et ayant
besoin dune retouche de nition suit donc une loi binomiale de paramtre (700, 0.01).
La probabilit pour que 10 voitures aient besoin dune retouche dans la journe est
P(B(700, 0.01) = 10) = C
10
700
(0.01)
10
(0.99)
70010
= 0.071.
En moyenne, il y a E(B(700, 0.01)) = 700 0.01 = 7 voitures par jour qui ont besoin
dune retouche (n = 700 et p = 0.01) avec une variance de 6.93.
Proprits 2.4.4. On a les proprits suivantes :
1. Si X
1
, ..., X
n
sont des variables alatoires indpendantes suivant une loi de Ber-
noulli de paramtre p, alors
X
1
+... +X
n
B(n, p).
2. Si X
1
et X
2
sont des variables alatoires indpendantes telles que
X
1
B(n
1
, p), X
2
B(n
2
, p).
alors
X
1
+X
2
B(n
1
+n
2
, p).
2.5. LOI DE POISSON - APPROXIMATION DUNE LOI BINOMIALE 27
2.4.4 Loi gomtrique
Exemple 2.4.8. On eectue des tirages avec remise dans une urne contenant des
boules blanches et noires, les premires en proportion p, les secondes en proportion
q = 1p. Soit X le nombre de tirages ncessaires pour obtenir une boule blanche. On a
P(X = k) = pq
k1
, k {1, 2, ...},
et on dit que X suit une loi gomtrique de paramtre p.
Proprits 2.4.5. On a les caractristiques suivantes :
Paramtre p
Valeurs possibles X() = {1, 2, ...}.
Probabilits P(X = k) = pq
k1
, k {1, 2, ...}.
Esprance E(X) = 1/p.
Variance V(X) = q/p
2
.
Notation X G(p).
Exerice 2.4.1. Soit S G(p) et T G(p). deux variables indpendantes. On cherche
la loi de Z = min(S, T).
1. Pour k N, calculer P(S k).
2. En dduire P(Z k).
3. Quelle est la loi de Z ?
2.5 Loi de Poisson - Approximation dune loi bino-
miale
2.5.1 Loi de Poisson
Exemple 2.5.1. Soit X le nombre dapparitions dun vnement rare sur un intervalle
de temps donn. On suppose souvent que
P(X = k) = e

k
k!
, k {0, 1, 2, ...},
et on dit que X suit une loi de poisson de paramtre .
Remarque 2.5.1. La loi de poisson sapplique souvent aux phnomnes accidentels
o la probabilit p est trs faible (p < 0.05). Elle peut galement dans certaines condi-
tions tre dnie comme limite dune loi binomiale.
28CHAPITRE 2. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
La loi de poisson est la loi des petites probabiits ou loi des vnements rares (cest-
-dire des vnements avec une probabilit faible) et sans mmoire, dans un intervalle
de temps donn par exemple :
Le nombre datomes dsintgrs par unit de temps.
Le nombre de chques mis sans provision.
Le nombre de fautes dimpression dans les pages dun livre.
Le nombre de personnes atteintes dune maladie.
Le nombre daccidents sur une portion de route.
Le nombre daccidents annuels provoqus par un automobiliste assur.
Le nombre de dcs par suicide.
Le nombre de dchets dans une fabrication.
Proprits 2.5.1. On a les caractristiques suivantes :
Paramtre
Valeurs possibles X() = {0, 1, 2, ...} = N.
Probabilits P(X = k) = e

k
k!
, k {0, 1, 2, ...}.
Esprance E(X) = .
Variance V(X) = .
Notation X P().
Proprits 2.5.2. Si X1 et X2 sont des variables alatoires indpendantes telles que
X
1
P(
1
),
et
X
2
P(
2
)
alors
X
1
+X
1
P(
1
+
2
).
2.5.2 Approximation dune loi binomiale par une loi de Poisson
Dans la loi binomiale, deux paramtres n et p interviennent ce qui peut compli-
quer le calcul des probabilits notamment lorsque n devient grand et p petit. On
utilise alors le rsultat dapproximation suivant :
Proprits 2.5.3. Si n est assez grand et p est assez petit alors on peut approcher la loi
binomiale B(n, p) par la loi de Poisson ayant la mme esprance mathmatique P(np).
Dans la pratique, on admet que cette approximation est satisfaisante lorsque
n 30, p 0.1 et np 10.
Ces donnes ne sont pas standards, elles varient gnralement dun auteur lautre.
2.6. EXERCICES 29
2.6 Exercices
2.6.1 Variables alatoires discrtes
Exerice 2.6.1. Lors dune enqute, on a interrog 5 hommes et 3 femmes. On choisit
au hasard et sans remise les personnes une une jusqu obtention dun homme. Soit
X le nombre de tirages ncessaires.
1. Dterminer les valeurs prises par X ainsi que sa loi de probabilit.
2. Calculer E(X).
Exerice 2.6.2. On lance simultanment deux ds bien quilibrs. On note X la valeur
absolue de la dirence des nombres ports sur les faces suprieures.
1. Quelle est la loi de probabilit de X?
2. Calculer E(X) et V ar(X).
Exerice 2.6.3. Soit X la variable alatoire admettant la loi de probabilit suivante :
x 1 3 4 6 9
P(X=x) 0.2 0.2 0.1 0.2 0.3
1. Tracer la fonction de rpartition de X?
2. Calculer E(X).
Exerice 2.6.4. On lance simultanment deux ds quilibrs, lun rouge, lautre blanc.
On note X le nombre indiqu par le d rouge et Y le maximum des deux nombres
obtenus.
1. Dterminer la loi du couple (X; Y ).
2. En dduire les lois de X et Y .
3. Les variables alatoires X et Y sont-elles indpendantes ?
Exerice 2.6.5. Soit X la variable alatoire admettant la loi de probabilit suivante :
x -2 -1 0 1 2
P(X = x) 1/8 1/4 1/5 1/8 3/10
Calculer E(X) et V(X).
Exerice 2.6.6. A un concours se prsentent deux fois plus dhommes que de femmes.
On tire une personne au hasard, et on appelle X la variable alatoire "nombre de
femmes".
1. Quelle loi suit la variable X ?
2. Calculer E(X) et V(X).
30CHAPITRE 2. VARIABLES ALATOIRES DISCRTES - LOIS DISCRTES USUELLES
Exerice 2.6.7. La probabilit pour quune ampoule lectrique ait une dure de vie
suprieure deux ans est gale 0 ; 2. Sachant quun lustre possde cinq ampoules,
calculer :
1. la probabilit de ne pas changer dampoules en deux ans,
2. la probabilit de ne pas changer dampoules en deux ans,
3. la probabilit de changer toutes les ampoules en deux ans.
4. le nombre moyen dampoules changes en deux ans.
Exerice 2.6.8. Un joueur a une chance sur trois de gagner une partie. Il joue cinq
parties. Calculer la probabilit pour quil gagne :
1. trois parties,
2. au plus une partie,
3. au moins deux parties.
Exerice 2.6.9. Pour accder un guichet automatique, il faut utiliser une carte ma-
gntique et un code condentiel. Un client tapant un code au hasard est refus 999 fois
sur 1000. Soit X le nombre dessais ncessaires pour accder au guichet.
1. Quelle est la loi de probabilit de X?
2. Calculer P(X = 1).
3. Sachant quau bout de 3 essais infructueux, la carte est consque, calculer la
probabilit daccder au guichet par hasard.
4. Combien faut-il dessais en moyenne pour accder au guichet par hasard ?
Exerice 2.6.10. Le nombre dordinateurs vendus chaque jour dans un magasin sp-
cialis suit une loi de Poisson de paramtre 4. Calculer la probabilit que dans une
journe :
1. on ne vende aucun ordinateur,
2. on vende 4 ordinateurs,
3. on vende au moins un ordinateur,
4. le nombre dordinateurs vendus est compris entre 2 et 6.
Exerice 2.6.11. Lors dun sondage portant sur 250 individus, 2acceptent de ne pas
rester anonymes. On appelle X le nombre de personnes ne souhaitant pas rester ano-
nymes.
1. Quelle est la loi suivie par X?
2. Aprs avoir justi votre choix, donner la loi qui permet dapprocher la loi de X.
3. Calculer la probabilit que les 250 personnes souhaitent rester anonymes.
4. Calculer la probabilit que 3 personnes acceptent de ne pas rester anonymes.
5. Calculer la probabilit que plus de 10 personnes acceptent de ne pas rester ano-
nymes.
Chapitre 3
Variables alatoires continues - Lois
continues usuelles
3.1 Variables alatoires continues
Dnition 3.1.1. Soit un espace fondamental, P une probabilit sur et X une ap-
plication de dans R. On note F la fonction de rpartition de X dnie par :
F R [0, 1]
x P(X x).
On dit que X est une variable alatoire continue sil existe une fonction f positive
dnie sur R telle que
_
+

f (t)dt = 1
et
P(X x) =
_
x

f (t)dt.
Remarque 3.1.1. La fonction f est appele densit de probabilit de la variable ala-
toire X.
Proprits 3.1.1. On a les rsultats suivants :
1. pour tout a R
P(X = a) = 0.
2. pour tout a R :
P(X a) = P(X < a).
3. si a < b, on a :
P(a X b) = P(X b) P(X a) = F(b) F(a) =
_
b
a
f (t)dt.
31
32CHAPITRE 3. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
3.1.1 Paramtres dune variable alatoire
Soit X une variable alatoire continue admettant pour densit la fonction f . Sous
rserve de convergence des intgrales, on dnit :
lesprance mathmatique de X par
E(X) =
_
+

tf (t)dt.
la variance de X :
V(X) = E[(X E(X))]
2
=
_
+

(t E(X))
2
f (t)dt.
= E(X
2
) (E(X))
2
=
_
+

t
2
f (t)dt (E(X))
2
.
lcart type de X le rel
(X) =
_
V(X).
3.1.2 Quantiles
Dnition 3.1.2. Soit X une variable alatoire de fonction de rpartition F et
]0, 1[. On appelle quantile dordre , tout rel x

tel que
P(X x

) =
ou encore
F(x

) = .
Remarque 3.1.2. Pour = 1/2, on parle de mdiane.
3.1.3 Mode
Dnition 3.1.3. On appelle mode ( valeur dominante, valeur la plus probable) dune
variable alatoire, la valeur M
0
pour laquelle la probabilit (ou la densit dans le cas
continu) est maximle.
Remarque 3.1.3. Lorsque la variable alatoire X est continue, avec une fonction de
densit pourvue dune drive premire et dune drive seconde, le mode M
0
satisfait
f

(M
0
) = 0 et f

(M
0
) < 0) (concavit vers le bas).
3.2. LOIS CONTINUES USUELLES 33
3.2 Lois continues usuelles
3.2.1 La loi uniforme
Dnition 3.2.1. Une variable alatoire continue X sui la loi uniforme sur lintervalle
[a, b] si elle admet pour densit la fonction f dnie sur R par :
f (x) =
1
b a
I
[a,b](x)
Proprits 3.2.1. On a les caractristiques suivantes :
Paramtre les bornes a et b de lintervalle
Esprance
a+b
2
Variance
(ba)
2
12
Notation X U([a, b]).
3.2.2 La loi exponentielle
Dnition 3.2.2. Une variable alatoire continue X suit la loi exponentielle de para-
mtre si elle admet pour densit la fonction f dnie sur R par :
f (x) = e
x
I
[0,+[
.
Proprits 3.2.2. On a les caractristiques suivantes :
Paramtre
Esprance
1

Variance
1

2
Notation X E().
Remarque 3.2.1. Lorsquon se place dans un phnomne dattente, alors la variable
alatoire qui reprsente le temps dattente entre deux vnements successifs ou encore
une dure de vie, peut tre modlise par une loi exponentielle.
Exemple 3.2.1. Le temps dattente moyen entre deux RER est de 5 minutes. La va-
riable alatoire X qui reprsente le temps dattente (en minutes) entre deux RER peut
tre modlise par une loi exponentielle desprance gale 5, cest dire de paramtre
1
5
.
Exerice 3.2.1. On suppose que la dure de fonctionnement dune ampoule lectrique
suit une loi exponentielle et vaut en moyenne 1000h. Quelle est la probabilit que cette
ampoule dure au moins 2000h ?
34CHAPITRE 3. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
3.2.3 La loi normale
Dnition 3.2.3. Une variable alatoire continue X suit la loi normale de paramtres
et si elle admet pour densit la fonction f dnie sur R par :
f (x) =
1

2
e

(x)
2
2
2
.
Proprits 3.2.3. On a les caractristiques suivantes :
Paramtre et
Esprance
Variance
2
Notation X N(, ).
Proprits 3.2.4. Si X
1
N(
1
,
1
) et X
2
N(
2
,
2
) et si X
1
et X
2
sont indpen-
dantes, alors
X
1
+X
2
N
_

1
+
2
,
_

2
1
+
2
2
_
.
3.2.4 Cas particulier : La loi normale centre rduite
Dnition 3.2.4. Il sagit de la loi normale obtenue pour = 0 et = 1. Sa densit f
est alors est dnie sur R par :
f (x) =
1

2
e

x
2
2
.
Proprits 3.2.5. On a les caractristiques suivantes :
Paramtre 0 et 1
Esprance 0
Variance 1
Notation X N(0, 1).
Proprits 3.2.6. Si X N(, ), alors la variable alatoire
T =
X

N(0, 1).
Remarque 3.2.2. Dans la pratique, pour calculer des probabilits, on dispose dune
table pour la loi normale centre rduite N(0, 1). Pour les autres lois normales, on se
ramnera la loi normale centre rduite en posant T =
X

N(0, 1).
3.3. APPROXIMATIONS 35
3.2.5 Le thorme central limite
Thorme 3.2.1. Soit (X
n
)
n1
une suite de variables alatoires indpendantes poss-
dant toutes la mme loi (i.i.d), desprance et dcart-type . On dnit :
S
n
= X
1
+... +X
n
,
et
Z
n
=
S
n
E(S
n
)
_
V(S
n
)
=
S
n
n

n
Alors pour tout rel x, on a :
lim
n
F
Z
n
(x) = F
N(0,1)
(x),
ou
lim
n
P(Z
n
x) = P(N(0, 1) x),
ou
lim
n
P(Z
n
x) =
1

2
_
x

x
2
2
dx.
Remarque 3.2.3. On dit encore que la suite des variables alatoires Z
n
converge en
loi vers une variable alatoire suivant la loi normale centre rduite.
3.3 Approximations
Approximation guassienne dune loi binomiale. Si n 30 et npq 3 alors la loi
normale N(np,

npq) constitue une bonne approximation de la loi binomiale B(n, p).

Autremnt dit, on a
F
B(n,p)
(x) F
N(np,

npq)
(x),
ou
P (B(n, p) x) P
_
N(np,

npq) x
_
.
Approximation guassienne dune loi de poisson. Si 20 alors la loi normale
N(,

) constitue une bonne approximation de de la loi de Poisson P(). Autremnt

dit, on a
F
P()
(x) F
N(,

)
(x),
ou
P (P() x) P
_
N(,

) x
_
.
36CHAPITRE 3. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
Remarque 3.3.1. On utilisera souvent la loi normale centre rduite en crivant
P
_
N(np,

npq) x
_
= P
_
N(0, 1)
x np

npq
_
,
et
P
_
N(,

) x
_
= P
_
N(0, 1)
x

_
,
3.4 Couple de variables alatoires
Dnition 3.4.1. La fonction de rpartition du couple (X, Y) (ou fonction de rparti-
tion conjointe) est une fonction de R
2
dans [0, 1] dnie par
F
X,Y
(x, y) = P(X x, Y y).
Proprits 3.4.1. On a les proprits suivantes :
(i) lim
x,y+
F
X,Y
(x, y) = 1
(ii) lim
x
F
X,Y
(x, y) = 0
(iii) lim
y
F
X,Y
(x, y) = 0
(iv) lim
x+
F
X,Y
(x, y) = F
Y
(y)
(v) lim
y+
F
X,Y
(x, y) = F
X
(x)
3.4.1 Fonction densit conjointe
Dnition 3.4.2. La fonction de densit du couple (X, Y ) est dnie, si elle existe,
par pour tout x et y,
f
X,Y
(x, y) =

2
F
X,Y
(x, y)
xy
On peut galement donner la fonction de repartition conjointe en fonction de
la fonction densit :
F
X,Y
(x, y) =
_
x

_
y

f
X,Y
(u, v)dudv, (x, y) R
2
.
Plus gnralement
P(X, Y D) =
_ _
D
f
X,Y
(u, v)dudv, (x, y) R
2
3.5. EXERCICES 37
Exerice 3.4.1. Soit (X, Y) un couple dont la loi conjointe est une loi uniforme sur
[0, 1] [0, 1]
f (x) =
_
1, si (x, y) [0, 1] [0, 1]
0, sinon
1. Vrier que f est bien une densit.
2. Soit
D = ((x, y) R
2
; x > 0, y > 0 et x +y < 1.
Calculer P(X, Y D) .
Proprits 3.4.2. On a les proprits suivantes :
(i) la densit marginale de X est donne par : f
X
(x) =
_
+

f
X,Y
(x, y)dy.
(ii) la densit marginale de Y est donne par : f
Y
(x) =
_
+

f
X,Y
(x, y)dx.
(iii)
_
+

_
+

f
X,Y
(x, y)dxdy = 1.
Exerice 3.4.2. Soit (X, Y) un couple dont la densit conjointe est donne par
f (x) =
_
kx
2
+y
2
xy, si (x, y) [1, 1] [1, 0]
0, sinon
1. Dterminer k pour que f soit eectivement une fonction densit dun couple (X,
Y ).
2. Calculer
P(0 X 1, 1/2 Y 0).
3. Calculer les fonctions densit marginales.
4. Calculer la fonction de rpartition conjointe.
Remarque 3.4.1. Pour le calcul de covariance, on utilise
E(XY) =
_
+

_
+

xyf
X,Y
(x, y)dxdy,
et plus gnralement
E(g(XY)) =
_
+

_
+

g(xy)f
X,Y
(x, y)dxdy.
3.5 Exercices
Exerice 3.5.1. Soit f la fonction dnie par
f (x) =
_
x
8
, si x [2, 2]
0, sinon
38CHAPITRE 3. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
1. Montrer que f est une densit de probabilit.
2. Calculer la fonction de rpartition F associe.
Exerice 3.5.2. Soit f la fonction dnie par
f (x) =
_
ax(1 x), si x [0, 1]
0, sinon
1. Pour quelle valeur de a, f est-elle une densit de probabilit ?
2. Calculer alors E(X) et V(X) pour une variable alatoire X admettant cette den-
sit.
Exerice 3.5.3. Soit X une variable alatoire continue dont la fonction de rpartition F
est dnie par
f (x) =
_

_
0, si x 0
3x
4
, si 0 x 1

x
2
4
+x, si 1 x 2
1, si x 2
1. Vrier que F est bien une fonction de rpartition.
2. Dterminer une densit de probabilit pour X et la reprsenter graphiquement.
Exerice 3.5.4. Calculer E(X) et V ar(X) lorsque X suit :
1. la loi uniforme,
2. la loi exponentielle.
Exerice 3.5.5. Soit X U([0, 1]).
1. Dterminer la fonction de rpartition F de X et la reprsenter graphiquement.
2. Donner la valeur de la mdiane.
3. Calculer
P(X < 3/2); P(1/2 < X 5/4); P(X < 4/3/X < 3/2).
Exerice 3.5.6. Une usine fabrique 9000 units dun certains produit en un temps
t. Pour cette mme priode, la demande, en milliers dunits, concernant ce produit
peut tre considre comme une variable alatoire D suivant une loi exponentielle de
paramtre 1/3.
1. Quelle est la probabilit que la demande dpasse la production?
2. Quelle devrait tre la production pour que cette demande ne dpasse pas 4%?
Exerice 3.5.7. (Absence de mmoire de la loi exponentielle). Soit X une variable ala-
toire suivant une loi exponentielle de paramtre .
1. Dterminer la fonction de rpartition F de X.
2. Pour un rel t, exprimer P(X > t) laide de F(t).
3.5. EXERCICES 39
3. En dduire que X vrie la proprit dabsence de mmoire :
P(X > t +s/X > s) = P(X > t); s R, t R :
Exerice 3.5.8. Soit T une variable alatoire qui suit la loi normale centre rduite.
1. Calculer :
P(T < 0), P(T < 2.04), P(T < 1.95), P(1 < T < 2), P(3 < T < 1).
2. Dterminer les rels t tels que :
P(T < t) = 0.8283, P(T < t) = 0.1112, P(0 < T < t) = 0.4878.
Exerice 3.5.9. Une entreprise distribue un certain aliment dans une bote mtallique
dont le poids, aprs remplissage, est en moyenne de 340 grammes, avec un cart-type
de 6 grammes.
1. Quelle est la probabilit quune bote, choisie au hasard dans la production, ait
un poids compris entre 334 et 346 grammes ?
2. Sur une production de 10 000 botes, combien auront un poids infrieur 330
grammes ? ( faire une approximation par une loi normale.
Exerice 3.5.10. Une usine fabrique des vis dont 3% ont des dfauts.
1. On prlve 1000 vis au hasard. Quelle est la probabilit davoir plus de 50 vis
dfectueuses ? Entre 20 et 40 vis dfectueuses ?
2. On veut 1950 vis sans dfaut. Par prudence, on en prlve 2000 au hasard.
Quelle est la probabilit davoir susamment de vis en bon tat ?
Exerice 3.5.11. Le nombre de pannes, par mois, sur une certaine machine, suit une loi
de Poisson de moyenne gale 3. Un atelier fonctionne avec 12 machines de ce type,
indpendantes. En un mois, quelle est la probabilit de constater dans cet atelier
1. plus de 42 pannes ?
2. entre 36 et 45 pannes ?
40CHAPITRE 3. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
Travaux dirigs
3.5. EXERCICES 41
Universit Abdelmalek Essadi Facult des Sciences et Techniques - Tanger
settati_adel@yahoo.fr Anne universitaire 2012-2013
(portail E.E.A et G.ID )
Dnombrements
TD 1
Exemple 3.5.1. Combien de nombres peut-on former avec les chires {0, 1, 2, 3, 4, 5, 6, 7},
chaque chire netant prsent quune fois, de faon que chaque nombre commence par
un 7 et soit divisible par 5 :
1. Si les nombres sont de 8 chires ?
2. Si les nombres sont de 6 chires ?
Exemple 3.5.2. Combien de nombres de 4 chires peut-on former avec les chires
{0, 1, 2, 3, 4, 5, 6, 7, 8, 9},
1. si aucune restriction nest impose ?
2. si les rptitions sont interdites ?
3. si pas de rptitions et le dernier chire est 0 ?
4. Reprendre lexercice sachant que lon utilise seulement les chires paires ?
Exemple 3.5.3. Un parking comprend 10 places.
1. De combien de faons peut-on placer 6 votures dans ce parking ?
2. Si une place particulire est attribue au dpart une des 6 voitures. De combien
de faons le rangement peut-il tre eectu ?
Exemple 3.5.4. Dans un pays, les plaques des voitures sont formes de 2 lettres suivies
de 3 chires :
1. Combien de plaques peut-on avoir ?
2. combien y a-t-il de plaques ayant un chires se rpte deux fois seulement ?
Exemple 3.5.5. Une quipe de recherche compose de 4 conomistes et 7 juristes doit
tudier deux thmes A et B Le thme A ncessite 2 conomistes 4 juristes, les autres
chercheurs tudient le thme B. De combien de faons peut-on rpartir les 11 cher-
cheurs sur les deux thmes A et B si
1. Aucune restriction nest faite.
2. Lconomiste X et le juriste Y ne doivent pas travailler ensemble.
Exemple 3.5.6. De combien y a-t-il de faons dasseoir 4 femmes et 5 hommes en
lignes si :
1. Aucune restriction nest impose ?
2. Les femmes acceptent seulement les places paires ?
42CHAPITRE 3. VARIABLES ALATOIRES CONTINUES - LOIS CONTINUES USUELLES
Exemple 3.5.7. 5 lms discernables sont classs de 1 10.
1. Donner le nombre de classements.
2. Donner le nombre de classements sachant que le lm 2 a la note 4.
3. Donner le nombre de classements sachant que la note 1 a t attribue 1 fois.
4. Donner le nombre de classements sachant que la note 1 a t attribue 2 fois.
Exemple 3.5.8. On lance une pice de monnaie 5 fois de suite et on note dans lordre
lapparition de PILE ou FACE :
1. Donner le nombre de suites de PILE ou FACE obtenues.
2. Donner le nombre de suites comportant deux PILE.
3. Donner le nombre de suites comportant au moins deux PILE.
4. Donner le nombre de suites comportant au moins un PILE et un FACE.
Exemple 3.5.9. On lance 3 ds identiques 5 faces discernables et on note le nombre
de fois o chaque face est apparue.
1. Donner le nombre de rsultats.
2. Donner le nombre de rsultats comportant 2 fois la face 2.
Exemple 3.5.10. Une urne comptient 3 boules numrotes 1, 2, 3. On eectue 5 ti-
rages avec remise et on note le nombre de fois o chaque boule est apparue.
1. Donner le nombre de rsultats.
2. Donner le nombre de rsultats sachant que la boule numro 1 nest pas apparue.
3. Donner le nombre de rsultats sachant que chaque boule est apparue au moins
une fois.
Exemple 3.5.11. 8 enseignants indiscernables sont aects 4 coles discernables.
1. Donner le nombre daectations.
2. Donner le nombre daectations si lcole numro 2 reoit 3 enseignants.
3. Donner le nombre daectations si chaque cole reoit au moins un enseignant.
Exemple 3.5.12. Une personne dispose de 20000 euro investir sur 4 placements
discernables. Donner le nombre de stratgies possibles dans les cas suivants :
1. certains placements peuvent tre ignors.
2. tous les placements sont pourvus dau moins un euro.
3. les deux placements MABROK1 et MABROK2 (ensemble) sont pourvus de 15000.
4. exactement deux placements (ensemble) sont pourvus de 15000.
5. exactement deux placements (ensemble) sont pourvus dau moins 15000.
Exemple 3.5.13. Une urne contient 10 boules numrotes de 1 10. On tire trois
boules successivement avec remise. Donner le nombre de rsultats ayant trois nombres
dans un ordre strictement croissant.
3.5. EXERCICES 43
Intgrale (t) de la Loi Normale Centre Rduite N(0; 1).
(t) = P(X t) =
_
t

2
e

x
2
2
dx et (t) = 1 (t).
t 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000