Probabilités & Statistiques :

Partie II

6 mars 2023

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 1 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Variable Aléatoire Discrète

Définition
Une variable aléatoire discrète réelle sur (Ω, F) est une application
X : Ω 7→ R telle que X (Ω) est dénombrable et pour tout x ∈ R on a

X −1 (x) = {ω ∈ Ω, X (ω) = x} ∈ F.

X (Ω) désigne l’ensemble des valeurs de X, on l’appelle l’univers de X.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 2 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Un joueur lance deux fois de suite un dé et note les deux nombres obtenus
sous la forme d’un couple : par exemple si le joueur obtient 2 puis 5, on
note son résultat sous la forme (2, 5). L’univers de notre expérience est

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 3 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Un joueur lance deux fois de suite un dé et note les deux nombres obtenus
sous la forme d’un couple : par exemple si le joueur obtient 2 puis 5, on
note son résultat sous la forme (2, 5). L’univers de notre expérience est

Ω = J1; 6K × J1; 6K

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 3 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Un joueur lance deux fois de suite un dé et note les deux nombres obtenus
sous la forme d’un couple : par exemple si le joueur obtient 2 puis 5, on
note son résultat sous la forme (2, 5). L’univers de notre expérience est

Ω = J1; 6K × J1; 6K

On définit la VAR discrète X qui à chaque couple associe la somme des

deux nombres obtenus. Alors on a

X (Ω)

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 3 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Un joueur lance deux fois de suite un dé et note les deux nombres obtenus
sous la forme d’un couple : par exemple si le joueur obtient 2 puis 5, on
note son résultat sous la forme (2, 5). L’univers de notre expérience est

Ω = J1; 6K × J1; 6K

On définit la VAR discrète X qui à chaque couple associe la somme des

deux nombres obtenus. Alors on a

X (Ω) = {2, 3, . . . , 12}

Donc X est une VAR discrète finie.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 3 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Propriété

Soit X une v.a.r discrète définie sur (Ω, F). Pour tout J intervalle de R,
l’ensemble
{ω ∈ Ω/X (ω) ∈ J},
est un événement de F que l’on notera [X ∈ J].

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 4 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Revenons au premier exemple où un joueur lance deux fois de suite un dé
et X est la somme des deux chiffres obtenus. On a
[X = 2] =

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 5 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Revenons au premier exemple où un joueur lance deux fois de suite un dé
et X est la somme des deux chiffres obtenus. On a
[X = 2] = {(1, 1)}

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 5 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Revenons au premier exemple où un joueur lance deux fois de suite un dé
et X est la somme des deux chiffres obtenus. On a
[X = 2] = {(1, 1)}
[X = 4] =

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 5 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Revenons au premier exemple où un joueur lance deux fois de suite un dé
et X est la somme des deux chiffres obtenus. On a
[X = 2] = {(1, 1)}
[X = 4] = {(1, 3), (2, 2), (3, 1)}

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 5 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Revenons au premier exemple où un joueur lance deux fois de suite un dé
et X est la somme des deux chiffres obtenus. On a
[X = 2] = {(1, 1)}
[X = 4] = {(1, 3), (2, 2), (3, 1)}
[X 6 5] =

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 5 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

Revenons au premier exemple où un joueur lance deux fois de suite un dé
et X est la somme des deux chiffres obtenus. On a
[X = 2] = {(1, 1)}
[X = 4] = {(1, 3), (2, 2), (3, 1)}
[X 6 5] = {(1, 1), (1, 2), (2, 1), (1, 3), (2, 2), (3, 1), (1, 4), (2, 3), (3, 2), (4, 1)}

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 5 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi de Probabilité

Définition
Soit k ∈ X (Ω), alors

P(X = k) = P({ω ∈ Ω, X (ω) = k}).

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 6 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi de Probabilité

Définition
Soit k ∈ X (Ω), alors

P(X = k) = P({ω ∈ Ω, X (ω) = k}).

La loi de probabilité d’une v.a.r discrète X est déterminée par la suite

(P(X = k))k∈X (Ω) .

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 6 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

On choisit au hasard une carte dans un jeu de 52 cartes. Ω est l’ensemble

des 52 cartes. A chaque carte ω ∈ Ω, on associe le réel X (ω) défini par :
X (ω) = 4 si ω est un as.
X (ω) = 3 si ω est un roi.
X (ω) = 2 si ω est une dame.
X (ω) = 1 si ω est un valet.
X (ω) = 0 dans tous les autres cas.
Déterminer la loi de X .

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 7 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

- D’après l’énoncé
X (Ω) =

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 8 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

- D’après l’énoncé
X (Ω) = {0, 1, 2, 3, 4}
- L’événement [X = 0] est l’événement ”Obtenir un carte qui n’est pas un
roi, une dame, un valet ou un as.”

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 8 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

- D’après l’énoncé
X (Ω) = {0, 1, 2, 3, 4}
- L’événement [X = 0] est l’événement ”Obtenir un carte qui n’est pas un
roi, une dame, un valet ou un as.” Toutes les cartes ayant la même
probabilité d’être choisies et comme il y a 36 cartes correspondant à notre
événement on a
36 9
P(X = 0) = =
52 13

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 8 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

- D’après l’énoncé
X (Ω) = {0, 1, 2, 3, 4}
- L’événement [X = 0] est l’événement ”Obtenir un carte qui n’est pas un
roi, une dame, un valet ou un as.” Toutes les cartes ayant la même
probabilité d’être choisies et comme il y a 36 cartes correspondant à notre
événement on a
36 9
P(X = 0) = =
52 13
- L’événement [X = 1] est l’événement ”Obtenir un valet”. Donc

4 1
P(X = 1) = =
52 13

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 8 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

4 1
- De même P(X = 2) = P(X = 3) = P(X = 4) = 52 = 13 . Donc on peut
donner la loi de X sous la forme :

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 9 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Exemple

4 1
- De même P(X = 2) = P(X = 3) = P(X = 4) = 52 = 13 . Donc on peut
donner la loi de X sous la forme :
xi 0 1 2 3 4
9 1 1 1 1
pi 13 13 13 13 13

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 9 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Propriété

Le résultat suivant est extrêmement important et permet en particulier de

vérifier la cohérence des résultats obtenus pour votre loi :

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 10 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Propriété

Le résultat suivant est extrêmement important et permet en particulier de

vérifier la cohérence des résultats obtenus pour votre loi :
Propriété

X (Ω) = {xi /i ∈ I } alors la famille
Soit X une VAR discrète. Si
d’événements [X = xi ]i∈I . est un système complet d’événements. En
particulier on a X
P (X = xi ) = 1.
i∈I

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 10 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Fonction de Répartition

Définition
La fonction de répartion d’une v.a.d est donnée par :
X
F (x) = P(X ≤ x) = P(X = k).
k≤x

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 11 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Fonction de Répartition

Définition
La fonction de répartion d’une v.a.d est donnée par :
X
F (x) = P(X ≤ x) = P(X = k).
k≤x

Propriété
La fonction de répartition d’une v.a.d est une fonction en escalier.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 11 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Fonction de Répartition

Propriété
∀x ∈ R, F (x) ∈ [0; 1].
F est croissante.
lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
∀(a, b) ∈ R2 , P(a < X 6 b) = F (b) − F (a)

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 12 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Espérance

Définition
L’espérance d’une v.a.d est donnée par :
X
E(X ) = kP(X = k).
k∈X (Ω)

Propriété
E(X + a) = E(X ) + a, ∀a ∈ R.
E(aX ) = aE(X ), ∀a ∈ R.
E(αX + βY ) = αE(X ) + βE(Y ), ∀α, β ∈ R.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 13 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Moment d’ordre r

Définition
Soit r ∈ N∗ . Si X r admet une espérance alors on dit que X admet un
moment d’ordre r qui est le réel mr (X ) = E (X r ).

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 14 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Moment d’ordre r

Définition
Soit r ∈ N∗ . Si X r admet une espérance alors on dit que X admet un
moment d’ordre r qui est le réel mr (X ) = E (X r ).

Remarque
En cas de convergence, on a

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 14 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Moment d’ordre r

Définition
Soit r ∈ N∗ . Si X r admet une espérance alors on dit que X admet un
moment d’ordre r qui est le réel mr (X ) = E (X r ).

Remarque
En cas de convergence, on a
X
E (X r ) = xir P (X = xi ) .
i∈I

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 14 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Moment d’ordre r

Définition
Soit r ∈ N∗ . Si X r admet une espérance alors on dit que X admet un
moment d’ordre r qui est le réel mr (X ) = E (X r ).

Remarque
En cas de convergence, on a
X
E (X r ) = xir P (X = xi ) .
i∈I

Le moment d’ordre 1 est l’espérance.

Toutes les VAR discrètes finies admettent des moments d’ordre r
pour tout r ∈ N∗ .

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 14 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Moment d’ordre r

Propriété
Soit r ∈ N∗ . Si X admet un moment d’ordre r alors X admet des
moments d’ordre s pour tout s ∈ J1; r K

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 15 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Moment d’ordre r

Propriété
Soit r ∈ N∗ . Si X admet un moment d’ordre r alors X admet des
moments d’ordre s pour tout s ∈ J1; r K

Corollaire
Si E X 2 existe alors E (X ) existe

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 15 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Moment d’ordre r

Remarque
Attention la réciproque à cette propriété est fausse.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 16 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Moment d’ordre r

Remarque
Attention la réciproque à cette propriété est fausse.

Exemple
On considère la VAR X dont la loi est donnée par X (Ω) = N∗ et pour tout
n ∈ N∗ P(X = n) = λn1 3 .
Avec λ = +∞ 1
P
k=1 k 3 .
On a nP(X = n) = λn1 2 donc
P
|nP(X = n)| converge et E(X ) existe.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 16 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Moment d’ordre r

Remarque
Attention la réciproque à cette propriété est fausse.

Exemple
On considère la VAR X dont la loi est donnée par X (Ω) = N∗ et pour tout
n ∈ N∗ P(X = n) = λn1 3 .
Avec λ = +∞ 1
P
k=1 k 3 .
On a nP(X = n) = λn1 2 donc
P
|nP(X = n)| converge et E(X ) existe.
2 1 P 2
n P(X = n) diverge et E X 2


De plus n P(X = n) = λn donc
n’existe pas.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 16 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Variance et écart type

Définition
La variance représente un indicateur mesurant la dispersion des valeurs k
autour de E(X ) qui est donné par

V (X ) = E(X − E(X ))2 = E(X 2 ) − E2 (X ).

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 17 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Variance et écart type

Définition
La variance représente un indicateur mesurant la dispersion des valeurs k
autour de E(X ) qui est donné par

V (X ) = E(X − E(X ))2 = E(X 2 ) − E2 (X ).

De plus lorsque V (X ) existe, on appelle écart-type de X le réel

p
σ(X ) = V (X )

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 17 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Variance et écart type

Définition
La variance représente un indicateur mesurant la dispersion des valeurs k
autour de E(X ) qui est donné par

V (X ) = E(X − E(X ))2 = E(X 2 ) − E2 (X ).

De plus lorsque V (X ) existe, on appelle écart-type de X le réel

p
σ(X ) = V (X )

Remarque
Si X n’admet pas d’espérance, X ne peut pas admettre de variance.
La variance est la moyenne du carré de la distance entre les valeurs de
X et la moyenne de X . La variance est donc une mesure de dispersion
de X par rapport à E(X ).
Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 17 / 36
 Variables Aléatoires Variables Aléatoires Discrètes

Propriété
Si X est une VAR discrète admettant une variance alors pour tout
(a, b) ∈ R2 , aX + b admet une variance et on a

V (aX + b) = a2 V (X )

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 18 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Propriété
Si X est une VAR discrète admettant une variance alors pour tout
(a, b) ∈ R2 , aX + b admet une variance et on a

V (aX + b) = a2 V (X )

Définition
Si X est une VAR discrète admettant une variance et telle que E (X ) = 0
et σ(X ) = 1, on dit que X est une variable centrée réduite.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 18 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Propriété
Si X est une VAR discrète admettant une variance alors pour tout
(a, b) ∈ R2 , aX + b admet une variance et on a

V (aX + b) = a2 V (X )

Définition
Si X est une VAR discrète admettant une variance et telle que E (X ) = 0
et σ(X ) = 1, on dit que X est une variable centrée réduite.

Proposition
Soit X une VAR discrète admettant une variance non nulle. La variable
aléatoire X ∗ = X −E (X )
σ(X ) est une VAR discrète centrée réduite appelée la
variable aléatoire centrée réduite associé à X .

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 18 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Lois discrètes usuelles : Loi de Bernoulli B(p)

Mise en place :
On considère une expérience aléatoire E et A un événement lié à cette
expérience tel que P(A) = p. On définit alors la variable aléatoire X en
posant X = 1 si A est réalisé et X = 0 sinon. X est une VAR qui prend les
valeurs 0 et 1 avec la probabilité P(X = 0) = 1 − p et P(X = 1) = p.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 19 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Lois discrètes usuelles : Loi de Bernoulli B(p)

Mise en place :
On considère une expérience aléatoire E et A un événement lié à cette
expérience tel que P(A) = p. On définit alors la variable aléatoire X en
posant X = 1 si A est réalisé et X = 0 sinon. X est une VAR qui prend les
valeurs 0 et 1 avec la probabilité P(X = 0) = 1 − p et P(X = 1) = p.
Définition
Soit p ∈ [0, 1]. On dit qu’une VAR X suit la loi de Bernoulli de paramètre
p (notée B(1, p) ) si X prend les valeurs 0 et 1 avec les probabilités
P(X = 0) = 1 − p et P(X = 1) = p.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 19 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Lois discrètes usuelles : Loi de Bernoulli B(p)

Mise en place :
On considère une expérience aléatoire E et A un événement lié à cette
expérience tel que P(A) = p. On définit alors la variable aléatoire X en
posant X = 1 si A est réalisé et X = 0 sinon. X est une VAR qui prend les
valeurs 0 et 1 avec la probabilité P(X = 0) = 1 − p et P(X = 1) = p.
Définition
Soit p ∈ [0, 1]. On dit qu’une VAR X suit la loi de Bernoulli de paramètre
p (notée B(1, p) ) si X prend les valeurs 0 et 1 avec les probabilités
P(X = 0) = 1 − p et P(X = 1) = p.

Propriété
Si X suit une loi de Bernoulli alors

E(X ) = p et V (X ) = p(1 − p)

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 19 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Mise en place :
On considère une expérience E et un événement A lié à cette expérience tel
que P(A) = p.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 20 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Mise en place :
On considère une expérience E et un événement A lié à cette expérience tel
que P(A) = [Link] suppose que l’on effectue n fois l’expérience E dans les
mêmes conditions et on considère X le nombre de fois où A est réalisé au
cours de ces n expériences identiques. X prend donc les valeurs 0, 1, . . . , n.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 20 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Mise en place :
On considère une expérience E et un événement A lié à cette expérience tel
que P(A) = [Link] suppose que l’on effectue n fois l’expérience E dans les
mêmes conditions et on considère X le nombre de fois où A est réalisé au
cours de ces n expériences identiques. X prend donc les valeurs 0, 1, . . . , n.
Soit k ∈ J0, nK. On cherche à calculer P(X = k) c’est-à-dire la probabilité
que A soit réalisé k fois exactement.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 20 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Mise en place :
On considère une expérience E et un événement A lié à cette expérience tel
que P(A) = [Link] suppose que l’on effectue n fois l’expérience E dans les
mêmes conditions et on considère X le nombre de fois où A est réalisé au
cours de ces n expériences identiques. X prend donc les valeurs 0, 1, . . . , n.
Soit k ∈ J0, nK. On cherche à calculer P(X = k) c’est-à-dire la probabilité
que A soit réalisé k fois exactement.
Parmi les n expériences, il y a Cnk façon de placer les k fois où A est
réalisé. Chacun de ces Cnk événement est réalisé avec la probabilité
p k (1 − p)n−k . On a donc : P(X = k) = Cnk p k (1 − p)n−k .

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 20 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Définition
Soit p ∈ [0; 1] et n ∈ N. On dit que la VAR X suit la loi binomiale de taille
n et de paramètre p (notée B(n, p) ) si X prend les valeurs 0, 1, . . . , n avec
les probabilités P(X = k) = Cnk p k (1 − p)n−k .

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 21 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Définition
Soit p ∈ [0; 1] et n ∈ N. On dit que la VAR X suit la loi binomiale de taille
n et de paramètre p (notée B(n, p) ) si X prend les valeurs 0, 1, . . . , n avec
les probabilités P(X = k) = Cnk p k (1 − p)n−k .

Une VAR qui suit une loi binomiale est une VAR qui  compte le nombre
de réalisation d’un événement A de probabilité p au cours de n expériences
identiques. 

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 21 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Propriété
Soit X B(n, p) alors

E(X ) =

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 22 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Propriété
Soit X B(n, p) alors

E(X ) = np et V (X ) =

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 22 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Propriété
Soit X B(n, p) alors

E(X ) = np et V (X ) = np(1 − p)

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 22 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi binomiale B(n, p)

Propriété
Soit X B(n, p) alors

E(X ) = np et V (X ) = np(1 − p)

Théorème
La somme de n VAR de Bernoulli indépendantes, de même paramètre p,
suit la loi binomiale B(n, p).

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 22 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi de Poisson P(λ)

Définition
Soit λ > 0. On dit qu’une VAR X suit une loi de Poisson (notée P(λ) ) si
X prend ses valeurs dans N et :

e −λ λn
P(X = n) =
n!

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 23 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi de Poisson P(λ)

Définition
Soit λ > 0. On dit qu’une VAR X suit une loi de Poisson (notée P(λ) ) si
X prend ses valeurs dans N et :

e −λ λn
P(X = n) =
n!

Propriété
Soit X P(λ), alors

E(X ) =

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 23 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi de Poisson P(λ)

Définition
Soit λ > 0. On dit qu’une VAR X suit une loi de Poisson (notée P(λ) ) si
X prend ses valeurs dans N et :

e −λ λn
P(X = n) =
n!

Propriété
Soit X P(λ), alors

E(X ) = λ et V (X ) = λ

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 23 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi Géométrique G(p)

Mise en place :
On considère une expérience aléatoire e et un événement A lié à e tel que
P(A) = p. On répète l’expérience e dans des conditions identiques (les
expériences sont indépendantes) et on appelle X le nombre d’épreuves
effectuées jusqu’à ce que A soit réalisé pour la première fois. On note Ai
l’événement  A est réalisé a cours de la i eme expérience
T+∞ . Soit R
l’événement  A ne réalise jamais . On a R = i=1 Ai . Donc
n
!
\
P(R) = lim P Ai = lim (1 − p)n = 0
n→+∞ n→+∞
i=1

On peut donc considérer que X prend ses valeurs dans N∗ . De plus pour
tout n ∈ N∗ ,

P(X = n) = P A1 ∩ A2 ∩ . . . ∩ An−1 ∩ An = (1 − p)n−1 p

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 24 / 36

 Variables Aléatoires Variables Aléatoires Discrètes

Loi Géométrique G(p)

Définition
Soit p ∈]0; 1[. On dit qu’une VAR X suit la loi géométrique de paramètre
p (notée G(p) ) si X prend ses valeurs dans N∗ et

P(X = n) = (1 − p)n−1 p

Propriété
1 1−p
E(X ) = et V (X ) =
p p2

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 25 / 36

 Variables Aléatoires Variable Aléatoire Continue

Variable Aléatoire Continue

Définition
Une variable aléatoire réelle continue sur (Ω, F) est une application
X : Ω 7→ R telle que pour tout intervalle I ⊂ R, on a

X −1 (I ) = {ω ∈ Ω, X (ω) ∈ I } ∈ F.

La loi de probabilité est donnée par

P(X ≤ x) = P({ω ∈ Ω, X (ω) ≤ x}).

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 26 / 36

 Variables Aléatoires Variable Aléatoire Continue

Propriétés de la fonction de répartition F

Propriété
0 ≤ F (x) ≤ 1.
lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
F est continue à droite.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 27 / 36

 Variables Aléatoires Variable Aléatoire Continue

Fonction de Densité

Lorsque F est dérivable de dérivée f , on dit que f est une densité de

probabilité de X. Dans ce cas la fonction de répartition est donnée par
Z x
F (x) = f (u)du.
−∞

Définition
On dit qu’une fonction f est une densité si :
f est positive.
f est intégrable sur R telle que
Z +∞
f (x)dx = 1
−∞

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 28 / 36

 Variables Aléatoires Variable Aléatoire Continue

Théorème
Si F est la fonction de répartition d’une variable à densité X et si f est
une densité de X alors :
F est continue sur R.
F est de classe C 1 sauf éventuellement en un nombre fini de points et
lorsque F est dérivable en x, F 0 (x) = f (x).
-

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 29 / 36

 Variables Aléatoires Variable Aléatoire Continue

Théorème
Si F est la fonction de répartition d’une variable à densité X et si f est
une densité de X alors :
F est continue sur R.
F est de classe C 1 sauf éventuellement en un nombre fini de points et
lorsque F est dérivable en x, F 0 (x) = f (x).
-

Remarque
Les variables discrètes ne sont donc pas des variables à densité.
Comme f est positive, la fonction de répartition est bien croissante.
La fonction de répartition est une primitive de la densité.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 29 / 36

 Variables Aléatoires Variable Aléatoire Continue

Ces propriétés sur la fonction de répartition suffisent à caractériser les

variables à densité :
Théorème
Soit X une variable aléatoire réelle de fonction de répartition F Si : (i) F
est continue sur R. (ii) F est C 1 sur R sauf en un nombre fini de points
alors X est une variable aléatoire à densité. De plus, si f est une fonction
positive ou nulle telle que F 0 (x) = f (x) en tout point x où F est dérivable.
Alors f est une densité de X .

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 30 / 36

 Variables Aléatoires Variable Aléatoire Continue

Exemple

Soit X une variable aléatoire dont la fonction de répartition est la fonction

F définie sur R par :

 0 si x < 2,
F (x) =
1 − x83 si x ≥ 2.


Montrer que X est une variable à densité et en déterminer une densité.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 31 / 36

 Variables Aléatoires Variable Aléatoire Continue

Exemple
(i) Sur ] − ∞; 2[, F est une fonction constante donc continue. Sur ]2; +∞[
la fonction x → x83 est continue donc F est continue sur cet intervalle.
8
De plus lim F (x) = 0 et lim+ F (x) = 1 − = 0 = F (2). Donc F est
x→2− x→2 8
continue sur R.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 32 / 36

 Variables Aléatoires Variable Aléatoire Continue

Exemple
(i) Sur ] − ∞; 2[, F est une fonction constante donc continue. Sur ]2; +∞[
la fonction x → x83 est continue donc F est continue sur cet intervalle.
8
De plus lim F (x) = 0 et lim+ F (x) = 1 − = 0 = F (2). Donc F est
x→2− x→2 8
continue sur R.
(ii) Sur ] − ∞; 2[, F est une fonction constante donc C 1 . Sur ]2; +∞[ la
fonction x → x83 est C 1 donc F est C 1 sur ]2; +∞[.
Ainsi F est de classe C 1 sur R\{2} et pour x 6= 2 :

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 32 / 36

 Variables Aléatoires Variable Aléatoire Continue

Exemple
(i) Sur ] − ∞; 2[, F est une fonction constante donc continue. Sur ]2; +∞[
la fonction x → x83 est continue donc F est continue sur cet intervalle.
8
De plus lim F (x) = 0 et lim+ F (x) = 1 − = 0 = F (2). Donc F est
x→2− x→2 8
continue sur R.
(ii) Sur ] − ∞; 2[, F est une fonction constante donc C 1 . Sur ]2; +∞[ la
fonction x → x83 est C 1 donc F est C 1 sur ]2; +∞[.
Ainsi F est de classe C 1 sur R\{2} et pour x 6= 2 :
(
0 0 si x < 2
F (x) = 24
x4
si x > 2

X est donc
( bien une variable à densité et une densité de X est par exemple
0 si x < 2
f (x) = 24
x4
si x > 2
Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 32 / 36
 Variables Aléatoires Variable Aléatoire Continue

Propriétés

Propriété
Soit X une variable aléatoire admettant une densité f .
Pour tout a ∈ R, P(X = a) = 0
Pour tout x réel :

P(X < x) = P(X 6 x)

Z x
= f (t)dt,
−∞

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 33 / 36

 Variables Aléatoires Variable Aléatoire Continue

Propriétés

Propriété
Soit X une variable aléatoire admettant une densité f .
Pour tout a ∈ R, P(X = a) = 0
Pour tout x réel :

P(X < x) = P(X 6 x)

Z x
= f (t)dt,
−∞
P(X > x) = P(X ≥ x)
Z +∞
= f (t)dt
x

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 33 / 36

 Variables Aléatoires Variable Aléatoire Continue

Propriétés

Pour tout a et b réels tels que a 6 b :

P(a < X < b) = P(a ≤ X < b)

= P(a < X ≤ b)
= P(a 6 X 6 b)
Z b
= f (t)dt.
a

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 34 / 36

 Variables Aléatoires Variable Aléatoire Continue

L’espérance et la variance d’une v.a.c sont données par :

Z +∞
E(X ) = xf (x)dx
−∞
V (X ) = E(X ) − E2 (X ). 2

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 35 / 36

 Variables Aléatoires Variable Aléatoire Continue

Exemple

Soit f la fonction définie par :


 k(1 − x) si 0 ≤ x ≤ 1,
f (x) =
0 sinon.


Déterminer la constante k pour que f soit la densité d’une loi dont on

précisera la fonction de répartition.
Déterminer l’espérance et la variance de X.

Pr. Badr-eddine Berrhazi Probabilités 6 mars 2023 36 / 36