Espaces Probabilisés - Variables aléatoires MPSI

I Espace probabilisable fini 2. On considère l’expérience de jet d’un dé à six faces numérotées de 1 à 6.
— hhL’obtention d’un numéro paire ii est un événement E = {2, 4, 6}.
Définition 1. Une expérience aléatoire est une expérience dont les résultats possibles sont
Définition 4. Lorsque l’expérience aléatoire a lieu, On dit qu’un événement A est réalisé lorsque
connus sans que l’on puisse déterminer lequel sera réalisé.
on obtient un résultat ω ∈ A.
Exemple 1. 1. Jet d’un dé à six faces numérotées. Définition 5. 1. un événement élémentaire est un événement qui ne contient qu’un seule
2. Tirage d’une boule dans une urne contenant une boule noire et deux boules rouges et cinq résultat A = {ω} (c’est un singleton).
blanches . 2. l’événement ∅ est appelé événement impossible.
3. Le pile ou face est un jeu de hasard se jouant avec une pièce de monnaie. Le principe du 3. l’événement Ω est appelé l’événement certain.
jeu est de lancer en l’air une pièce équilibrée et de parier sur le côté sorti, ce jeu est une
Exemple 4. Lorsqu’on lance un dé à 6 faces, l’ l’événement B : « obtenir un nombre inférieur
expérience aléatoire.
ou égal à 6 » est un événement certain on a B = Ω, et l’événement C : « obtenir 7 » est un
Définition 2. 1. L’ensemble de tout les résultats possibles d’une expérience aléatoire est événement impossible on a C = ∅.
appelé univers et noté généralement par Ω. Définition 6. Soit A un univers et A ⊂ Ω un événement . on appelle événement contraire de A
2. tout élément ω de Ω est appelé une issue ou un résultat de l’expérience aléatoire. l’ensemble de tout les résultats qui sont pas dans A, c’est A = Ω ⊂ A
Exemple 2. 1. On considère l’expérience de jet d’un dé à six faces numérotées de 1 à 6 , on Exemple 5. On considère toujours un lancé de dé. L’événement contraire de hh le tirage est un
a : Ω = {1, 2, 3, 4, 5, 6}. nombre pair ii est hhle tirage est un nombre impair ii.
2. On considère l’expérience de tirage d’une boule dans une urne contenant une boule noire Remarque 2. l’événement contraire d’un événement A est l’événement réalisé lorsque A n’est
et deux boules rouges et cinq blanches, on a : Ω = {N, R, B}. pas réalisé.
3. On considère le jeu de pile ou face avec deux pièces de monnaie ,ie on lance deux pièces si- Définition 7. Si A et B deux événement de l’univers Ω, alors l’événement A ∩ B représente
multanément et on s’intéresse au résultats obtenue, on a Ω = {(P, P), (P, F), (F, P), (F, F)}. l’événement «A et B» et l’événement A ∪ B «A ou B».
Exercise 1. Une urne contient 10 boules numérotées de 1 à 10. Parmi ces boules, 5 sont rouges, Remarque 3. 1. l’événement A ∩ B est l’événement réalisé lorsque A réalisé et B réalisé
3 sont bleues et 2 sont vertes. Dans chaque cas, déterminer l’univers associé à l’expérience i.e obtenir un résultat appartient à A et B.
aléatoire décrite. 2. l’événement A ∪ B est l’événement réalisé lorsque A réalisé ou B réalisé i.e obtenir un
1. On tire une boule au hasard et on s’intéresse à sa valeur. résultat appartient à A ou à B.
2. On tire une boule au hasard et on s’intéresse à sa couleur. Définition 8. Soit A et B deux événements de Ω. On dit que A et B sont incompatibles si
A ∩ B = ∅.
Définition 3. Soit Ω un univers d’une expérience aléatoire.
Remarque 4. Dire que les événements sont incompatibles veut dire qu’il ne peuvent se réaliser
1. Le couple (Ω, P(Ω)) est appelé espace probabilisable.
en même temps.
2. On appelle événement de Ω toute partie A ∈ P(Ω).
Définition 9. On appelle système complet d’événement d’un univers Ω toute famille finie
Remarque 1. On peut considère un événement comme ensemble constitué d’un résultat au plus d’événements (Ai )1≤i≤n de Ω telle que :
parmi les résultats de l’expérience aléatoire. 1. ∀i , j, Ai ∩ A j = ∅.
n
Exemple 3. 1. On considère l’expérience de tirage de deux boules simultanément d’une urne [
2. Ai = Ω.
contenant 2 boule noire et 2 blanches, on a : Ω = {B1 B2 , N1 N2 , B1 N1 , B1 N2 , B2 N1 , B2 N2 }.
i=1
— on a hh l’obtention de deux boules de même couleur ii est un événement A. et On a : Autrement dit la famille (Ai )1≤i≤n est une partition de Ω.
A = {B1 B2 , N1 N2 }.
— hh l’obtention de deux boules blanches ii est un événement B. et On a : B = {B1 B2 }. Remarque 5. 1. Pour tout événement A de Ω, la famille (A, A) forme un système complet
— hh l’obtention de deux boules dont au moins une est noire ii est un événement C. et On d’événement .
a : C = {N1 N2 , B1 N1 , B1 N2 , B2 N1 , B2 N2 }. 2. Si Ω fini, la famille ({ω})ω∈Ω est un système complet d’événements de Ω.

1 Pr.Abdellatif elouarrate
 Espaces Probabilisés - Variables aléatoires MPSI

II Espace probabilisé fini III Probabilité conditionnelles et indépendance

Motivation 1. Une fois défini l’ensemble des événements d’une expérience aléatoire on va Définition 12. Soit (Ω, P(Ω), P) un espace probabilisé, et B un événement tel que P(B) > 0, la
essayer de traduire par un nombre leurs " chance " de réalisation . Cela revient à associé à tout probabilité conditionnelle de A sachant B est définie par : PB (A) = P(A∩B)
P(B) .
événement un nombre réel entre 0 et 1 pour pouvoir se convertir en pourcentage de " chance".
Remarque 7. L’application PB : P(Ω) → R+ est une probabilité sur (Ω, P(Ω)).
Définition 10. Soit Ω un univers.
Une probabilité sur l’espace probabilisable (Ω, P(Ω)) est une application P de P(Ω) dans R+ Proposition 3. Soit A t B deux événements de probabilités non nulles . alors :
vérifiant :
P(A ∩ B) = P(A)PA (B) = P(B)PB (A)
1. P(Ω) = 1.
2. Pour A et B ∈ P(Ω) incompatibles , P(A ∪ B) = P(A) + P(B). Corollaire
 n  1 (Formules des probabilités composées). Pour A1 , ..., An des événements de Ω avec
\ 
Le triplet (Ω, P(Ω), P) est dit espace probabilisé. P  Ak  > 0.alors :
k=1
Proposition 1. Soit (Ω, P(Ω), P) un espace probabilisé, alors :
1. Pour tout A, B ∈ P(Ω), P(A ∪ B) = P(A) + P(B) − P(A ∩ B).  n 
\  n
Y k−1
\
2. Pour toute suite finie (Ak )1≤k≤n d’événements, P  Ak  = P(A1 ) PBk (Ak ) avec Bk = Ai
k=1 k=2 i=1
 n  n
[  X
P  Ak  6 P(Ak ) Exemple 6. Soient U1 et U2 deux urnes
k=0 k=0 — U1 contient deux boules rouges , trois vertes .
— U2 contient deux boules rouges, deux boules vertes.
avec égalité si les événements sont deux à deux incompatibles. On choisi aléatoirement une urne , et on tire de cette urne une boule Calculer la probabilité de :
3. Pour tout A ∈ P(Ω), P(A) = 1 − P(A). 1. A " Obtenir une boule verte sachant que l’urne choisie est U1 ".
4. Pour tout A, B ∈ P(Ω), A ⊂ B =⇒ P(A) 6 P(B). 2. B " obtenir une boule vert sachant qu l’urne choisie est U2 .
Démonstration. Exercice.  3. C "obtenir une boule verte".
Définition 11. Soit (Ω, P(Ω), P) un espace probabilisé fini, posons Ω = {ω1 , ..., ωn }. on dit que Proposition 4. Soit (Ai )1≤i≤n un système complet d’événements de Ω de probabilités > 0.
les événements élémentaires sont équiprobables si tous les P({ωk }) sont égaux. 1.
n
X n
X
Proposition 2. Soit (Ω, P(Ω), P) un espace probabilisé fini, tel que les événements élémentaires ∀B ∈ P(Ω), P(B) = P(Ai ∩ B) = P(Ai )PAi (B)
sont équiprobables, alors : k=1 k=1
1 (Formule des probabilités totales)
1. ∀ω ∈ Ω, P(ω) = .
Card(Ω)
2. Si de plus P(B) > 0,
Card(A)
2. ∀A ∈ P(Ω), P(A) = .
Card(Ω) P(Ak )PAk (B)
∀k ∈ {1, ..., n} , PB (Ak ) = Pn
Remarque 6. 1. On peut pas appliqué la proposition sauf si l’hypothèse de équiprobabilité k=1 P(Ai )PAi (B)
est vérifiée.
( Formule de Bayes)
2. Quand on parle de choix « au hasard » sur un ensemble fini, en donnant à chaque élément
de l’ensemble les mêmes chances d’être choisi, donc l’hypothèse de équiprobabilité est Définition 13. Deux événement A et B de l’espace probabilisé (Ω, P(Ω), P) sont dits indépen-
vérifiée. dants si P(A ∩ B) = P(A)P(B).
Exercise 2. On lance n fois un dé équilibré, on cherche la probabilité d’obtenir k fois (k ≤ n ) Remarque 8. L’indépendance traduit le fait que la réalisation ou non d’un événement n’a pas
le chiffre 6 (exactement). d’influence sur la réalisation de second événement.

2 Pr.Abdellatif elouarrate
 Espaces Probabilisés - Variables aléatoires MPSI

Proposition 5. Soit A et B deux événements tel que P(B) > 0. A et B sont indépendantes si et 5. Calculer la probabilité que le code est exactement deux chiffres distincts
seulement si PB (A) = P(A).
Exercise 7. Un mobile saute entre un point A et un point B de la façon suivante : si il est en A
Exercise 3. 1. Montrer que Si A et B sont indépendants alors A et B sont indépendante et d alors il y reste avec la probabilité 1/4 sinon il saute en B. Si il est en B alors il y reste avec la
même pour A et B. probabilité 1/4 sinon elle saute en A.
2. Montrer que les événement indépendantes de lui même sont ceux de probabilité égal à 0 On note an la probabilité de l’évènement An :"à l’instant n, le mobile est en A" et bn la probabilité
ou 1. de l’évènement Bn :"à l’instant n, le mobile est en B." !
an
3. Si P(B) < {0, 1} alors A t B sont indépendants si et seulement si PB (A) = PB (A). On suppose que à l’instant initial, il est en A et on note Xn =
bn
Définition 14. Soit (Ak )1≤k≤ une famille d’événement d’événements , les Ak sont dits mutuelle-
! ! !
a 1/4 3/4 an
ment indépendants si ∀J ⊂ {1, ..., n} : 1. Montrer que n+1 = .
bn+1 3/4 1/4 bn
! ! !
1/4 3/4 1 0 1 −1
 
\  Y
P  Ak  = P(Ak ) 2. On note :A = . Montrer que A = PDP−1 avec D = et P = .
3/4 1/4 0 −1/2 1 1
k∈J k∈J
3. En déduire An puis Xn pour tout n ∈ N.
Remarque 9. Une famille d’événements mutuellement indépendants sont deux à deux indépen- 4. Quelle est la limite de (an ) et (bn ).
dants, la réciproque est fausse en effet : On prend Ω = {1, 2, 3, 4} tel que P({1}) = P({2}) =
P({3}) = P({4}) = 14 et les événements A = {1, 2} ,B = {2, 3} et C = {1, 3}
Exercise 4. On considère une classe de n élèves. Pour chaque élève, on suppose que chaque
jour de l’année a la même probabilité d’être le jour de son anniversaire et on ne prend pas en
compte les années bissextiles.
1. Calculer la probabilité que tous les élèves sont nés un jour .
2. Calculer la probabilité que deux élèves au moins aient leur anniversaire le même jour.
3. Calculer la probabilité qu’au moins un élève soit né le 01/01.
Exercise 5. Soit A et B deux événement d’une expérience aléatoire.
1. Si P(A) = 12 et P(B) = 31 , Déterminer P(A ∪ B) lorsque :
— A et B sont incompatibles.
— P(A ∩ B) = 14
— A et B sont indépendants.
2. Montrer que peut n’importe quelle valeur de P(A) et P(B) on a :
1
P(A ∩ B) − P(A).P(B) 6
4
Exercise 6. Un ordinateur génère aléatoirement et uniformément un code composé de quatre
chiffres allant de 0 à 9.
1. Combien de codes différents sont possibles ?
2. Calculer la probabilité que le code est quatre chiffres distincts.
3. Calculer la probabilité que le code est un même chiffre utilisé plusieurs fois.
4. Calculer la probabilité que le code est exactement trois chiffres distincts.

3 Pr.Abdellatif elouarrate
 Espaces Probabilisés - Variables aléatoires MPSI

IV Variables aléatoires réelle Proposition 6. Soit X une variable aléatoire réelle et F X sa fonction de répartition.
1. ∀t ∈ R, F X (t) ∈ [0, 1].
Définition 15. Soit (Ω, P(Ω)) un espace probabilisable ,Une variable aléatoire réelle définie
sur Ω est une application X : Ω → R . 2. F X est une fonction croissante sur R.
3. lim F X (t) = 1 et lim F X (t) = 0.
t→+∞ t→−∞
Notation 1. Soit A une partie de R on note X −1 (A) par {X ∈ A} ou X ∈ A


4. F X est continue à droite en tout réel t.
Exemple 7. Si X est une variable aléatoire réelle X −1 (] − ∞, x]) = (X ∈] − ∞, x]) = (X 6 x) et Remarque 13.
X −1 ({x}) = (X ∈ {x}) = (X = x) P(X = x) = F X (x) − lim− F X (t).
t→x
Remarque 10. Il faut noter que le nom variable aléatoire n’est pas une variable c’est une Par conséquence la fonction de répartition caractérise la loi.
application.
Définition 19. Soit X : Ω → R et f : X(Ω) → R , f ◦ X est une nouvelle variable aléatoire,
Définition 16. Soit (Ω, P(Ω)) un espace probabilisable, et X : Ω → R Une variable aléatoire
notée f (X) et appelée variable aléatoire image de X par f .
réelle, on dit X est une variable aléatoire discrète si D = X(Ω) est fini.
Exemples 1. 1. On lance deux dés et on considère la variable aléatoire qui donne la somme Proposition 7. Soit X : Ω → R une variable aléatoire et f : R → R, si Y = f (X) alors
des face obtenue. Déterminer X(Ω) , {X = 12}, {X 6 3}. Y(Ω) = { f (k), k ∈ X(Ω)} et on a :
X
Remarque 11. On se limite dans toute a suite au cas X(Ω) est fini i.e variable aléatoire discrète. P(Y = y) = P(X = x), ∀y ∈ Y(Ω)
x∈X(Ω)
Exemple 8. On chercher a construire un équipe de 4 élèves parmi 10 pour réaliser un projet on f (x)=y
suppose qu’on a : 5 garçons et 5 filles, Soit X la variable aléatoire associée à chaque possibilité
le nombre des filles sectionné, On a :X(Ω) = {.................} Exercise 9. On tire au hasard simultanément 3 boules d’une urne qui contient 3 boules blanches
t 3 rouges et on note X le nombre de boules rouges obtenues.
Définition 17. Soit (Ω, P(Ω)) un espace probabilisable et E un ensemble, et X : Ω → E
1. Déterminer la loi de X.
Une variable aléatoire discrète et D = X(Ω) l’application PX : P(D) → [0, 1] tel que ∀A ∈
P(D), PX (A) = P(X ∈ A) est appelée la loi de probabilité de la variable aléatoire X ou 2. On associe un gain algébrique à ce tirage nommé G , On gagne 2 Dh par boule rouge
probabilité image de P par X. obtenue et on perd 1 Dh par boule non rouge .
(a) Définir G en fonction de X.
Exemple 9. On prend l’exemple précédente, Calculer PX ({1}),PX ([0, 2[),PX ({0, 1, 2, 3, 4})
(b) Déterminer G(Ω) ainsi que sa loi.
Remarque 12. L’application PX est entièrement déterminé par la donnée des PX ({x}) = P(X =
x) pour tout x dans D = X(Ω). Exercise 10. Déterminer la loi de la variable aléatoire de l’exemple 8.
Exercise 8. Une urne contient 5 boules dont 2 rouges et 3 blanches. Exercise 11. Soit X une variable aléatoire tel que X(Ω) = {3, 4, 5, 6} déterminer la loi de X tel
On tire 4 boules successivement avec remise et on note : que :
— X le rang de la première boule rouge, et X prend de plus la valeur 0 si on ne tire pas une 1 1
P(X < 5) = , P(X > 5) = , P(X 6 3) = P(X = 4)
boule rouge. 6 2
— Y le nombre de boules rouges o obtenues.
Déterminer la loi de X et de Y. V Moments et Variance
Définition 18. On appelle fonction de répartition d’une variable aléatoire réelle X la fonction
réelle F X définie sur R par : V.1 Espérance mathématique d’une variables aléatoire
F X (t) = PX (] − ∞, t]) = P(X 6 t) , ∀t ∈ R Définition 20. Soit X une variable aléatoire réelle X sur un espace probabilisé (Ω, P(Ω), P). Si
Xn
D = X(Ω) = {xk , 1 ≤ k ≤ n} , On appelle espérance de X le réel E(X) = xk P(X = xk ).
. k=1

4 Pr.Abdellatif elouarrate
 Espaces Probabilisés - Variables aléatoires MPSI

Remarque 14. L’espérance ne dépend que de la loi de X. V.2 Moment d’ordre k et variance
Proposition 8. Si X(Ω) est fini, alors : Définition 21. Soit X une variable aléatoire et k ∈ N on appelle moment d’ordre k l’espérance
X de X k .
E(X) = X(ω)P({ω}) Définition 22. Soit X une
ω∈Ω
 variable
X aléatoire réelle, On appelle variance de X le réel positif
V(X) = E (X − E(X)) = 2
(x − E(X))2 P(X = x).
Démonstration. On a {X = x} = x∈X(Ω)
S
ω∈{X=x} {ω}. Donc √
On appelle écart-type de X le réel positif σ(X) = V(X).
X
P(X = x) = P({ω}) Proposition 11. Si X une variable aléatoire
ω∈{X=x}
V(X) = E(X 2 ) − (E(X))2
puisque cette réunion est disjointe. Puis
X X X X .
E(X) = x P({ω}) = X(ω)P({ω})
Démonstration. Exercice. 
x∈X(Ω) ω∈{X=x} x∈X(Ω) ω∈{X=x}
Proposition 12. Si (a, b) ∈ R2 , V(aX + b) = a2 V(X).
Les événements {X = x} avec x parcourant X(Ω) constituent une partition de Ω. Autrement dit
Ω = x∈X(Ω) ω∈{X=x} {ω}. Donc Exercise 13. Soit X une variable aléatoire tel que V(X) , 0 , Déterminer l’espérance et la
S S

X variance de Y = X−E(X)
σ(X) .
E(X) = X(ω)P({ω}) Proposition 13 (Inégalité de Markov). Soit X une variable aléatoire à valeur dans R+ . Alors,
ω∈Ω
∀a ≥ 0, aP(X ≥ a) ≤ E(X)

Démonstration. On a
Proposition 9. Soient X et Y deux variables aléatoires et λ ∈ R alors : X
E(X) = X(ω)P({ω})
1. Linéarité de l’espérance : E(λX + Y) = λE(X) + E(Y) ω∈Ω

2. Espérance d’une variable aléatoire constante : E(λ) = λ et comme X(ω) est positif,
3. Croissance de l’espérance : si X 6 Y(∀ω ∈ Ω, X(ω) 6 Y(ω)) alors, E(X) 6 E(Y) X X
E(X) ≥ X(ω)P({ω}) ≥ aP({ω}) = aP(X ≥ a)
ω∈Ω ω∈Ω
Proposition 10 (Formule de Transfert). Si X est une variable aléatoire réelle sur Ω et f : X(ω)≥a X(ω)≥a
X(Ω) → R, alors :

X
E( f (X)) = f (x)P(X = x)
x∈X(Ω) Proposition 14 (inégalité de Bienaymé-Tchybychev). Soit X une variable aléatoire réelle.
L’espérance de f (X) ne dépend qu de la loi de X. Alors,
V(X)
∀ε > 0, P(|X − E(X)| ≥ ε) ≤ 2
Exemple 10. X ε
E(X 2 ) = x2 P(X = x)
n o
Démonstration. On a {|X − E(X)| ≥ ε} = (X − E(X)) ≥ ε2 et par I’inégalité de Markov
2
x∈X(Ω)
appliquée à la variable positive Y = (X − E(X))2 :
Exercise 12. Soit X une variable aléatoire telle que X(Ω) = {0, ...n}, montrer que :  
V(X) = E(Y) ≥ ε2 P Y ≥ ε2 = ε2 P(|X − E(X)| ≥ ε)
n−1
X
E(X) = P(X > k) 
k=0

5 Pr.Abdellatif elouarrate
 Espaces Probabilisés - Variables aléatoires MPSI

VI Lois usuelles Définition 25. On dit qu’une variable aléatoire X suit la loi uniforme de paramètre n ∈ N∗ si
X(Ω) = {1, 2, ..., n} et
VI.1 Loi de Bernoulli 1
∀k ∈ {1, ..., n} , P(X = k) =
n
On considère un espace probabilisé (Ω, P(Ω)) et l’on s’intéresse à un événement S on Et on écrit X ∼ U({1, ..., n}).
considère la variable aléatoire qui donne la valeur 1 à la succès de la réalisation de S et 0 à
l’échec de S i.e X(ω) = 1S (ω), Si P(S ) = p alors P(X = 1) = 1 et P(X = 0) = 1 − p Proposition 17. Si X ∼ U({1, ..., n}) alors :
— E(X) = n+12 .
Définition 23. Soit p ∈ [0, 1], X une variable aléatoire tel que X(Ω) = {0, 1}, On dit que X suit 2
— V(X) = n12−1 .
la loi de Bernoulli de paramètre p si P(X = 0) = 1 − p et P(X = 1) = p.
On écrit dans ce cas : X ∼ B(p). Démonstration. Exercice 
Proposition 15. Si X ∼ B(p) alors :
— E(X) = p. VII Variables aléatoires indépendantes
— V(X) = p(1 − p).
Définition 26. Soient X et Y deux v.a.r. sur un espace probabilisé fini (Ω, P(Ω)),
Démonstration. Exercice 
X(Ω) = {x1 , . . . , xn } , Y(Ω) = {y1 , . . . , ym }
VI.2 Loi binomiale
On dit que les variables aléatoires sont indépendantes, que l’on note X y Y, si :
1
Un joueur de football tire un pénalty avec une probabilité de de marquer égale à 3, le joueur    
tirer 10 fois , c’est quoi la probabilité de marquer 4 buts exactement ? ∀(i, j) ∈ ~1, n × ~1, m, P X = xi , Y = y j = P (X = xi ) P Y = y j
 
Définition 24. On dit qu’une variable aléatoire X sur (Ω, P(Ω)) suit la loi binomiale de Remarque 16. X = xi , Y = y j signifier que la variable X prend la valeur xi et Y prend la
paramètres n ∈ N∗ et p ∈ [0, 1] si : valeur yi .
— X(Ω) = {0, ..., n}
— ∀k ∈ {0, ..., n} , P(X = k) = Cnk pk (1 − p)n−k . Y ) un couple de v.a.r. définies sur un espace probabilisé fini (Ω, P(Ω)).
Théorème 14. Soit ( X,X
On écrit X ∼ B(n, p) — E(X × Y) = xyP(X = x, Y = y).
(x,y)∈X(Ω)×Y(Ω)
n
X — Si X et Y sont indépendantes alors : E(XY) = E(X)E(Y) .
Remarque 15. 1. On a bien une loi de probabilité car P(X = k) = 1.
k=0 Exercise 15. Calculs de probabilité d’évènements donnés à partir de variables aléatoires. Soit
2. Une variable aléatoire suit la loi binomial, modélise le nombre de succès lors de la X, Y deux variables aléatoires indépendantes suivant la loi uniforme sur {1, · · · , n}.
répétition n fois une expérience de probabilité p. 1. Déterminer P(X = Y).
Proposition 16. Si X ∼ B(n, p) alors : 2. Déterminer P(X ≥ Y).
— E(X) = np. 3. Déterminer la loi de X + Y.
— V(X) = np(1 − p). !
X Y
Exercise 16. Une matrice aléatoire. On considère A = ∈ M22 (R) où (X, Y, Z, T ) sont
Démonstration. Exercice  Z T
des variables aléatoires suivant une loi de Bernoulli de paramètre 1/2 et indépendantes. Donner
alors la loi de la variable aléatoire det(A).
VI.3 Loi uniforme
On choisit au hasard un objet parmi n objet numéroté de 1 à n, et X est le numéro de l’objet
choisi.

6 Pr.Abdellatif elouarrate