Annales Des Examens Corrigés

UNIVERSITE CADI AYYAD
Ecole Nationale des Sciences

Appliquées Sa
MANUEL DE MATHEMATIQUES
PROBABILITES ET STOCHASTIQUES
Filière : Génie Télécom et Réseaux
Première Année Génie Télécom et Réseaux
Pr. EL HASSAN LAKHEL
Année Universitaitre : 2018-2019

Avertissement
Ces notes sont en cours d'élaboration. Il se peut donc qu'y subsistent un certain nombre
d'erreurs, d'incohérences, et/ou de passages inachevés.
1
Table des matières
I Probabilités 7
1 L'espace de probabilité (Ω, F, P ) 8
1.1 Introduction : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 L'univers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Evénements et opérations sur les événements . . . . . . . . . . . . . . . . . . 9
1.4 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Le concept de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Dénition d'une probabilité sur un espace Ω ni. . . . . . . . . . . . . . . . . 13
1.6.1 Equiprobabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.2 Eléments d'analyse combinatoire . . . . . . . . . . . . . . . . . . . . . 15
1.6.3 Exemples fondamentaux . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Résumé du premier chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Probabilités conditionnelles et indépendance 22
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Indépendance d'événements et de sous-tribus. . . . . . . . . . . . . . . . . . . 26
2.3.1 Indépendance d'événements . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.2 Indépendance de sous-tribus . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Application : Apparition d'un pile dans un schéma de Bernoulli . . . . . . . . 27
2.4.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5 Résumé du deuxième chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3 Les variables aléatoires 34
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Probabilité image et loi d'une variable aléatoire . . . . . . . . . . . . . . . . . 35
3.4 Cas des variables aléatoires réelles . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.1 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5 Lois discrètes et lois continues . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5.1 Lois discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5.2 Lois continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.6 Les lois usuelles au programme . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.6.1 Le cas ni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6.2 La loi uniforme discrète . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6.3 La loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6.4 La loi binomiale ou loi du tirage avec remise . . . . . . . . . . . . . . . 41
3.6.5 Le cas dénombrable . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2
3.6.6 La loi géométrique de paramètre p ∈]0, 1[ . . . . . . . . . . . . . . . . 43
3.6.7 La loi de Poisson de paramètre λ ∈]0, ∞[ . . . . . . . . . . . . . . . . . 43
3.6.8 Le cas continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.6.9 La loi uniforme continue sur le segment [a, b] : . . . . . . . . . . . . . . 44
3.6.10 lois gaussiennes (ou lois normales) . . . . . . . . . . . . . . . . . . . . 45
3.6.11 La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.7 Variables aléatoires indépendantes . . . . . . . . . . . . . . . . . . . . . . . . 49
3.7.1 Annexe : Autres lois de probabilité . . . . . . . . . . . . . . . . . . . . 50
3.7.2 La loi hypergéométrique ou loi du tirage exhaustif . . . . . . . . . . . 50
3.7.3 La loi Gamma G(a, b), a > 0 et b > 0 . . . . . . . . . . . . . . . . . . . 51
3.7.4 La loi de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.8 Résumé du troisième chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.9 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4 Moments d'une variable aléatoire réelle 59
4.1 Espérance Mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.1.1 Cas des variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . 59
4.1.2 Espérance d'une fonction d'une variable aléatoire réelle . . . . . . . . . 60
4.1.3 Cas des variables aléatoires à densité . . . . . . . . . . . . . . . . . . . 61
4.1.4 Propriétés de l'espérance . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Moments, variance et écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3 Inégalités classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3.1 L'inégalité de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3.2 L'inégalité de Bienaymé-Tchebyche . . . . . . . . . . . . . . . . . . . 64
4.3.3 L'inégalité de Jensen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4 L'espérance et la variance des lois classiques . . . . . . . . . . . . . . . . . . . 64
4.5 Fonctions Génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.6 Fonctions caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.6.1 Intégration d'une fonction complexe . . . . . . . . . . . . . . . . . . . 68
4.6.2 Fonction caractéristique d'une variable aléatoire réelle . . . . . . . . . 69
4.6.3 Exemples de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.7 Théorème d'unicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.8 Annexe : Dénition de l'espérance d'une variable aléatoire : Cas général . . 73
4.8.1 Théorème de transferet . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.9 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5 Variables aléatoires vectorielles 82
5.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.1.1 Couples aléatoires discrets . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.1.2 Couples aléatoires à densité . . . . . . . . . . . . . . . . . . . . . . . . 84
5.2 Distribution conjointe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2.1 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.3 Indépendance et espérance de produits . . . . . . . . . . . . . . . . . . . . . . 85
5.4 Distributions conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4.1 Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4.2 Cas Continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4.3 Théorème des probabilités composées . . . . . . . . . . . . . . . . . . . 88
5.4.4 Théorème des probabilités totales . . . . . . . . . . . . . . . . . . . . . 88
5.4.5 Théorème de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.5 Espérance, Covariance et Coecient de corrélation linéaire . . . . . . . . . . . 90
3
5.5.1 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.5.2 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.5.3 Coecient de corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6 Théorèmes limites 96
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.2 Les diérents types de convergence . . . . . . . . . . . . . . . . . . . . . . . . 96
6.2.1 La convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . 96
6.2.2 La convergence presque sûre . . . . . . . . . . . . . . . . . . . . . . . . 96
6.3 Lois des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.3.1 La loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . 97
6.3.2 La loi forte des grands nombres . . . . . . . . . . . . . . . . . . . . . . 98
6.4 La convergence en loi et le théorème central limite . . . . . . . . . . . . . . . 98
6.4.1 La convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.4.2 Le théorème central limite . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.5 Annexe : Vitesse de convergence dans la loi des grands nombres . . . . . . . . 101
6.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
II Statistiques 104
7 Introduction aux statistiques 105
7.1 Introduction : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.1.1 Les statistiques, les probabilités, la statistique . . . . . . . . . . . . . . 105
7.1.2 La démarche statistique . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.2 Dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.3 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.3.1 Estimation de la moyenne . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.3.2 Estimation de la variance . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.3.3 Méthode de maximum de vraisemblance . . . . . . . . . . . . . . . . . 110
7.4 Estimation par intervalle conance . . . . . . . . . . . . . . . . . . . . . . . . 110
7.4.1 Etude de cas des échantillons de grande taille n ≥ 30 . . . . . . . . . . 110
7.4.2 Etude de cas X ∼ N (m, σ 2 ) . . . . . . . . . . . . . . . . . . . . . . . . 112
7.5 Tests paramètriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.7 Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
III Annales des examens corrigés 118

8 Examens corrigés 119
8.1 corrections . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
4
Préface
Ce livre est issu du polycopié du cours de probabilités de la première année Génie Télécom
et Réseaux à l'ENSA de Sa dont je suis responsable depuis 2014. Du fait de la nature inconnue
ou chaotique de leur évolution, de nombreux phénomènes (météorologie, cours de bourse, les
d'attente dans les réseaux de télécommunication ,...) font naturellement l'objet d'une modéli-
sation aléatoire, ce qui explique la place de plus en plus grande accordée aux probabilités dans
les formations d'ingénieurs et dans les cursus universitaires. Les probabilités interviennent de
manière naturelle dans certains aspects de la vie de l'ingénieur : modélisation de situations
complexes, algorithmes aléatoires, méthodes de Monte Carlo et abilité pour ne citer que ces
quelques exemples. Ce cours se propose d'introduire les concepts fondamentaux du calculs des
probabilités de manière assez simple et détaillée, puis d'appliquer ces concepts à des rudiments
de statistique inférentielle. L'objectif du cours est de permettre aux étudiants de comprendre
comment construire de tels modèles aléatoires et comment identier leurs paramètres à partir
de données.
La théorie des probabilités s'est développée dans le but de modéliser" les phénomènes aléa-
toires, c'est à dire de développer un formalisme mathématique pour exprimer les problèmes
posés par ces phénomènes. En particulier, l'un des problèmes est de mesurer la chance" d'un
certain évènement" de se réealiser. Une partie importante de ces phénomènes est de nature
discrète", c'est à dire qu'il existe une injection de l'ensemble des cas possibles" dans N. Lorsque
de plus l'ensemble des cas possibles" ou des éventualités" est ni, le calcul des probabilités se
ramène à des problèmes de dénombrement. Par contre, lorsque l'ensemble des éventualités"
est de nature innie non-dénombrable, on aura besoin, pour dénir une probabilité, de la
théorie de la mesure et de l'intégration.
Après un chapitre introductif sur l'espace de probabilité et le cas particulier ni où les calculs
se ramènent à du dénombrement, les probabilités conditionnelles, sont présentées en détail au
chapitre 2. Les chapitres 3-5 précisent également la notion de loi d'une variable aléatoires, l'es-
pérance, la variance , l'écart type d'une v. a. et fournissent les outils nécessaires (loi marginale,
formule de changement de variable). Le chapitre 6 est consacré aux deux grands théorèmes
limites de la théorie des probabilités qui forment le coeur du chapitre 7 : la loi forte des
grands nombres et le théorème de la limite centrale. Les diérentes notions de convergence
de variables aléatoires et leurs liens font également l'objet d'un traitement détaillé dans ce
chapitre. L'objectif est que les étudiants acquièrent susamment de maîtrise sur les théorèmes
limites pour bien comprendre ensuite les propriétés asymptotiques des estimateurs, intervalles
de conance et tests d'hypothèses dans la partie statistique du cours. Le théorème de la li-
mite centrale explique le rôle fondamental en théorie des probabilités de la loi gaussienne.
Le chapitre 7 introduit l'estimation de paramètres dans le modèle statistique paramétrique.
L'accent est mis sur l'estimateur du maximum de vraisemblance et ses propriétés et sur la
construction d'intervalles de conance permettant de mesurer la précision de l'estimation. La
notion de test d'hypothèses est présentée sur l'exemple du modèle gaussien dans le drernier
0. Les probabilités sont consacrées à la découverte d'un ordre sous-jacent au désordre apparent...
5
paragraphe de ce chapitre.
Ce manuel est destiné aux étudiants de la de la première année Génie Télécom et Réseaux
à l'ENSA de Sa. Il vise à présenter le cours du module de Probabilités et Statistiques , d'une
manière simple et accessible tout en gardant le niveau et la rigueur mathématiques.
Pour l'illustration de ce cours, des séries d'exercices sont mises à la n de chaque chapitre.
E. Lakhel
6
Première partie
Probabilités
7
Chapitre 1
L'espace de probabilité (Ω, F, P )
Historiquement, le calcul des probabilités s'est développé à partir du XVIIe siècle autour
des problèmes de jeux dans des situations où le nombre de cas possibles est ni. Les déve-
loppements plus récents concernant des espaces non nécessairement nis nécessitent les outils
techniques de la théorie de la mesure. Mais on peut introduire les notions importantes de
probabilités sans avoir besoin de cet outillage.
1.1 Introduction :
Ce sont les jeux de hasard qui sont à l'origine du calcul des probabilitées. Vers 1654, Pascal
et Fermat se sont confrontés au problème suivant : pourquoi en jetant 3 dés obtient-on plus
souvent la somme 10 que la somme 9 alors que
pour 9=1+2+6=1+3+5=1+4+4=2+2+5=2+3+4=3+3+3
pour 10=1+3+6=1+4+5=2+2+6=2+3+5=2+4+4=3+3+4
C'est à la suite de leur correspondance qu'est né le calcul des probabilités. Les probabilités
ont connu un grand essor au XIXe. Mais ce n'est qu'en 1933 que grâce à Kolmogorov le
calcul des probabilités s'inscrit enn dans un cadre théorique rigoureux. La découverte de la
physique quantique et des théories modernes des processus stochastiques redonnent au calcul
des probabilités une place centrale dans l'étude de la nature.
La théorie des probabilités est la science qui étudie les expériences aléatoires. On entend par
expérience aléatoire toute procédure ayant un ensemble bien déni de résultats mais dont on
ne sait pas dire à l'avance lequel va avoir lieu.
Le but du cours de probabilités est de modéliser des situations où intervient le hasard. On
aimerait pouvoir construire un cadre commun pour étudier des expériences aléatoires très
divers :
Exemples :
1. Le jet d'un dé,
2. Le jet successif de n pièces de monnaie,
3. La durée de vie d'une ampoule.
Ce cadre commun sera l'espace de probabilité. Il est composé de plusieurs ingrédients : un
univers qui décrit l'ensemble des issues possibles de l'expérience aléatoire, une tribu qui donne
l'ensemble des événements et une probabilité qui associe à chaque événement un nombre qui
donne la chance qu'à cet événement de se réaliser.
8
1.2 L'univers
Dénition 1.1. L'ensemble des résultats d'une expérience aléatoire est appelé l'univers. On
le note généralement Ω.
Exemples : Dans chacun des exemples précédents, on a :
1. Ω = {1, 2, 3, 4, 5, 6}.
2. Ω = {P, F }n (pour n = 2, on a Ω = {P P, P F, F P, F F } = {P, F }2 ).
3. Ω = R+
Remarque :
On peut aussi modéliser des phénomènes aléatoires plus complexes. Donnons un exemple :
Etude d'une le d'attente. Des clients arrivent successivement d'une manière aléatoire et
forment ainsi une le d'attente devant un guichet. Le temps de service pour chaque client, peut
être également modélisé par une grandeur aléatoire. On étudie la longueur de la le d'attente,
en fonction du temps et des paramètres qui interviennent dans la modélisation, à savoir la
durée de service, le temps d'inter-arrivée des clients.
On se demande si la le à tendance à se diminuer ou au contraire à augmenter.
1.3 Evénements et opérations sur les événements

Dénition 1.2. Un événement est une partie A de Ω, c'est un fait lié à une expérience qui
peut se produire ou non.
Exemples : Dans nos trois situations, A pourrait, par exemple, être :
1. A = {2, 4, 6} : "obtenir un nombre pair."
2. A = {P } × {P, F }n−1 : " Le premier lancer est pile."
3. A = [100, +∞[ : "l'ampoule fonctionne plus de cent heures."
Notation On note P(Ω) l'ensemble de toutes les parties de Ω.

On va utiliser toutes les opérations sur les ensembles :
Notation vocabulaire ensemblite vocabulaire probabiliste

Ω événement certain
∅ ensemble vide événement impossible
{ω} singleton ω événement élémentaire ω
A⊂B A est inclus dans B A implique B
Ac complémentaire de A Le contraire de A est réalisé
S∪ B
A A union B A ou B est réalisé
i∈I Ai union des (Ai )i ∈ I l'un des Ai est réalisé
T∩ B
A A inter B A et B sont réalisés
i∈I Ai intersection des (Ai )i ∈ I tous les Ai sont réalisés
1.4 Tribu
En général, on ne peut pas prendre toutes les parties de Ω comme événements, on doit se
limiter à des familles vériant certaines propriétés :
Dénition 1.3. Soit Ω un ensemble. Une famille F de parties de Ω est appelée une tribu si
elle vérie les propriétés suivantes :
i) Ω est un élément de F
9
ii) (stabilité par complémentaire) Si A est un élément de F , alors Ac est un élément de
F
iii) (stabilité par union dénombrable) Si les (Ai )i∈N sont des éléments de F , alors ∪i∈N Ai
est un élément de F .
Dénition 1.4. Soit Ω un ensemble muni d'une tribu F , le couple (Ω, F) est appelé ensemble
mesurable, et les éléments de F sont appelés des événements.
♣Exercice : Vérier que P(Ω) et {∅, Ω} sont des tribus sur Ω.
♣ Exercice : Soit A une partie de Ω. Montrer que {∅, A, Ac , Ω} est une tribu sur Ω.
♣♣ Exercice : Soit Ω un ensemble, et A et B deux parties de Ω. on pose
F = {∅, A, B, A ∩ B, A ∪ B, Ac , B c , (A ∩ B)c , (A ∪ B)c , A ∩ B c , Ac ∩ B, A ∪ B c , Ac ∪ B, Ω}
Montrer que F est une tribu.
Remarque : Si Ω = R, la tribu habituellement utilisée est la plus petite tribu contenant tous
les intervalles ouverts. On l'appelle tribu borélienne et on la note B(R)
Proposition 1.5. Soit Ω un ensemble muni d'une tribu F , alors :

i) ∅ est dans F ,
ii) Pour tout A et B de F , on a A ∩ B , A ∪ B A\B sont dans F .
iii) Si les (Ai )i∈N , sont des éléments de F , alors ∩i∈N Ai est un élément de F (stabilité
par intersection dénombrable).
Preuve.
i) ∅ = Ω et Ω ∈ F , donc ∅ ∈ F .
ii) A ∪ B ∈ F par dénition.
A ∩ B = A ∪ B ∈ F car A ∪ B ∈ F
A\B = A ∩ B ∈ F d'après ce qui précède.
iii) ∩i∈N Ai = ∪i∈N Ai ∈ F .
Remarque : Une tribu est stable par réunion et intersection nie.
1.5 Le concept de probabilité

Dénition 1.6. Soit Ω un ensemble muni d'une tribu F . Une application P de F dans [0, 1]
est une probabilité si elle vérie les propriétés suivantes :
i) P(Ω) = 1
ii) (σ−additivité) Si les (Ai )i∈N sont des éléments de F deux à deux disjoints, alors
[ X
P( Ai ) = P (Ai ).
i∈N i∈N
Le triplet (Ω, F, P ) est alors appelé un espace de probabilité.

Remarques :
1. Les événements sont donc les parties de Ω auxquels on saura attribuer une probabilité
de se réaliser.
10
2. Si Ω est ni, on peut remplacer ii) par ii)' pour tout A, B de P(Ω) tels que A∩B = ∅,
P(A ∪ B) = P(A) + P(B).
Exemples :
1. Jet d'un dé : Ω = {1, 2, ..., 6}, les faces sont équiprobables. On prend F = P(Ω) et on
dénit P par :
1
P({1}) = P ({2}) = ... = P({6}) = .
6
On a donc,
1
P({2, 3}) = P({2}) + P({3}) = .
3
2. Jet d'une pièce de monnaie Ω = {P, F }, si la pièce est équilibrée, on choisit :
1
P ({P }) = P ({F }) = .
2
Attention ! Le mot probabilité désigne donc deux choses diérentes : l'application et le nombre
associé par cette application à un événement. Le contexte permet en général de lever toute
ambiguïté.
♣ Exercice : Soit P1 et P2 deux probabilités sur un espace mesurable (Ω, F), et soit α ∈ [0, 1].
Montrer que P = αP1 + (1 − α)P2 est une probabilité sur (Ω, F).
Nous avons regroupé dans la proposition suivante les règles fondamentales auxquelles obéit
une probabilité :
Proposition 1.7. Soit (Ω, F, P ) un espace de probabilité.
i) P (∅) = 0
ii) si (Ai )1≤i≤n sont des éléments de F deux à deux disjoints, alors
n
[ n
X
P( Ai ) = P (Ai ).
i=1 i=1
iii) si A est dans F , alors P (Ac ) = 1 − P (A),

iv) si A et B sont des éléments de F tels que A ⊂ B , alors P (A) ≤ P (B).
v) si A et B sont deux éléments de F , alors
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
vi) si (Ai )1≤i≤n sont des éléments de F , alors

[ X
P ( Ai ) ≤ P (Ai )
i∈N i∈N
vii) si (Ai )1≤i≤n forment une suite croissante d'éléments de F , c'est à dire s'ils vérient
∀i ∈ N Ai ⊆ Ai+1 , alors
[
P ( Ai ) = limi−→+∞ P (Ai ).
i∈N
viii) si (Ai )1≤i≤n forment une suite décroissante d'éléments de F , c'est à dire s'ils vérient
∀i ∈ N Ai+1 ⊆ Ai , alors
\
P ( Ai ) = limi−→+∞ P (Ai ).
i∈N
11
Preuve.
i) On applique le ii) de la dénition à la famille d'événements disjoints (Ω, ∅, ∅, ...) :
∞
X
1 = P (Ω) + P (∅).
i=1
La série dans le membre de droite ne converge alors que si P (∅) = 0.
ii) On applique le ii) de la dénition à la famille d'événements disjoints (A1 , A2 , . . . , An , ∅, ∅, . . .)

en utilisant que P (∅) = 0 :
n
[ n
X n
X n
X
P( Ai ) = P (Ai ) + P (∅) = P (Ai )
i=1 i=1 i=n+1 i=1
iii) On applique ii) à famille d'événements disjoints (A, Ac ) : P (A) + P (Ac ) = P (A ∪

Ac ) = P (Ω) = 1 d'après le i) de la dénition.
iv) Soit A et B deux événements tels que A ⊂ B . Comme B = (B ∩ A) ∪ (B ∩ Ac ), avec
(B ∩ A) ∩ (B ∩ Ac ) ⊂ A ∩ Ac = ∅, on peut appliquer ii) :
P (B) = P (B ∩ A) + P (B ∩ Ac ) or P (B ∩ Ac ) ≥ 0
≥ P (B ∩ A) = P (A)
car A ⊂ B
v) On écrit A ∪ B comme la réunion disjointe A ∩ B c , A ∩ B et B ∩ Ac (vérier et faire
un dessin), et on remarque que A est la réunion disjointe A ∩ B c , et A ∩ B , tandis que
B est la réunion disjointe A ∩ B et B ∩ Ac . On obtient donc :
P (A ∪ B) = P (A ∩ B) + P (A ∩ B c ) + P (B ∩ Ac )
= (P (A ∩ B c ) + P (A ∩ B)) + (P (A ∩ B) + P (B ∩ Ac )) − P (A ∩ B)
= P (A) + P (B) − P (A ∩ B).
Pour les trois derniers points, on construit à partir de la famille (Ai )i∈N une famille
(Bi )i∈N de la façon suivante :
i−1
[
B0 = A0 et ∀i ≥ 1, Bi = Ai \ ( Aj ),
j=0
on vérie alors (exercice) que

• ∀i ∈ N, Bi ⊂ Ai , et donc P (Bi ) ≤ P (Ai ).
• i 6= j =⇒SBi ∩ Bj =S∅,
n n
, (par récurrence) et donc
S S
• ∀n ∈ N i=0 B i = i=0 A i i∈N B i = i∈N Ai
vi) P ( Si∈N Ai ) = P ( Si∈N Bi ) = i∈N P (BiP ) ≤ i∈N P (Ai ).
S S P P
vii) P ( P Bi ) = limn−→∞S ni=1 P (Bi ).
i∈N Ai ) = P ( i∈N S
n
Mais i=1 P (Bi ) = P ( ni=1 Bi ) = P ( ni=1 Ai ) = P (An ) par croissance de la suite
(An )n∈N .
Donc [
P( Ai ) = limn−→∞ P (An ).
i∈N
viii) Utiliser le point précédent et passer aux complémentaires (exercice).
♣ Exercice : Un dé a six faces, avec deux faces marquées 5. Donner un espace de probabilité
correspondant au lancer de ce dé.
12
1.6 Dénition d'une probabilité sur un espace Ω ni.
Quand l'univers Ω est ni, on peut facilement décrire les probabilités sur Ω.
Théorème 1.8. Soit Ω = {ω1 , ω2 , ..., ωn }. Soit p1 , p2 , ..., pn n nombres réels.

Il existe une probabilité P sur (Ω, P(Ω)) telle que :

∀i ∈ P {1, 2, ..., n}, pi ≥ 0
∀i ∈ {1, 2, ..., n}, P ({ωi }) = pi ⇐⇒ n
et i=1 pi = 1.
P est alors unique, et on a pour tout événement A ∈ P(Ω)

X
P(A) = P({ωi })
i/ωi ∈A
Preuve.
⇒) Supposons qu'il existe une probabilité P sur (Ω, P(Ω)) telle que pour tout
i ∈ |[1, n]| pi = P({ωi }).
On a : pi ≥ 0, ∀i ∈ |[1, n]| et ni=1 pi = ni=1 P({ωi }) = P(Ω) = 1.
P P
De plus pour tout événement A ∈ P(Ω) :
X X
P(A) = P({ωi }) = pi .
i/ωi ∈A i/ωi ∈A
Donc P est uniquement déterminée par la donnée des pi .

⇐) Supposons que
∀i ∈ P
{1, 2, ..., n}, pi ≥ 0,
n
et i=1 pi = 1.
Soit P l'application dénie sur P(Ω) par :

X
∀A ∈ P(Ω), P (A) = pi
i/ωi ∈A
Montrons que P est une probabilité sur (Ω, P(Ω)).

On a : ∀i ∈ |[1, n]|, pi ≥ 0, donc P (A) ≥ 0 ∀A ∈ P(Ω).
Et,
X n
X
P (A) = pi ≤ pi = 1.
i/ωi ∈A i=1
Donc P est une application de P(Ω) dans [0, 1].

De plus,
Xn
P(Ω) = pi = 1.
i=1
Si A et B sont deux événements disjoints, on a :

X X X
P(A ∪ B) = pi = pi + pi = P(A) + P(B).
i/ωi ∈A∪B i/ωi ∈A i/ωi ∈B
Donc P est une probabilité sur (Ω, P(Ω)) et par dénition de P , P ({ωi }) = pi pour
tout i ∈ |[1, n]|.
13
Exemple : Un dé biaisé :
Ω 1 2 3 4 5 6
1 1 1 1 1
pi 3 6 12 12 4 p
Déterminer p pour que les pi dénissent une probabilité. Calculer la probabilité que le résultat
du dé soit pair.
1.6.1 Equiprobabilité
Dénition 1.9. On dit qu'il y a équiprobabilité, lorsque les probabilités de tous les événements
élémentaires sont égales.
On dit aussi que P est la probabilité uniforme sur (Ω, P(Ω)).
Remarque : S'il y a équiprobabilité, l'univers Ω est nécéssairement ni. En eet, si Ω est

inni, on a
+∞
X +∞
X
P (Ω) = pi = α = 1,
i=1 i=1
avec α = pi . La série de terme général α converge, donc limi−→∞ α = 0.
Donc α = 0. Contradiction avec +∞ = 1. Par suite l'univers Ω est ni.
P
i=1 α
Proposition 1.10. S'il y a équiprobabilité, pour tout événement A, on a :

card(A) nb de cas f avorables
P (A) = =
card(Ω) nb de cas possibles
Preuve.
Dans un univers muni de l'équiprobabilité, de cardinal n, la probabilité d'un événement élé-
mentaire vaut n1 . En eet, posons α = pi . On a :
n
X n
X
1 = P (Ω) = pi = α = nα.
i=1 i=1
Donc α = n1 .
De plus, si A est un événement quelconque de P(Ω), on a :
X X 1 card(A)
P (A) = pi = = .
n n
i/ωi ∈A i/ωi ∈A
S'il y a équiprobabilité, le calcul de la probabilité d'un événement A se ramène donc à un

problème de dénombrement, il s'agit de calculer le nombre d'éléments de A et de Ω.
Exercice : Un sac contient deux boules blanches et trois boules noires. On tire une boule du
sac. Quelle est la probabilité qu'elle soit blache ?
On peut choisir deux modèles ; deux univers Ω1 , Ω2 peuvent modéliser le tirage aléatoire
précédent :
1) Ω1 = {B, N }, la probabilité P1 étant dénie par
2 3
P1 ({B}) = , P1 ({N }) =
5 5
P1 n'est pas une probabilité uniforme.
14
2) On choisit Ω2 = {B1 , B2 , N1 , N2 , N3 }. Chaque boule du sac a la même probabilité d'être
tirée. On considère sur Ω2 la probabilité uniforme, que l'on note P2 .
1
P2 ({B1 }) = P2 ({B2 }) = P2 ({N1 } = P2 ({N2 } = P2 ({N3 }) = .
5
Soit A l'événement "tirer une boule blanche". Et on a :
card(A) 2
P2 (A) = = .
card(Ω) 5
1.6.2 Eléments d'analyse combinatoire

Dans le cas où P est la probabilité uniforme, sur un ensemble ni Ω, pour déterminer
la probabilité d'un évènement A, il sut de calculer son cardinal. On est ainsi ramené à un
problème de dénombrement. On rappelle quelques notions élémentaires de dénombrement.
1- Les p-listes : Elles correspondent à un tirage successif et avec remise c'est à dire que
les répétitions sont possibles et que l'ordre est important.
2- les suites de p éléments distincts : Elles correspondent à un tirage successif et

sans remise, c'est à dire que les répétitions sont impossibles et que l'ordre est important.
3- Les permutations : Toute suite de n éléments distincts choisis parmi les n éléments
d'un ensemble E est appelé permutation de n éléments. Le nombre total de permuta-
tions d'un ensemble de n éléments (ou de bijections d'un ensemble à n éléments dans
un ensemble à n éléments) est n!. ( il est aussi égale àAnn : le nombre de façons de
choisir successivement et sans remise n éléments parmi n éléments).
An d'aborder les problèmes d'analyse combinatoire, rappelons les dénitions et les pro-
priétés des coecients Cnk et Akn .
Coecient Cnk :
Cnk est un entier naturel qui est déni par
n!
Cnk = , 0 ≤ k ≤ n, avec (0! = 1)
k!(n − k)!
Cnk possède une interprétation très utile en pratique : Cnk est le nombre de façons de choisir
simultanément k éléments parmi n éléments.
Cnk est aussi le nombre de parties à k éléments distincts, pris dans un ensemble à n éléments.
(Noter que l'ordre ne compte pas ).
On rappelle également la formule du binôme :
n
X
n
(x + y) = Ckn xk y n−k
k=0
En particulier on a
n
X
Ckn = 2n .
k=0
Coecient Akn :
Par dénition :
n!
Akn = , 1 ≤ k ≤ n.
(n − k)!
15
(Akn est le nombre de façons de choisir successivement et sans remise k éléments parmi n
éléments) (ou Akn est le nombre de d'injections de {1, 2, ..., k} dans {1, 2, ..., n}). Remarquer
qu'il n'y a pas de répétition et que l'ordre compte.
Nous sommes à présent en mesure de préciser les trois modèles de base qui interviennent
fréquemment en pratique.
1.6.3 Exemples fondamentaux

a. Modèle de tirage avec remise :
Un sac contient k boules diérentes que l'on suppose numérotées de 1 à k . On note
E = {1, 2, ..., k}.
On eectue n tirages avec remise (on remet la boule dans le sac après chaque tirage).
L'ensemble Ω des résultats possibles, est l'ensemble des n-listes, c'est-à-dire l'ensemble
des suites d'éléments de E de longueur n (une n-liste est un élément de E n ).
On note Ω = E × E × ... × E = E n .
Alors :
card(Ω) = (cardE n ) = k n .
En eet, pour former toutes les n-listes, on a k possibilités pour choisir le premier
élément, k pour le second, etc...
On met sur Ω la probabilité uniforme :
1
P ({ωi }) = .
kn
Exemple : On reprend l'exemple classique du jet d'un dé équilibré à six faces.
On suppose que le dé est jetté 3 fois.
Ici E = {1, 2, 3, ..., 6}. k = 6 et n = 3.
Ω l'ensemble des triplets ou 3-listes d'éléments de E .
Ainsi : (1, 2, 2) ∈ Ω, (5, 3, 1) ∈ Ω
La probabilité de chaque événement élémentaire est 613 = 216 1
.
En particulier
1
P ({(5, 3, 1)}) = P ({(1, 2, 2)}) = .
216
b. Modèle de tirage sans remise et sans ordre : Combinaison.
Un sac contient k boules diérentes numérotées de 1 à k . On tire en une seule fois m
boules du sac m ≤ k . On choisit pour Ω l'ensemble des parties à m éléments. On a
card(Ω) = Cnm . On prend sur Ω la probabilité uniforme :
1
P ({ω}) = .
Cnm
Exemple : On distribue 4 cartes parmi 32, quelle est la probabilité p d'avoir 4 gures
(valet, dame, roi) ?
Le nombre de résultats possibles est

4 32! 32 × 31 × 30 × 29
C32 = = = 71920.
4!28! 4×3×2
Il y a 12 gures, donc C124 = 990 choix possibles de quatre gures parmi 12. Puisque
l'on a choisi sur Ω la probabilité uniforme

4
C12
p= 4 = 0, 014.
C32
16
c. Modèle de tirage sans remise et avec ordre : Arrangements
On choisit le même sac que précédemment et on tire une à une, sans les remettre, m
boules d'un sac contenant initialement k boules avec m ≤ k .
Les résultats possibles sont les suites de m éléments de {1, 2, ..., k}, deux à deux dis-
tincts.
Ainsi si k = 4 et m = 2.,
Ω = {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4), (3, 1), (3, 2), (3, 4), (4, 1), (4, 2), (4, 3)}
Pour compter le nombre des suites, on remarque que l'on a k possibilités pour choisir
le premier élément, cet élément étant donné, le deuxième doit être distinct du premier,
il ne reste que (k − 1) possibilités , etc,...
On a ainsi
k!
card(Ω) = k(k − 1)(k − 2)...(k − m + 1) = = Am
k .
(k − m)!
Exercice : Un sac contient 2 V et 3 B. On eectue 2 tirages sans remise.

Donner Ω, calculer la probabilité d'avoir 2 vertes exactement, 2 blanches exactement,
1 V et 1 B.
On pose E = {V1 , V2 , B1 , B2 , B3 }. Ω est l'ensemble des suites de deux éléments de E
deux à deux disjoints.
On écrit :
Ω = {(V1 , V2 ), (V1 , B1 ), (V1 , B2 ), (V1 , B3 ), (V2 , V1 ), ...}
On a card(Ω) = A25 = 20.
card(A) A22 2 1
P(A) = card(Ω) = 20 = 20 = 10 .
card(B) A23 6 3
P(B) = card(Ω) = 20 = 20 = 10 .
card(C) 12
P(C) = card(Ω) = 20 = 53 ,
card(C) = 2 × 3 × 2 = 12.
Exercice :
On considère une classe de n éléves. On suppose que toutes les années ont 365 jours (i.e.
il n'y a pas d'année bissextile).
1. Quelle est la probabilité, pn , pour que deux éléves au moins aient la même date d'an-
niversaire ? Trouver p40 .
2. Quelle est la probabilité, qn , pour qu'au moins un éléve ait la même date d'anniversaire
que Ilyas ? Calculer q40
17
1.7 Résumé du premier chapitre
1. Phénom
'ene aléatoire : Tout phénomène dans lequel intervient le hasad est dit aléatoire ou
stochastique. En revanche, si l'on est certain de l'évolution du phénomène, on parle de
phénomène déterministe.
2. L'univers Ω : Il peut être soit

a) ni : Ω = {x1 , ..., xk } (ex. Ω = {1, 2, 3})
b) inni dénombrable : Ω = {x1 , ..., xk , ...} (ex. Ω = N).
3) inni non dénombrable : (ex. Ω = R, [0, ∞[, [a, b], ...).
Mathématiquement, l'univers est un ensemble quelconque. Intuitivement, c'est l'en-
semble des issues possibles d'une expérience aléatoire.
3. La probabilité P : C'est une fonction dénie sur les sous-ensembles

P∞ de Ω, à valeurs
dans [0, 1] et qui vérie en outre P (Ω) = 1 et P (∪∞ A
i=0 i ) = i=0 P (A i si les Ai sont
)
disjoints deux à deux.
A l'aide de ces trois axiomes, on démontre d'autres formules. Les plus utiles à retenir
sont :
P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

et
P (A) = 1 − P (A).
18
1.8 Exercices
Exercice 1. Trois boules sont tirées d'un sac contenant des boules blanches et des boules
rouges. Soient les événements :
A= la première boule est blanche "

B= la deuxième boule est blanche "
C= la troisième boule est blanche".
Exprimer les événements suivants en terme de A , B et C :
D= toutes les boules sont blanches ",

E= les deux premières sont blanches",
F= au moins une est blanche",
G= une boule au plus est blanche",
H= toutes les boules sont rouges"
K= seulement la troisième est blanche".
Exercice 2. Soit Ω un ensemble.

1) Décrire P(Ω) si Ω = {1, 2, 3}
2) Calculer le cardinal de P(Ω) quand Ω est un ensemble ni (resp. inni).
Soit n et k deux entiers non nuls tels que k < n.
3) Montrer que Cnk = Cnn−k .
4) Montrer que Cnk = Cn−1 k−1 k .
+ Cn−1
5) Etablir l'identité suivante :
n
X
(1 − x)n = (−1)k Cnk xk .
k=0
Exercice 3.
On lance 3 dés équilibrés. Quelle est la probabilité d'obtenir :
1) A = une fois 1, une fois 2, une fois 3",
2) B = trois fois 1",
3) C= une fois 1 et deux fois 5".
Exercice 4.
On lance 2 dés équilibrés, l'un après l'autre, et on considère les événements suivants :
A = le premier dé donne un résultat pair"
B = le deuxième dé donne un résultat impair"
C = les deux dés donnent des résultats de même parité".
1) Calculer P (A ∩ B ∩ C) et P (A).P (B).P (C).
2) Calculer P (A ∩ B) et P (A).P (B).
Exercice 5. Dans un aquarium, il y a cinq poissons rouges trois poissons noirs et deux
poissons argentés. On pêche au hasard trois poissons. Calculer la probabilité des événements
suivants :
19
A = les trois poissons pêchés sont de la même couleur",
B = les trois poissons pêchés sont de trois couleurs diérentes",
C= les trois poissons pêchés sont de deux couleurs exactement".
Exercice 6. Soit (Ω, B) un espace probabilisable ( B est l'ensemble des événements). p1 , p2 , ..., pn
n
sont n probabilités sur (Ω, B). λ1 , λ2 , ..., λn sont n réels positifs tels que = 1. On pose
P
i=1 λi
n
X
P = λi pi .
i=1
Montrer que P est une probabilité sur (Ω, B)
Exercice 7.
Soit f l'application de R dans R dénie par f (x) = x
3 .
(1+x2 ) 2
Ω = {a, b, c}. Soit F une primitive de f sur R. ( F existe car f est continue).
α et β deux réels tels que 0 < α < β .
On considère l'application P de P(Ω) dans R dénie par :
 Rα Rβ

 P {a} = 0 f (x)dx, P {b} = α f (x)dx, P {c} = 1 − F (β)
P {a, b} = P {a} + P {b}




P {a, c} = P {a} + P {c}


 P {b, c} = P {b} + P {c}
P (Ω) = P {a} + P {b} + P {c}





P (∅) = 0
Déterminer F pour que P soit une probabilité sur (Ω, P(Ω))
Exercice 8. Un jeu de toto foot consiste à prévoir les résultats de dix équipes de football en
inscrivant les prévisions sur une feuille réponse. Pour chaque match trois résultats sont pos-
sibles : victoire d'une équipe, victoire de l'autre équipe, match nul. combien de chances a-t-on
de gagner si on a joué, d'abord une feuille et puis deus feuilles ?
Exercice 9. On fait remplir un questionnaire à 20 questions binaires. Quelle est la probabi-

lité qu'un candidat répondant au hasard obtienne au moins 16 bonnes réponses ?
Exercice 10.
Soit (Ω, A) un espace probabilisable et A un événement. On appelle fonction indicatrice de
l'événement A et on note IA la fonction dénie sur Ω à valeurs dans {0, 1} dénie par :

1 si ω ∈ A
IA (ω) =
0 si ω ∈/A
Soit B ∈ A. Montrer que :

1. IA = IB si, et seulement si, A = B.
2. IAc = 1 − IA .
3. IA∩B = IA IB .
4. IA∪B = IA + IB − IA IB .
5. Soit A1 ,..., An des sous ensembes du même Ω, deux à deux disjoints, montrer que
n
X
I∪ni=1 Ai = IAi .
i=1
20
6. Montrer que si A ⊆ B , IA ≤ IB .
Exercice 11. Soit (An ) une suite d'événements. On pose
\ [ [ \
lim sup An = ( Am ) et lim inf An = ( Am ).
n n
n m≥n n m≥n
1) Interpréter lim supn An et lim inf n An . Montrer que lim inf n An ⊆ lim supn An .
2) Montrer la propriété suivante :
X
Si P (An ) < +∞, alors P (lim sup An ) = 0.
n
n≥0
Exercice 12.
Soit Γ = {B1 , ..., BN } une partition de Ω. On appelle tribu engendée par Γ et on note BΓ
la plus petite tribu contenant les éléments de Γ. Les Bn sont les informations élémentaires
qu'il est possible d'obtenir sur Ω.
1) Montrer que BΓ est constituée de ∅ , Ω et de toutes les réunions d'éléments de Γ.
2) Montrer que si F1 et F2 sont deux tribus sur Ω, alors il en est de même de F = F1 ∩ F2 .
3) En déduire que si H est une famille quelconque de parties de Ω, il existe une σ−algèbre
contenant H et qui est contenue dans toutes les tribus contenant H (ce qui revient à dire qu'il
existe une plus petite σ−algèbre contenant H notée σ(H)).
4) Soit d ∈ N∗ . On appelle tribu borélienne sur Rd la tribu engendrée par la famille O des
ensembles ouverts de Rd . On la notera B(Rd ). Ainsi B(Rd ) = σ(O). Montrer que :
σ(O) = σ(F),
où σ(F) est la tribu engendrée par les ensembles fermés de Rd .
Exercice 13.
Une urne contient trois sacs. Le sacs S1 contient 2 pièces d'or, le sac S2 contient 2 pièces
ordinaires et le sac S3 contient une pièce ordinaire et une pièce d'or. Le jeu consiste à tirer
un sac au hasard (avec une probabilité uniforme) puis à tirer une pièce au hasard dans ce sac.
1. Quelle est la probabilité de tirer une pièce d'or ?
2. Supposons que l'on ait tiré une pièce d'or. Quelle est la probabilité pour que l'autre soit
en or ?
21
Chapitre 2
Probabilités conditionnelles et
indépendance
2.1 Introduction
Il s'agit de dénir la façon dont les probabilités aectées aux événements sont susceptibles
d'être modiées par l'arrivée d'informations nouvelles. Une information est ici une arma-
tion du type 00 l'événement A est réalisé 00 ou 00 l'événement B est réalisé 00 .
Exemple :
On lance une fois un dé cubique parfait dont les faces sont numérotées de 1 à 6.
Soit A l'événement : 00 on obtient un nombre inférieur ou égal à 5 00
et B l'événement : 00 on obtient un nombre supérieur ou égal à 3 00 .
Supposons que l'on sache que A est réalisé.
Le résultat du lancer est donc un élément de {1, 2, 3, 4, 5} et il y a 5 cas possibles.
B est réalisé si, et seulement si, ω ∈ {3, 4, 5}. Il y a donc 3 cas favorables pour que B soit
réalisé.
La probabilité que B soit réalisé sachant A l'est est 35 .
Or, on a P (A) = 56 et P (A ∩ B) = 36 , donc
3 P (A ∩ B)
= .
5 P (A)
2.2 Probabilité conditionnelle

Dénition 2.1. Soit (Ω, A, P ) un espace de probabilité et soit A un événement de probabilité
non nulle. Pour tout événement B ∈ A, on appelle probabilité conditionnelle de B sachant A
la quantité, notée P (B/A) et dénie par :
P (A ∩ B)
PA (B) = P (B/A) = .
P (A)
Remarques :
1. La Probabilité conditionnelle est une vraie probabilité. Pour cela, montrons que PA est
une application de A dans [0, 1] telle que pour toute suite (Bn )n∈N d'éléments 2 à 2
0. La probabilité conditionnelle permet de prendre en compte l'information dont on dispose (à savoir qu'un
événement A est réalisé) pour actualiser la probabilité que l'on donne à un événement B.
22
disjoints de A on a : X
PA (∪n∈N Bn ) = PA (Bn ).
n∈N
• On a A ∩ B ∈ A donc P (A ∩ B) existe et on a aussi A ∩ B ⊂ A donc PA (B) ∈ [0, 1].

• Soit (Bn )n∈N une suite d'éléments 2 à 2 disjoints. On a :
∞
P (A ∩ (∪n≥0 Bn )) P (∪n≥0 (A ∩ Bn ) X P (A ∩ Bn )
PA (∪∞
n=0 Bn ) = = = .
P (A) P (A) P (A)
n=0
2. Si A, B ∈ A sont tels que P (A) > 0 et P (B) > 0, on a la propriété évidente mais très
utile suivante :
P (A ∩ B) = PB (A)P (B) = PA (B)P (A).
Théorème 2.2. (Formule des probabilités composées)

Soit (Ai )1≤i≤n une famille d'événements telle que P (A1 ∩ A2 ∩ ... ∩ An−1 ) 6= 0. Alors,
P (∩ni=1 Ai ) = P (A1 )PA1 (A2 )...PA1 ∩A2 ∩...∩An−1 (An ).
Preuve.
Voir TD.
Remaraque : Toutes les probabilités écrites ont un sens car :

∀j ∈ {1, 2, ..., n − 1} A1 ∩ A2 ∩ ... ∩ An−1 ⊂ A1 ∩ A2 ∩ ... ∩ Aj .
Donc
P (A1 ∩ A2 ∩ ... ∩ Aj ) ≥ P (A1 ∩ A2 ∩ ... ∩ An−1 ) > 0.
Exemple : Un sac contient 3 boules blanches et 7 noires. On tire successivement 3 boules
sans remise. Quelle est la probabilité d'obtenir les trois boules blanches ?
Soit Bk (resp. Nk ) l'événement 00 le k ieme tirage donne une boule blanche 00 (resp. noire).
Soit A l'événement 00 on obtient 3 boules blanches 00 .
A = B1 ∩ B2 ∩ B3 .
D'après la formule des probabilités composées, on a :
P (A) = P (B1 )PB1 (B2 )PB1 ∩B2 (B3 ).

Puisque le sac contient 10 boules dont 3 blanches, on a :
3
P (B1 ) = .
10
À l'issue du premier tirage, le sac contient 9 boules et si la première boule tirée est blanche, il
ne reste que 2 boules blanches donc,
2
PB1 (B2 ) = .
9
23
À l'issue du deuxième tirage, le sac contient 8 boules et si les deux boules tirées sont blanches,
il ne reste que 1 boule blanche donc,
1
PB1 ∩B2 (B3 ) = .
8
Finalement,
3 2 1 1
P (A) = × × = .
10 9 8 720
Dénition 2.3. Une suite nie ou non (Bn )n∈I⊆N d'événements de Ω est appelée une
partition de Ω si les Bn sont deux à deux disjoints et si leur réunion est égale à Ω.
On a alors le théorème :
Théorème 2.4. (Principe des probabilités totales)

Soit (Ω, A, P ) un espace probabilisé, soit (Bn )n∈I⊆N une partition telle que P (Bn ) > 0 pour
tout n ∈ I et soit A ∈ A.
On a : X
P (A) = PBn (A)P (Bn ).
n∈I
Preuve.
P (A) = P (A ∩ Ω) = P (A ∩ ∪n∈I Bn )
=PP(∪n∈I (A ∩ Bn )) P
= n∈I P (A ∩ Bn ) = n∈I PBn (A)P (Bn ).
Remarque : Quand n = 2, on obtient en particulier :

P (A) = PB (A)P (B) + PB c (A)P (B c ).
Exemple On eectue des tirages sans remise dans un sac contenant 3 boules blanches et 7
boules noires.
Quelle est la probabilité d'obtenir une boule noire au deuxième tirage ?
Le premier tirage a donné soit une boule blanche soit une boule noire, donc :
P (N2 ) = P (B1 )PB1 (N2 ) + P (N1 )PN1 (N2 )
On a
3 7
P (B1 ) = , et P (N1 ) = .
10 10
À l'issue du premier tirage, le sac ne contient que 9 boules dont 7 noires si B1 a été réalisé
et 6 boules noires si c'est N1 qui a été réalisé. Donc :
7 6
PB1 (N2 ) = et PN1 (N2 ) =
9 9
D'où :
3 7 7 6 7
P (N2 ) = × + × = .
10 9 10 9 10
24
Théorème 2.5. (Formule de Bayes) Soit (Ω, A, P ) un espace probabilisé, soit (Bk )nk=1 une
partition de Ω telle que P (Bk ) > 0, pour tout k ∈ {1, ..., n} :
PB (A)P (Bk )
PA (Bk ) = P k
n PBn (A)P (Bn )
Preuve. On a :
X
PBk (A)P (Bk ) = PA (Bk )P (A) = PA (Bk ) PBn (A)P (Bn ).
Interprétation : Soient (Bk )nk=1 une partition de Ω.

A chacun des événements (Bk ) correspond une information initiale qui permet d'évaluer a
priori (en partant de ce qui précéde) les probabilités P (B1 ), P (B2 ),...,P (Bn ).
Soit A un événement quelconque pour lequel on connaît a priori les probabilités conditionnelles
PB1 (A), PB2 (A),..., PBn (A).
Le théorème de Bayes permet de calculer les probabilités conditionnelles a posteriori( en
partant de ce qui vient) PA (Bk ) à partir des probabilités a priori les P (Bk ) et les PBk (A).
Exemple : Reprenons l'exemple précédent et eectuons deux tirages. Le second tirage ayant
donné une boule blanche, quelle est la probabilité que la première boule tirée ait été blanche ?
Cherchons PB2 (B1 ) :
2 ∩B1 )
PB2 (B1 ) = P (BP (B2 )
P (B1 )PB1 (B2 )
= P (B1 )PB1 (B2 )+P (N1 )PN1 (B2 )
3
× 29
= 3
10
× + 7 ×3
2 = 29 .
10 9 10 9
♣ Exercice : Une entreprise utilise trois machines diérentes A, B, et C pour fabriquer des
pièces. 40% sont fabriquées par A, 30% par B et 30% par C . La machine A produit 2% de
pièces défectueuses, B 4% et C 5%.
1. On prélève une pièce au hasard. Quelle est la probabilité qu'elle soit défectueuse ?
2. On prélève une pièce. Elle est défectueuse. Quelle est la probabilité qu'elle vienne de
A?
3. On prélève une pièce. Elle est saine. Quelle est la probabilité qu'elle vienne de C ?
Solution :
Soit A : "être fabriqué par A", B : " être fabriqué par B ",...
D : " être défectueuse" et D : "saine".
On a
P (A) = 0.4, P (B) = 0.3, P (C) = 0.3.
A, B et C sont tels que A ∩ B = A ∩ C = B ∩ C = ∅ et A ∪ B ∪ C = Ω.
1) En applicant la formule des probabilités totales on a :
P (D) = PA (D)P (A) + PB (D)P (B) + PC (D)P (C)
= 0.02 × 0.4 + 0.04 × 0.3 + 0.05 × 0.3 =
2) D'après le théorème de Bayes,
PA (D)P (A) 0.02 × 0.4
PD (A) = = .
P (D) P (D)
3)
PC (D)P (C) 0.95 × 0.3
PD (C) = = .
P (D) 1 − P (D)
25
2.3 Indépendance d'événements et de sous-tribus.
2.3.1 Indépendance d'événements
Parfois, A et B sont tels que PB (A) = P (A). Autrement dit le fait de savoir que B est réalisé
ne donne aucune information supplémentaire sur le fait de savoir que A l'est. Cela conduit à
la :
Dénition 2.6. Soit (Ω, A, P ) un espace probabilisé.

1. Deux événements A et B sont dits indépendants si :
P (A ∩ B) = P (A)P (B).
2. Une suite (Ai )i∈{1,2,...,n} d'événements est dite mutuellement indépendante si, pour
toute partie non vide I ⊂ {1, 2, ..., n}, on a
Y
P (∩i∈I Ai ) = P (Ai )
i∈I
3. Une suite (Ai ) d'événements est dite indépendante deux à deux si, on a
P (Ai ∩ Aj ) = P (Ai )P (Aj ), ∀i 6= j.
Remarques :
1. L'indépendance mutuelle implique évidemment l'indépendance deux à deux. Mais at-

tention, si n ≥ 3, la réciproque est fausse.
Exemple : Soit Ω = {1, 2, 3, 4} avec P ({1}) = P ({2}) = P ({3}) = P ({4}) = 14 .
Les événements A = {1, 2}, B = {1, 3} et C = {1, 4} sont deux à deux indépendants
(On a : P (A ∩ B) = P (A)P (B) = 41 , P (A ∩ C) = P (A)P (C) = 14 et P (C ∩ B) =
P (C)P (B) = 14 ).
Mais pas mutuellement indépendants ( P (A ∩ B ∩ C) = 41 6= 18 = P (A)P (B)P (C)).
2. La notion d'indépendance dépend de la probabilité considérée. On peut imaginer un

espace mesurable (Ω, A), sur lequel existent deux probabilités P et Q telles que les
événements A et B soient indépendants sous P et pas sous Q. (Voir série d'exercice
no 2).
♠ Attention : Ne confondez pas événements indépendants et événements disjoints ! ! Par
exemple, A et Ac sont disjoints et ne sont pas indépendants : si on sait que A est réalisé, on
est sûr que Ac n'est pas réalisé.
P (A ∩ Ac ) = P (∅) = 0.
Et
P (A)P (Ac ) = P (A)(1 − P (A)) 6= 0 en général.
♣ Exercice Soit A et B deux événements. Montrer que si A et B sont indépendants, alors
Ac et B (resp. A et B c , Ac et B c ) sont indépendants.
26
2.3.2 Indépendance de sous-tribus
Dénition 2.7. Deux sous tribus G et G 0 de A sont indépendantes si
∀A ∈ G, ∀A0 ∈ G 0 , P (A ∩ A0 ) = P (A)P (A0 ).
i.e. tout événement de G est indépendant de tout événement de la tribu G 0 .

Exemple : Soit Ω = {ω1 , ω2 , ω3 , ω4 }, et A = P(Ω)
On pose :
G = {∅, Ω, {ω1 , ω2 }, {ω3 , ω4 }},
et
G 0 = {∅, Ω, {ω1 , ω3 }, {ω2 , ω4 }}.
Alors G et G 0 sont deux sous tribus de A indépendantes.
♣ Exercice : Si deux tribus A1 et A2 sur (Ω, A, P ) sont indépendantes et ayant un élément
commun A, on a :
P (A) = 0 ou 1.
On a :
P (A ∩ A) = P (A)2 = P (A).
D'où
P (A) = 0 ou 1.
2.4 Application : Apparition d'un pile dans un schéma de Ber-

noulli
On considère une suite innie de lancers de pile ou face indépendants ; on suppose qu'à
chaque lancer on a une probabilité p ∈]0, 1[ d'obtenir pile. Montrer qu'avec probabilité 1, pile
va apparaitre dans la suite de lancers.
On note An l'événement 00 pile apparait au n-ième lancer 00 . On sait par les hypothèses que
les (An )n∈N∗ sont indépendants et que P (An ) = p > 0 pour tout n.
On note A l'événement 00 pile apparait au mois une fois 00 . Alors
Ac = ∩n≥1 Acn
et donc, pour tout N ∈ N∗ ,

N
Y
P (Ac ) ≤ P (∩N c
n=1 An ) = P (Acn ) = (1 − p)N
n=1
qui tend vers 0 quand N tend vers l'inni.

Donc,
P (Ac ) = 0.
Par suite,
P (A) = 1.
27
2.4.1 Conclusion
La probabilité d'un événement peut être considérée comme une caractéristique de notre
information à son sujet que l'on modie dès que cette information est complétée. Toute pro-
babilité est donc conditionnelle et dépend de notre connaissance des objets en cause.
Nous devons nous souvenir que la probabilité d'un événement n'est pas une qualité de
l'événement lui-même mais un simple mot pour désigner le degré de connaissance que nous,
ou quelqu'un d'autre, peut espérer. J. Stuart Mill (1806-1873)
Cette démarche bayésienne est une des approches possibles de la probabilité ; elle peut servir
au diagnostic médical, à la théorie de la décision...
28
2.5 Résumé du deuxième chapitre
1. Ce qui concerne les probabilités conditionnelles
Probabilité sachant B : si PB (A) = P P(A∩B)
(B) .
Partition de Ω : (B1 , B2 , ..., Bn ) est une partition de Ω si
Ω = ∪ni=1 Bi
et si Bi ∩ Bj = ∅ chaque fois que i 6= j (càd que les Bi sont deux à deux disjoints).
Principe des probabilités totales : si (B1 , B2 , ..., Bn ) est une partition de Ω telle
que P (Bi ) > 0 pour tout i, on a :
n
X
P (A) = PBi (A)P (Bi ).
i=1
Formule de Bayes : si (B1 , B2 , ..., Bn ) est une partition de Ω telle que P (Bi ) > 0
pour tout i, on a :
PBk P (Bk )
PA (Bk ) = Pn .
i=1 PBi (A)P (Bi )
2. Ce qui concerne l'indépendance
Dans un espace probabilisé (Ω, A, P ), deux événements A et B sont indépendants si :
P (A ∩ B) = P (A)P (B).
L'indépendance de deux événements dépend de la probabilité choisie.

Généralisation Des événements (Ai )i∈I sont mutuellement indépendants si, pour
toute partie J ⊂ I , on a Y
P (∩i∈J Ai ) = P (Ai ).
i∈J
Cette notion est plus forte que l'indépendance deux à deux. Par exemple, il peut arriver
que trois événements A, B et C soient deux à deux indépendants, mais ne vérient
pas la condition supplémentaire P (A ∩ B ∩ C) = P (A)P (B)P (C) pour l'indépendance
mutuelle.
29
2.6 Exercices
Exercice 1. (Formule du crible de Poincaré )
(Ω, P(Ω), P ) est un espace de probabilité. A1 , A2 ,...An sont n événements.

Montrer , par récurrence, que :
n
[ n
X X n
\
P( Ai ) = P (Ai ) + ... + (−1)k+1 P (Ai1 ∩ ... ∩ Aik ) + ... + (−1)n+1 P ( Ai ).
i=1 i=1 1≤i1 <...<ik ≤n i=1
Application : (Problème des chapeaux).

Cinq personnes ont accroché leur chapeau au porte-chapeau en entrant au restaurant. Après
le repas, elles récupèrent leur chapeau au hasard. On convient de numéroter les personnes de
1 à 5.
Pour i ∈ |[1, 5]|, on note Ai l'événement : la personne numéro i repart avec son chapeau, et
A l'événement Aucune personne ne repart avec son chapeau.
1. Quel univers peut-on associer à cette expérience aléatoire ?
2. Calculer les probabilités P (Ai ) et P (Ai ∩ Aj ), pour i 6= j .
3. Calculer P (A).
Exercice 2.
Dans une usine on dispose de 3 machines A, B , C fabriquant des pièces mécaniques d'un type
déterminé. La machine A assure 25% de la production, la machine B assure 35% et C en
assure 40%.
5% des pièces fabriquées à l'aide de la machine A sont défectueuses. Les pourcentages sont
respectivement égaux à 4% et 2% pour les machines B et C .
1) On tire une pièce au hasard quelle est la probabilité qu'elle soit défectueuse ?
2) On tire une pièce d'un lot constitué de pièces fabriquées, dans les proportion indéquées, par
les machines A, B et C . On constate que cette pièce est défectueuse. Calculer la probabilité
qu'elle ait été fabriquée :
- par la machine A
- par la machine B
3) On tire une pièce au hasard. Elle est saine. Quelle est la probabilité qu'elle vienne de C .
Exercice 3.
Un test sanguin a une probabilité de 0.95 de détecter un certain virus lorsque celui ci est
eectivement présent. Il donne néanmoins un faux résultat positif pour 1% des personnes non
infectées. Notons V = {la personne testée a le virus}, T = {la personne testée a un test
positif}.
1. Si 0.5% de la population est porteuse du virus, quelle est la probabilité qu'une personne
ait le virus sachant qu'elle a un test positif ?
2. Interpréter le résultat.
Exercice 4.
1. Soit n ≥ 2, Etablir que, si (A1 , ..., An ) est une suite d'événements telle que P ( ni=1 Ai ) >
T
0, alors
n
\ Yn
P ( Ai ) = P (A1 ) P∩i−1 Ak (Ai ).
k=1
i=1 i=2
30
(Indication : On pourra raisonner par rucurrence sur n).
Exercice 5.
Un sac contient initialement une boule blanche et une boule noire. On réalise indéni-
ment l'expérience suivante : on tire une boule, on regarde sa couleur, on la remet dans
le sac et on rajoute une nouvelle boule de la même couleur que celle obtenue.
Notons X le nombre de tirage(s) nécessaire(s) avant d'obtenir une boule noire, avec la
convention X = 0 si on ne tire jamais de boule noire.
Notons Bi l'événement On obtient une boule blanche au ieme tirage.
a. Montrer que {X = 1} = B1c et que {X = n} = B1 ∩B2 ∩...∩Bn−1 ∩Bnc pour n ≥ 2.
b. Que vaut la probabilité de Bnc sachant B1 ∩ B2 ∩ ... ∩ Bn−1 ?
c. Calculer, pour i ∈ {2, ..., n − 1}, la probabilité de Bi sachant B1 ∩ B2 ∩ ... ∩ Bi−1 .
d. À l'aide de la question 1) (en choisissant Ai = Bi si i < n et An = Bnc ),

montrer que P (X = n) = n(n+1)
1
Qn−1 i 2×3×...×(n−1)
(On remarquera que i=2 i+1 = 3×...×(n−1)×n = n2 )
e. En remarquant que n(n+1)
1
= n1 − n+1
1
, montrer que
+∞
X
(X = n) = 1.
n=1
f. Que vaut P (X = 0) ? Interpréter le résultat.

Exercice 6.
1) Soient A et B deux événements. Montrer que si A et B sont indépendants, alors Ac et B
(resp. A et B c , Ac et B c ) sont indépendants.
2) Pour montrer que l'indépendance n'est pas une propriété intrinsèque des événements et qu
'elle dépend de la probabilité considérer, on choisit Ω = {1, 2, 3, 4, 5, 6} muni de la tribu P(Ω).
Soit P1 et P2 les probabilités dénies sur (Ω, P(Ω)) par :
i 1 2 3 4 5 6 i 1 2 3 4 5 6
et
P1 ({i}) 16 16 13 19 19 19 P2 ({i}) 16 16 16 16 16 16
On pose A = {1, 2} et B = {2, 3}.

1) Pour i=1, 2, calculer Pi (A), Pi (B) et Pi (A B).
T
2) Conclure.
Exercice 7.
Pour juger de l'écacité d'une compagne publicitaire ayant porté sur un produit, on a sondé
1500 personne ; 1000 dans la région du Nord et 500 dans la région du sud. Les résultats sont :
Région C. p. et le consomment C.p. ne le consomment pas Ne connaissent pas le produit

Nord 80 150 770
Sud 50 130 320
Calculer les probabilités suivantes :

1. Probabilité de connaître le produit.
2. Probabilité de connaître le produit et le consommer.
31
3. Probabilité de connaître le produit et ne pas le consommer.
4. Probabilité d'être du nord.
5. Quelle est la probabilité pour qu'une personne qui connaisse le produit soit consomma-
trice de ce produit ?
6. Quelle est la probabilité pour qu'une personne prise au hasard du sud ne connaisssent
pas le produit ?
Exercice 8.
Un avion de guerre passe au-dessus de trois batteries antiaériennes. Chaque batterie a une
chance sur trois d'abattre l'avion. Quelle est la probabilité que l'avion soit abattu ?
Exercice 9.
Une usine s'adresse à deux fournisseurs A et B pour l'approvisionnement d'un composant
électronique. Le contrôle de conformité eéctué sur un échantillon aléatoire de composants
électroniques a donné la répartition suivante des pourcentages de défauts :
Fournisseur\ Répartition du nb de défauts 0 défauts 1 défauts 2 défauts
A 60 % 35% 5%
B 65% 25% 10%
Sachant que 70% des composants sont achetés à A et 30% à B .

1) Calculer la probabilité pour qu'un composant ne présente aucun défaut.
2) Calculer la probabilité pour qu'un composant tiré aªéatoirement et ne présente aucun dédaut
provient de B .
Exercice 10.
Dans cet exercice on étudie une maladie rare qui atteint, disons 1 individu sur 1000 ( par
exemple la maladie de la vache foulle). On met au point un test pour détecter si un individu
est infecté par la maladie. Lorsqu'un individu est malade, le test a une prbabilité de 0.99 de
se révéler positif. Si un individu n'est pas porteur de la maladie, le test a une probabilité 0.98
de l'identier comme tel.
On teste un individu est le rérultat est positif.
1) Quelle est la probabilité que l'individu ainsi testé soit eectivement infecté ?
2) Déduire que si on applique un tel test pour dépister la maladie de la vache foulle et qu'on
abat les vaches testées positives, on va déclencher un massacre inutile.
Exercice 11.
On considère n menteurs I1 ,..., In . I1 reçoit une information sous la forme de oui ou
non, la transmet à I2 , et ainsi de suite jusqu'à In et In l'annonce au monde. Chacun d'eux
transmet ce qu'il a entendu avec la probabilité p ∈]0, 1[, le contraire avec la probabilité 1 − p.
Les réponses des n personnes sont indépendantes.
On note Ak = “Ik transmet l'information initiale, Bk = “Ik transmet ce qu'il a entendu et
pk = P (Ak ).
1. a. Montrer que, pour tout k = 2, ..., n , Ak = (Ak−1 ∩ Bk ) ∪ (Ack−1 ∩ Bkc )
1. b. En déduire que, pour tout k = 2, ..., n, pk = 1 − p + (2p − 1)pk−1 .
2. Montrer que la suite (uk ) dénie par uk = pk − 12 est géométrique1 de raison 2p − 1.
En déduire une formule explicite pour un puis pour pn .
3. Quelle est la limite de pn quand n −→ ∞ ? interpréter le résultat.
1. Rappel : Une suite (xk ) est géométrique de raison q si, pour tout k ∈ N, xk+1 − qxk = 0. Dans ce cas,
32
on a la formule explicite xn = x0 q n valable pour tout n ∈ N.
33
Chapitre 3
Les variables aléatoires
3.1 Introduction
Soit Ω l'univers associe à une expérience aléatoire. Il est parfois intéressant d'associer à
chaque ω un nombre réel, par exemple la somme des points obtenus lorsqu'on jette deux dés.
On est donc amené à étudier des applications de Ω dans R qui sont sous certaines conditions
appelées variables aléatoires réelles.
3.2 Variables aléatoires

Dénition 3.1. Soit (Ω, A) et (E, B) deux espaces probabilisables. On appelle variable
aléatoire toute application X de Ω dans E telle que :
∀B ∈ B, X −1 (B) ∈ A
avec
X −1 (B) = {ω ∈ Ω/X(ω) ∈ B}.
On dit aussi que X est une application (A, B)−mesurable.
Remarque 3.1. si E = R est une v. a. ssi
X −1 (B) ∈ A ∀B ∈ BR .
Exemple :
1. Si A = P(Ω) ou B = {∅, E}, alors toute application : X : Ω −→ E est une v.a.
2. Fonction indicatrice d'un événement. Soit (Ω, A) un espace mesurable et A un élément
de A. On dénit la fonction indicatrice de A, notée 1A :

1 si ω ∈ A,
∀ω ∈ Ω, 1A (ω) =
0 sinon
alors 1A est une v. a. de (Ω, A) dans ({0, 1}, P({0, 1})).
3. Toute application continue de (R, BR ) est une v. a.
♣ Exercice : On lance deux dés équilibrés et on note X la somme des deux résultats. Décrire
un espace de probabilité correspondant à cette expérience aléatoire et dénir précisément X .
34
Remarque 3.2. La raison pour laquelle on introduit ce concept de v. a. est que les éléments de
l'univers peuvent être n'importe quoi, par exemple une couleur ou encore une marque d'objet,
etc. Comme on préfère travailler avec des nombres réelles, on transforme (ou besoin) chaque
ω en un nombre réel x = X(ω).
3.3 Probabilité image et loi d'une variable aléatoire

Proposition 3.2. Soit (Ω, A, P ) un espace probabilisé, (E, B) un espace probabilisable et
X : Ω −→ E une v.a. A toute élément B de B , on peut associer le nombre
P (X −1 (B)) = P ({ω ∈ Ω/ X(ω) ∈ B}) = P (X ∈ B)
et l'application
PX : B −→ [0, 1]
B 7−→ PX (B) = P (X −1 (B)) = P (X ∈ B)
dénit une probabilité sur (E, B), appelée loi de X ou loi image de P par la variable
aléatoire X .
Preuve. Vérions les trois axiomes des probabilités :
i) Il est clair que PX est à valeur dans [0, 1].
ii) PX (E) = P (X −1 (E)) = P (Ω) = 1.
iii) Si (Bi )i∈N est une suite d'événements deux à deux disjoints, on a :
PX (∪∞
i=1 Ai ) = P (X
−1 (∪∞ A ))
i=1 i
=P (∪∞ X −1 (A )) (car X −1 (∪∞ A ) = ∪∞ X −1 (A ))
P i=1 i i=1 i i=1 i
= Pi∈N P (X −1 (Ai ) (car Les (X −1 (Ai )i∈N sont 2 à 2 disjoints)
= i∈N PX (Ai ).
Remarque 3.3. Une v. a. permet de transporter la probabilité P sur Ω en une probabilité PX

sur l'ensemble des valeurs prises par X .
♠ Attention : Ne pas confondre la variable aléatoire avec sa loi. Considérons un dé bleu

et un dé rouge, et notons Xb , respectivement Xr , le résultat du lancer du bleu, respectivement
rouge. Alors P (Xb 6= Xr ) > 0 ( En eet ;
6
[ 6 1
P (Xb = Xr ) = P ( (Xb , Xr ) = (k, k)) = = .
36 6
k=1
Donc P (Xb 6= Xr ) = 56 ). Donc les variables aléatoires Xb et Xr sont diérentes ; par contre,
elles ont la même loi.
Exemple :
On tire, avec remise à chaque fois, deux boules d'un sac contenant 3 boules numérotées de 1
à 3.
Soit X la v.a. : Somme des points obtenus. On a :
Ω = {1, 2, 3}2 et card(Ω) = 32 = 9. On a aussi :
X(Ω) = {2, 3, 4, 5, 6}.
35
D'où :
{X = 2} = {(1, 1)}, P (X = 2) = 91 .
{X = 3} = {(1, 2), (2, 1)}, P (X = 3) = 92 .
{X = 4} = {(1, 3), (3, 1), (2, 2)}, P (X = 4) = 93 = 13 .
{X = 5} = {(2, 3), (3, 2)}, P (X = 5) = 92
{X = 6} = {(3, 3)}, P (X = 6) = 91 .
On peut représenter les résultats sous forme d'un tableau :
xi 2 3 4 5 6
P (X = xi ) 1
9
2
9
3
9
2
9
1
9
On vérie que
1 2 3 2 1
+ + + + =1
9 9 9 9 9
Remarque : La loi de X est déterminée par X(Ω) et les valeurs
pi = P (X = xi ) = PX ({xi }), xi ∈ X(Ω).
avec
Autrement dit, la loi de X est l'ensemble des (xi , pi ) tels que pi ≥ 0 et ni=1 pi = 1.
P
3.4 Cas des variables aléatoires réelles

Quand l'espace d'arrivée E d'une v. a. X est une partie de R, On dit que X est une v. a.
réelle.
3.4.1 Fonction de répartition

Dénition 3.3. Soit X une v. a. r. dénie sur l'espace de probabilité (Ω, P ). La fonction FX
dénie sur R par :
FX (x) = PX (] − ∞, x]) = P (X −1 (] − ∞, x])) = P (X ≤ x),
est appelée la fonction de répartition de X .
La fonction de répartition FX d'une v. a. r. X vérie les propiétés suivantes :
Proposition 3.4. 1. 0 ≤ FX ≤ 1, limt−→−∞ FX (t) = 0 et limt−→+∞ FX (t) = 1.

2. FX est croissante
3. FX est continue à droite avec des limites à gauche (càdlàg).
4. pour tout x ∈ R, on a : en notant F (x− ) = limε−→0 F (x − ε) la limite à gauche :
P (X = x) = FX (x) − F (x− ).
Preuve.
1. L'encadrement 0 ≤ FX ≤ 1 vient du fait que P est à valeurs dans [0, 1].
On a :
∅ = ∩n∈N∗ {X ≤ −n}
et d'après la propriété de la continuité monotone, on a
0 = P (∅) = lim P (X ≤ −n) = lim FX (−n) = lim FX (n).

n−→+∞ n−→+∞ n−→−∞
36
Tandis que :
[
Ω= (X ≤ n) (d'après la propriété d'Archimid),
n∈N
Par suite :
1 = P (Ω) = lim P (X ≤ n) = lim FX (n)
n−→+∞ n−→+∞
2. La croissance découle de la croissance de P .

3. Montrons que limn−→+∞ FX (x + n1 ) = FX (x).
On a :
1 1
FX (x + ) = PX (] − ∞, x + ]).
n n
La suite des événements An =] − ∞, x + n1 ] est ↓ et
1
] − ∞, x] = ∩+∞
n=1 ] − ∞, x + ].
n
(En eet, pour tout y ∈] − ∞, x], on a y ≤ x ≤ x + 1
n pour tout n et donc
1
y ∈ ∩] − ∞, x + ].
n
Réciproquement, tout y dans cette intersection vérié : ∀n ∈ N∗ , y ≤ x + n1 . Le passage
à la limite qd n tend vers l'inni conservant cette inégalité large.
On en déduit y ≤ x i.e. y ∈] − ∞, x].)
D'après la propriété de la croissance monotone,
FX (x) = PX (] − ∞, x]) = P (∩] − ∞, x + n1 ])

= limn−→+∞ P (] − ∞, x + n1 ])
= limn−→+∞ FX (x + n1 ).
La limite à gauche est également une conséquence de la croissance de FX (Exercice.)

(Ind. écrire ∪n ] − ∞, x − n1 ] =] − ∞, x[ et FX (x− ) = PX (] − ∞, x[)).
4. On remarque que pour tout x ∈ R et tout n ∈ N∗ :
1 1 1
PX (]x − , x]) = PX (] − ∞, x]) − PX (] − ∞, x − ]) = FX (x) − FX (x − ).
n n n
Or,
1
{x} = ∩n∈N∗ ]x − , x].
n
Ce qui donne :
1
PX ({x}) = lim PX (]x −
, x]).
n−→+∞ n
Remarque : On peut démontrer que deux variables aléatoires X et Y ont la même fonction
de répartition ssi elles ont la même loi. Autrement dit :
PX = PY ⇐⇒ FX = FY .
En pratique : On retrouve la probabilité des intervalles à partir de la fonction de répartition

de la façon suivante : Soit P une probabilité sur (R, BR ), et F sa fonction de répartition, alors
pour tous a < b :
37
P (]a, b]) = F (b) − F (a)
P ([a, b]) = F (b) − F (a− )
P (]a, b[) = F (b− ) − F (a)
P ([a, b[) = F (b− ) − F (a− )
P ({a}) = F (a) − F (a− )
Démonstration : La première propriété est claire par dénition de la fonction de répartition.
Montrons la deuxième : on a
1
[a, b] = ∩n≥1 ]a − , b].
n
Par limite décroissante, on obtient :
1
P ([a, b]) = lim P (]a − , b]).
n−→+∞ n
Mais,
1 1
P (]a − , b]) = F (b) − F (a − )
n n
et
1
lim F (a − ) = F (a− ),
n−→∞ n
ce qui prouve le résultat.
♣ Exercice : Montrer les autres inéglités.
Exemple : Considérons l'exemple précédent. On a :

X(Ω) = {2, 3, 4, 5, 6}
On a :
xi 2 3 4 5 6
P (X = xi ) 1
9
2
9
3
9
2
9
1
9
Déterminons la fonction de répartition de X :
FX (x) = P (X ≤ x).
• Si x < 2, on a (X ≤ x) = ∅ =⇒ FX (x) = 0.
• Si 2 ≤ x < 3, on a (X ≤ x) = (X = 2) =⇒ FX (x) = P (X = 2) = 91 .
• Si 3 ≤ x < 4, on a (X ≤ x) = (X = 2) ∪ (X = 3), de plus les événements (X = 2) et
(X = 3) sont disjoints =⇒ FX (x) = P (X = 2) + P (X = 3) = 91 + 29 = 13 .
• Si 4 ≤ x < 5 , on a : FX (X) = 19 + 29 + 39 = 23 .
• Si 5 ≤ x < 6, on a Fx (x) = 32 + 29 = 89 .
• Si x ≥ 6, on a FX (x) = 1.
38
Fig. 1 -Fonction de répartition F de la v.a. X
3.5 Lois discrètes et lois continues

3.5.1 Lois discrètes
Dénition 3.5. On dit qu'une v.a. X est discrète si elle prend ses valeurs dans un ensembles
ni ou dénombrable.
X(Ω) = {xi ∈ R/i ∈ I} avec I = N ou Z ou une de leurs parties nies.
Dans ce cas, connaitre la loi de probabilité de X , c'est connaitre les probabilités élémentaires :
∀xi ∈ X(Ω) : P (X = xi ) = pi .
Remarque : Il est toujours utile de vérier que pi ≥ et i∈I pi = 1.

P
♣ Exercice : Soit X une v.a. réelle dont la loi est dénie par :
xi -1 1 2
1 1 1
pi 4 2 4
Déterminer la loi de Y = 2X + 1 et de Z = X 2 .
Solution :
On a l'univers image de Y est {−1, 3, 5}.
1
P (Y = −1) = P (X = −1) = .
4
1
P (Y = 3) = P (X = 1) = .
2
1
P (Y = 5) = P (X = 2) = .
4
De même , l'univers image de Z est {1, 4}. On a :
3
P (Z = 1) = P (X = −1) + P (X = 1) = .
4
1
P (Z = 4) = P (X = 2) = .
4
Remarques :
1. Soit X une v.a. de Ω dans {x1 , x2 , ..., xn }.
La fonction de répartition vérie :
• x ∈] − ∞, x1 [, FX (x) = P (∅) = 0,
• x ∈ [x1 , x2 [, FX (x) = P (X ≤ x) = FX (x1 ) = P (X = x1 ) = p1 .
..
.
• x ∈ [xi , xi+1 [, FX (x) = p1 + p2 + ... + pi ( car {X ≤ x} = {X = xi ou X =
xi−1 ou ....ou X = xi }).
• X ≥ xn , FX (x) = 1 = P (Ω).
2. Dans le cas discret, comme
FX (xi ) − FX (xi−1 ) = pi = P (X = xi ).
Si on connait la fonction de répartition, on peut reconstruire la loi de X par diérence

successives.
39
Exercice : Soit (a, b) ∈ N∗2 ; a < b ; X est une variable aléatoire discrète de Ω dans N ∗
telle que :
∀x ∈ |[1, ab]| ; P (X = x) = a1 − 1b et P (X = x) = 0 ailleurs.
1) Déterminer une CNS sur a et b pour que les relations précédentes dénissent eective-
ment une loi de probabilité.
2) Dans ces conditions, tracer la représentation graphique de la fonction de répartition
FX de X .
3) Calculer la probabilité pour que X ∈ |[a, a+b

2 ]|.
3.5.2 Lois continues

Quand la v. a. r. X prend ses valeurs dans un intervalle de R, ou dans une réunion d'in-
tervalles de R, on dit que X est une variable aléatoire continue.
Dénition 3.6. On dit qu'une v. a. r. X admet une densité s'il existe une fonction positive
fX : R −→ R
telle que, pour tout intervalle [a, b] de R, on a

Z b
PX ([a, b]) = P (X ∈ [a, b]) = fX (t)dt.
a
Faisons quelques remarques concernant cette notion :
1. Une densité fX est positive et vérie

Z +∞
fX (t)dt = 1.
−∞
Réciproquement toute fonction vériant ces deux conditions R b est la densité d'une v.a.r.
(on dénit la v.a. dont la loi est donnée par PX ([a, b]) = a fX (t)dt)
2. Par dénition même, on a Z x
FX (x) = fX (t)dt.
−∞
Par conséquent, si la fonction fX est continue ( ou continue par morceaux), on a :
(FX )0 = fX .
On passe donc facilement de la fonction de répartition à la fonction densité et vice-

versa.
3.6 Les lois usuelles au programme

Dans toute la suite du chapitre, on xe un espace probabilisé (Ω, A, P ), on désigne par X
une v. a. réelle sur (Ω, A).
40
3.6.1 Le cas ni
3.6.2 La loi uniforme discrète
Dénition 3.7. La v.a.r. X suit la loi uniforme sur {a1 , a2 , ..., an } si X(Ω) = {a1 , a2 , ..., an }
et
1
PX ({ai }) =, 1 ≤ i ≤ n.
n
Autrement dit, PX est l'équiprobabilité sur {a1 , a2 , ..., an }.
Dans ce cas, on note X ∼ U{a1 ,a2 ,...,an } .
Exemple : On jette un dé non truqué et on note X le résultat obtenu. On a :

X ∼ U{1,2,...,6} .
3.6.3 La loi de Bernoulli

Dénition 3.8. La v. a. r. X suit la loi de Bernoulli de paramètre p ∈ [0, 1] si elle ne prend
que deux valeurs 0 et 1 avec :
P (X = 1) = p, P (X = 0) = 1 − p = q.
Dans ca cas, on note X ∼ B(p).
Exemple : On jette une pièce de monnaie qui tombe sur pile avec la probabilité p et on dénit
X par X = 1 si on tombe sur pile et X = 0 sinon. X est une v. a. de Bernoulli.
Remarques :
1. Si X ∼ B(p), on peut toujours écrire
X = 1A , avec A = {ω ∈ Ω/X(ω) = 1}.
càd que la v. a. de Bernoulli est une v. a. indicatrice : elle indique la réalisation

éventuelle de l'événement de probabilité p.
2. Les v. a. de Bernoulli sont naturellement associées à une expérience aléatoire qui a
deux issues possibles : blan ou noir, pile / face, succès / échec, pièce correcte / pice
défectueuse, oui / non,....
3.6.4 La loi binomiale ou loi du tirage avec remise

Dénition 3.9. La v. a. r. X suit la loi binomiale de paramètre n et p (n ∈ N∗ et p ∈ [0, 1])
si l'ensemble des valeurs possibles est X(Ω) = {0, 1, 2, ..., n} et
P (X = k) = Cnk pk (1 − p)n−k , ∀k = 0, 1, ..., n.
Dans ce cas, on note X ∼ B(n, p).

Remarques :
1. La formule ci-dessus dénit bien une loi de probabilité puisque les Cnk pk (1 − p)n−k sont
positifs et
Xn
Cnk pk (1 − p)n−k = (p + (1 − p))n = 1n = 1.
k=0
41
2. Les v. a. binomiales sont naturellement associées à la répétition de n expériences iden-
tiques et indépendantes de Bernoulli.
On s'intéresse au nombre X de succès obtenus au cours de la réalisation de n expé-
riences aléatoires identiques et indépendantes.
On introduit (ε1 , ε2 , ..., εn ) la suite des résultats de ces n expériences :
1 si le résultat de la i-ième expérience est S, i = 1, ..., n

εi =
0 Sinon.
Il est évident que X = ε1 + ... + εn = ni=1 εi .

P
Montrons que X ∼ B(n, p).
- Les valeurs possibles de X sont {0,1,2,...,n}.

- Le nombre de ω tels que X(ω) = k est le nombre de suites de longueur n, formées
de k lettres S et (n − k) lettres E . Si la place de S est xée, celle de E l'est aussi.
Ce qui revient à choisir k place parmi n soit Cnk .
D'où
P (X = k) = Cnk pk (1 − p)n−k , ∀k = 0, 1, ..., n.
Par exemple, si n = 5 , k = 3 et et ω0 = (S, E, E, S, S). On a choisi ω0 tel que
X(ω0 ) = 3. Les résultats sont indépendantes :
P ({ω0 }) = p(1 − p)(1 − p)pp = p3 (1 − p)2 .
Plus généralement, la probabilité d'un événement élémentaire vaut :
P ({ω}) = pk (1 − p)n−k .
où k désigne le nombre de fois ou l'on a recontré la lettre S dans ω .
♣ Exercice .
Un couple souhaite avoir exactement n enfants (n ∈ N∗ ). On considère qu'à chaque naissance
l'ensemble des possibilités est Ω = {G, F } : G étant l'événement avoir un garçon et F étant
l'événement avoir une lle, ces 2 événements étant équiprobables.
On considère que les naissances sont indépendantes.
A la ieme naissance, on associe la variable aléatoire discrète Xi de Bernoulli, qui prend la
valeur 1 si G est réalisé, et la valeur 0 sinon. Soit X = X1 + ... + Xn .
1. Dans cette question n = 3.

a. Déterminer la probabilité que parmi ces trois enfants, le couple ait exactement 3
garçons ; exactement 2 garçons ; exactement 2 lles ; exactement 3 lles.
b. Déterminer la fonction de répartition de X .
2. Déterminer la plus petite valeur de n pour que la probabilité de ne pas avoir de garçon
soit < 10−2 .
Solution :
1-a. X ∼ B(3, 12 )
1 3
P (X = 3) = P (X = 0) = , P (X = 2) = P (X = 1) = .
8 8
42
1-b. La fonction de répartition de X :
x<0 0≤x<1 1≤x<2 2≤x<3 x≥3

F(x) 0 1
8
1
2
7
8 1
2. Dans le cas général X ∼ B(n, n1 ).
1
P (X = 0) =
2n
Cette probabilité est < 10−2 dès que n ≥ 7.
3.6.5 Le cas dénombrable

On rappelle qu'un ensemble Ω est dit dénombrable si et seulement si il existe une bijection
de N dans Ω. Un ensemble dénombrable est donc un ensemble dont on peut numéroter les
éléments.
3.6.6 La loi géométrique de paramètre p ∈]0, 1[

Dénition 3.10. Soit X une v. a. r.. On dit que X suit la loi géométrique de paramètre p si
et seulement si :
• X(Ω) = N∗ .
• ∀k ∈ N∗ , P (X = k) = p(1 − p)k−1 .
Remarque : Le fait que la somme des probabilités fasse 1 vient de la formule de sommation
des progressions géométriques :
∞
X X 1
rn converge ⇐⇒ |r| < 1 et alors rn = .
1−r
n∈N n=0
Exemple : On lance une pièce de monnaie - qui tomble sur pile avec la probabilité p- jusqu'à
ce qu'on tombe sur pile et si on note X le nombre de lancers eectués, la v. a. X suit la loi
géométrique de paramètre p.
En eet, soit (Xk )k∈N une suite de v. a. de bernoulli indépendante et de même loi B(p)
P (X = k) = P (X1 = 0, X2 = 0, ..., Xk−1 = 0, Xk = 1) = (1 − p)k−1 p.
3.6.7 La loi de Poisson de paramètre λ ∈]0, ∞[

Dénition 3.11. Soit X une v. a. r.. On dit que X suit la loi Poisson de paramètre λ > 0
si et seulement si :
• X(Ω) = N.
k e−λ
• ∀k ∈ N, P (X = k) = λ k! .
Dans ce cas, on note X ∼ P(λ).
Remarque : Le fait que la somme des probabilités fasse 1 vient de la formule de sommation
de la série exponentielle :
X λn X λn
∀λ ∈ R, converge et = exp(λ).
n! n!
n∈N n∈N
Champs d'applications : C'est la loi qu'on obtient en comptant des événements aléatoires
indépendants :
43
1. Arrivée des particules sur un capteur,
2. Nombre de clients entrant dans un magasin,
3. comptage de voiture sur une route,
4. Etude des les d'attente dans les réseaux dec communication...
La loi de Poisson s'obtient par passage à la limite :
Proposition 3.12. Soit (Xn ) une suite de v. a. r. de loi B(n, pn ) avec (pn ) une suite de [0, 1]
vériant limn−→∞ npn = λ. On a pour tout k ∈ N :
λk
lim P (Xn = k) = e−λ .
n−→∞ k!
Preuve. On a
P (Xn = k) = Cnk pkn (1 − pn )n−k
n! npn −k (npn )k npn n
= (n−k)!nk
(1 − n ) k! (1 − n )
De la limite bien connue limn−→∞ (1 + xn n

n ) = ex valable qd xn −→n−→∞ x.
On en déduit que :
λk
n−→∞ k!
Remarque : En pratique, on remplace la loi binomiale par la loi de Poisson P(np) dès que :
n > 50 et p < 0, 1. Plus p est petit l'approximation est meilleure.
Exemple : Un jeu de tombola comptant 100 billets ait lieu pendant 100 jours. Chaque tombola
ne compte qu'un billet gagnant. Une personne décide de participer au jeu en achetant un billet
par jour. Notons X le nb de fois où elle gagne pendant ces 100 jours. Calculer la probabilité
des événements suivants :
(X = 0), (X = 1), (X = 2), (X = 3).
Soit
1
X ∼ B(100, ) et Y ∼ P(1).
100
D'après la proposition précédente, on ne se retrompe pas beaucoup en approximant la loi de X
par celle de Y .
Voici une comparaison numérique pour les petites valeurs de k .
k 0 1 2 3
P(X=k) 0.3660 0.3697 0.1849 0.0794
P(Y=k) 0.3679 0.3679 0.1839 0.0803
L'intérêt de cette approximation est que les calculs des probabilités liées à la loi de Poisson
sont plus faciles à eectuer.
3.6.8 Le cas continu

3.6.9 La loi uniforme continue sur le segment [a, b] :
Dénition 3.13. Une v.a.r. X est dite uniforme sur l'intervalle [a, b] (avec b > a) si elle
admet pour densité :
1
1 b−a si a ≤ x ≤ b,
f (x) = 1[a,b] (x) =
b−a 0 sinon.
44
Dans ce cas, on note X ∼ U[a,b] .
Remarques :
1) f est clairement mesurable (elle est C ∞ par morceaux), positive, et
Z Z b
1
f (x)dx = dx = 1.
R a b−a
2) Soit [α, β] ⊂ [a, b], on a :

β
β−α
Z
1
PX ([α, β]) = P (α ≤ X ≤ β) = dx = .
α b−a b−a
De plus tous les intervalles de même longueur ont même probabilité.

♣Exercice : Calculer la fonction de répartition de la loi U[a,b] .
♣Exercice : Soit X une v. a. réelle dont la fonction de répartition F est continue stricte-
ment croissante. Montrer que la v. a. Y = F (X) suit la loi U[0,1] .
Réponse :
On a la v.a. Y prend ses valeurs dans [0, 1].
On désigne par G et g la fonction de répartition et la fonction densité de Y .
G(y) = P(Y ≤ y) = P(F (X) ≤ y) = P(X ≤ F −1 (y)) = F (F −1 (y)) = y.

Donc ;
si y ∈] − ∞, 0] : G(y) = 0 et g(y) = 0
si y ∈ [0, 1] : G(y) = y et g(y) = 1
si y ∈ [1, +∞] : G(y) = 1 et g(y) = 0
3.6.10 lois gaussiennes (ou lois normales)

Dénition 3.14. Une v. a. r. X est dite gaussienne de moyenne m et de variance σ 2 ∈ R∗+ ,
si elle admet pour densité :
1 (x − m)2
f (x) = √ exp(− )
2πσ 2 2σ 2
Dans ce cas, on note X ∼ N (m, σ 2 ).

Lorsque m = 0, et σ = 1 la v. a. X est dite centée réduite.
Remarques :
1. f est clairement mesurable (elle est C ∞ ), positive, et on peut montrer que l'intégrale
de la densité vaut bien 1- voir TD.
2. On ne peut pas calculer la fonction de répartition avec des fonction classiques. On
utilise si nécessaire une table de valeurs.
♣Exercice :
1. Soit U une v. a. normale centré réduite N (0, 1) et Π(.) la fonction de répartition de
U . Montrer que
Π(−z) = 1 − Π(z) ∀z ∈ R
2. Soit X la v.a. dénie par
X = m + σU
45
où m et σ sont des réels non nuls. Soit FX la fonction de répartition de X . Montrer
que
x−m
FX (x) = Π( ).
σ
3. Déterminer la densité de probabilité g(x) de X.
4. Déduire que par le changement de variable z = x−mσ toutes les varibles aléatoires nor-
males N (m, σ) se ramèment à la loi normale centrée réduite U .
Réponse :
1- On a Z Z −z Z +∞
1= fU (u)du = fU (u)du + fU (u)du
R −∞ −z
Or, par le changement de variable u0 = −u

Z +∞ Z −∞ Z z
0 0
fU (u)du = − fU (u )du = fU (u)du = Π(z).
−z z −∞
2- On a
X −m x−m x−m
FX (x) = P(X ≤ x) = P( ≤ ) = Π( )
σ σ σ
3- On a
1 0 x−m 1 x−m
g(x) = F 0 (x) = Π( ) = fU ( )
σ σ σ σ
Donc
1 (x − m)2
g(x) = √ exp(− )
2πσ 2 2σ 2
4. Utiliser les densités.
Exemple : Utilisation de la table de la loi normale

Soit X une v. a. normale N (3, 4). Calculer P(X ≤ 4), P(X ≤ −1) ; P(X > 1). Touver a telle
que P(X < a) = 0, 7486.
Réponse :
X −m 4−m
P(X ≤ 4) = P( ≤ ) = P(U ≤ 0.5) = 0.6915.
σ σ
X −m −1 − m
P(X ≤ −1) = P( ≤ ) = P(U ≤ −2) = 0.0228
σ σ
P(X > 1) = P(U > −1) = 0.8413.
a−3
P(X ≤ a) = P(U ≤ = 0.7486
2
Or
P(U ≤ 0.67) = 0.7486
Donc a−3
2 = 0.67 et par suite a = 4.35.
Remarques :
Les régions de R à forte probabilité pour N (0, 1) sont les régions où la densité est élevé.
Si X ∼ N (0, 1) :
P (X ∈ [−3, 3]) = Π(3) − Π(−3) = 2Π(3) − 1 = 99, 7%,
46
avec Π est la fct de répartition de la loi N (0, 1).
Domaine d'utilisation : La loi gaussienne est la lois la plus utilisée en théorie des proba-
bilités et en statistique. Cela est dû au caractéristiques suivantes :
1. Elle permet des développements mathématiques ecaces.
2. Toute l'information est donnée directement par les paramètres m et σ , qui caractérisent
respectivement la valeur moyenne et la dispersion autour de cette valeur moyenne.
3. C'est la loi qu'on obtient naturellement en additionnant un grand nombre de v. a.
indépendantes (voir théorème central limite-ch. 7).
4. La plupart des lois de probabilité intervenant dans les tests statistiques comme la loi χ2
et la loi de student se déduisent de la loi gaussienne par des transformations simples.
n
X
χ2 = Xi2 avec Xi ∼ N (0, 1) et sont indépendantes
i=1
5. Elle présente un grand nombre de phénomènes aléatoires comme les erreurs liées aux
mesures, la uctuation des prix, la distribution des tailles de personnes choisies au
hasard dans une population donnée, les variations de la longueur des pièces fabriquées
en série, etc...
Exemple : On suppose que la taille des individus suit une loi normale de paramètres m et
σ.
Sachant que 4% des individus mesurent moins de 160 cm et 11% mesurent plus de 180 cm.
Quelle est la valeur de m et σ ?
Solution : Soit X ∼ N (m, σ 2 ).
On pose :
X −m
Z= .
σ
Alors, Z ∼ N (0, 1).
D'où :
160 − m 160 − m
P (X ≤ 160) = P (Z ≤ ) = π( ).
σ σ
Or 4% des individus mesurent moins de 160 cm, donc :
160 − m
π( ) = 0, 04.
σ
On a aussi 96% des individus mesurent plus de 160 cm, d'où
m − 160
π( ) = 0, 96.
σ
La table de la loi N (0, 1) donne : m−160
σ = 1, 76.
De même :
180 − m 180 − m
P (X > 180) = P (Z > ) = 1 − π( ).
σ σ
Or 11% des individus mesurent plus de 180 cm, d'où :
180 − m
π( ) = 0, 89.
σ
La table de la loi N (0, 1) donne : 180−m
σ = 1, 23.
D'où le système :
m − 160 = 1, 76σ m = 172
=⇒
−m + 180 = 1, 23σ σ = 6, 7.
47
3.6.11 La loi exponentielle
Dénition 3.15. La v. a. r. X suit la loi exponentielle de paramètre θ > 0 si et seulement
si elle est à valeurs dans R+ et admet pour densité la fonction donnée par :
si

 θ exp(−θx) x > 0,
f (x) = = θ exp(−θx)1]0,+∞[ (x)
0 sinon

Remarque 3.4. f est clairement borélienne (elle est C ∞ par morceaux), positive, et
Z Z ∞
f (x)dx = θ exp(−θx)dx = 1.
R 0
♣ Exercice : Montrer que la fonction de répartition de la loi exponentielle est donnée par :
F (x) = (1 − e−θx )1[0,+∞[ (x).
Tracer la courbe de F.
Domaine d'utilisation :
1. La loi exponentielle intervient en abilité pour modéliser la durée de fonctionnement
d'un équipement technique : par exemple la durée de vie d'un appareil électrique. Le
paramètre θ représente le taux de défaillance, alors que son inverse 1θ est le taux de bon
fonctionnement MTBF (Mean Time between Failure).
2. Elle intervient dans le domaine de la radioactivité : chaque atome radioactif possède une
durée de vie qui sui une loi exponentielle exp(θ), le paramètre θ s'appelle la constante
de désintégration.
3. Elle intervient aussi pour modéliser le temps séparant les arrivées de deux clients dans
l'étude d'un phénomène d'attente :
Soit la v.a. Nt désignant le nb de clients arrivant dans un magasin sur l'intervalle
[0, t]. Si Nt suit la loi de Poisson de paramètre λt, alors la date d'arrivée T du premier
client suit la loi exp(λ).
En eet, on a
P (Nt = 0) = P (T > t) = 1 − P (T ≤ t)
d'où
P (T ≤ t) = 1 − exp(−λt).
Ce qui donne le résultat.
Plus généralement, on montre que le temps d'attente T entre deux arrivées suit une loi
exponentielle de paramètre θ, et on a :
P (T > t) = exp(−θt).
Exemple : La abilité globale d'une carte électronique suit une loi exponentielle de paramètre
θ, avec θ = 12.10−6 h−1 . Pour un fonctionnement 24 heures sur 24 pendant 208 jours par an,
donnez la probabilité que cette carte électronique fonctionne encore au bout de ces 208 jours.
On a
t = 24 × 208 ∼
= 5000heures.
Soit X la durée de vie de cette carte électronique, on a
P (X > 5000) = exp(−0, 000012 × 5000) = 0, 9418.
càd , la probabilité d'avoir une défaillance pendant la durée de fonctionnement de 5000h est
5, 8%. L'intérêt qu'on porte à cette loi est dû à la :
48
Proposition 3.16. Soit X une v. a. r. suivant la loi exp(θ), alors X vérie la propriété
d'absence de mémoire :
∀s ∈ R+ , ∀t ∈ R+ , P (X > t + s/X > t) = P (X > s)
(On parle aussi de la propriété de non vieillissement).
Preuve. On a X ∼ exp(θ), donc

P (X>t+s)
PX>t (X > t + s) = P (X>t)
R +∞
θ t+s e−θx dx
=
θ t+∞ e−θx dx
R
e−θ(t+s)
= e−θt
= e−θs = P (X > s).
Interprétations :
- On considère un matériel ayant fonctionné sans défaillance pendant le temps t et on
cherche la probabilité qu'il soit encore en état de marche au temps t + s. Cette dernière
est égale à la probabilité qu'il fonctionne pendant le temps s ; i.e. le matériel a "oublié"
qu'il avait déjà fonctionné pendant le temps t. Pour ce type de matériel il est inutile
de procéder à un remplacement préventif.
- Si X modélise la durée de vie d'un individu A, la propriété que X est sans mémoire
exprime que A ne vieillit pas : si A a vécu t années, la probabilité pour qu'il vive encore
s années est la même que la probabilité pour qu'un individu similaire à A qui vient de
naître vive lui aussi s années. Autrement dit : La durée de vie au-delà de l'instant t est
indépendante de l'instant t.
Exercice : On suppose que le temps, en heure, nécessaire pour réparer une machine est une
v. a. de loi exp(θ), avec θ = 0.5.
1- Quelle est la probabilité que le temps de réparation dépasse 2 heures ?
2- Sachant que la réparation a déjà dépassé 9 heures, qu'elle est la probabilité qu'elle
prenne au moins 10 heures ?
Réponse :
1- P(T > 2) = 1 − P(T ≤ 2) = 1 − F (2) = e−1 = 0.368.
2- P(T > 10/T > 9) = P(t > 10 − 9 = 1) = e0.5 = 0.606.
3.7 Variables aléatoires indépendantes

Soient X et Y deux variables aléatoires.
a. Cas où X et Y sont discriètes :
Notons {xi } (resp.{yi }) l'ensemble des valeurs prises par X (resp. par Y ).
Dénition 3.17. X et Y sont dites indépendantes si, pour tous i et j , on a :
P ({X = xi } ∩ {Y = yj }) = P (X = xi )P (Y = yj ).
b. Cas où X et Y sont à densité.
49
Dénition 3.18. X et Y sont dites indépendantes si, pour tous intrevalles I et J de
R, on a :
P ({X ∈ I} ∩ {Y ∈ J}) = P (X ∈ I)P (Y ∈ J).
Exo : On supppose que le nombre de clients entrant dans un magasin un jour donné est
une variable aléatoire de Poisson de paramètre λ = 12. On suppose que les v. a. comptant le
nombre d'entrées de chaque jour sont indépendantes.
Quelle est la probabilité de ne pas tomber en dessous de 250 entrées de clients durant un mois
de 22 jours ouverables ?
Solution
Soit X le nombre de clients entrant dans le magasin durant un mois de 22 jours ouverables.
On a X = X1 + X2 + ... + X22 , avec les Xi sont i.i.d. et Xi ∼ P(12).
Donc,
X ∼ P(12 × 22) = P(264).
249
−264
X (264)i
P (X ≥ 250) = 1 − P (X < 250) = 1 − e = 0, 813.
i!
i=0
3.7.1 Annexe : Autres lois de probabilité

3.7.2 La loi hypergéométrique ou loi du tirage exhaustif
Dénition 3.19. On considère un tirage équiprobable sans remise dans une population d'ef-
fectif N , cette population étant composée de deux parties disjointes :
- une partie A à N p éléments (éléments possédant un certain caractère),
- une partie B à (N − N p) éléments (éléments n'ayant pas ce caractère).
C'est le cas, par exemple, d'un lot de N piéces comprenant N p piéces défectueuses et donc
(N −N p) piéces fonctionnant bien. Quelle est la probabilité qu'un sous-ensemble de n éléments
contienne x éléments de l'ensemble A ?
Les éléments peuvent être tirés, soit un par un, soit d'un seul coup, mais sans remise.
Soit X la variable aléatoire représentant le nombre d'individus ayant le caractère considéré
dans l'échantillon. On veut calculer P(X = x).
Le nombre d'échantillons de taille n est égal à CNn.
Un échantillon de taille n comprend :
- x individus, pris parmi les N p individus ayant le caractère considéré, donc CN

x choix
p
possibles,
- (n − x) individus pris parmi les (N − N p) individus n'ayant pas ce caractère, donc
−N p choix possibles.
n−x
CN
Le nombre d'échantillons de taille n, comprenant x individus pris parmi les N p individus, est
donc égal à CNx C n−x .
p N −N p
La probabilité cherchée est égale à :
n−x
CN −N p
P(X = x) = n .
CN
50
Les valeurs extrêmes de x sont :
minx = max{0, n − N (1 − p)}
maxx = min{n, N p}.

Le quotient n/N est appelé taux de sondage. La variable aléatoire ainsi dénie suit une loi
hypergéométrique.
Cette loi dépend de trois paramètres N , n et p.
Exemple : Un sac contient N éléments. A une partie du sac contenant N1 éléments. On

tire, sans remise et au hasard, n éléments du sac (n < N )
La probabilité d'en avoir k éléments provenant de A vaut :
k × C n−k
CN 1 N −N1
n
CN
En eet, on considère l'événement : En,k =" parmi les n éléments tirés, il y en a exactement
k provenant de A".
• Si n > N ou si k > n, En,k est impossible.

• Cas ou n ≤ N et k ≤ n, on a card(En,k ) = CN k × C n−k ( nombre de façons de choisir
1 N −N1
k éléments de A et les n − k autres dans B ).
Remarque : Les événements (En,k )0≤k≤n sont deux à deux incompatibles et de réunion Ω,
donc :
n k × C n−k
X CN 1 N −N1
n = 1.
CN
k=0
Dénition 3.20. X est une v.a. hypergéométrique s'il existe deux entiers non nuls n et N ,
n < N et un réel p ∈]0, 1[ tel que N p ∈ N∗ , X(Ω) ⊆ |[0, n]| et ∀k ∈ X(Ω), on a :
k × C n−k
CN p N (1−p)
P (X = k) = n
CN
Notation : On note N1 = N p donc la connaissance de N et N1 détermine celle de p. On

dira souvent que X suit la loi hypergéométrique de paramètres N, n, p et on note
X ∼ H(N, n, p).
3.7.3 La loi Gamma G(a, b), a > 0 et b > 0

Dénition 3.21. la v. a. r. X suit une loi gamma de paramètre (a, b), et on écrit X ∼ G(a, b)
si elle est à valeurs dans R+ avec pour densité la fonction :
1 a a−1 −bt
fX (t) = b t e 1R+ (t).
Γ(a)
avec Z −∞
Γ(a) = ta−1 e−t dt.
0
51
Remarque 3.5. 1. fX est une densité de probabilité (poser t0 = bt).
2. La fonction Γ(.) est strictement positive pour tout a > 0.

Pour a > 1, on a
Γ(a) = (a − 1)Γ(a − 1).
En eet, R −∞
Γ(a) = −ta−1 e−t ]+∞
0 + (a − 1) 0 ta−2 e−t dt
= 0 + (a − 1)Γ(a − 1).
De plus, Z −∞
Γ(1) = e−t dt = 1,
0
Donc
Γ(n) = (n − 1)Γ(n − 1) = (n − 1)(n − 2)Γ(n − 2) = .... = (n − 1)!
Donc, la fonction gamma Γ(.) généralise la fonction factorielle.
3. Finalement, on a
1 √
Γ( ) = π.
2
3.7.4 La loi de Weibull

La loi de Weibull est utilisé en abilité, en particulier dans le domaine de la mécanique.
Cette loi a l'avantage d'être très souple et de pouvoir s'ajuster à diérents résultats d'expéri-
mentations.
Fonction densité :
β x − γ β−1 −(x−γ β
f (x) = ( ) e η) .
η η
avec (x − γ) > 0.
β : paramètre de forme (sans unité)
η : parmètre d'échelle (uité de temps)
γ : paramètre de position (uité de temps).
52
3.8 Résumé du troisième chapitre
Les lois de probabilités théoriques essaient de décrire des phénomènes aléatoires dans le but
de calculer la probabilité de certains événements et donc d'avoir une certaine représentation
de l'avenir.
I. Lois discrètes :
1. Loi de Bernoulli B(p)
La loi de Bernoulli intervient dans le cas d'une seule expérience aléatoire à laquelle
on associe un événement aléatoire quelconque.
La réalisation de l'événement au cours de cette expérience est appelée succès et la
probabilité de réalisation est dite probabilité de succès, notée par p. Par contre la
non réalisation de l'événement est appelée échec et la probabilité de non réalisation
de l'événement est dite probabilité d'échec, noté par q = 1 − p.
La v. a. X qui caractérise le nombre de succès au cours d'une seule ex-

périence aléatoire est appelée v.a. de Bernoulli : elle prend les valeurs dans
{0, 1} avec probabilités respectives q et p.
Remarque : La v.a. de Bernoulli est une v.a. indicatrice : elle indique la réalisa-
tion éventuelle de l'événement de probabilité p. Le shéma de Bernoulli est le plus
simple des modèles probabilistes.
2. Loi Binomiale B(n, p)

La loi Binomiale intervient dans le cas de plusieurs (n) expériences aléatoires identiques
et indépendantes auxqelles on associe un événement aléatoire quelconque.
Les probabilités p et q restent constantes au cours de cette suite de n expériences.
La v. a. X qui caractérise le nombre de succès au cours de n expériences
aléatoires indépendantes est appelée variable binomiale : elle prend les va-
leurs dans {0, ..., n}.
La probabilité d'obtenir k succès et donc n − k échecs au cours de n expériences
aléatoires indépendantes est,
P (X = k) = Cnk pk (1 − p)n−k , k = 0, ..., n

Remarque :
n = : nb d'épreuves.
k : nb de succès.
p : probabilité de succès.
Il y a des tables pour éviter de calculer les probabilités d'événements liés à la loi
binomiales.
3. Loi Géométrique G(p)

On se place dans une optique diérente. A la base il y a toujours l'epreuve de Bernoulli
qui a deux résultats possibles : événement de probabilité p et l'autre. Mais cette fois
on ne connait pas le nombre d'expériences.
Par exemple : si on lance une pièce de monnaie - qui tombe sur pile avec probabilité
p- jusqu'à ce qu'on tombe sur pile et si on note X le nombre de lancers eectués,
la v.a. X suit la loi de Géométrique de paramètre p : elle prend les valeurs
dans N∗ .
P (X = k) = p(1 − p)k−1 , k ∈ N∗ .
53
4. Loi de Poisson P (m)
La loi de Poisson intervient pour des phénomènes aléatoires dont le nombre de
réalisations varie de 0 à +∞ et dont le nombre moyen de réalisations est connue.
Exemple : nb d'appels reçus par un standard téléphonique, nb d'accidents de la
circulation, nb de visiteurs d'un centre commercial...
La variable aléatoire X qui caractérise le nombre de réalisations de ce
phénomène est appelée variable de Poisson : elle prend les valeurs 0,1, ...
e−m mk
P (X = k) = .
k!
Théorème d'approximation Soit X une v.a. vériant X ∼ B(n, p), telle que
npn −→ m quand n −→ ∞.
Alors Xn −→ P (m) quand n −→ ∞.

En pratique
n > 50 et p < 0.1
Plus p est petit, meilleure est l'approximation. Pour cette raison la loi de Poisson a été
appelée la loi des phénomènes rares.
II. Lois continues : La loi normale est la loi continue la plus importante et la plus
utilisée dans les calculs des probabilités. (Voir le cours).
X Très important !
Il faut connaître d'une part toutes les dénitions des lois usuelles, mais aussi et surtout sa-
voir, en pratique, décider si le résultat X de mon expérience aléatoire a pour loi plutôt la loi
uniforme, la loi binomiale, la loi de Poisson, etc.
C'est la chose la plus dure à faire. Ensuite, tout ce que l'on peut vous demander (espérance,
variance, etc.) , ce n'est plus que des calculs.
54
3.9 Exercices
Exercice 1.
1. On lance un dé équilibré ; prenons Ω = {1, ..., 6}, on muni Ω de la tribu P(Ω). On met
sur P(Ω) la probabilité uniforme ( ce qui correspond au fait que le dé est équilibré). Soit
X la v.a. réelle dénie par X(3) = X(6) = 1 et X(1) = X(2) = X(4) = X(5) = 0. X
indique si le numéro sorti est un multiple de 3.
Donner la loi PX de la v.a. X .
2. On lance un dé équilibré jusqu'à obtention d'un numéro multiple de 3. on note Y le

nombre de lancers nécessaires pour l'obtenir.
Calculer la loi de probabilité de Y .
(Indication calcuer P (Y = n), pour n ∈ N∗ ).
Exercice 2.
On jette l'un après l'autre deux dés tétraédriques (les 4 faces numérotées de 1 à 4), équilibrés.
Associons à cet expérience l'univers Ω = {1, ..., 4}2 . On note X le plus grand ( au sens large)
des numéros apparus.
1. Donner un espace probabilisé qui modélise cet expérience aléatoire.
2. Montrer que X est une variable aléatoire.
3. Calculer la loi PX de la v.a. X .
4. Trouver la fonction de répartition FX de la v.a. X .
5. Tracer la courbe représentative de FX .
Exercice 3.
Un couple souhaite avoir exactement n enfants (n ∈ N∗ ). On considère qu'à chaque naissance
l'ensemble des possibilités est Ω = {G, F } : G étant l'événement avoir un garçon et F étant
l'événement avoir une lle, ces 2 événements étant équiprobables.
On considère que les naissances sont indépendantes.
A la ieme naissance, on associe la variable aléatoire discrète Xi de Bernoulli, qui prend la
valeur 1 si G est réalisé, et la valeur 0 sinon. Soit X = X1 + ... + Xn .
1. Dans cette question n = 3.

a. Déterminer la probabilité que parmi ces trois enfants, le couple ait exactement 3
garçons ; exactement 2 garçons ; exactement 2 lles ; exactement 3 lles.
b. Déterminer la fonction de répartition de X .
2. Déterminer la plus petite valeur de n pour que la probabilité de ne pas avoir de garçon
soit < 10−2 .
Exercice 4.
On suppose que 5 % des pièces en sortie d'une chaine de production soient défectueuses.
1. Quelle est la probabilité qu'un échantillion de 20 pièces issu de cette chaîne ne contienne
55
aucune pièce défectueuse ?
2. Quelle est la probabilité que la première pièce défectueuse ne soit pas l'une des 20 pre-
mières sorties de la chaîne ?
Exercice 5.
Soit X1 , ..., Xn , n variables dénies sur le même espace de probabilité, indépendantes et qui
suivent la même loi de Bernoulli B(p) de paramètre p, où p ∈]0, 1[. On note S la variable aléa-
toire discrète qui vaut 0 si pour tout i ∈ {1, ..., n} Xi = 0, et qui vaut 1 dans le cas contraire.
Déterminer la plus petite valeur de n pour que P (S = 0) ≤ 10−3 .
Application :
Un texte comporte une erreur. On relit ce texte n fois de manière indépendante, à chaque fois,
la probabilité de remarquer cette erreur est 12 . Déterminer la plus petite valeur de n pour que
la probabilité de ne pas avoir remarqué cette erreur soit ≤ 1000
1
.
Exercice 6.
Dans une pépinière 95% des eurs sont supposées sans virus. Par commodité les eurs sont
rangées par paquets de 2. Un paquet est dit sain si les deux eurs le sont.
1. Quelle est la probabilité d'avoir un paquet sain ?

2. X = nb de paquets sains sur un lot de 10. Quelle est la loi de X .
3. Un lot de 10 est accépté par l'acheteur si 9 au moins des paquets sont sains.
Quelle est la probabilité qu'un lot soit accépté ?
Exercice 7.
Une usine employant 30 personnes dont 4 ingénieurs, 10 techniciens et 16 ouvriers.
1. On choisit de façons successive 3 employés : calculer la probabilité d'avoir un employé
de chaque catégorie professionnelle.
2. On choisit de façon successive 3 employés et soit X la variable aléatoire qui représente
le nombre d'ingénieurs choisis. Donner la loi de probabilité de X .
Exercice 8. On étudie la durée des communications téléphoniques dont la fonction de ré-

partition est :
0 si x < 0
F (x) = −kx
1−e si x ≥ 0.
Sachant que k = 65 .
1. Quelle est la probabilité pour qu'une communication dure plus de 3 minutes ?
2. Quelle est la probabilité pour qu'une communication ait une durée entre 3 et 6 minutes ?
3. Si on ne connaît pas k , quelle valeur faudrait-il lui donner pour que la probabilité d'une
communication supérieure à 3 minutes soit égale à 0.1 ?
Exercice 9.
Interprétation du graphique d'une f.d.r.
La variable aléatoire X a pour fonction de répartition F dont le graphe est représenté par la
gure 1.
56
1. Pour tout x ∈ R, montrer que :
P (X = x) = F (x) − F (x−),
avec F (x−) = limε−→0 F (x − ε).

2. En exploitant les informations fournies par ce graphique1 , donner les valeurs des pro-
babilités suivantes.
P (X = 0), P (X ≥ 0), P (4 ≤ X ≤ 6), P (0 < X < 4), P (X ≥ 6).
3. La variable aléatoire X est-elle à densité ?
Exercice 10.
Soit (a, b) ∈ N∗2 ; a < b ; X est une variable aléatoire discrète de Ω dans N ∗ telle que :
FX de X .

2 ]|.
Exercice 11. (Loi normale)
On considère la fonction f (u) dénie par :

u2
f (u) = ke− 2 , ∀u ∈ R.
1. Déterminer la constante k de telle sorte que f (x) puisse être considérée comme la
densité de probabilité d'une v.a. continue U .
2. Soit Π(z) la fonction de répartition de U . Montrer que
Π(−z) = 1 − Π(z)

X = m + σU
où m et σ sont des réels non nuls.

x−m
FX (x) = Π( ).
σ
4. Déterminer la densité de probabilité g(x) de X.
5. Montrer que par le changement de variable z = x−m
σ toutes les varibles aléatoires nor-
6. Application :
Le stock journalier d'un produit destiné à un atelier suit une loi normale de moyenne
120 pièces et d'écart type 50 pièces.
57
a. Calculer la probabilité pour que le nombre de pièces en stock soit compris entre 80
et 160.
b. Calculer la probabilité pour que le nombre de pièces en stock soit supérieur à 200.
c. Calculer la probabilité pour qu'il y ait rupture de stock.
d. Interpreter ces résultats.
On donne
Π(0, 8) = 0, 7881, Π(1, 6) = 0, 9452 et Π(2, 4) = 0, 9918.

Exercice 12.
Soit U une v. a. r. de loi uniforme sur [0, 1], et X la variable aléatoire dénie par
1
X = − ln(U ),
p
où p > 0. Déterminer la loi de X .
Exercice 13.
Environ 5% des réservations aériennes sur une ligne donnée ne sont pas utilisées, et c'est
pourquoi une compagnie vend 100 billets pour 97 places.
Quelle est la probabilité pour que tous les passagers aient une place ? Faire le calcul exact (avec
une loi binomiale), et le calcul approché (avec une loi de Poisson).
Exercice 14.
Soit X une v. a. uniforme sur [−1, +1].
1. Calculer P (|X| > 12 )
2. Quelle est la densité de la v. a. Y = |X|.

Exercice∗∗ 15.
On jette 5 dés. Après le premier lancer, on reprend et on lance les dés qui n'ont pas donné de
six, jusqu'à ce qu'onobtienne 5 six. Soit X le nombre de lancers nécessaires.
1. Calcuer P (X ≤ n) puis P (X = n) pour n ∈ N.

2. Combien de lancers sont nécessaires en moyenne pour obtenir les 5 six ?
Exercice 16.
On désire modéliser le temps d'attente d'une panne de machine à l'aide de variables alátoires
sans mémoire : la probabilité pour que la machine tombe en panne après la date k + n sachant
qu'elle fonctionne à l'instant n est indépendante de n.
1. Montrer que la loi géométrique de paramètre p est sans mémoire : c'est à dire que
P (X > k + n/X > n) est indépendante de n.
2. Caractériser toutes les lois des variables aléatoires X à valeurs dans N∗ qui sont sans
mémoire. On pourra calculer P (X > 1 + n) en fonction de P (X > 1).
3. Caractériser toutes les lois des variables aléatoires X à valeurs dans N qui sont sans
mémoire.
1. Cet exercice constitue le sujet d'un devoir libre.
58
Chapitre 4
Moments d'une variable aléatoire
réelle
Soit (Ω, F, P ) un espace de probabilité et X une v. a. de Ω dans R. Nous allons dénir

le concept d'espérance d'une v. a. réelle, qui, représentera sa valeur moyenne. Il est souvent
trop coûteux et guère utile de caractériser une variable aléatoire ou un ensemble de variables
aléatoires par leur fonction de répartition ou leur densité de probabilité. On peut se contenter
d'informations partielles comme la valeur moyenne de la variable aléatoire et sa dispersion
autour de cette valeur moyenne. Ces notions sont quantiées par la dénition des moments.
4.1 Espérance Mathématique

4.1.1 Cas des variables aléatoires discrètes
Dénition 4.1. Soit X une v. a. discrète et
X(Ω) = {xi ∈ R, i ∈ I}, I ⊆ N.
1. On dit que X est intégrable si la somme i∈I |xi |P (X = xi ) converge.

P
2. Si X est intégrable, son espérance est donnée par :
X X
E(X) = xi P (X = xi ) = xP (X = x).
i∈I x∈X(Ω)
Remarques : 1) La somme |xi |PX (xi ) est soit une somme nie (si X(Ω) est ni) et
P
i∈I
dans ce cas, l'espérance existe toujours, soit une série à terme positifs (si X(Ω) est une partie
dénombrable innie), et dans ce cas, la série peut être divergente et avoir une somme égale à
+∞.
Rappelons que dans le cas d'une série à termes positifs, la suite des sommes partielles est
croissante, et deux cas se présentent donc :
- soit la suite de ces sommes partielles est majorée et la série est convergente ;
- soit la suite de ces sommes parielles tend vers +∞ et la série diverge vers +∞.
Exemples :
1. Si X est une v.a. constante X = c, alors E(X) = c.
2. Soit X une v.a. discrète dont la loi est donnée par :
x 2 3 4 5 6
P(x=x) 1
9
2
9
3
9
2
9
1
9
59
1 2 3 2 1
E(X) = 2 × + 3 × + 4 × + 5 × + 6 × = 4.
9 9 9 9 9
3. Soit X une v.a. de Bernoulli de paramètre p.
On a X = 1A , alors E(X) = E(1A ) = P (A) = p.
En eet, X(Ω) = {0, 1}.
On a {X = 1} = A = {ω/X(ω) = 1}.
Donc
E(X) = 0.P (X = 0) + 1 × P (X = 1)
= P (X = 1) = P (A).
Remarque : Si pour tout i ∈ I , on a : a ≤ xi ≤ b, alors :
a ≤ E(X) ≤ b,
car X X
aP (X = xi ) ≤ E(X) ≤ bP (X = xi )
i∈I i∈I
et comme i∈I P (X = xi ) = 1, on a le résultat.

P
En particulier, si X ≥ 0, alors E(X) ≥ 0.
4.1.2 Espérance d'une fonction d'une variable aléatoire réelle

Soit g une fonction dénie sur X(Ω) à valeurs dans R.
Théorème 4.2. (Théorème

P de transfert)
Si I est ni ou si la série i∈I g(xi )P (X = xi ) est absolument convergente, alors la v.a. g(X)
admet une espérance et on a :
X
E(g(X)) = g(xi )P (X = xi ).
i∈I
Preuve. Dans le cas où I = |[1, n]|.

Soit Y = g(X). Y prend les valeurs : y1 , y2 ,,...,ym avec les probabilités :
X
P (Y = yj ) = P (X = xi )
i∈Ij
où
Ij = {i ∈ I/g(xi ) = yj }.
Donc :
E(Y ) = m yj P (Y = yj ) = m
P P P
j=1 j=1 yj [ i∈Ij P (X = xi )]
= m [ i∈Ij yj P (X = xi )] = m
P P P P
j=1 j=1 [ i∈Ij g(xi )P (X = xi )]
= i∈I g(xi )P (X = xi ), car (Ij )1≤j≤m est une partition de |[1, n]|.
P
Remarques :
1. Si g = id, on retrouve la formule donnant l'espérance.
2. Si la fonction g est bornée, la formule pour E(g(X))est valable sans aucune condition.
60
4.1.3 Cas des variables aléatoires à densité
Dénition 4.3. Soit X une v. a. r. à densité. R
1. On dit que X est intégrable si l'intégrale R |x|fX (x)dx converge.
2. Si X est intégrable, son espérance est donnée par :
Z
E(X) = xfX (x)dx.
R
Exemple :
- Soit X ∼ U[a,b] avec a < b.

Alors : Z +∞ b
1 x2 b
Z
x b+a
E(X) = xf (x)dx = dx = [ ]a = .
−∞ a b−a b−a 2 2
L'analogue du théorème de transfert, dans ce cas, est le résultat suivant :
Théorème 4.4. Soient X une v. a. r.Rà densité et h une fonction continue. Alors h(X) est
intégrable si et seulement si l'intégrale R |h(x)|fX (x)dx converge.
Dans ce cas, on a Z
E(h(X)) = h(x)fX (x)dx.
R
Remarque :
Le théorème de transfert permet de calculer l'espérance de h(X) sans calculer la densité de
h(X).
Exemple :
Soit X ∼ U[a,b] avec a < b. Et soit g(x) = exp(x)
Alors : R +∞
E(g(X)) = E(exp(X) = −∞ g(x)f (x)dx
R +∞
= −∞ exp(x) 1 b
b−a dx = b−a [exp(x)]a =
exp(b)−exp(a)
b−a .
4.1.4 Propriétés de l'espérance

Proposition 4.5. L'espérance possède les propriétés suivantes :
1. (Linéarité) Soit X et Y deux v. a. réelles et λ unréel. On a :
E(X + Y ) = E(X) + E(Y ),
E(λ(X)) = λE(X).
2. (Positivité) Si X est une v. a. positive, alors E(X) ≥ 0.
3. (Croissance) Si X et Y sont deux v. a. intégrables, et si X ≤ Y , alors E(X) ≤ E(Y ).
Autrement dit, X 7−→ E(X) est une forme linéaire positive.
Preuve.
1. Si X et Y Sont deux v. a. discrètes, alors Posons
X(Ω) = {xi }i∈I et Y (Ω) = {yj }j∈J avec I, J ⊆ N.

P
E(X + Y ) = i,j (xi + yj )P(X = xi , Y = yj )
P P
= i,j xi P(X = xi , Y = yj ) + i,j yj P(X = xi , Y = yj )
P P P P
= i xi j P(X = xi , Y = yj ) + j yj i P(X = xi , Y = yj ) = E(X) + E(Y ).
61
De même, on a :
X X
E(λX) = λxi P(X = xi ) = λ xi P(X = xi ) = λE(X).
i i
Si X et Y sont deux v. a. continues, alors :

R R
E(X + Y ) = RR RR (x + y)f(X,Y )(x,y)dxdy
R R
= RR R Rxf(X,Y )(x,y)dxdy + RR R yfR(X,Y )(x,y)dxdy
= R x{ R f(X,Y )(x,y)dy}dx + R y{ R f(X,Y )(x,y)dx}dy
= E(X) + E(Y ).
De même, par linéarité de l'intégrale, on aura

Z Z
E(λX) = λxfX (x)dx = λ xfX (x)dx = λE(X).
R R
2. Clair par dénition de l'espérance d'une variable aléatoire. On a déja démontré le

résultat dans le cas discret. Noter aussi que si X ≤ Y , alors Y − X ≥ 0.
4.2 Moments, variance et écart-type

Dénition 4.6. Soient X une v.a.r. et k ∈ N∗ . On dit que X admet un moment d'ordre k si
la v. a. r.
Xk est intégrable.
Dans ce cas, la valeur E(X k ) est appelée moment d'ordre k de X . On note
mk (X) = E(X k ).
Remarque 4.1. 1. Le moment d'ordre 1 de X , si il existe, est l'espéranceR de X .

+∞
2. Soit X v. a. à densité f . Comme la fonction x → xr est continue, donc si −∞ xr f (x)dx
converge absolument, mr (X) existe et on a :
Z +∞
mr (X) = E(X ) = r
xr f (x)dx. ( théorème de transfert).
−∞
3. Si la v. a. r. X admet un moment absolu d'ordre r ni, elle a aussi un moment absolu

d'ordre p ni pour tout p ∈ |[0, r]| : En eet :
Si 0 ≤ p ≤ r, on a :
|X|p ≤ 1{|X|≤1} + |X|p 1{|X|>1} ≤ 1 + |X|r .
( car : 1Ω = 1{|X|≤1}∪{|X|>1} =⇒ |X|p = |X|p 1{|X|≤1} + |X|p 1{|X|>1} .)

Dénition 4.7. Soit X une v. a. r. admettant un moment d'ordre 2.
1. La variance de X est par dénition :
V ar(X) = E[(X − E(X))2 ]
2. L'écart-type de X est par dénition égal :

p
σ(X) = V ar(X).
62
Remarque 4.2. La variance d'une v. a. r. représente sa dispersion autour de sa moyenne.
C'est un nombre toujours positif, ce qui est évident vu sa dénition.
Nous allons montrer dans le paragraphe qui suit l'inégalité suivante : ∀ > 0
V ar(X)
P (|X − E(X)| > ) ≤ .
2
Une variance faible correspond à un niveau homogène, proche de la moyenne.
En pratique, on utilise la
Proposition 4.8. Soit X une v. a. r. admettant un moment d'ordre 2. On a :
V ar(X) = E(X 2 ) − E(X)2 .
Preuve. Il sut d'utiliser la linéarité de l'espérance :
V ar(X) = E(X − E(X))2 = E(X 2 − 2E(X)X + E(X)2 )
= E(X 2 ) − 2E(X)2 + E(X)2 = E(X 2 ) − E(X)2 .
La variance vérie également les propriétés suivantes :

Proposition 4.9. Soit X une v. a. r. admettant un moment d'ordre 2. On a :
1. V ar(aX + b) = a2 V ar(X), pour tout a, b ∈ R.
2. V ar(X) = 0 si et seulement si X est une constante.
Preuve.
1. Laissée en exercice.
2. Cela repose sur le résultat important suivant : si Z est une v. a. r. positive telle que
E(Z) = 0, alors Z = 0. En eet, on a
1
Z≥ 1 1 .
n {Z≥ n }
Donc P (Z ≥ n1 ) = 0 pour tout n ∈ N∗ .
On a aussi,
P (Z > 0) = P (∪n {Z ≥ n1 })
= limn−→∞ P (Z ≥ n1 )
= limn−→∞ 0 = 0.
Il sut d'appliquer ce résultat à Z = (X − E(X))2 .
4.3 Inégalités classiques

4.3.1 L'inégalité de Markov
Proposition 4.10. Si X est une v. a. r. positive, intégrable, et si a ∈ R∗+ , On a :
E(X)
P (X > a) ≤ .
a
Preuve.
Elle découle de l'inégalité X ≥ a1X>a et de la positivité de l'espérance.
63
4.3.2 L'inégalité de Bienaymé-Tchebyche
Proposition 4.11. Si X est une v. a. r. admettant un moment d'ordre 2, et si a ∈ R∗+ , On
a:
V ar(X)
P (|X − E(X)| > a) ≤ .
a2
Preuve.
Il sut d'appliquer l'inégalité de Markov à (X − E(X))2 après avoir remarqué que :
{|X − E(X)| > a} = {(X − E(X))2 > a2 }.
4.3.3 L'inégalité de Jensen

Proposition 4.12. Soient X une v. a. r. intégrable, et g : R −→ R une fonction convexe
telle que la v. a. r. g(X) soit intégrable. Alors :
g(E(X)) ≤ E(g(X)).
Preuve.
La convexité de g assure qu'en tout point son graphe est au-dessus de sa tangente : Pour tout
t ∈ R, il existe δ (on peut prendre pour δ gd0 (t) ou gg0 (t)), tel que :
g(x) ≥ g(t) + δ(x − t).
On prend : x = X(ω) et t = E(X) et on prend l'espérance, on obtient :
g(E(X)) ≤ E(g(X)).
4.4 L'espérance et la variance des lois classiques

Proposition 4.13. Soit X une v. a. de loi uniforme discrète sur {1, 2, ..., n}. Alors, on a :
n+1 n2 − 1
E(X) = et V ar(X) = .
2 12
Preuve.
• On commence par le calcul de l'espérance, par dénition :
n n
X 1X 1 n(n + 1) n+1
E(X) = kP (X = k) = k= ( )= .
n n 2 2
k=1 k=1
• Pour déterminer V ar(X), on calcule E(X 2 ) :

n n
2
X
2 1 X 2 n(n + 1)(2n + 1)
E(X ) = k P (X = k) = k = .
n 6n
k=1 k=1
(car, on peut montrer par récurrence que : nk=1 k 2 = n(n+1)(2n+1) ).

P
6
Or,
n(n + 1)(2n + 1) (n + 1)2 n2 − 1
V ar(X) = E(X 2 ) − E(X)2 = − = .
6 4 12
64
Proposition 4.14. Soit X une v. a. de Bernoulli de paramètre p. Alors, on a :
E(X) = p et V ar(X) = p(1 − p).
Preuve.
• On a X = 1A où A = {ω/X(ω) = 1}.
Donc
E(X) = P (A) = p,
et
V ar(X) = E(X 2 ) − E(X)2 = p(1 − p).
Proposition 4.15. Soit X une v. a. binomiale B(n, p) de paramètres n et p. Alors, on a :
E(X) = np et V ar(X) = np(1 − p).
Preuve.
Soit X le nombre de succès obtenus au cours de la réalisation de n épreuves indépendantes de
Bernoulli de paramètre p.
Donc
X = X1 + X2 + ... + Xn avec Xi ∼ B(p).
En utilisant la linéarité de l'espérance :
E(X) = E(X1 ) + ...E(Xn ) = np.
Pour calculer la variance, on utilise la relation suivante
V ar(X1 +...+Xn ) = V ar(X1 )+...+V ar(Xn ) si les (Xi ) sont indépendantes ( voir chapitre 6).
D'où
V ar(X) = V ar(X1 ) + ... + V ar(Xn ) = np(1 − p).
Proposition 4.16. Soit X une v. a. géométrique X ∼ G(p). Alors, on a :

1 1−p
E(X) = et V ar(X) = .
p p2
Preuve. Laissée en exercice.
Proposition 4.17. Soit X une v. a. de Poisson de paramètre λ. Alors, on a :
E(X) = λ et V ar(X) = λ.
Preuve.
•
+∞ +∞
X X λn−1
E(X) = nP (X = n) = λe−λ = λ.
(n − 1)!
n=0 n=1
•
+∞
X +∞
X
E(X 2 ) = n2 P (X = n) = n2 P (X = n) + P (X = 1).
n=0 n=2
65
1 0 n−1
Or, n2 = n(n − 1) + n et P (X = 1) = e−λ λ1! = e−λ λλ
0! = e (n−1)! pour n = 1,
−λ λλ
et
+∞ +∞ +∞
X X λn−2 −λ X −λ λn−1
n2 P (X = n) = λ2 e + λe
(n − 2)! (n − 1)!
n=2 n=2 n=2
Donc,
+∞ +∞
X λn−2 −λ X λn−1
E(X 2 ) = λ2 e−λ e + λe−λ = λ2 + λ.
(n − 2)! (n − 1)!
n=2 n=1
Donc,
V ar(X) = E(X 2 ) − E(X)2 = λ2 + λ − λ2 = λ
Proposition 4.18. Si X ∼ U[a,b] , a, b ∈ R, a < b. Alors, on a :
a+b (b − a)2
E(X) = et V ar(X) = .
2 12
Remarque : La dénition est la même pour les intervalles ]a, b[, [a, b[, ..., (car U[ a, b] est
absolument continue).
Preuve.
•
+∞ +∞
1 x2 b
Z Z
x b+a
E(X) = xf (x)dx = dx = [ ] = .
−∞ −∞ b−a b−a 2 a 2
•
+∞
1 b3 − a3
Z
2
E(X ) = x2 f (x)dx =
−∞ 3 b−a
Donc,
1 b3 − a3 (a + b)2 (b − a)2
V ar(X) = − = .
3 b−a 4 12
Proposition 4.19. Si X ∼ N (m, σ 2 ). Alors, on a :
E(X) = m et V ar(X) = σ 2 .
Preuve. Il sut de montrer que si X ∗ ∼ N (0, 1), alors E(X ∗ ) = 0 et V ar(X ∗ ) = 1.

Ensuite,
X −m
X∗ = ⇐⇒ X = σX ∗ + m.
σ
Et ona :
E(X) = E(X ∗ ) + m = m et V ar(X) = E(σ 2 (X ∗ )2 ) = σ 2 E(X ∗ )2 = σ 2 .
Soit maitenant X ∗ ∼ N (0, 1).On a :

• Pour l'espérance : Z +∞
∗ 1 x2
E(X ) = x √ e− 2 dx
−∞ 2π
Or, Z +∞ x2 −x2
xe− 2 dx = [−e 2 ]+∞
0 = 1,
0
66
2 R +∞ x2
comme la fonction x −→ xe− x2 est impaire, alors −∞ x √12π e− 2 dx = 0, donc E(X ∗ ) = 0.
• Pour la variance, Z +∞
∗ 2 1 x2
E(X ) = x2 √ e− 2 dx
−∞ 2π
2
Par une intégration par partie, on pose g(x) = x et f 0 (x) = xe− x2 , on obtient :
Z +∞ Z +∞ Z +∞ √
2 − x2
2 −x2
+∞ − x2
− x2 2π
x e dx = [−xe 2 ]0 + e 2 dx = e 2 dx = .
0 0 0 2
R +∞ x2 √ x2
(car −∞ e− 2 dx = 2π et x −→ e− 2 est paire.)
−x2
De plus x −→ x2 e 2 est paire, donc
Z +∞
−x2 √
x2 e 2 dx = 2π
−∞
En conclusion,
V ar(X ∗ ) = 1.
Proposition 4.20. Soit X ∼ E(θ), θ > 0. Alors, on a

1 1
E(X) = et V ar(X) = .
θ θ2
Preuve. Laissée en exercice.
4.5 Fonctions Génératrice

(Voir TD)
On suppose dans cette partie que X est une v. a. qui prend toutes ses valeurs dans N.
Dénition 4.21. On appelle fonction génératrice d'une v. a. entière X la fonction GX :

[0, 1] −→ [0, 1] donnée par :
∞
X
GX (s) = E(sX ) = sn P(X = n).
n=0
(On utilise la convention 00 = 1 dans le cas n = s = 0.)
Proposition 4.22. La fonction génératrice est une fonction analytique sur [0, 1]. Elle déter-
mine la loi de X , plus précisément, on a pour tout entier n on a :
(n)
GX (0)
P(X = n) = ,
n!
(n)
avec GX (0) désigne la dérivée n-ième de GX .
Preuve. Le fait que GX est une fonction analytique sur [0, 1] est clair sur sa dénition. La
formule qui donne les coecients d'une série entière en fonction de ses dérivées à l'origine
termine la preuve.
Exemples fondamentaux :
67
1 X est une v. a. de Bernoulli : P(X = 1) = p, P(X = 0) = 1−p. On a GX (s) = 1−p+sp.
2 X suit la loi binomiale B(n, p), p ∈ [0, 1], et n ∈ N. On a d'après la formule de Newton :
n
X
GX (s) = Ckn pk (1 − p)n−k = (ps + 1 − p)n ,
k=0
3 X suit la loi géométrique de paramètre p ∈]0, 1[,

∞
X 1−p
GX (s) = sn (1 − p)pn = .
1 − sp
k=0
θ > 0.
4 X suit la loi Poisson P(θ), θ > 0. On a

∞
−θ
X θn
GX (s) = e sn = eθ(s−1) .
n!
n=0
4.6 Fonctions caractéristiques

4.6.1 Intégration d'une fonction complexe
Rappelons ici rapidement et sans démonstrations quelques propriétés de l'intégration des
fonctions complexes. Soit (Ω, F, P ) un espace de probabilité et f : Ω → C une fonction
complexe.
1. f est mesurable si et seulement ses parties réelle Ref et imaginaire Imf sont mesu-
rables de (Ω, F) dans (R, B(R)).
2. f est intégrable par rapport à P si et seulement si ses parties réelle Ref et imaginaire
Imf sont intégrables par rapport à P , et
Z Z Z
f dP = Ref dP + i Imf dP.
Ω Ω Ω
3. f est intégrable par rapport à P si et seulement si son module |f | =

p
(Ref )2 + (Imf )2
est intégrable par rapport à P , et
Z Z
f dP ≤ |f |dP.
Ω Ω
Preuve. Montrons le dernier point.R L'intégrale de f est un nombre complexe que l'on
peut écrire sous forme trigonométrique : Ω f dP = ρeiθ . Alors
= ρ = e−iθ Ω f dP = Ω f e−iθ dP (∈ R)
R R R
Ω f dP
−iθ dP = −iθ )dP (d'après 2)

R R
= Re Ω f e Ω Re(f e
−iθ |dP
R R
≤ Ω |f e = Ω |f |dP.
68
4.6.2 Fonction caractéristique d'une variable aléatoire réelle
Dénition 4.23. Soit X une variable aléatoire réelle dénie sur un espace de probabilité
(Ω, F, P ). Sa fonction caractéristique ϕX est dénie par :
Z
itX
∀t ∈ R, ϕX (t) = E(e ) = eitx dPX (x) (∈ C).
R
Théorème 4.24. Soit X une variable aléatoire réelle dénie sur un espace de probabilité
(Ω, F, P ). Sa fonction caractéristique ϕX est uniformément continue sur R, de module infé-
rieur ou égal à 1,et vérie ϕX (0) = 1.
Preuve.
1. |ϕX (t)| = | R eitx dPX (x)| ≤ R |eitx |dPX (x) = R 1dPX (x) = PX (R) = 1.
R R R
2. ϕX (0) = E(ei0X ) = E(1) = 1

3. Découle du théorème de la convergence dominée :
|ϕX (t + h) − ϕX (t)| ≤ |E(ei(t+h)X − eitX )|

≤ E| e|ihX{z− 1} ||eitX | −→ 0 quand h −→ 0.
≤2
Et on prend le supt .
Théorème 4.25. Soit X une variable aléatoire réelle telle que E(|X|m ) < +∞, avec m ≥ 1.
Alors ϕX est m-fois dérivable sur R et
dm ϕX
(t) = im E(X m eitX ).
dtm
et, en particulier
(k)
ϕX (0) = ik EX k .
Preuve. Découle du théorème de dérivation d'une intégrale dépendant d'un paramètre :
Puisque
dk itX
(e ) = (iX)k eitX ,
dtk
on a
dk itX
| (e )| ≤ |X|k ,
dtk
et on peut appliquer m fois le théorème de dérivation d'une intégrale dépendant d'un paramètre.
En pratique : si E(|X|) < ∞ alors EX = iϕ0X (0),

si E(X 2 ) < ∞ alors E(X 2 ) = −ϕ00X (0).
Proposition 4.26. Si X et Y sont deux variables aléatoires indépendantes et si Z = X + Y ,

alors
∀t ∈ R, ϕZ (t) = ϕX (t)ϕY (t).
♣ Exercice : Faire la preuve.
69
4.6.3 Exemples de calcul
Par le théorème de transfert, la dénition de la fonction caractéristique se décline de la
façon suivante :
1. Si X est discrète, X
ϕX (t) = eitx P (X = x).
x∈X(Ω)
2. Si X a pour densité f , Z
ϕX (t) = eitx f (x)dx.
R
♣ Exercice : Dans tous les exemples qui suivent, retrouver espérance et variance en dérivant
la fonction caractéristique.
• Loi de Bernoulli de paramètre p
X
ϕX (t) = eitx P (X = x) = eit P (X = 1) + ei0 P (X = 0) = peit + 1 − p.
x∈X(Ω)
• Loi binômiale de paramètre B(n, p)

Pn Pn n
eitx P (X eitk P (X eitk pk (1 − p)n−k
P
ϕX (t) = x∈X(Ω) = x) = k=0 = k) = k=0 k

Pn n
= k=0 (peit )k (1 − p)n−k = (peit + 1 − p)n .
k
• Loi de Poisson de paramètre λ
P itx
P∞ itk P∞ itk −λ λk
ϕX (t) = x∈X(Ω) e P (X = x) = k=0 e P (X = k) = k=0 e e k!
.
P∞ (λeit )k
= e−λ k=0 k! = exp(λ(eit − 1))
♣ Exercice : Déterminer la fonction caractéristique de la loi géométrique de paramètre p.
• Loi uniforme sur [−a, a]
ϕX (t) = R eitx fX (x)dx = R eitx 2a 1
1[−a,a] (x)dx
R R
1
Ra itx 1
Ra Ra
= 2a −a e dx = 2a ( −a cos(tx)dx +i −a sin(tx)dx)
1
Ra 1 1 sin(at)
= 2a −a cos(tx)dx = 2a [ t sin(tx)]a−a = at .
• Loi normale centrée réduite :

Méthode par équation diérentielle
ϕX (t) = R eitx fX (x)dx = R eitx √12π exp(−x2 /2)dx

R R
√1 exp(−x2 /2)dx + i √1 exp(−x2 /2)dx = √1 exp(−x2 /2)dx.

R R R
= R cos(tx) 2π R sin(tx) 2π R cos(tx) 2π
Comme la loi normale admet des moments de tout ordre, on peut dériver ϕX :
ϕ0X (t) = R dt
R d
(cos(tx)) √12π exp(−x2 /2)dx) = R (−x sin(tx)) √12π exp(−x2 /2)dx
R
√1 exp(−x2 /2)dx) (par IPP)

R
= − R t cos(tx)) 2π
= −tϕX (t).
70
On a donc établit une équation diérentielle linéaire satisfaite par ϕX (t) : donc
∀t ∈ R, ϕX (t) = Cexp(−t2 /2), et ϕX (0) = 1 = C.
Donc ∀t ∈ R, ϕX (t) = exp(−t2 /2).

Méthode par prolongement analytique
Soit λ ∈ R : R
E(exp(λX)) = R exp(λx)fX (x)dx
√1 exp(−x2 /2)dx .
R
= R exp(λx) 2π
√1 exp(−(x2 − 2λx)/2)dx
R
= R 2π
Cette intégrale est convergente pour tout λ ∈ R.

De plus x2 − 2λx = (x − λ)2 − λ2 , d'où :
E(exp(λX)) = R √12π exp(λ2 /2) exp(−(x − λ)2 /2)dx

R
= exp(λ2 /2) √1 exp(−(x − λ)2 /2)dx = exp(λ2 /2)

R
R 2π
Maintenant, par le théorème de dérivation sous le signe intégrale, h1 : z 7→ E(exp(zX)) est

holomorphe sur C et h2 : z 7→ E(exp(z 2 /2)) est holomorphe sur C. Or ces deux fonctions
coïncident sur R. Par le théorème de prolongement analytique, h1 h2 coïncident sur C.
En particulier,
h1 (it) = ϕX (t) = h2 (it) = exp((it)2 /2) = exp(−t2 /2).
En pratique : On essaie d'identier le résultat (h2 ) sur une partie de C où on sait faire
calculer h1 explicitement (ici R), puis on prolonge ce résultat par prolongement analytique.
• Loi normale quelconque
Rappelons que si X ∼ N (0, 1) et si Y = σX + m, alors Y ∼ N (m, σ 2 ). On a alors
ϕY (t) = E(eitY ) = E(eit(σX+m) )
= E(eitm ei(tσX) ) = eitm E(ei(tσ)X ) = eitm ϕX (tσ) = eitm exp(−t2 σ 2 /2).
4.7 Théorème d'unicité

L'idée est la suivante : on a vu que l'intégration contre des fonctions-test continues bornées
caractérise la loi d'une variable aléatoire réelle. Ici, on diminue la classe des fonctions-test
pour limiter aux exponentielles complexes :
Théorème 4.27. Soit X et Y deux variables aléatoire réelles. Si ∀t ∈ R, ϕX (t) = ϕY (t),

alors X et Y ont la même loi.
Preuve. Admis.
Utilise des résultats de densité de type Stone-Weierstrass.
Exemple : Soit X ∼ P(µ) et Y ∼ P(µ) deux variables aléatoire indépendantes.
Déterminer la loi de Z = X + Y .
Par indépendance,
ϕZ (t) = ϕX (t)ϕY (t) = exp(λ(eit − 1)) exp(µ(eit − 1)) = exp((λ + µ)(eit − 1)).
71
On reconnaît la fonction caractéristique d'une variable aléatoire de loi de Poisson de paramètre
λ + µ.
Donc
Z ∼ P(λ + µ).
♣ Exercice : Soit (Xi )1≤i≤n des variables aléatoire indépendantes suivant toutes des lois
gaussiennes. Montrer que toute combinaison linéaire des (Xi )1≤i≤n suit encore une loi gaus-
sienne.
♣ Exercice : Soit (XP i )1≤i≤n des v.a.i.i.d. de loi Bernoulli de paramètre p.
Déterminer la loi de ni=1 Xi .
En déduire, sans calcul, espérances et variances des lois binomiales.
72
4.8 Annexe : Dénition de l'espérance d'une variable aléa-
toire : Cas général
Le cadre est le suivant : on a un espace de probabilité (Ω, F, P ), et X une variable aléatoire
dénie sur Ω à valeur dans R. Comment dénir sa valeur moyenne, ou espérance ? On sait
que pour une variable aléatoire discrète, on utilise une moyenne des valeurs prises par X ,
pondérées chacune par la probabilité qu'a X de prendre cette valeur :
X
E(X) = xP (X = x).
x∈X(Ω)
On connait aussi la formule de la valeur moyenne pour une bonne" fonction (continue par
exemple) sur un intervalle [a, b] :
Z b
1
m= f (x)dx.
b−a a
On voudrait construire une formule générale qui englobe les deux précédentes :
Z Z
EX = X(ω)dP (ω) = xdPX (x),
Ω R
c'est-à-dire être capable d'intégrer une fonction sur Ω par rapport à la probabilité P , ou une
fonction sur R par rapport à la loi image PX . Cette formule d'égalité entre deux intégrales sur
deux espaces diérents sera fondamentale pour les calculs pratiques, on l'appelle théorème de
transfert.
Dans toute la suite, l'ensemble R est muni de la tribu boriélienne B(R), et on considérera
des variables aléatoires
X : (Ω, F) −→ (R, B(R)).
Pour les variables aléatoires simples

Dénition 4.28. Soit A une partie de Ω. On appelle indicatrice de A l'application suivante :
1A : Ω −→ {0, 1}
si ω ∈ A,

1
ω 7−→ 1A (ω) =
0 sinon.
Dénition 4.29. Une variable aléatoire X : Ω → R est dite simple si et seulement si il existe
un entier n > 0, une famille (Ai )1≤i≤n d'éléments de F et une famille (ai )1≤i≤n des nombres
réels distincts tels que :
n
ai 1Ai .
X
X=
i=1
Les ai sont des nombres réels distincts, donc cette écriture est la représentation canonique
de X .
Une variable aléatoire simple ne prend qu'un nombre ni de valeurs. Si (Ω, F) = (R, B(R)),
une fonction simple est une fonction en escaliers avec un nombre ni de marches.
Dénition 4.30. 1
Pn
Si X = i=1 ai Ai est une variable aléatoire simple, on dénit son espé-
rance de la façon suivante
n
X
EX = ai P (Ai ).
i=1
73
Remarque :
Il fautPvérier que cette dénition ne dépend pas de l'écriture particulière choisie pour X . Si
X= m i=1 bi Bi représente une écriture non canonique de X ( i.e. les bi ne sont pas distincts),
on pose :
Ai = X −1 ({ai }), et Ai = ∪j∈Ji Bj , Ji = {j ∈ [1, m]/bj = ai }, ∪ni=1 Ji = [1, n].
E(X) = ni=1 ai P (∪j∈Ji Bj ) = ni=1 ai j∈Ji P (Bj )
P P P
= ni=1 j∈Ji bj P (Bj ) = m

P P P
i=1 bj P (Bj ).
En conclusion la dénition de l'espérance ne dépend pas de l'écriture de X .
Proposition 4.31. L'ensemble des fonctions simples est un R−espace vectoriel. Sur cet en-
semble, l'espérance est une application linéaire positive : si X et Y sont deux v. a. simples et
si a est un nombre réel, alors :
E(aX + Y ) = aE(X) + E(Y ), et si X ≥ 0, alors E(X) ≥ 0.
On rappelle que X ≥ 0 signie que pour tout ω ∈ Ω, X(ω) ≥ 0.
Preuve. La positivité est claire, et la linéarité est laissée en exercice.
Pour les variables aléatoires positives

Dénition 4.32. Si X est une variable aléatoire positive, on dénit son espérance de la façon
suivante :
E(X) = sup{E(Y )/ Y fonction simple positive telle que Y ≤ X}.
Remarque : L'espérance d'une v. a. positive est positive, remarquons aussi que cette espé-
rance peut valoir +∞ (prenez la loi de Cauchey : f (x) = π(1+x
1
2 ) , pour tout réel x).
Pour les variables aléatoires quelconques

Dénition 4.33. Soit X une v. a. réelle, on pose :
X + = max(X, 0) = X+ − X−

X
et on a
X − = max(−X, 0) |X| = X + + X − .
Dénition 4.34. Une variable aléatoire réelle X est dite intégrable si et seulement si
E|X| < +∞, si et seulement si E(X + ) < +∞ et E(X + ) < +∞. On dénit alors son
espérance de la façon suivante :
E(X) = E(X + ) − E(X − ).
Remarque : L'ensemble des variables aléatoires réelles intégrables sur l'espace de probabilité
(Ω, F, P ) est noté L1 (Ω, F, P ). C'est un R-espace vectoriel, et l'espérance est une application
linéaire positive sur cet espace. L'espérance de X est notée :
Z Z
E(X) = X(ω)dP (ω) = X.dP
Ω Ω
Cette espérance prolonge celle introduite les variables aléatoires

P discrètes.
(Si X(Ω) = {x1 , ..., xn }, on posant Ai = X −1 ({xi }) et X = ni=1 xi 1Ai , d'où :
n
X n
X
E(X) = xi P (Ai ) = xi P (X = xi )).
i=1 i=1
74
Théorème d'approximation
Théorème 4.35. Soit X variable aléatoire positive. Il existe une suite (Xn )n∈N de variables
aléatoires simples croissante à valeurs positives qui converge simplement vers X .
Preuve. Il sut de prendre
k2−n k2−n ≤ X(ω) < (k + 1)2−n .

si
Xn (ω)
n si X(ω) ≥ n.
Vérier la n de la preuve.
Proposition 4.36. Soit (Xn )n∈N une suite de variables aléatoires simples croissante à valeurs
positives qui converge simplement vers X . Alors X est une v. a. positive et
E(X) = limn−→∞ E(Xn ).

Preuve.
Admis
4.8.1 Théorème de transferet

Considérons (Ω, F, P ) un espace de probabilité. Rappelons que si X : Ω −→ (R, B(R)) est
une variable aléatoire, alors elle permet de dénir, à partir de P sur (Ω, F), une probabilité
PX sur (R, B(R)) appelée loi de X de la façon suivante :
∀ B ∈ B(R) PX (B) = P ({ω ∈ Ω/X(ω) ∈ B}) = P (X −1 (B)) = P (X ∈ B).
On aimerait utiliser ce lien entre les probabilités P sur (Ω, F) et PX sur (R, B(R)) pour
calculer les espérances des variables aléatoires d'une autre manière :
Théorème 4.37. Soit X : (Ω, F) −→ (R, B(R)) une variable aléatoire, et
h : (R, B(R)) −→ (R, B(R))
une application mesurable. On pose Y = h(X), qui est encore une variable aléatoire réelle
dénie sur Ω.
1. Y ∈ L1 (Ω, F, P ) ⇐⇒ h ∈ L1 (R, B(R), PX )
2. Dans ce cas, R R
E(Y ) = RΩ Y dP = Ω h(X)dPR
= RΩ Y (ω)dP (ω) = RΩ h(X(ω))dP (ω)
= R h(x)dPX (x) = R hdPX .
Preuve. On va utiliser la stratégie usuelle : d'abord on le montre pour des fonctions in-
dicatrices, puis pour des fonctions simples, puis pour des fonctions positives, puis pour des
fonctions quelconques.
1. Soit B ∈ B(R), posons h = 1B .
E(Y ) = E(h(X)) = E(1B (X)) = E(1X∈B )

= P (X ∈ B) par dénition de l'espérance de l'indicatrice de {X ∈ B} ∈ F
=PR X (B) par déf. de la loi image
= RR 1B (x)dPX (x) par déf. de l'espérance de l'indicatrice de {B} ∈ B(R)
= R h(x)dPX (x).
75
2. Si h est une fonction simple, on utilise la linéarité de l'espérance
Pn sur chacun des deux
espaces de probabilités (Ω, F, P ) et (R, B(R), PX ) : soit h = i=1 ai 1Ai , on a :
E( ni=1 ai 1Ai (X))

P
E(Y ) = E(h(X)) = P
= Pni=1 ai E(1
R Ai (X))
n
= R i=1P ai R 1Ai (x)dPX (x) d'après l'étape précédente
= R ( ni=1 ai 1Ai (x))dPX (x) = R h(x)dPX (x).
R
3. Si h est une fonction mesurable positive, on utilise le résultat d'approximation : soit

(hn )n∈N une suite de fonction simples positive qui converge en croissant vers h. On
sait par l'étape précédente que
Z Z
E(hn (X)) = hn (X(ω))dP (ω) = hn (x)dPX (x).
Ω R
puis on utilise le résultat de croissance monotone de chaque côté, en passant à la limite

quand n tend vers l'inni, on obtient :
Z
E(X) = h(x)dPX (x).
R
4. Finalement, pour h intégrable quelconque, on prend h = h+ − h− : la condition néces-

saire et susante d'intégrabilité est alors claire, et on utilise la linéarité sur chacun
des deux espaces de probabilités (Ω, F, P ) et (R, B(R), PX )
Nous allons maitenant décliner ce résultat dans les deux cas que nous avons vu précédem-
ment : v. a. discrètes et v. a. à densité.
Corollaire 4.38. 1. Soit X une v. a. réelle avec X(Ω) = {x1 , x2 , ..., xn , ...} ni ou dé-
nombrable.
La v. a. h(X) est intégrable si et seulement si
X
|h(xi )|PX (xi )
i≥1
est une série convergente et dans ce cas :

X
E(h(X)) = h(xi )PX (xi ).
i≥1
2. Soit X une v. a. réelle à densité f . La v. a. h(X) est intégrable si et seulement si

Z
|h(x)|f (x)dx < +∞
R
est une intégrale convergente, et dans ce cas

Z Z Z
E(h(X)) = h(X)dP = h(x)dPX (x) = h(x)f (x)dx.
Ω R R
76
4.9 Exercices
Exercice 1.
Soit X une variable aléatoire représentant le nombre d'heures de vie d'une ampoule éléctrique.
Supposons que X soit distribué avec la densité de probabilité suivante :
1 −x
f (x) = e 1000 1[0,+∞[ (x).
1000
Trouver la durée de vie moyenne attendue d'une telle ampoule.
Exercice 2.
1. Soit X une variable aléatoire à valeurs dans N. Montrer que :
+∞
X
E(X) = P (X ≥ j).
j=1
2. Montrer que si X est une variable aléatoire discrète à valeurs entières (positives, né-
gatives ou nulles) dont l'espérance mathématique existe, on a :
+∞
X
E(X) = [P (X ≥ j) − P (X ≤ −j)].
j=1
Exercice 3.
Soit X une variable aléatoire de loi de Poisson de paramètre λ > 0 (i. e. P (X = k) =
k
e−λ λk! , k ≥ 0).
1. Vérier que 1+X
1
est une variable aléatoire intégrable. Calculer E( 1+X
1
).
2. Calculer E( (1+X)(2+X)
1
) et en déduire E( 1+X
1
).
Exercice 4.
Un joueur joue à pile ou face de la manière suivante : la première fois il parie 1 euro ; s'il
gagne, il gagne 2 euros et il s'arrête ; sinon, la deuxième fois il parie 2 euros ; s'il gagne, il
gagne 4 euros et il s'arrête, etc... C'est-à-dire que tant qu'il perd il double sa mise pour le
coup suivant et il s'arrête dès le premier succès.
Quelle est l'espérance de gain du joueur ?
Exercice 5.
Dans une classe de n élèves, la probabilité qu'un élève sache son cours pour la colle est p; p ∈
]0, 1[. La probabilité qu'un élève qui sait son cours sache faire l'exercice en colle est α ; α ∈]0, 1[.
Aura une bonne note un élève qui connaît son cours et qui réussit l'exercice. On note X la
variable égale au nombre d'élèves sachant leur cours, et Y celle égale au nombre d'élèves ayant
une bonne note.
1. Quelle est la loi de X
2. Quelle est la loi de Y ; calculer l'espérance et la variance 2 de Y .
Exercice 6. X est une VARD qui suit la loi de Poisson de paramètre λ.
Montrer que :
P (X ≥ λ + 1) ≤ λ.
2. La variance d'une v.a. mesure la "dispersion" de cette v.a. par rapport à son espérance. Si la variance
est petite, la v.a. est "concentrée" autour de sa moyenne. La variance est tjrs positive et une variance faible
correspond à un niveau homogène, proche de la moyenne.
77
Exercice 7. Un satellite de télédétection eectue 6 passages par mois au-dessus d'une région
donnée. Les photos réalisées lors des diérents passages peuvent être inutilisables, du fait
notamment de la présence d'une couverture nuageuse.
1. Soit X la v.a. qui désigne le nombre de photos valables pour les 6 passages. Trouver la
loi de X .
2. Quelle doit être la probabilité d'obtenir une photo valable lors d'un passage donné pour
que la probabilité d'avoir au moins une photo valable par mois soit de 0,9 ?
Exercice 8. Un appareil électronique utilise 20 transistors identiques dans sa fabrication. On

admet que ces transistors sont les seules sources de panne de l'appareil. La probabilité qu'un
transistor soit défectueux est de 0,1. Dès qu'un appareil contient au moins deux transistors
défectueux, il tombe en panne.
a. Quelle est la probabilité qu'un appariel tombe en panne ?
b. Jugeant l'appariel précédant peu rentable, on en construit un autre dont la probabilité
de tomber en panne est égale à 0,2.
Sur un lot de 2000 appariels, quel est le nombre (moyenne) d'appariels en panne auquel
doit-on s'attendre ? et avec quel écart type ?
Exercice 9. Une conture peut être qualiée de "pur sucre" si elle contient entre 440 et 520
grammes de sucre par kilogramme de conture. Un fabricant vérie 200 pots de conture de 1
kilogramme chacun. Il trouve que le poids moyen de sucre est de 480 grammes avec un écart
type de 20 grammes.
Sachant que le poids en sucre est distribué normalement, calculer le pourcentage de la produc-
tion du fabricant qui ne doit pas porter la mention "pur sucre" en considérant que l'échantillon
des 200 pots est représentatif de la production globale.
Exercice 10.
Soit X une v. a. ayant pour densité de probabilité la fonction f dénie par :
f (x) = αe−αx pour x ≥ 0

f (x) = 0 pour x < 0
où α est un réel positif.
1. Vérier que f est bien une densité de probabilité .
2. Déterminer la fonction de répartition de X.
3. Calculer E(X) et plus généralement E(X k ). En déduire la valeur de V (X).
4. Soit X0 la v.a. ayant pour densité de probabilité :
g(x) = k(x0 ).f (x) pour x ≥ x0

g(x) = 0 pour x < x0
où x0 est un réel positif donné.

a) Quelle est la valeur de k(x0 ) ?
b) Calculer E(X0 ) et V (X0 ).
78
Exercice 11.
Soit X une variable aléatoire réelle admettant une variance. Montrer que la fonction
x 7−→ E((X − x)2 )
admet un minimum global et le calculer.
Exercice 12. (Loi de Cauchy )

On considère la fonction f (x) dénie par :
k
f (x) = , ∀x ∈ R.
1 + x2
1) Déterminer la constante k telle que f (x) puisse être considérée comme la densité de pro-
babilité d'une v.a. continue X .
2) Que peut-on dire des moments de cette v.a. ?
Exercice 13.
Si U1 et U2 sont deux variables aléatoires normales centrées, réduites et indépendantes, calcu-
ler :
a. P (U1 > U2 ).
b. P (U1 + 2U2 > 5)
c. calculer k tel que P (U1 + kU2 > 2) = 0.05.
Exercice 14 . Le lait produit par une usine a une teneur en matières grasses qui suit
une loi normale de moyenne 160 grammes par litre et d'écart type 3 10 grammes par litre les
consommateurs n'acceptent que le lait dont la teneur en matières grasses est comprise entre
135 grammes par litre et 185 grammes par litre.
Calculer la proportion de la production du lait inacceptable par les consommateurs.
Exercice1 15 .
Soit un vendeur de lots de pièces mécaniques disposant, à une date t0 , d'un stock s.
La demande X , pour un intervalle de temps [t0 , t1 ], est une v. a. entière ayant une loi de
probabilité dénie par :
P (X = x) = k(x0 )p q x−1 pour x ≥ x0
=0 pour x < x0
où p et q sont deux réels positifs tels que p + q = 1 et x0 est un entier naturel inférieur à s.
1) Calculer k(x0 ) et E(X).
2) Si X est inférieure au stock s, les lots restants sont vendus à perte et le vendeur aura
à aronter une dépense moyenne de c1 DH. Si X est supérieure au stock s, il faut un ap-
provisionnement spécial de pièces manquantes et le supplément du coût représente une perte
moyenne de c2 DH.
Calculer l'éspérence mathématique des dépenses que va devoir aronter le vendeur pendant la
période [t0 , t1 ].
Exercice 16.
Soit X une variable aléatoire réelle. On appelle fonction caractéristique de X la fonction φX
dénie par
φX (t) = E(e itX
R itx )
=P R e f (x)dx dans le cas des v.a continue : c'est la transformée de Fourier de la fonction f
= k∈N eitk pk dans le cas discret
3. L'écart type est par dénition σ = V (X). Une v.a. X est dite centrée réduite si E(X) = m = 0 et
p
σ = 1.
79
1) Vérier que φX (0) = 1 et que |φX (t)| ≤ 1 ∀t ∈ R.
2) Déterminer la f. c. φX de la v. a. X dans les cas suivants :
a. X = a, a ∈ R.
b. X est une v. a. de Bernoulli de paramètre p.
c. X est une v. a. de binomiale de paramètres n et p, i.e. X ∼ B(n, p).
e. X est une v. a. de Poisson de paramètre λ, i.e. X ∼ P (λ).
f. X est une variable aléatoire de loi uniforme sur [−a, a]

2) Soit X une v a normale réduite. Montrer que la fonction caractéristique de X vérie l'équa-
tion diérentielle linéaire suivante :
φX (t)0 = −tφX (t).
Trouver la fonction caractéristique de X . Déduire que si X ∼ N (m1 , σ12 ) et Y ∼ N (m2 , σ22 )

deux v a indépendantes , alors X + Y ∼ N (m1 + m2 , σ12 + σ22 ).
Exercice 17.
Soit X v. a. r. de densité p(x) = xe−x 1x≥0 .
1. Déterminer la loi de la v. a. Y = eX − 1.
2. Déterminer la fonction caractéristique de X .
3. En déduire la moyenne et la variance de X .
4. Soit Z une v. a. indépendante de X et de même loi. Calculer l'espérance et la variance

de 3X − 4Z .
Exercice 18. Loi de Pareto
Soit Y une variable exponentielle de paramètre λ > 0.
1. Quelle est la loi de la v.a. X = eY . Cette loi est appelée la loi de Pareto P(λ, 1).
2. Déterminer une condition nécessaire et sussante d'existence de E(X), puis la calcu-
ler.
3. D'éterminer une condition nécessaire et sussante d'existence de V (X), puis la cal-
culer.
Exercice 19. Loi de Weibull
Une variable aléatoire X est dite de Weibull de paramètre (α, λ) (α > 0, λ > 0), si la v.a. X α
suit une loi exponentielle de paramètre λ > 0.
Déterminer une densité de X et calculer E(X).
Exercice 20. Loi du Chi-deux : χ2

Soit X une v.a. suivant une loi normale centrée et réduite N (0, 1).
1. Montrer que la v.a. Y = X 2 est une variable à densité que l'on déterminera.
On dit que Y suit une loi du Chi-deux à un degré de liberté.
En général, si X1 , X2 , ..., Xr est une suite de v.a. indépendantes toutes de loi N (0, 1),
alors la loi de la v.a. Z = X12 + ... + Xr2 est appelée la loi du Chi-deux à r degré de
liberté et notée χ2r
2. Montrer que Y admet une espérance que l'on calculera.
80
1. Cet exercice constitue le sujet d'un devoir libre.
81
Chapitre 5
Variables aléatoires vectorielles
5.1 Généralités
De nombreux problèmes concrets fond intervenir plusieurs variables aléatoires, regroupées
dans un vecteur aléatoire. Il est important de caractériser la loi d'un tel vecteur et les relations
liant ses composantes.
Nous allons voir dans ce chapitre que tout ce que l'on a construit pour une variabble aléa-
toire réelle se transpose quasiment mot par mot au cas d'un vecteur aléatoire. Les principales
diérences sont :
- la notion de loi marginale

- la notion de covariance, qui essaie de traduire un certain lien entre les coordonnées du
vecteur aléatoire.
Dans la suite, nous n'allons dénir les notions que pour les couples de variables aléatoires.
Mais la plupart des résultats énoncés se généralisent facilement à un nombre quelconque de
variables.
Dénition 5.1. Une application de (Ω, F) à valeurs dans (R2 , B(R2 )) est un couple aléatoire
si chacun de ses composantes est une v. a. réelle.
Notation : Un couple de v. a. est noté par :
(X, Y ) : (Ω, F) −→ (R2 , B(R2 ))
ω 7−→ (X(ω), Y (ω)).
5.1.1 Couples aléatoires discrets

Dénition 5.2. 1. On dit qu'un couple aléatoire est discret s'il prend ses valeurs dans
un ensemble {(xi , yj )(i,j)∈I×J } avec I × J ⊂ N2 ou dans Z2 .
2. La loi conjointe de X et Y (i.e. la loi du couple (X, Y ))) est la donnée des nombres
positifs :
pij = P ({X = xi } ∩ {Y = yj }), (i, j) ∈ I × J
avec X
pij = 1.
(i,j)∈I×J
3. Si l'on s'intéresse uniquement au comportement de l'une des deux variables, on intro-

duit les lois marginales de X et Y dénies par
X X
pi. = P (X = xi ) = pij et p.j = P (Y = yj ) = pij .
j∈J i∈I
82
Remarque : Les deux événements (X = xi ) et (∪j∈J Y = yj , X = xi ) sont identiques.
Donc X
pi. = pij .
j∈J
De plus, X XX X
pi. = pij = pij = 1.
i∈I i∈I j∈J (i,j)∈I×J
Exemple :
On tire, avec remise, deux boules d'un sac contenant 3 boules numérotées 1, 2, et 3.
On considère la v. a. X qui est la somme des points obtenus et soit Y le maximum des points
obtenus. Calculer la loi conjointe de X et Y .
Déduire les lois marginales de X et Y .
On a
X(Ω) = {2, 3, 4, 5, 6} et Y (Ω) = {1, 2, 3}.
Il s'agit d'évaluer P (X = i, Y = j) lorsque 2 ≤ i ≤ 6 et 1 ≤ j ≤ 3.
Les résultats sont donnés dans le tableau suivant :
yj /xi 2 3 4 5 6 Loi de Y
1 1
9 0 0 0 0 1
9
2 0 2
9
1
9 0 0 3
9
3 0 0 2
9
2
9
1
9
5
9
Loi de X 1
9
2
9
3
9
2
9
1
9 1
Les cas possibles sont :
(1, 1) −→ X = 2
(1, 2), (2, 1) −→ X = 3
(1, 3)(3, 1)(2, 2) −→ X = 4
(3, 2)(2, 3) −→ X = 5
(3, 3) −→ X = 6.
Explicitons le calcul de la première ligne :
1
P (X = 2, Y = 1) = P ({(1, 1)} = , P (X = a, Y = 1) = 0 si a ≥ 3.
9
La formule donnant l'espérance de h(X) se généralise au contexte d'un couple de v. a. de X
et Y . XX
E(h(X, Y )) = h(xi , yj )pi,j
i∈I j∈J
où h est une fonction continue de deux variables.

En particulier : XX
E(XY ) = xi yj pi,j
i∈I j∈J
♣ Exercice : Calculer E(XY ) pour X et Y de l'exemple précédent.
83
5.1.2 Couples aléatoires à densité
Dénition 5.3. • On dit qu'un couple aléatoire (X, Y ) est à densité s'il existe une fonction
f(X,Y ) : R2 −→ R mesurable positive telle que pour tout domaine D de R2 , on a
Z Z
P(X,Y ) (D) = P ((X, Y ) ∈ D) = f(X,Y ) (x, y)dxdy.
D
avec
R
R2 f(X,Y ) (x, y)dxdy = 1.
• Les densités marginales de X et Y sont données par :

Z Z
fX (x) = f(X,Y ) (x, y)dy et fY (y) = f(X,Y ) (x, y)dx.
R R
♣ Exercice :
On pose
x2 + y 2
f (x, y) = cexp(−
).
2
1. Déterminer c pour que f soit une densité de probabilitéd'un vecteur aléatoire Z =
(X, Y ) de R2 .
2. Calculer les densités des lois marginales de Z .

Solution :
1. • f est continue de R2 dans R, donc mesurable.
• f ≥ 0 si c ≥ 0.
• pour l'intégrale :
x2 +y 2
f (x, y)dxdy = c R2 e− 2 dxdy
RR RR
1 = R2
R − x2 R − y2
= c(√R e√ 2 dx)(
Re
2 dy)
= c 2π 2π.
Donc
1
c= .
2π
2. Z Z
1 − x2 +y2 1 x2 1 y2 1 x2
fX (x) = e 2 dy = √ e− 2 ( √ e− 2 dy) = √ e− 2 .
R 2π 2π R 2π 2π
Donc
X ∼ N (0, 1).
De même :
1 y2
fY (y) = √ e− 2 .
2π
Donc
Y ∼ N (0, 1).
Enn, on a aussi l'analogue du théorème de transfert :
Proposition 5.4. Soit h : R2 −→ R une fonction continue et (X, Y ) un couple aléatoire ad-
mettantR pour
R densité f(X,Y ) . Alors, la v. a. h(X, Y ) est integrable si et seulement si l'intégrale
double R2 |h(x, y)|f(X,Y ) (x, y)dxdy est convergente.
Dans ce cas, on a : Z Z
E(h(X, Y )) = h(x, y)f(X,Y ) (x, y)dxdy.
R2
84
5.2 Distribution conjointe
5.2.1 Fonction de répartition
Deux variables aléatoires X et Y quelconques (discrètes ou continues) peuvent être entiè-
rement caractérisées par leur fonction de répartition conjointe, qui est l'extension au cas de
deux variables de la notion de fonction de répartition déja présentée au chapitre 3.
Dénition 5.5. Pour un couple (X, Y ), la fonction de répartition conjointe F (x, y) est donnée
par :
F (x, y) = P(X ≤ x, Y ≤ y)
Remarque 5.1. 1- La fonction F (x, y) prend ses valeurs dans l'intervalle [0, 1], avec :
F (−∞, y) = F (x, −∞) = F (−∞, −∞) = 0 F (∞, ∞) = 1.
En eet, posons les événements A = (X ≤ x) et (B ≤ y), on F (x, y) = P(A ∩ B).

L'événement A = (X ≤ −∞) est l'événement impossible, donc F (−∞, y) = P(∅∩B) =
0. Les autres égalités se démontrent de façon similaire.
2- La fonction F (x, y) est croissante par rapport à x et y :
F (xi , yi ) ≤ F (xj , yj ) ∀xi ≤ xj , yi ≤ yj .
5.3 Indépendance et espérance de produits

En général, la donnée des lois de probabilités de deux variables aléatoires X et Y ne
permet pas de calculer la loi du couple aléatoire (X, Y ) (alors que la réciproque est vraie).
C'est toutefois possible dans un cas particulier très important, celui des variables aléatoires
indépendantes.
Dénition 5.6. 1. Soit X et Y deux v. a. discrètes à valeurs respectivement dans {ai }
et {bj }. Les v. a. X et Y sont indépendantes si et seulement si :
Pij = P ({X = ai } ∩ {Y = bj }) = P (X = ai )P (Y = bj ).
2. Soit X et Y deux v. a. à densité. Les v. a. X et Y sont indépendantes si et seulement

si :
f(X,Y ) (x, y) = fX (x).fy (y).
Conséquence :
X q Y =⇒ E(XY ) = E(X)E(Y ).
En eet, RR
E(XY ) = R R2 xyf(X,YR) (x, y)dxdy
= R xfX (x)dx R yfY (y)dy.
= E(X)E(Y ).
Exemple :
Pour éviter l'inconvénient majeur que représente la panne d'une machine fragile et indispon-
sable au bon fonctionnement d'une chaîne de production, on envisage de prévoir une machine
de secours, identique en tout point, qui se met automatiquement en marche lorsque la première
machine tombe en panne. La machine est mise en marche le matin à 8h00 et est arrêtée le
soir à 18h00, et on ne peut envisager de réparer une machine qu'après 18h00 le soir. Si l'on
85
suppose que la durée de fonctionnement sans l'occurrence d'une panne à partir de la mise en
marche suit une loi exponentielle de paramètre λ = 0, 01h−1 , quelle est la probabilité que la
chaîne de production s'arrête s'il y a une seule machine ? une seconde machine de secours ?
1- S'il y a une seule machine dont le temps de foctionnement X suit Exp(0, 01). On a
P(X < 10) = FX (10) = 1 − e−0,1 = 0, 0952.
2- S'il y a une machine de secours, son temps de fonctionnement est Y ∼ Exp(0, 01).
On suppose que X⊥Y . On a donc
R 10 R 10−x R 10
P(X + Y < 10) = 0 0 fX (x)fY (y)dxdy = 0 λe−λx (1 − eλx−10λ )dx
= [−e−λx − xλe10λ ]100
= 0, 0047.
Le risque de voir la chaîne de production s'arrêter est donc 20 fois moindre si l'on prévoit
une machine de secours.
5.4 Distributions conditionnelles

Un des intérêt majeurs qu'il y a à dénir le couple (X, Y ) est d'obtenir des informations sur
l'une des variables lorsque des informations sont disponibles sur l'autre variable, en exploitant
le lien existant entre elles.
5.4.1 Cas discret

Dans le cas des variables aléatoires discrètes, les fonctions de probabilités conditionnelles
de X/y et Y /x donnent la probabilité que l'événement X = x (ou Y = y ) se réalise si l'on
sait que l'événement Y = y (ou X = x) s'est réalisé.
On pourra donc écrire :
Dénition 5.7. Pour un couple (X, Y ) discret, les fonctions de probabilité conditionnelles
sont données par :
p(x, y)
pX (x/y) = P(X = x/Y = y) = avec pY (y) > 0.
pY (y)
p(x, y)
pY (y/x) = P(Y = y/X = x) = avec pX (x) > 0.
pX (x)
Remarque 5.2. 1 - En posant A = (X = x) et B = (Y = y), on retrouve la dénition
des probabilités conditionnelles.
2- Une autre façon de caractériser une distribution conditionnelle est de spécier sa fonc-
tion de répartition. Dans le cas discret, les fonctions de répartions conditionnelles de
X/y et Y /x sont données par :
X X
FX (x/y) = pX (xi /y), FY (y/x) = pY (yi /x).
xi ≤x yi ≤y
86
5.4.2 Cas Continu
Dans le cas d'un couple de variables aléatoires continues, les formules qui donnent les
fonctions de densités conditionnelles sont données par :
Dénition 5.8. Pour un couple (X, Y ) continu, les fonctions de densité de probabilités condi-
tionnelles sont données par :
f (x, y)
fX (x/y) = avec fY (y) > 0.
fY (y)
f (x, y)
fY (y/x) = avec fX (x) > 0.
fX (x)
Remarque 5.3. Une autre façon de caractériser une distribution conditionnelle est de spéci-
er sa fonction de répartition. Dans le cas continu, les fonctions de répartions conditionnelles
de X/y et Y /x sont données par :
Z x Z y
FX (x/y) = fX (u/y)du ; FY (y/x) = fY (u/x)du.
−∞ −∞
Ces fonctions donnant, comme dans le cas discret, la probabilité que l'événement X ≤ x
(ou Y ≤ y ) se réalise si l'on sait que l'événement Y = y (ou X = x) s'est réalisé.
Exercice : Soit la fonction f (x, y) donnée par :

6x pour 0 ≤ x ≤ y ≤ 1
f (x, y) =
0 autrement
1- Calculer les fonctions de densités marginales fX (x) et fY (y).

2- Trouver les distributions conditionnelles : fX (x/y) et fY (y/x).
Solution :
1. Les distributions marginalessont données par :
R1
fX (x) = x 6xdy = 6x(1 − x) x ∈ [0, 1]
0 ailleurs
Ry
0 6xdx = 3y 2 y ∈ [0, 1]
fY (y) =
0 ailleurs
2. Les distributions conditionnelles sont données par :
 6x 2x
 3y2 = y2 pour 0 ≤ x ≤ y ≤ 1
fX (x/y) =

0 ailleurs
 6x 1
 6x(1−x) = 1−x pour 0≤x≤y≤1
fY (y/x) =

0 ailleurs
87
5.4.3 Théorème des probabilités composées
Sur base de la dénition des distributions conditionnelles, on voit qu'il est toujours pos-
sible de dénir une distribution conjointe en l'exprimant comme produit d'une distribution
conditionnelle et d'une distribution marginale quelconques. On pourra donc dire que :
Théorème 5.9. Pour un couple (X, Y ), on peut écrire que :
p(x, y) = pX (x/y)pY (y) = pY (y/x)pX (x) cas discret
f (x, y) = fX (x/y)fY (y) = fY (y/x)fX (x) cas continu

Preuve. Immédiate.
5.4.4 Théorème des probabilités totales

Le théorème des probabilités totales dans le cas d'un couple aléaoire s'écrit sous la forme :
Théorème 5.10. Pour un couple (X, Y ), on peut écrire que :

X X
pX (x) = pX (x/yj )pY (yj ) ; pY (y) = pY (y/xj )pX (xj )
j j
Z +∞ Z +∞
fX (x) = fX (x/y)fY (y)dy ; fY (y) = fY (y/x)fX (x)dx
−∞ −∞
Preuve. On a :
pX (x/yj )pY (yj ) = p(x, yj )
d'après la loi des probabilités composées et
X
p(x, yj ) = pX (x)
j
d'après la dénition de probabilité marginale.

Les autres résultats se démontrent de façon similaire.
Exemple. Soit Y /x ∼ P(µ(x)) le nombre annuel de pannes pour une machine âgée de x
années, avec
µ(x) = ln(x) + 1.
Je décide d'acheter cette machine en occasion chez un revendeur qui ne peut m'en spécier
l'âge. Si je considère que la distribution des âges X est donnée par :
x 1 2 3 4
pX (x) 0,1 0,2 0,3 0,4
Quelle est la distribution du nombre annuel de panne auquel je dois m'attendre si j'achète une
machine au hasard chez ce revendeur ?
Ce que l'on demande de calculer sont les valeurs pY (y), y=0,1,2,3,...
En appliquant la formule
4
X
pY (y) = pY (y/xi )pX (xi ),
i=1
88
en obtient
y 0 1 2 3 4 5 ....
pY (y/1) 0,368 0,368 0,184 0,061 0,015 0,003 ...
pY (y/2) 0,184 0,311 0,264 0,149 0,063 0,021 ...
pY (y/3) 0,123 0,257 0,270 0,189 0,099 0,042 ...
pY (y/4) 0,092 0,219 0,262 0,208 0,124 0,059 ...
D'où
y 0 1 2 3 4 5 ...
pY (y) 0,147 0,264 0,257 0,176 0,094 0,041 ...
Remarque 5.4. Ces formules permettent aussi d'exprimer les fonctions de (densité de) pro-
babilité marginales comme étant égales à l'espérance d'une fonction des variables X ou Y ,
avec1 :
pX (x) = EY (pX (x/Y )); pY (y) = EX (pY (y/X)) cas discret
fX (x) = EY (fX (x/Y )); fY (y) = EX (fY (y/X)) cas continu

Preuve. A titre d'exemple, en notant
g(yj ) = pX (x/yj )),
on voit que X
pX (x) = g(yj )pY (yj ) = E(g(Y )),
j∈J
soit l'espérance de la variable aléatoire pX (x/Y ).

De façon similaire, en notant
g(y) = fX (x/y),
on voit que Z
fX (x) = g(y)fY (y)dy = EY (g(Y )).
R
5.4.5 Théorème de Bayes

En combinant le théorème des probabilités composées avec celui des probabilités totales, on
obtient directement le théorème de Bayes pour un couple de variable aléatoires. Ce théorème
permet d'exprimer la distribution conditionnelle de l'une des deux variables en fonction de la
distribution conditionnelle l'autre variable. On a le théorème :
Théorème 5.11. 9 : Pour un couple (X, Y ) discret ou continu, on peut écrire que :
pY (y|x)pX (x) fY (y|x)fX (x)

pX (x|y) = P ; fX (x|y) = R +∞
i pY (y|xi )pX (xi ) −∞ fY (y|x)fX (x)dx
ainsi que par symétrie :

pX (x|y)pY (y) fX (x|y)fY (y)
pY (y|x) = P ; fY (y|x) = R +∞
j pX (x|yj )pY (yj ) −∞ fX (x|y)fY (y)dy
1. La notation EY (.) est l'espérance calculer par rapport à la variable aléatoire Y . Tandis que EX (.) est
l'espérance calculer par rapport à la variable aléatoire X .
89
5.5 Espérance, Covariance et Coecient de corrélation linéaire
5.5.1 Espérance
Dénition 5.12. Soit (Ω, F, P) un espace de probabilité. Soit Z = (X, Y ) un couple aléatoire.
On note quand cette quantité existe,
EZ = (EX, EY ).
5.5.2 Covariance
Pour mesurer le lien entre deux grandeurs aléatoires, on fait appel à la notion de cova-
riance :
Dénition 5.13. Soit (X, Y ) un couple aléatoire tel que X et Y admettent toutes les deux
un moment d'ordre 2.
On appelle covariance de X et Y et on note cov(X, Y ) la quantité :
cov(X, Y ) = E([X − E(X)][Y − E(Y )]).
Remarque :
1. On peut montrer qu'il existe une autre formule pour calculer la covariance :
cov(X, Y ) = E(XY ) − E(X)E(Y ).
2. Si X q Y , alors cov(X, Y ) = 0. Mais la réciproque est fausse.

En eet, Soit une v. a. X pour laquelle pX (x) = 31 pour x = −1, 0, 1. Si l'on dénit
une nouvelle variable Y = X 2 , la fonction p(x, y) du couple est donc :
y\ x -1 0 1
0 0 1
3 0
1 1
3 0 1
3
Il est facile de voir que
XX 2
xi yj p(xi , yj ) = 0; E(X) = 0 et E(Y ) = .
3
i j
La covariance vaut donc cov(X, Y ) = 0−0( 32 ) = 0 bien que ces deux variables ne soient
pas indépendantes ; si l'événement X = x est réaliser, alors l'événement Y = x2 est
forcément réalisé.
1 1 2 2
P(X,Y )(−1,1) = 6= PX (−1)PY (1) = ∗ = .
3 3 3 9
La proposition suivante donne quelques propriétés de la covariance.
Proposition 5.14. Soit X , Y et Z trois v. a. r. admettant un moment d'ordre 2. on a :

1. cov(X, X) = V ar(X),
2. cov(aX + bY, Z) = acov(X, Z) + bcov(Y, Z), ∀a, b ∈ R.
3. V ar(X + Y ) = V ar(X) + 2cov(X, Y ) + V ar(Y ).
90
4. cov(X, Y )2 ≤ V ar(X)V ar(Y ) (Inégalité de Cauchy-Schwartz.)
Preuve.
1. Il sut d'appliquer la dénition de la variance.

2 et 3. C'est immédiat en utilisant la linéarité de l'espérance.
4. Il sut de remarquer que (X, Y ) −→ cov(X, Y ) est une forme bilinéaire symétrique
sur l'ensemble des v. a. r. de carrée intégrable.
5.5.3 Coecient de corrélation

Le coecient de corrélation mesure la qualité de ralation linéaire entre deux v.a. X et Y
(i.e. de la forme Y = aX + b).
Dénition 5.15. Soit (X, Y ) un couple aléatoire tel que X et Y soient non constantes et
admettent toutes les deux un moment d'ordre 2. On appelle coecient de corrélation linéaire
de X et Y , et on note ρ(X, Y ), la quantité :
cov(X, Y )
ρ(X, Y ) = ,
σ(X)σ(Y )
où σ(X) et σ(Y ) sont les écarts-types de X et Y .
Remarque :
1. −1 ≤ ρ(X, Y ) ≤ +1, (d'après l'inégalité de Cauchy-Schwartz).
Le coecient ρXY est une mesure de l'association entre deux variables. On remarquera
que si deux variables sont liées entre elles par une relation linéaire pour laquelle
Y = aX + b a 6= 0
alors ρXY = +1 lorsque a > 0 (relation linéaire positive), tandis que ρXY = −1 lorsque
a < 0 (relation linéaire négative).
Plus généralement on a :
ρY Y = ±1 ⇐⇒ Y = aX + b
2. ρ(X, Y ) = 0 si X et Y sont indépendantes.

3. On peut écrire ρ(X, Y ) sous la forme Cov( σ(X) X Y
, σ(Y ) ), c'est à dire comme la cova-
riance de deux v. a. dont la variance est égale à 1.
4. Si X et Y sont centrées, on a :
< X, Y >
ρ(X, Y ) =
kXk2 kY k2
1
où kXk2 = (E(X 2 )) 2 et < X, Y >= E(XY ) .
ρ(X, Y ) s'interprète alors comme le cosinus de l'angle que forment les deux vecteurs
X et Y , égale au rapport du produit scalaire sur le produit des normes.
Une corrélation élevée indique une relation linéaire forte alors qu'une corrélation faible
n'indique pas l'absence de relation, mais simplement l'absence de relation linéaire.
Exercice :
Soient X et Y deux v. a. réelles. Soient a, b ∈ R. Montrer que
Y = aX + b =⇒ ρXY = ±1.
Preuve :
91
Remarquons que si Y = aX + b, alors V ar(Y ) = a2 V ar(X), ce qui donne σY = aσX
lorsque a > 0 et σY = −aσX lorsque a < 0. On a donc
2
σX σY = |a|σX .
Ensuite,
Cov(X, Y ) = aE(X − E(X))2
2 .
= aV ar(X) = aσX
On obient donc,
aσX2
covX, Y
ρX,Y = = 2
σX σY |a|σX
Donc ρXY = 1 quand a > 0 et ρXY = −1 quand a < 0.
92
5.6 Exercices
Exercice 1.
Deux variables aléatoires X1 et X2 prennent les valeurs 0,1,2.
1. Comment doit-on choisir p pour que le tableau ci-dessus donne une loi conjointe de
(X1 , X2 ) ?
X1 \X2 0 1 2
0 p p
2
p
4
1 2p p p
2
2 4p 2p p
2. Quelles sont les lois marginales de X1 et de X2 .
Ces deux variables sont-elles indépendantes ?
3. Soit Y = X1 + X2 . Calculer l'espérance de Y .
Exercice 2.
Soit (X, Y ) un couple aléatoire à valeurs dans N∗ × N∗ tel que :
λn−1
∀(n, k) ∈ N∗ × N∗ , P (X = k, Y = n) = (1 − q n )q n(k−1) e−λ ,
(n − 1)!
avec q ∈]0, 1[ et λ > 0.

Déterminer les lois marginales de X et de Y . Ces deux variables sont-elles indépendantes ?
Exercice 3.
Soit X1 et X2 deux variables aléatoires indépendantes et soient F1 (x) et F2 (x) leurs fonctions
de répartition.
Déterminer les fonctions de répartition des v. a .
Y = M ax(X1 , X2 )
et
Z = M in(X1 , X2 ).
Exercice 4.
Soient X et Y deux variables aléatoires et soit r leur coecient de corrélation.
1) Montrer que le coecient de corrélation r est compris entre −1 et 1.
1. L'espérance mathématique du couple (X, Y ) est par dénition E(X, Y ) = (EX, EY )
2. L'espérance mathématique du produit X.Y est donnée par :
( cas discret )
XX
E(XY ) = xi yj pij ,
i∈I j∈J
et
Z Z
E(XY ) = xyf (x, y)dxdy, ( cas continu )
R2
93
2) Soient 4 réels non nuls : a, b, c et d.
Calculer le coecient de corrélation des v. a.
U = aX + b
et
V = cY + d.
Quelles conclusions peut-on tirer des résultats de ce calcul ?
Exercice 5.
Soient X et Y deux variables aléatoires indépendantes et de même densité
1
f (x) = 1 (x).
x2 [1,+∞[
On pose U = XY et V = Y .
X
1. Calculer la loi du couple (U, V ). Les v.a.r. U et V sont-elles indépendantes ?

2. Calculer les lois marginales de U et de V .
3. Calculer
1
E( √ ).
UV
Exercice 6.
Soit h la fonction de R2 dans R+ dénie par :
2(e − 1)−1 xey si

0 < x, y < 1
h(x, y) =
0 ailleurs
Montrer que h est la densité de probabilité d'un couple aléatoire (X, Y ). Calculer les densités
marginales hX et hY . Les v. a. X et Y sont-elles indédendantes ?
Exercice 7. ( Examen de rattrapage juin 2006)

On lance quatre fois de suite une pièce de monnaie non truquée. Soient X le nombre de
séquences "Pile-Face" (dans cet ordre) obtenues 1 et Y le nombre de Piles obtenus.
1. Expliquer pourquoi P ({X = 0} ∩ {Y = 1}) = 16 1
et P ({X = 1} ∩ {Y = 1}) = 16
3
.
Dans la suite, on admettra que la loi du couple aléatoire (X,Y)est donnée par
X \ Y 0 1 2 3 4
0 1
16
1
16
1
16
1
16
1
16
1 0 3
16
1
4
3
16 0
2 0 0 1
16 0 0
3. La fonction de répartition du couple (X, Y ) est dénie par :
F(X,Y ) (x, y) = P (X ≤ x et Y ≤ y).
4. X et Y sont indépendantes si :
P (X = xi et Y = yj ) = PX (xi )PY (yj ) (v. a. discrètes )
f(X,Y ) (x, y) = fX (x)fY (y) (v. a. continues)
94
2. Donner la loi de X et dessiner sa fonction de répartition.
3. La variable aléatoire Y suit une loi usuelle. Laquelle ? Quels sont ses paramètres ?
Donner E(Y ) et V ar(Y ) sans faire de calcul.
4. Montrer que les variables aléatoires X et Y ne sont pas indépendantes. (On pourra
comparer P ({X = 0} ∩ {Y = 1}) et P (X = 0)P (Y = 1))
5. Calculer le coecient de corrélation linéaire ρ(X, Y )
6. On sait que pour toutes variables aléatoires indépendantes X1 et X2 on a
ρ(X1 , X2 ) = 0.
Est-ce que la réciproque de cette proposition est vraie ?
Exercice 8. ( Hors classe)
Soient (X, Y ) un vecteur aléatoire dans R2 de loi dénie par :
(i + j)λi+j
∀(i, j) ∈ N2 P(X = i, Y = j) =
e i!j!
avec λ ∈ R.
1- Montrer que λ = 1
2
2- Déterminer les lois marginales. Les v. a. X et Y sont-elles indépendantes ?
3- Déterminer la loi conditionnalle de Y liée par X = 0. Calculer sa moyenne et sa va-

riance.
4- Calculer E(X), E(Y ), V(X), V (Y ) et Cov(X, Y ). En déduire le coecient de corre-

lation entre X et Y .
5- Soit Z = 2X+Y . Calculer E(Z) et V (Z).
95
Chapitre 6
Théorèmes limites
6.1 Introduction
Soit (Xn ) une suite de v. a. r. dénies sur un espace de probabilité (Ω, F, P ).
Une suite de v. a. réelles étant une suite de fonctions Ω dans R. Il existe divers façons de
dénir la convergence de (Xn ) dont certaines jouent un grand rôle en calcul des probabilités
et en statistique.
6.2 Les diérents types de convergence

6.2.1 La convergence en probabilité
Dénition 6.1. La suite (Xn ) de v. a. converge en probabilité vers la constante a, si :
∀ε > 0, lim P (|Xn − a| > ε) = 0.

n−→∞
On note
P
Xn a.
−→
Remarque :
1. On dénit la convergence en probabilité de (Xn ) vers X comme la convergence de
(Xn − X) vers 0.
2. La convergence en probabilité signie que l'écart entre la valeur de Xn et la constante
a est très faible quand n devient grand.
3. en paraphrasant La convergence en probabilité : quand n devient grand, il est de plus
en plus improbable que Xn (w) s'écarte de X(w) de plus de ε.
6.2.2 La convergence presque sûre

Dénissons d'abord l'égalité presque sûre de deux v. a.
Dénition 6.2. Soit X et Y deux v. a. r., X et Y sont égaux presque sûrement si :
P ({ω/X(ω) 6= Y (ω)}) = 0.
Dénition 6.3. La suite (Xn ) converge p. s. vers X si :
P ({ω/ lim Xn (ω) 6= X(ω)}) = 0.

n−→∞
96
Autrement dit, ∃Ω0 ⊂ Ω tel que P (Ω0 ) = 1 et ∀ω ∈ Ω0 , limn−→∞ Xn (ω) = X(ω).
On note
p.s.
Xn X.
−→
Remarque :
1- La convergence presque sûre implique la convergence en probabilité.
En eet, supposons que (Xn ) convege p.s. vers X . Donc ∀ε > 0, ∃n0 ∀n ≥ n0 , |Xn (ω)−
X(ω)| < ε ∀ω ∈ Ω0 .
Donc :
∀ε > 0, ∃n0 , ∀n ≥ n0 , {|Xn − X| > ε} ⊂ Ωc0 .
Par suite,
lim P (|Xn − X| > ε) = 0.
n−→∞
2- Il est plus facile de voir que les résultats usuels sur les limites (unicité, linéarité...)
sont valables dans ces deux cas.
6.3 Lois des grands nombres

6.3.1 La loi faible des grands nombres
Une pièce de monnaie est lancée deux fois seulement. Bien que "Pile" et "Face" aient
toutes deux la même probabilité 0,5, il ne doit pas être considéré comme très surprenant que
ces deux lancers produisent deux "Piles", ou bien alors deux "Faces", au lieu de produire
exactement une fois "Pile" et une fois "Face", comme l'égalité des probabilités de "Pile" et
de "Face" le suggèrerait.
Par contre, si la pièce est lancée 1000 fois, on s'attend à ce que le nombre de "Piles" soit
très proche de 500.
Cette intuition est conrmée par la Loi Faible des Grands Nombres. Cette Loi énonce que si
une épreuve est répétée un grand nombre de fois, il devient très improbable que la moyenne
des résultats des n premières épreuves s'écarte sensiblement de l'espérance du résultat d'une
épreuve (événement) quand n augmente sans limite.
En termes plus techniques, la Loi Faible des Grands Nombres (LFGN) s'énonce ainsi :
Théorème 6.4. Soit (Xn ) une suite de v. a. r. indépendantes, de même loi et de carré
intégrable (EX12 < +∞). On a alors,
P
X1 + X2 + ... + Xn
−→ E(X1 ).
n
n −→ ∞
c-à-d que la moyenne empirique converge en probabilité vers l'espérance mathématique.
Preuve. D'après l'inégalité de B. T. , on a :

P (| X1 +...+X
n
n
− E(X1 )| > ε) = P (|(X1 + ... + Xn ) − E(X1 + ... + Xn )| > nε)
V ar(X1 +...+Xn ) V ar(X1 )

≤ ε2 n2
= nε2
(car V ar(X1 + X2 + ... + Xn = nV ar(X1 ), par indépendance).
97
Remarque :
1. La condition EX12 < +∞ assure que la grandeur EX1 est bien dénie (Inégalité de
C-Schwartz).
2. Si (An ) estPune suite d'événements indépendantes et de même probabilité p. La suite
des v. a. n ni=1 1Ai converge en probabilité vers p.
1
6.3.2 La loi forte des grands nombres

Théorème 6.5. Soient X1 , ..., Xn n v. a. r. de même loi et indépendantes. On suppose que
ces v. a. admettent
P une espérance m nie.
La v. a. X n = n1 ni=1 Xi converge p.s. vers m.
i.e. ∃Ω0 ⊂ Ω tel que P (Ω0 ) = 1 et ∀ω ∈ Ω0 , limn−→∞ X n (ω) = m.
Preuve. Ce résultat est admis.
Comparaison entre la loi forte des grands nombres et la loi faible des grands
nombres
Ces deux résultats nous assurent la convergence de la suite de v. a. r. (X n ) vers m mais il
n'y a pas convergence "au même sens". (Voir par exemple les série de fonctions où on dénit
4 types de convergences : simple, absolue, uniforme, normale.)
Pourquoi cette Loi est-elle considérée comme "faible" ?
Le terme "Faible" fait référence au type de convergence de la moyenne empirique vers la
moyenne de la distribution. A première vue, il semblerait qu'il n'y ait pas de meilleure façon
de converger que celle que nous avons décrite, et qui s'appelle la convergence "en probabilité".
Mais en fait, le type de convergence de la moyenne empirique vers la moyenne de la
distribution est bien plus "fort" que la simple convergence en probabilité : cette convergence
est dite "presque sure", et la Loi Faible des Grands Nombres n'est qu'une version atténuée de
la Loi Forte des Grands Nombres.
6.4 La convergence en loi et le théorème central limite

6.4.1 La convergence en loi
Dénition 6.6. Soit (Xn ) une suite de v. a. dénies sur le même espace probabilisé, de
fonctions de répartition Fn . Soit X une v. a. dénie sur le même espace probabilisé, de fonction
de répartition F .
On dit que (Xn ) converge en loi vers X si en tout point x où F est continue, on a :
lim Fn (x) = F (x).

n−→∞
Remarque :
1. Pour les v. a. discrètes la convergence en loi vers une v. a. discrète s'exprime par :
limn−→+∞ P (Xn = x) = P (X = x)
C'est ainsi qu'on a établi la convergence de la loi binomiale vers la loi de Poisson.
(Voir Chapitre 3).
2. Une suite de v. a. discrètes peut cependant converger en loi vers une v. a. continue.
Par exemple :
♣ Exercice : Soit (Xn ) une suite de v. a. r. de loi uniforme sur {0, n1 , n2 , ..., 1}.
Montrer que :
Loi
Xn X,
−→
98
avec X ∼ U[0,1] .
solution :
Soit Fn la fonction de répartition de Xn .
Xn prend les valeurs nk (0 ≤ k ≤ n) avec
k 1
P(Xn = )= .
n n+1
Pour x ∈ R, on :
si x < 0, Fn (x) = 0
si n+1
k k+1
≤ x < n+1 , Fn (x) = n+1
k+1
, 0 ≤ k ≤ n − 1,
si x ≥ 1, Fn (x) = 1.
Pour x ∈ [0, 1[, il existe k ∈| [0, n − 1 |] tel que
k k+1
≤x<
n n
Donc
nx k+1 nx + 1 nx nx + 1
k ≤ nx < k + 1 =⇒ < ≤ =⇒ < Fn (x) ≤ .
n+1 n+1 n+1 n+1 n+1
Donc
limn−→∞ Fn (x) = x, ∀x ∈ [0, 1[.
En résumé : 
 0 si x<0
limFn (x) = x si x ∈ [0, 1]
1 si x≥1

c'est la fonction de répartition de U[0,1] .

Remarque : La convergence en loi peut s'exprimer par : pour toute fonction de C0 = {f ∈
C(R, R)/ lim|x|−→∞ f (x) = 0}, on a
Z Z
E(f (Xn )) = f dPXn −→ f dPX = E(f (X)).
R R
Proposition 6.7. La convergence en probabilité entraîne la convergence en loi.
La réciproque est vraie si la limite est une constante.
Preuve. Supposons que (Xn ) converge en probabilité vers X .
Soit ϕ ∈ C0 , et soit ε > 0, la continuité uniforme de ϕ sur R entraîne l'existence de α > 0,
tel que pour tout u et v vériant |u − v| ≤ α, on ait |ϕ(v) − ϕ(u)| ≤ ε.
Il suit, en notant M = kϕk∞ :
R R
|E(ϕoXn ) − E(ϕoX)| ≤ |Xn −X|≤α |ϕoXn − ϕoX|dP + |Xn −X|>α |ϕoXn − ϕoX|dP
≤ ε + 2M P (|Xn − X| > α).

On conclut.
Supposons que (Xn ) converge en loi vers X = m. La fonction de réapartition de X est
FX (x) = 1[m,∞[ (x)
cette fonction est continue en tout point autre que m.
Soit ε > 0, il vient
P(|Xn −X| > ε) = P(Xn > ε+m)+P(Xn < m−ε) = 1−FXn (m+ε)+FXn (m−ε)−P (Xn = m−ε).
Cette dernière quantité a pour limite 1 − FX (m + ε) + FX (m − ε) = 1 − 1 + 0 = 0.
Récapitulons :
Convergence p.s =⇒ Convergence en probabilité =⇒Convergence en loi.
99
6.4.2 Le théorème central limite
Théorème 6.8. (Le théorème central limite)
Soit (Xn ) une suite de v. a. r. indépendantes de même loi et admettant un moment d'odre 2.
On pose :
Sn = X1 + X2 + ... + Xn ,
alors, on a : √
n Sn loi
( − m) N (0, 1),
σ n −→
avec m = E(X1 ) et σ 2 = V ar(X1 ).
Remarque :
1. Ce théorème permet de comprendre l'importance de la loi normale puisqu'il signie
que la somme des v. a. i.i.d. tend à suivre une loi normale quelles que soient les lois
suivies par ces variables.
2. Le théorème central limite implique, si n est grand, que la loi de Sn∗ = Sn −E(S )
√ n est voi-
σ n
sine de N (0, 1), ce qui est équivalent à dire que la loi de Sn est voisine de N (nm, nσ 2 ).
Application : On se sert souvent du théorème central limite pour calculer rapidement des
probabilités en avoir une première estimation.
Exemple (1) : Dans une le d'attente, dix personnes attendent avant d'être servies. Si le
temps de service d'une personne est une v. a. de loi exponentielle de paramètre θ = 1 minute,
quelle est la probabilité que la durée d'attente totale dépasse 15 minutes ?
On pose :
T = T1 + T2 + ... + T10 .
où Ti (i=1,...,10) sont des v. a. indépendantes de loi E(1).
On utilise le théorème central limite pour la v. a. T .
T peut être approchée par une v. a. normale de moyenne
E(T ) = 10E(T1 ) = 10
et de variance :
V ar(T ) = 10V ar(T1 ) = 10.
On trouve alors rapidement :
P (T > 15) ' P (N (0, 1) > 15−10

√
10
)
= P (N (0, 1) > 1, 5811) = 0, 057.
On peut donc attendre dans la le sans crainte d'y rester plus de 15 minutes.
Exemple (2) : Donnons un autre exemple, issu du contrôle de la qualité. Si on sait qu'en
moyenne 5% des articles produits par un certain procédé de fabrication sont défectueuses.
Quelle est la probabilié qu'il y ait au plus 60 pièces défectueuses dans un lot de 1000 pièces
choisies au hasard ?
Notons X le nombre de pièces défectueuses dans le lot.

De manière exacte, X ∼ B(1000, 0, 05).
Si on voulait faire le calcul exact, ce serait très compliqué.
100
On utilise le T.C.L. et faire comme si le nbr X de pièces défectueuses suit une loi normale de
paramètre m = 1000 × 0, 05 = 50 et σ 2 = 1000var(Xi ) = 1000 × 0, 05 × 0, 95 = 47, 5.
On trouve :
60 − 50
P (X ≤ 60) ' P (N (0, 1) ≤ ) = 0, 9265.
6, 9
Remarque : En pratique, l'approximation de la loi binomiale par la loi normale donne des
résultats convenables si np ≥ 5 et n(1 − p) ≥ 5.
Dans ces conditions, on peut retenir l'approximation :
B(n, p) ' N (np, np(1 − p)).
6.5 Annexe : Vitesse de convergence dans la loi des grands

nombres
Le théorème central limite précise la convergence donnée par la loi des grands nombres.
Plaçons-nous dans le cas d'une suite réelle (un )n∈N qui converge vers une limite l. On suppose
qu'on ne connaît pas exactement la valeur de l, et qu'on sait facilement calculer les termes
successifs de la suite (un )n∈N . On aimerait donc donner une valeur approchée de l en disant
pour n susament grand, un n'est pas loin de l. Toute la question est de savoir dire rigoureu-
sement ce que veut dire un n'est pas loin de l, autrement dit d'être capable d'estimer l'erreur
commise entre un et l. Ceci revient à étudier la vitesse de convergence de la suite (un )n∈N vers
l c'est -à-dire de trouver le terme suivant dans le développement asymptotique de un quand n
tend vers l'inni : par exemple,
3 1
un = l − 2
+ o( 2 ) ⇐⇒ limn−→∞ n2 (un − l) = 3.
n n
Dans ce cas, la vitesse est en 1
n2
. Remarquons que
si α<2 , alors limn−→∞ nα (un − l) = 0

si α>2 , alors limn−→∞ nα (un − l) = +∞.
Le cas α = 2celui qui donne une limite nie, est donc celui qui donne la bonne vitesse de
convergence.
Revenons maintenant au cas des v. a. i.i.d. La loi faible des grands nombres dit que
X1 + ... + Xn
−→P EX1 .
n
Pour étudier la vitesse de convergence de cette suite, on cherche α tel que
X1 + ... + Xn
nα ( − EX1 ) converge en un certain sens.
n
Ici, on n'obtient pas de limite détrministe, ce qui n'est pas surprenant vu qu'on est en train
de regarder des limites de variables aléatroires, mais le TCL nous dit que la limite est une loi
gaussienne, que la vitesse de convergence est en √1n et que la notion de convergence considérée
ici est la convergence en loi.
101
6.6 Exercices
Exercice 1. (Méthode de monte-Carlo)
Soit h : [0, 1] −→ R une fonction continue et soit (Xn ) une suite de v.a.r. indépendantes et
même loi uniforme sur [0, 1].
Montrer que
Z 1
h(X1 ) + ... + h(Xn )
−→P h(x)dx quand n −→ +∞.
n 0
Comment se servir de ce résultat pour approximer une intégrale ?

Exercice 2.
1. Démontrer que si np −→ λ quand n −→ ∞ et p −→ 0, et si X ∼ B(n, p).
Alors X converge en loi vers une v. a. Y ∼ P (λ).
2. Application : Un contrôle rigoureux des ampoules électriques fournies par un atelier a
permis de constater que sur 14760 ampoules, il y avait 738 ampoules défectueuses.
Soit X le nombre des ampoules défectueuses gurant dans un lot de 60 ampoules.
a) Indiquer la loi de probabilité de X .
b) Quelle est la probabilité d'avoir plus de 3 ampoules défectueuses dans un lot de 60
ampoules ?
c) Quelle est la probabilité d'avoir 78 ampoules bonnes dans un lot de 80 ampoules ?
Exercice 3.
Une caisse d'assurance maladie reçoit 120 personnes pour l'obtention de remboursements.
On admet que la caisse doit payer, en moyenne, à chaque personne 1000 dh avec un écart type
de 600 dh.
La caisse dispose de 130000 dh. Calculer la probabilité que cette somme soit susante.
Exercice 4.
Une usine possède un restaurant d'entreprise qui assure chaque jour 2 services. Chacun des
900 employés de l'usine se présente indiéremment à l'un ou à l'autre des services avec une
probabilité de 0,5. Par ailleurs les choix des employés sont indépendants.
a) Quelle est la probabilité pour que le nombre de personnes se présentant au premier
service soit supérieur à 500 ?
b) De quel nombre de places faut-il diposer dans le restaurant pour que la probabilité de
pouvoir répondre à la demande aux deux services sont supérieure à 95%.
c) Le nombre total des repas à servir chaque jour est une variable aléatoire ; chaque em-
ployé a chaque jour une probabilité de 0,75 de prendre son repas à l'usine.
- Quelle est l'espérance mathématique de cette variable ?
- Combien de repas convient-il de préparer pour que la probabilité de satisfaire la
demande soit supérieure à 99% ?
Exercice 5
2% des individus d'une population présentent une certaine mutation.
- Calculer le nombre moyen de mutants dans un échantillon de 100 individus.
- Quelle est la probabilité qu'il n'y ait aucun mutant ?
102
- Quelle est la probabilité qu'il y en ait au moins 5 ? Faire le calcul exact (avec une loi
binomiale), et le calcul approché (avec une loi de Poisson).
Exercice 6
On lance une pièce équilibrée 1000 fois. On veut calculer la probabilité pour que le nombre de
" pile " soit compris entre 450 et 550.
- Soit X le nombre de " pile ". Quelle est la loi de X ?
- Écrire la probabilité cherchée. Cette expression est trop longue à calculer !
- Quelle est l'espérance m et l'écart-type σ de X ?
- Montrer que l'on peut approximer X par une loi normale N (m, σ).
- Il ne reste plus qu'à répondre à la question initiale.

Exercice 7
Les 300 places d'un avion sont réservées. On suppose que le poids d'un voyageur est une
variable aléatoire de moyenne 70kg et d'écart-type 8 kg. Le poids maximum des bagages au-
torisé par voyageur étant 20 kg, on suppose que le poids des bagages d'un voyageur est une
variable aléatoire de moyenne 15 kg et d'écart-type 5 kg. Le poids de l'appareil avant l'embar-
quement des voyageurs et de leurs bagages est 250 tonnes. Les consignes de sécurité interdisent
le décollage si le poids total de l'appareil chargé dépasse 276,5 tonnes.
Quelle est la probabilité que le décollage soit interdit ?
Exercice 8
Soit n contrats d'assurance automobile identiques selon lesquels, moyennant le versement
d'une prime P de la part de l'assuré, l'assureur s'engage à le dédomager pour les accidents de
l'année à venir. La somme X que l'assureur devra lui verser peut être considérer comme une
v a . En supposant que les risques d'accidents sont identiques pour chacun des assurés, la loi
de probabilité de X est la même pour tous les assurés. Les résultats statistiques des années
passées permettent de supposer connus E(X) = a et σ(X) = σ .
Calculer la valeur de la prime P que doit demander l'assurreur an de pouvoir tenir ses
engagements avec une probabilité 0,99.
Application nume¯ique : n=20 000, a=1200DH, σ = 600DH.
103
Deuxième partie
Statistiques
104
Chapitre 7
Introduction aux statistiques
7.1 Introduction :
7.1.1 Les statistiques, les probabilités, la statistique
1. Les statistiques sont des ensembles de données, d'observations : recensement...ce sont
donc des chires.
2. Les probabilités forment une branche des mathématiques et sont donc rigoureuses et
exactes ; pour cela il travaillent sur des objets mathématiques parfaitement dénis et
abstraits (bien que toujours d'origine concrète).
3. La statistique est la science qui utilise les méthodes mathématiques (venant générale-
ment des probabilités) pour étudier et analyser des statistiques eu vue :
- d'en accoître les connaissances scientiques ;
- de planier des stratégies ;
- d'aider à la prise de décision.
Dans la théorie des probabilités que nous avons développé jusqu'à présent, nous avons réa-
liser des calculs de nature probabiliste : par exemple, en évaluant la probabilité d'événements
ou en déterminant l'espérance d'une variable aléatoire. On a toujours supposé que les dié-
rents paramètres qui interviennent dans le modèle sont connus. Ce qui est rarement le cas en
pratique.
Nous nous intéressons à la modélisation d'une grandeur aléatoire à valeurs réelles. Dans
le cadre probabiliste, cette notion correspond au concept de variable aléatoire ; soit X cette
variable aléatoire. Donnons un exemple : si l'on s'intéresse à compter le nombre de fois ou
apparait le résultat S , au cours de k expériences indépendantes, à deux issus possibles S et
E , on choisira pour X une v. a. de loi B(k, p). En général le paramètre p n'est pas connu.
Dans d'autres situations, on peut choisir pour X une v. a. de loi de Poisson P(λ), ou une
loi de Gauss N (m, σ 2 ). Les valeurs de λ, m et σ étant inconnues. Le but de la statistique
est de pouvoir évaluer ces paramètres inconnus à l'aide des valeurs X1 , X2 , ..., Xn que l'on a
observées en réalisant une série de n expériences indépendantes.
7.1.2 La démarche statistique

Après le recueil des données que nous n'aborderons pas ici, la démarche statistique consiste
à traiter et interpréter les informations recueillies.
Elle comporte deux grand aspects : l'aspect descriptif ou exploratoitre et l'aspect inférentiel
ou décisionnel.
105
A- La statistique exploratoire :
Son but est de synthétiser , résumer, structurer l'information contenue dans les don-
nées. Elle utilise pour cela des représentations des données sous forme de tableaux, de
graphiques, etc.
L'étude statistique porte sur un caractère. Si le caractère est quantitatif, les mesures
sont alors les valeurs d'une variable statistique (ex. un âge , une taille,...). Si le carac-
tère est qualitatif, on est obligé de quantier (ex. sexe, mensonge,...).
B- La statistique inférentielle :
Son but est d'étendre les propriétés constatées sur l'échantillon à la population toute en-
tière. Le calcul des probabilités joue un rôle fondamental. Donnons quelques exemples :
B.1. Estimation d'une moyenne : Une même grandeur est mesurée n fois de suite
par un même observateur, l'imprécision de l'instrument de mesure et d'autres fac-
teurs rendent uctuantes ces mesures et on obtient n valeurs diérentes x1 , x2 , ..., xn .
Comment déterminer la vraie valeur m ? La loi des grands nombres montre que la
moyenne
x1 + x2 + ... + xn
x=
n
constitue une bonne approximation de m. x est une estimation de m. L'estimation
consiste à donner des valeurs approchées aux paramètres d'une population (m, σ ,
etc) à l'aide d'un échantillon de n observations issues de cette population.
B.2. Vérication d'une hypothèse ou test : Le cas suivant est classique en contrôle
de qualité. Un client commande à son fournisseur des lots de pièces dont la qualité
est spéciée par contrat : le fournisseur s'engage à respecter un taux de pièces dé-
fectueuses inférieur à 4%. Avant de livrer, le fournisseur eectue un contrôle sur
50 pièces et en trouve 3 défectueuses soit 6% : Doit-on livrer quand même au risque
de refuser la marchandise ?
Le raisonnement est alors le suivant : si le taux théorique de défectueux est de
4% quelles sont les chances d'observer un tel nombre de défectueux ? Le calcul des
probabilités montre alors qu'il y a une probabilité voisine de 0.32 d'observer trois
pièces défectueuses ou plus (loi binomiale B(50, 0.04)). Cette probabilité étant assez
forte, l'événement constaté paraît donc normal au fournisseur et ne semble pas de
nature à remettre en cause l'hypothèse formulée. Mais le client serait-il d'acord ?...
Il faut alors calculer le risque d'un refus par le client.
On contate la similitude de cette démarche statistique avec la démarche scientique habituelle :
observation, hypothèses, vérication.
Le but de la statistique est de pouvoir évaluer ces paramètres inconnus à l'aide de la

réalisation de n expériences indépendantes.
Le problème central de la statistique est le suivant : on dispose d'un échantillon de n
observations et on désire en déduire les propriétés de la population dont il est issu. Pour cela :
• Il faut que les tirages soient équiprobables et indépendants les uns des autres.
• Il faut que l'échantillon soit représentatif de la population. (On appel population un
ensemble d'objets. Ces objets sont appelés des individus ou unités statistique.)
Dans ce qui suit, nous tacherons de désigner les variables aléatoires par des majuscules et
les résultats des expériences par des minuscules pour bien distinger ce qui est aléatoire de ce
qui ne l'est pas.
106
7.2 Dénitions
1. On modélise une expérience aléatoire par une v.a. X . On note Q sa loi. Q est appelée
la loi vraie. Comme nous l'avons expliqué précédemment, on peut choisir, Q = P(λ)
si la v. a. est à valeurs entières , ou Q = N (m, σ) lorsque la v. a. est à valeurs réelles.
On peut aussi ne faire aucune hypothèse spécique sur Q.
2. Un échantillon de taille n de X (ou un n-échantillon de X ) est une suite de v. a.

X1 , X2 ,...,Xn , qui sont indépendantes, de même loi Q (on fait l'hypotèse essentielle,
qu'il est possible de reproduire n fois l'expérience, indépendamment à chaque fois).
3. Les valeurs observées de X1 , X2 ,...,Xn sont notées x1 , x2 ,...,xn . Ce sont les valeurs
numériques fournies par l'expérience.
4. Une statistique est une v. a. Yn = f (X1 , X2 , .., Xn ). Par exemple :
X1 + X2 + ... + Xn
Xn = .
n
7.3 Estimation ponctuelle

L'estimation ponctuelle consiste à donner des valeurs approchées aux paramètres incon-
nus (m, σ , λ, etc...) à l'aide d'un échantillon de n observations issues de la population. On
construit une v. a. estimateur T qui est une fonction de l'échantillon aléatoire X1 ,...,Xn et
dont la valeur observée constitue une estimation de la valeur du paramètre recherché.
Soit θ un paramètre de la loi de X que l'on cherche à estimer.
Dénition 7.1. On appelle estimateur T de θ, une variable aléatoire qui est une fonction
de l'échantillon :
Tn = f (X1 , ..., Xn ).
Remarque :
1. Un estimateur Tn dépend du choix de l'échantillon.
2. Un estimateur n'est pas unique, il s'agit d'en choisir un "bon". Les propriétés usuelles
d'un bon estimateur sont : l'absence de biais et la convergence.
Dénition 7.2. 1. L'estimateur Tn est sans biais si :
E(Tn ) = θ.
2. L'estimateur Tn est asymptotiquement sans biais si
lim E(Tn ) = θ
n−→∞
3. L'estimateur Tn est convergent si :
lim V ar(Tn ) = 0.
n−→∞
107
7.3.1 Estimation de la moyenne
Posons : n
1X
Xn = Xi .
n
i=1
Xn est appelée moyenne empirique1 de l'échantillon (X1 , ..., Xn ).
Proposition 7.3. Xn = n1 ni=1 Xi est un estimateur sans biais et convergent de m = E(X).

P
Preuve.
•
1 1
E(X n ) = (E(X1 ) + ... + E(Xn )) = (m + m + ... + m) = m = E(X).
n n
•
1 1
V ar(X n ) = n2
V ar(X1 + ... + Xn ) = n2
(V ar(X1 ) + ... + Xn )
= n1 V ar(X1 ) −→ 0 (quand n −→ ∞).
On a utilisé que (Xi )ni=1 sont i.i.d. avec EX1 = EX = m et V ar(X1 ) = V ar(X) = σ 2 .
7.3.2 Estimation de la variance

Posons : n
1 X
Sn2 = (Xk − X)2 , (Statistique Sn2 )
n−1
k=1
Proposition 7.4. Sn2 est un estimateur sans biais et convergent de la variance.
Preuve. On introduit la nouvelle statistique :

n
1X
Sbn2 = (Xk − X)2 ( variance empirique de l'échantillon).
n
k=1
Décomposition de Sbn2 : Partons de Xi − m = Xi − X + X − m.

On a alors :
n
X n
X n
X n
X
(Xi − m)2 = (Xi − X)2 + (X − m)2 + 2(X − m) (Xi − X) .
i=1 i=1 i=1
|i=1 {z }
=0
D'où n n
1X 1X
(Xi − m)2 = (Xi − X)2 + (X − m)2 .
n n
i=1 i=1
Donc,
n
1X
Sbn2 = (Xi − m)2 − (X − m)2 .
n
i=1
1. La moyenne empirique : la moyenne calculée en se basant sur l'oservation et l'expérience.
108
Calculons E(Sbn2 ) :
1 Pn
E(Sbn2 ) = n i=1 E(Xi − m)2 − E(X − m)2
1 Pn
= n i=1 V ar(Xi ) − V ar(X)
σ2 n−1 2
= σ2 − n = n σ .
Pour conclure, remarquons que :

n b2
Sn2 = S .
n−1 n
Donc,
E(Sn2 ) = σ.
Variance de Sbn2 : Un calcul dont la longueur est la seule diculté montre que :
n−1
V ar(Sbn2 ) = [(n − 1)µ4 − (n − 3)σ 4 ],
n3
avec µi est le moment centré d'ordre i de X et si n −→ ∞ :
µ4 − σ 4
V ar(Sbn2 ) ∼ .
n
Donc Sbn2 est convergent.
Remarque :
1. Sbn2 est un estimateur de la variance, qui est biaisé, c'est la raison pour laquelle on
utilise Sn2 .
2. Sbn2 est un estimateur asymptotiquement sans biais et convergent. Pour n grand Sbn2 est
très peu diérent de Sn2 .
Exercice 1. On a enregistré, minute après minute, le nombre de désintégrations subies par

un fragment de roche radioactive.
Le résultat de cette expérience est :
0 0 0 1 0 3 0 0 1 0 1 1 0 0 0 2 0 2 1 0.
Estimer la moyenne m et l'écart-type σ de l v. a. X dénie comme le nombre de désintégrations

par minute pour ce fragment de roche.
La machine à calculer fournit :
x1 + x2 + ... + x2 0
x= = 0, 60.
20
Et
1
s2 =
((x1 − x) + ... + (x20 − x)2 ) = 0, 88
19
En pratique : On observe un échantillon de taille n. On obtient pour chaque Xk une valeur
observée de Tn (elle dépend de l'échantillon observée). Cette valeur observée est appelée une
estimation ponctuelle de θ.
109
7.3.3 Méthode de maximum de vraisemblance
Cette méthode consiste à choisir comme estimation de θ la valeur de θb qui rend maximum
la fonction de vraisemblance ϕ dénie par
n
Y
ϕ(θ) = f (xi , θ).
i=1
avec f est la densité de probabilité (ou fct de masse) de X dépend d'un paramètre θ à estimer
et (xi )ni=1 sont n observations de X .
Exemple.
Qn Qn −λ λxi
1. Loi de Poisson : ϕ(λ) = i=1 P(Xi = xi ) = i=1 e xi !
Qn 1 xi −m 2
2. Loi normale : ϕ(m, σ) = √ 1 e− 2 ( σ ) .
i=1 2πσ
Exercice .
Le nombre d'appels par minute au standard téléphonique d'une banque a été observé sur
un échantillon de taille 10. On sait par ailleurs que ce nombre d'appels par minute suit une
loi de Poisson dont on veut estimer la moyenne λ. Les résultats sont désignés par x1 , x2 , ...,
x10 .
Estimer λ par la Méthode de maximum de vraisemblance.
7.4 Estimation par intervalle conance

Les paramètres estimés ponctuellement à partir d'un échantillon ne sont pas exactes. On
voudrait connaitre leur degré de précision. La démarche de l'estimation par intervalle de
conance consiste à trouver un intervalle aléatoire qui contient θ avec une probabilité don-
née.
Dénition 7.5. Un intervalle de conance, relatif au paramètre θ, de niveau de conance

1 − α (ou de risque α) est un intervalle aléatoire [C1 , C2 ], où C1 et C2 sont deux statistiques,
telles que :
P (C1 ≤ θ ≤ C2 ) = 1 − α.
Remarque : Les valeurs couramment utilisées sont 1 − α = 0, 90 , 0, 95, ou 0, 99.
Dans la suite on va s'intéresser à θ = m = E(X).
On choisit alors :
C1 = X − ε, C2 = X + ε.
Par conséquent [X − ε, X + ε] est un intervalle de conance de m, de risque α si :
P (X − ε ≤ m ≤ X + ε) = P (|X − m| ≤ ε) = 1 − α. (7.4.1)
Concrétement on se donne n et α et on cherche ε tel que (7.4.1) soit vériée. Nous allons
expliciter le calcul de ε lorsque la taille de l'échantillon est grande, ou sous une hypothèse de
normalité.
7.4.1 Etude de cas des échantillons de grande taille n ≥ 30

On a :
X1 + X2 + ... + Xn X1 + X2 + ... + Xn − nm σ
X −m= −m= = Sn∗ √ ,
n n n
110
où l'on a posé :
X1 + X2 + ... + Xn − nm
Sn∗ = √
n
D'après le T.C.L.
loi
Sn∗ N (0, 1).
−→n−→∞
Par conséquent,
√ √
σ ε n ε n
P (|X − m| ≤ ε) = P (|Sn∗ √ | ≤ ε) = P (|Sn∗ | ≤ ) ≈ P (|G| ≤ )
n σ σ
où G ∼ N (0, 1).
Or,
P (|G| ≤ a) = P (−a ≤ G ≤ a) = π(a) − π(−a) = 2π(a) − 1.
En conclusion √
ε n
P (|X − m| ≤ ε) ≈ 2π( ) − 1. (7.4.2)
σ
On introduit la dénition suivante :
Dénition 7.6. On note Zu le réel positif tel que :
1
π(Zu ) = u, ≤ u ≤ 1.
2
On déduit de (7.4.1) et (7.4.2) que ε, n et α sont liés par :
√ √
2π( ε σ n ) − 1 = 1 − α ⇐⇒ π( ε n
√ σ
)=1− α
2
ε n
⇐⇒ σ = Z1− 2
α
σ
⇐⇒ ε = √n Z1− α2 .
En conclusion, si n ≥ 30, [X − √σn Z1− α2 , X + √σn Z1− α2 ] est un intervalle de conance de

la moyenne m, de niveau de conance 1 − α (ou de risque α).
En pratique : On observe un échantillon de taille n. On obtient pour chaque v. a. Xk une

valeur observée xk . On en déduit les valeurs observées C1 et C2 :
σ
C1 = x − √ Z1− α2 ,
n
et
σ
C2 = x + √ Z1− α2 .
n
L'intervalle [C1 (x1 , ..., xn ), C2 (x1 , ..., xn )] est une estimation de l'intervalle de conance de θ
de niveau de conance 1 − α.
Remarque :
1. On ne peut être sûr que θ est dans l'intervalle [C1 , C2 ]. La probabilité α de se tromper
est donnée par :
P (θ ∈ [C1 , C2 ]) = 1 − α.
2. On rappelle :
Z0,950 = 1, 64, Z0,975 = 1, 96 et Z0,995 = 2, 58.
111
♣ Exercice 2. Un échantillon de taille 100, a pour moyenne 125,7 et variance 968,51.
Déterminer un intervalle de conance de m avec seuil 1%.(i. e. de risque 1%).
Solution
On a α = 0, 01 donc 1 − α
2 = 0, 995 et Z0,995 = 2, 575.
ε est donnée par : √
σ 968, 51
ε = √ Z1− α2 = × 2, 575 = 0, 80.
n 10
Par conséquent, L'intervalle cherché est [117, 7; 133, 7].
L'approche que nous avons développée s'applique à l'estimation de la probabilité p d'un

événement A se produisant au cours d'une expérience aléatoire E.
On reproduit cette expérience E , de manière indépendante, et on note (Xn ) la suite des v. a.
de comptage associées à A.
si A se produit à l'expérience n

1
Xn =
0 sinon
Les v. a. Xn sont indépendantes, et Xn est une v. a. de Bernoulli de paramètre p. Ce qui
signie que (X1 , ..., Xn ) est un échantillon.
Mais,
m = E(X) = p = P (A).
Par conséquent, si n est grand,
√
ε n
P (|X − p| ≤ ε) ≈ 2π( ) − 1.
σ
En conclusion, [X − √σn Z1− α2 , X + √σn Z1− α2 ] est un intervalle de conance de p = P (A),
de niveau de conance 1 − α, lorsque n ≥ 30.
♣ Exercice 3. (Controle de qualité).

Lors de la production en série d'un article, on vaut évaluer la proportion d'articles défectueux.
On prélève 200 pièces au hasard, on trouve 18 articles défectueux.
Construire un intervalle de conance de m de seuil 5%.
(Rep. ε ≈ 0, 04 [0, 05; 0, 13])
7.4.2 Etude de cas X ∼ N (m, σ2 )

L'estimation de la moyenne repose sur le résultat suivant :
σ2
X ∼ N (m, )
n
(en eet, ∀i, Xi ∼ N (m, σ 2 ). De plus les Xi sont i.i.d.).
Déterminons l'intervalle de conance pour la moyenne.
On charche ε tel que :
P (|X − m| ≤ ε) = 1 − α,
où α désignant un seuil donné.
Mais, X = m + √σn G avec G ∼ N (0, 1).
On en déduit : √
σ ε n
P (|X − m| ≤ ε) = P ( √ |G| ≤ ε) = P (|G| ≤ ).
n σ
112
On procède comme dans le cas des échantillons de grand taille, on a :
√
ε n
P (|X − m| ≤ ε) = 2π( ) − 1.
σ
En conclusion :
[X − √σn Z1− α2 , X + √σn Z1− α2 ] est un intervalle de conance de la moyenne m, de niveau de
conance 1 − α.
Remarque :
1. Si σ n'est pas connu, on peut le remplacer pas s.
2. Quand la taille de l'échantillon est petite et si X ne suit pas la loi normale, aucune
règle générale ne permet de déterminer l'intervalle de conance. La technique adéquate
dépend essentiellement de la loi suivie par X .
♣ Exercice 4. On mesure le taux d'uré de 10 personnes, on trouve les résultats suivants :

24, 40, 30, 19, 48, 32, 35, 21, 18, 40.
déterminer un intervalle de conance pour le risque 5%.
7.5 Tests paramètriques

Les tests statistiques sont des outils d'aide à la décision quand l'information est imcom-
plète. Ils fornissent un cadre scientique qui permet de valider certaines hypothèses. Nous
allons faire des tests sur un paramètre inconnu θ.
On veut décider s'il faut raisonnablement rejeter ou accepter une hypothèse sur θ. En pratique,
on teste une hypothèse H0 dite hypothèse nulle contre une hypothèse alternative" H1 . Par
exemple :
1) H0 : m = 2 H1 : m 6= 3
2) H0 : m = 5 H1 : m < 5
Remarques
· Le test 1) est appelé un test bilatéral.
· Le test 2) est appelé un test unilatéral.
On veut décider de choisir H0 ou H1 , uniquement apès avoir réaliser une série d'expériences :
x1 , x2 , ..., xn .
On choisit un estimateur T de θ. On dénit une région de rejet R, qui dépend de θ, T, H0 et
H1 telle que :
· si t ∈ R, on rejette H0 et on accepte H1 ,
· si t ∈ Rc , on accepte H0 ,
avec t désignant la valeur observée de T (T statistique, T = f (X1 , ..., Xn ), alors t = f (x1 , ..., xn )).
La région Rc est aussi appelé région d'acceptation.
Il est évident qu'il existe un risque d'erreur. On dénit :
· Le risque de premire espèce qui est la probabilité α de rejetter à tord H0 (rejetter
H0 alors que H0 est vraie).
· Le risque de deuxième espèce qui est la probabilité β d'accepter à tord H0 ( accepter
H0 alors que H1 est vraie).
α et β sont données par les relations :
α = P ( T ∈ R | H0 ) ; β = P ( T ∈ R | H1 ).
La notation P ( T ∈ R | H0 ) représente la probabilité pour que T appartienne à R, lorsque
l'hypothèse H0 est satisfaite. Ainsi si H0 est m = 3,
α = P ( T ∈ R | H0 ) = P ( T ∈ R | m = 3)
113
est la probabilité pour que T ∈ R, lorsque la moyenne de X vaut 3. En pratique on se borne
à évaluer α, le calcul de β est souvent dicile à réaliser.
Dans la suite nous ne considérerons que des tests portant sur la moyenne θ = m. On
choisit :
1
T = X = (X1 + X2 + ... + Xn ),
n
Lorsque H0 : m = m0 et H1 : m 6= m0 , on prend :
Rc =]m0 − ε , m0 + ε[ ; ε > 0.
On a :
{T ∈ R} = {X ∈ R} = {|X − m0 | ≥ ε}.
Comme précédemment, α et n étant donnés, on cherche ε tel que
P (|X − m0 | > ε|m = m0 ) = α.
Condition équivalente à :
P (|X − m| ≤ ε|m = m0 ) = 1 − α.
On peut reproduire l'analyse développée pour la détermination d'un intervalle de conance. Si

n est grand (n ≥ 30), ou si X suit une loi gaussienne, ε est donné par la formule :
σ
ε = √ z1−α/2 .
n
Lorsqu'on teste H0 : m = m0 contre H1 : m 6= m0 , avec un risque de première

h i
espèce α > 0, la région d'acceptation de H0 est X − √σ z1−α/2
n
, X+ √σ z1−α/2
n
.
Exercice 5.
Une machine prouduit des pièces ayant une moyenne de 8,3 cm avec un écart-type de 0,6
cm. Avant de passer une commande importante, le responsable de la machine veut tester si
m = 8, 3 ou si m a changé. Pour ce faire, il prélève 100 pièces et trouve une longueur moyenne
de 8,4 cm.
Doit-il accepter la production avec un seuil d'erreur de 5% ?
Exercice 6.
La durée de vie d'un équipement électrique est de 400 heures avec un écart-type de 60 heures.
On voudrait tester si la moyenne vaut 400 heures au moins de 400 heures. On eectue un test
avec 25 appareils. On trouve une moyenne de 378,1 heures.
Que peut-on en conclure, avec un risque de 5% ?
114
7.6 Exercices
Exercice 1. (DS n0 3 juin 2006)
Soit T une v. a. réelle dont une densité de probabilité est f dénie par
2x
R2
si 0 ≤ x ≤ R
f (x) =
0 sinon
où R est un réel strictement positif inconnu.
1. a) Vérier que f est bien une densité de probabilité.

b) Montrer que T admet une espérance et une variance que l'on calculera.
2. Soit T1 , ..., Tn n variables aléatoires indépendantes de même loi que T .

On pose
n
1X
Xn = Ti .
n
i=1
a) Calculer E(Xn ) et V ar(Xn ).

b) Xn est-il un estimateur sans biais de R ?
c) Déterminer un réel λ tel que
Xbn = λXn
soit un estimateur sans biais de R.

3. On considère un nombre ε > 0 donné.
a) À l'aide de l'inégalité de Bienaymé-Tchebyche, montrer que
2
bn − R| ≥ ε) ≤ R .
P (|X
8nε2
b) En déduire que : limn−→∞ P (|X

bn − R| ≥ ε) = 0.
( On dit que Xn est un estimateur convergent de R.)
b
Exercice 2. (DS n0 2 juin 2007)

Le nombre d'appels par minute au standard téléphonique d'une banque a été observé sur un
échantillon de taille 12. On sait par ailleurs que ce nombre d'appels par minute suit une loi de
Poisson dont on veut estimer la moyenne λ. Les résultats sont désignés par x1 , x2 , ..., x12 .
115
Intervalle de conance
Exercice 3. (DS n0 3 janvier 2007)

On veut estimer par intervalle de conance la vitesse moyenne des automobiles dans un certain
virage d'une route à grand trac. Pour cela on a enregistré à l'aide d'un radar les vitesses
X1 (ω) = x1 , ..., X400 (ω) = x400 de 400 automobiles en une période de temps de 2 heures avec
des conditions de circulation homogènes (météo, visibilité, densité de trac,. . .). On a obtenu
les statistiques suivantes
400
X 400
X
xi = 35200km/h, x2i = 3107600(km/h)2 .
i=1 i=1
L'homogénéité des conditions de trac permet de supposer que les variables aléatoires X1 , . .
. ,X400 , dont on a ainsi observé une réalisation, sont indépendantes et de même loi. Proposez
un intervalle de conance au niveau 98% pour la vitesse moyenne EX1 en indiquant claire-
ment quels résultats du cours légitiment les approximations faites. Les données numériques
ci-dessus ont été arrangées pour vous permettre de faire facilement tous les calculs à la main
si vous ne disposez pas d'une calculatrice.
Exercice 4. (Controle de qualité).
Lors de la production en série d'un article, on vaut évaluer la proportion d'articles défectueux.
On prélève 200 pièces au hasard, on trouve 18 articles défectueux.
Construire un intervalle de conance de m de seuil 5%.
Exercice 5.
On mesure le taux d'uré de 10 personnes, on trouve les résultats suivants :
24, 40, 30, 19, 48, 32, 35, 21, 18, 40.
Déterminer un intervalle de conance pour le risque 5%.
116
7.7 Bibliographie
Voici une bibliographie très incomplète. Allez voir vous même à la Bibliothèque. Gardez
en mémoire qu'un bon livre est un livre qui vous donne envie d'apprendre et de travailler son
contenu !
1. Renée Veysseyre ( 2006) : Aide-mémoire Statistique et probabilités pour l'ingénieur.

Dunod.
2. Gérard Letac (2001) : Cours de Probabilités du cite web http ://www.smathematiques.net
3. Alan Reugg (1994) : Probabilité et statistiques Press Plytechniques et universitaires

Romandes.
4. Précis de mathématiques : Probabilités et statistiques.
5. Jean-Jacques Martiano (2004) Exercices de Probabilités.
6. Daniel F. et Michel B. (2003) : Mathématiques pour les sciences de l'ingénieur. Du-

nod
7. G. Saporta. Probabilités Analyse des données et statistique.
8. Exercices de probabilités. Licence master - Ecoles d'ingénieurs. Edit. CASSINI.
9. Patrick Bogaert. Probabilités pour scientiques et ingénieurs. Edit. de boeck.
10. Patrick Roger (2004) : Probabilités, statistique et processus stochastiques. Collection

Synthex.
11. Philippe Barbe et Michel Ledoux (2007) : PROBABILITÉ. Collection dirigée par Da-
niel Guin.
12. Pierre Brémaud(2009) : Initiation aux Probabilités et aux chaînes de Markov. Deuxième
édition entierement revisée. Springer.
117
Troisième partie
Annales des examens corrigés
118
Chapitre 8
Examens corrigés
Université Cadi Ayyad

Ecole Nationale des Sciences Appliquées
Sa
Devoir surveillé N 1 .
Epreuve de Probabilites et Statistiques Durée du sujet : 1H :30min
Examen de 13 mars 2006 Responsable : Lakhel El Hassan
Horaire : 10H :30min-12H :00
Exercice 1.
assure 40%.
1) On tire une pièce au hasard quelle est la probabilité qu'elle soit défectueuse ?
2) On tire une pièce d'un lot constitué de pièces fabriquées, dans les proportion indéquées, par
les machines A, B et C . On constate que cette pièce est défectueuse. Calculer la probabilité
qu'elle ait été fabriquée :
- par la machine A
- par la machine B
3) On tire une pièce au hasard. Elle est saine. Quelle est la probabilité qu'elle vienne de C .
Exercice 2.
Un test sanguin a une probabilité de 0.95 de détecter un certain virus lorsque celui ci est
eectivement présent. Il donne néanmoins un faux résultat positif pour 1% des personnes non
infectées. Notons V = {la personne testée a le virus}, T = {la personne testée a un test
positif}.
1. Si 0.5% de la population est porteuse du virus, quelle est la probabilité qu'une personne
ait le virus sachant qu'elle a un test positif ?
2. Interpréter le résultat.
119
Exercice 3.
1. Soit n ≥ 2, Etablir que, si (A1 , ..., An ) est une suite d'événements telle que P ( ni=1 Ai ) >
T
0, alors
n
\ Yn
P ( Ai ) = P (A1 ) P∩i−1 Ak (Ai ).
k=1
i=1 i=2
(Indication : On pourra raisonner par rucurrence sur n).
2. Application :
Un sac contient initialement une boule blanche et une boule noire. On réalise indéni-
ment l'expérience suivante : on tire une boule, on regarde sa couleur, on la remet dans
le sac et on rajoute une nouvelle boule de la même couleur que celle obtenue.
Notons X le nombre de tirage(s) nécessaire(s) avant d'obtenir une boule noire, avec la
convention que X = 0 si on ne tire jamais de boule noire.
Notons Bi l'événement On obtient une boule blanche au ieme tirage.
a. Montrer que {X = 1} = B1c et que {X = n} = B1 ∩B2 ∩...∩Bn−1 ∩Bnc pour n ≥ 2.
b. Que vaut la probabilité de Bnc sachant B1 ∩ B2 ∩ ... ∩ Bn−1 ?
c. Calculer, pour i ∈ {2, ..., n − 1}, la probabilité de Bi sachant B1 ∩ B2 ∩ ... ∩ Bi−1 .
d. À l'aide de la question 1) (en choisissant Ai = Bi si i < n et An = Bnc ),

montrer que P (X = n) = n(n+1)
1
Qn−1 i 2×3×...×(n−1)
(On remarquera que i=2 i+1 = 3×...×(n−1)×n = n2 )
e. En remarquant que n(n+1)
1 1
= n1 − n+1 , montrer que
+∞
X
P (X = n) = 1.
n=1
f. Que vaut P (X = 0) ? Interpréter le résultat.
Barême approximatif :
Exercice 1 : 4 points
Exercice 3 : 12 points.
120
Corrigé du DS N 0 1 - A. U. 2005-2006- :
Exercice 1 :
On a
P (A) = 0.25, P (B) = 0.35, P (C) = 0.4.
= 0.05 × 0.25 + 0.04 × 0.35 + 0.02 × 0.4 = 0.0345 = 3.45%.
PA (D)P (A) 0.05 × 0.25
PD (A) = = = 36%.
P (D) P (D)
P (D/B)P (B) 0.04 × 0.35
P (B/D) = = = 40%.
P (D) 0.0345
3)De même :
PC (D)P (C) 0.98 × 0.4
PD (C) = = = 40%.
P (D) 1 − P (D)
Exercice 2 :
1. On cherche P (V /T ).
On sait que :
P (V ) = 0.005, P (T /V ) = 0.95, et P (T /V c ) = 0.01.
On en déduit :
P (T ∩V ) P (T /V )P (V )
P (V /T ) = P (T ) = P (T /V )P (V )+P (T /V c )P (V c )
0.95×0.005
= 0.95×0.005+0.01×0.995 = 0.323
2. Le test n'est pas able : si la personne présente un test positif, la probabilité qu'elle ne
soit pas porteuse du virus est deux fois plus élvée que celle qu'elle le soit ( en eet ;
P (V /T ) ' 33%. )
Exercice 3 :
1. On raisonne par récurrence sur n.

Si n = 2, l'égalité devient P (A1 ∩ A2 ) = P (A1 )PA1 P (A2 ) et se justie même par la
dénition de la probabilité conditionnelle PA1 .
Supposons que la propriété soit vraie au rang n et montrons la au rang n + 1 :
n+1
\ n
\ n
\
P( Ai ) = P ( Ai ∩ An+1 ) = P ( Ai )PTnk=1 Ak (An+1 )
i=1 i=1 i=1
Par hypothèse de récurrence,

n
Y n+1
Y
= P (A1 ) PTi−1 Ak (Ai )PTnk=1 Ak (An+1 ) = P (A1 ) PTi−1 Ak (Ai ).
k=1 k=1
i=2 i=2
121
Ainsi, la propriété se transmet du rang n au rang n + 1.
Finalement, nous avans prouvé, par récurrence
n
\ n
Y
∀n ≥ 2 : P ( Ai ) = P (A1 ) PTi−1 Ak (Ai ).
k=1
i=1 i=2
2. a. Si X = 1, c'est que l'on a tiré une boule noire dès le premier tirage.
Ainsi :
{X = 1} = B1c .
Si X = n avec n ≥ 2, c'est que, lors des n − 1 premiers tirages, on a tiré des boules
blanches et qu'au n-ième tirage, on a tiré une boule noire.
Ainsi :
{X = n} = B1 ∩ B2 ∩ ... ∩ Bn−1 ∩ Bnc .
b. Si B1 ∩ B2 ∩ ... ∩ Bn−1 a lieu, c'est que l'on a réalisé n − 1 tirages et que l'on a tiré
des boules blanches. Ainsi, à ce stade, le sac contient n + 1 boules dont n blanches.
la probabilité de tirer une boule noire est donc nb de cas favorables
nb de cas possibles = n+1 .
1
En d'autres termes :
n
PB1 ∩B2 ∩...∩Bn−1 (Bnc ) = .
n+1
c. Par un raisonnement similaire au précédent, on trouve
i
∀i ∈ {2, ..., n − 1} : PB1 ∩B2 ∩...∩Bi−1 (Bi ) = .
i+1
d. En suivant les indications de l'énoncé, on peut écrire
P (X = n) = P (B1 ∩ B2 ∩ ... ∩ Bn−1 ∩ Bnc ) = P ( ni=1 Ai ) = P (A1 ) ni=2 PTi−1 Ak (Ai )

T Q
k=1
= P (B1 ) n−1 c 1 Qn−1 i 1 1
Q
i=2 P i−1 Bk (Bi )P n−1 Bk (Bn ) = 2 i=2 i+1 × n+1 = n(n+1) .
T T
k=1 k=1
e. On a :
N N N N +1
X X 1 X 1 X 1 1
P (X = n) = = − =1− .
n(n + 1) n n N +1
n=1 n=1 n=1 n=2
Par suite,
+∞ N
X X 1
P (X = n) = lim P (X = n) = lim (1 − ) = 1.
N −→∞ N −→∞ N +1
n=1 n=1
f. Par dénition d'une probabilité,

+∞
X
P (X = n) = 1.
n=0
D'où : P (X = 0) = 0, En d'autres termes, on nira toujours par tirer une boule

noire (quitte à attendre susamment longtemps.)
122
Sa
Devoir surveillé N o 2.
Epreuve de Probabilités et Statistiques
Durée du sujet : 1h :30min
Examen de 17 avril 2006.
Responsable : Lakhel El Hassan
Horaire : 10h :30-12h :00.
Exercice 1. Interprétation du graphique d'une f.d.r. (5 points)

La variable aléatoire X a pour fonction de répartition F dont le graphe est représenté par la
gure 1.
1. Pour tout x ∈ R, montrer que :
P (X = x) = F (x) − F (x−),
avec F (x−) = limε−→0 F (x − ε).

2. En exploitant les informations fournies par ce graphique1 , donner les valeurs des pro-
babilités suivantes.
P (X = 0), P (X ≥ 0), P (4 ≤ X ≤ 6), P (0 < X < 4), P (X ≥ 6).
3. La variable aléatoire X est-elle à densité ?
1. Ne perdez pas de temps à le reproduire sur votre copie.
123
Exercice 2. (5poin)
Soit (a, b) ∈ N∗2 ; a < b ; X est une variable aléatoire discrète de Ω dans N ∗ telle que :
FX de X .

2 ]|.
4) Déterminer E(X) et V (X).
Exercice 3. (10 points)

u2
f (u) = ke− 2 , ∀u ∈ R.
1. Déterminer la constante k de telle sorte que f (x) puisse être considérée comme la
densité de probabilité d'une v.a. continue U .
2. Que valent E(U ) et V (U ) ?

X = m + σU
où m et σ sont des réels non nuls. Déterminer la densité de probabilité g(x) de X.
4. Soit FX la fonction de répartition de X . Montrer que
x−m
FX (x) = Π( ).
σ
Montrer que par le changement de variable z = x−mσ toutes les varibles aléatoires nor-
5. Soit Π(z) la fonction de répartition de U . Montrer que

Π(−z) = 1 − Π(z)
6. Application : Le stock journalier d'un produit destiné à un atelier suit une loi nor-
male de moyenne 120 pièces et d'écart type 50 pièces.
a. Calculer la probabilité pour que le nombre de pièces en stock soit compris entre 80
et 160.
b. Calculer la probabilité pour que le nombre de pièces en stock soit supérieur à 200.
c. Calculer la probabilité pour qu'il y ait rupture de stock.
d. Interpreter ces résultats.
On donne
Π(0, 8) = 0, 7881, Π(1, 6) = 0, 9452 et Π(2, 4) = 0, 9918.
124
Corrigé du DS no 2 -16 mars 2006-
Exercice 1
1. Voir le cours.
2. Calcul des probabilités par la lecture du graphe de F
P (X = 0) = F (0) − F (0−) = 0, 4 − 0, 2 = 0, 2
P (X ≥ 0) = 1 − P (X < 0) = 1 − F (0−) = 1 − 0, 2 = 0, 8
P (4 ≤ X ≤ 6) = P (X ≤ 6) − P (X < 4) = F (6) − F (4−) = 1 − 0, 6 = 0, 4
P (0 < X < 4) = P (X < 4) − P (X ≤ 0) = F (4−) − F (0) = 0, 6 − 0, 4 = 0, 2
P (X ≥ 6) = 1 − P (X < 6) = 1 − F (6−) = 1 − 1 = 0
3. La v.a. X n'est pas à densité car sa fonction de répartition n'est pas continue.
Exercice 2
Voir série d'exercice N ◦ 4
Exercice 3

 f ≥0
1. f est une densité ⇔ et
 R +∞
−∞ f (x)dx = 1
On doit avoir Z +∞
u2
k e− 2 du = 1.
−∞
R +∞ − x2
2 √
On a vu dans le cours −∞ e dx = 2π.
On doit donc avoir
1
k=√ .
2π
2. U ∼ N (0, 1)
Donc E(U ) = 0 et V ar(U ) = 1 (Voir CH.4).
3. On a :
X = m + σU
Par suite
E(X) = m + σE(U )
V (X) = σ 2 V (U )
Comme E(U ) = 0 et V (U ) = 1 on aura :
E(X) = m
V (X) = σ 2
4. Soit Π(u) la fonction de répartition de U et G(x) celle de X .

On peut écrire :
G(x) = P (X ≤ x) = P (m + σU ≤ x) (car X = m + σU )
Mais
x−m
P (m + σU ≤ x) = P (σU ≤ x − m) = P (U ≤ )
σ
Or
x−m x−m
P (U ≤ ) = Π( )
σ σ
Donc
x−m
G(x) = Π( ).
σ
125
• Si f (u) est la densité de probabilité de U et g(x) celle de X
On sait que :
f (U ) = Π0 (U )
.
g(x) = G0 (x)
Mais, on a :
1 0 x−m
G0 (x) = Π( ).
σ σ
Par conséquent
1 x−m
g(x) = f( ).
σ σ
Finalement,
1 1 x − m
g(x) = √ e− 2 ( )2 .
σ 2π σ
5◦ ) Montrons que Π(−z) = 1 − Π(z).
1ere méthode : D'apès le graphe de la fonction Π.

On ramarque que : Π(−z) = 1 − Π(z).
2ieme méthode :
R −z x2
Π(−z) = −∞ √12π e− 2 dx
R +∞ x2 R +∞ x2
= −∞ √12π e− 2 dx − −z √1
2π
e− 2 dx
R +∞ x2
= 1 − −z √12π e− 2 dx
Or, par le changement de variable u = −x, on obtient :

Z +∞ Z +z
1 − x2
2 1 x2
√ e dx = √ e− 2 dx = Π(z)
−z 2π −∞ 2π
Finalement,
Π(−z) = 1 − Π(z).
6. Application : X ∼ N (120, 50)
a. Probabilité pour que le nombre de pièces en stock soit compris entre 80 et 160 :
P (80 ≤ X ≤ 160) = P ( 80−120
50 ≤ X−120
50 ≤ 160−120
50 )
= P (−0, 8 ≤ U ≤ 0, 8)
= Π(0, 8) − Π(−0, 8)
= Π(0, 8) − (1 − Π(0, 8))
Or Π(0, 8) = 0, 7881, donc :
P (80 ≤ X ≤ 160) = 0, 5762.
Interpretation :
Il y a 57, 62% de chances pour que le nombre de pièces en stock soit compris entre
80 et 160.
b.
P (X > 200) = 1 − P (X ≤ 200)
= 1 − P ( X−120
50 ≤ 200−120
50 )
= 1 − P (U ≤ 1, 6) = 1 − Π(1, 6)
= 1 − 0, 9452 = 0, 0548.
Interpretation :
Il y a 5, 48% de chances pour que le nombre de pièces en stock soit superieur à 200.
126
c. P (X ≤ 0) = 0, 0082.
Interpretation :
Il y a un risque trés faible de moins de 1% pour qu'il y a rupture du stock.
127
Sa
Durée du sujet : 1h :30min
Examen de 15 juin 2006.
Horaire : 10h :30-12h :00.
Question de cours :(3 points) Soit U une v.a. réelle qui suit la loi uniforme sur [0, 1].
Si λ > 0 quelle est la loi de Y = − λ1 ln U .
Soient r un réel strictement supérieur à 2 et X une variable aléatoire réelle de densité f don-
née par f (x) = xr+1
r
si x ≥ 1 et f (x) = 0 sinon.
1. Donner l'allure du graphe de f puis vérier que c'est bien une densité de probabilité.
2. Calculer l'espérance et la variance de X .
3. Déterminer la densité de la variable aléatoire Y = ln X
4. Le nombre de kilomètres couverts par une batterie de voiture avant défaillance est une
variable aléatoire ayant la même loi que Y et d'espérance égale à 9000 kilomètres.
Une personne achète une batterie neuve et souhaite se lancer dans un voyage de 3000
kilomètres. Avec quelle probabilité terminera-t-elle son voyage sans avarie de batterie ?
Soit T une v. a. réelle dont une densité de probabilité est f dénie par
2x
R2
si 0 ≤ x ≤ R
f (x) =
0 sinon
où R est un réel strictement positif inconnu.
1. a) Vérier que f est bien une densité de probabilité.

b) Montrer que T admet une espérance et une variance que l'on calculera.
2. Soit T1 , ..., Tn n variables aléatoires indépendantes de même loi que T .

On pose
n
1X
Xn = Ti .
n
i=1
a) Calculer E(Xn ) et V ar(Xn ).
b) Xn est-il un estimateur sans biais de R ?
c) Déterminer un réel λ tel que
Xbn = λXn
soit un estimateur sans biais de R.
3. On considère un nombre ε > 0 donné.
a) À l'aide de l'inégalité de Bienaymé-Tchebyche, montrer que
2
bn − R| ≥ ε) ≤ R .
P (|X
8nε2
b) En déduire que : limn−→∞ P (|Xbn − R| ≥ ε) = 0.
( On dit que Xn est un estimateur convergent de R.)
b
128
Corrigé du DS no 3 -15 juin 2006-
Question de cours :
Soit U une v.a. réelle de loi uniforme sur [0, 1].
On pose
1
Y = − LnU , λ > 0.
λ
Pour trouver la loi de Y , on se donne une fonction test h quelconque, on met
Z +∞
1 1
E(h(Y )) = E(h(− LnU )) = h(− Lnu)fU (u)du
λ −∞ λ
R +∞
sous la forme −∞ h(y)fy (y)dy à l'aide du changement de variable y = − λ1 Lnu et la densité
de Y est alors fy trouvée.
On a : R1
E(h(Y )) = E(h(− λ1 LnU )) = 0 h(− λ1 Lnu)du
R +∞
= 0 h(y)λe−λy dy.
Par conséquent, Y admet pour densité fY donnée par
fY (y) = λe−λy 1[0,+∞[ (y) ⇒ Y ∼ ε(λ).
Exercice 1
1. La fonction f est à valeurs positives. On a de plus

Z +∞ Z +∞
r
f (x)dx = r+1
dx = [−x−r ]+∞
1 =1
−∞ 1 x
car r > 0. La fonction f est donc bien une densité.
2. On a
Z +∞ Z +∞ +∞
−r r −r+1 r
|x|f (x)dx = rx dx = − x = < +∞
−∞ 1 r−1 1 r−1
car r − 1 > 0. On en déduit que X admet une espérance.

Comme Z +∞ Z +∞
|x|f (x)dx = xf (x)dx,
−∞ −∞
on a
r
E(X) = .
r−1
On a :
Z +∞ Z +∞ +∞
2 −r+1 r −r+2 r
x f (x)dx = rx dx = − x = < +∞
−∞ 1 r−2 1 r−2
car r − 2 > 0.
On en déduit que X admet un moment d'ordre 2 et qu'il vaut r−2
r
. Par conséquent, X
admet une variance qui vaut r−2 − ( r−1 ) = (r−1)2 (r−2) .
r r 2 r
Remarque. Ceux qui ont donné les bonnes valeurs pour E(X) et V ar(X) sans justi-
er leur existence ont quand même eu tous les poinnts.
129
3. Soit h une fonction bornée. On a
Z +∞
E{h(Y )} = E{h(lnX)} = h(lnx)rx−r−1 dx.
1
Faisons le changement de variable y = lnx ⇔ x = ey . On obtient

Z +∞
E{h(Y )} = h(y)re−ry dy.
0
On en dédui que la densité fy de Y est donnée par fY (y) = re−ry si y ≥ 0 et fY (y) = 0

sinon. On reconnait la densité de la loi exponentielle de paramètre r.
Remarque. On pouvait aussi utiliser la fonction de répartition.
4. Le nombre N de kilomètres couverts avant défaillance suit donc une loi exponentielle.
L'enoncé nous apprend que EN = 9000. Or on sait que l'espérance d'une loi exponen-
tielle est égale à l'inverse de son paramètre. Par conséquent, N suit la loi exponentielle
de paramètre 9000 1
.
La probabilité que la personne termine son voyage sans avarie de batterie est donc égale
à: Z +∞
1 − x −x −1
P (N > 3000) = e 9000 dx = [−e 9000 ]+∞
3000 = e
3 .
3000 9000
Exercice 2
1. a. Vérions que f est bien une densité de probabilité :

On a ∀x ∈ R, f (x) ≥ 0. De plus,
Z
f (x)dx = 1.
R
b. Montrons que T admet une espérance :

R
2x2
Z Z
2
E(T ) = xf (x)dx = 2
= R.
R 0 R 3
Montrons que T admet une variance : on a,
V ar(T ) = E(T 2 ) − E(T )2 .
Calculons : E(T 2 ) :
+∞
R2
Z
2
E(T ) = x2 f (x)dx = .
−∞ 2
Or, E(T ) = 32 R.
Donc E(T )2 = 49 R2 .
Finalement,
R2
V ar(T ) = E(T 2 ) − E(T )2 = .
18
Pn
2. On pose : Xn = 1
n i=1 Ti .
a. Calculons E(Xn ) :
1 Pn
E(Xn ) = E(P n i=1 Ti )
1 n
n E( i=1 Ti ))
1 Pn
n i=1 E(Ti )).
130
Or les Ti ont la même loi et on a : E(Ti ) = 23 R.
D'où :
2
E(Xn ) = R
3
Calculons V ar(Xn ) :
V ar(Xn ) = V ar( n1 ni=1 Ti )

P
= n12 V ar( ni=1 Ti ),

`tes
Les Ti sont
P
.
2
= n12 n R18 .
Donc :
R2
V ar(Xn ) = .
18n
b. Vérions si Xn est un estimateur sans biais : On a,
2
E(Xn ) = R 6= R.
3
Par suite, Xn est un estimateur biaisé.
c. Déterminons λ tel que Xcn = λXn soit sans biais.
Pour que Xn soit un estimateur sans biais de R, il faut que E(X
c cn ) = R.
Comme
E(Xcn ) = λE(Xn ) = λ 2 R.
3
Donc
3
λ= .
2
3.
a. Montrons que P (|X bn − R| ≥ ε) ≤ R22 .
8nε
D'après l'inégalité de B. T., on a :
bn − R| ≥ ε) ≤ V ar(Xn ) .
c
P (|X
ε2
Cherchons V ar(X
cn ) :
cn ) = V ar( 3 Xn ) = 9 V ar(Xn ).
V ar(X
2 4
Or,
R2
V ar(Xn ) = .
18n
D'où :
2
cn ) = R .
V ar(X
8n
Donc :
2
bn − R| ≥ ε) ≤ R .
P (|X
8nε2
b. On a,
bn − R| ≥ ε) ≤ R2
P (|X .
8nε2
R2
D'où : limn−→∞ P (|Xbn − R| ≥ ε) ≤ limn−→∞
8nε2
= 0.
Donc Xbn est un estimateur convergent de R.
131
Sa
Examen de rattrapage
Examen de 28 juin 2006. Durée du sujet : 1h :30min
Horaire : 16h :30-18h :00.

On lance quatre fois de suite une pièce de monnaie non truquée. Soient X le nombre de
séquences "Pile-Face" (dans cet ordre) obtenues 1 et Y le nombre de Piles obtenus.
1. Expliquer pourquoi P ({X = 0} ∩ {Y = 1}) = 16 1
et P ({X = 1} ∩ {Y = 1}) = 16
3
.
Dans la suite, on admettra que la loi du couple aléatoire (X,Y)est donnée par
X \ Y 0 1 2 3 4
0 1
16
1
16
1
16
1
16
1
16
1 0 3
16
1
4
3
16 0
2 0 0 1
16 0 0
2. Donner la loi de X et dessiner sa fonction de répartition.

3. La variable aléatoire Y suit une loi usuelle. Laquelle ? Quels sont ses paramètres ?
Donner E(Y ) et V ar(Y ) sans faire de calcul.
4. Montrer que les variables aléatoires X et Y ne sont pas indépendantes. (On pourra
comparer P ({X = 0} ∩ {Y = 1}) et P (X = 0)P (Y = 1))
5. Calculer le coecient de corrélation linéaire ρ(X, Y )
6. On sait que pour toutes variables aléatoires indépendantes X1 et X2 on a
ρ(X1 , X2 ) = 0.
Soient r un réel strictement supérieur à 2 et X une variable aléatoire réelle de densité f don-
née par f (x) = xr+1
r
si x ≥ 1 et f (x) = 0 sinon.
1. Donner l'allure du graphe de f puis vérier que c'est bien une densité de probabilité.
2. Calculer l'espérance et la variance de X .
3. Déterminer la densité de la variable aléatoire Y = ln X
4. Le nombre de kilomètres couverts par une batterie de voiture avant défaillance est une
variable aléatoire ayant la même loi que Y et d'espérance égale à 9000 kilomètres.
Une personne achète une batterie neuve et souhaite se lancer dans un voyage de 3000
kilomètres. Avec quelle probabilité terminera-t-elle son voyage sans avarie de batterie ?
1. Par exemple, la séquence P P F P donne X = 1 ; F P P P donne X = 0, P F P F donne X = 2; etc...
132
Correction d'examen de rattrapage -28 juin 2006-
Exercice 1 :
1. L'univers Ω = {P, F }4 est de cardinal 24 = 16. Calculons X(ω) et Y (ω) pour chaque
ω ∈ Ω.
Si ω = P P P P alors X(ω) = 0 et Y (ω) = 4
Si ω = P P P F alors X(ω) = 1 et Y (ω) = 3
Si ω = P P F P alors X(ω) = 1 et Y (ω) = 3
Si ω = P F P P alors X(ω) = 1 et Y (ω) = 3
Si ω = P P F F alors X(ω) = 1 et Y (ω) = 2
Si ω = P F P F alors X(ω) = 2 et Y (ω) = 2
Si ω = P F F P alors X(ω) = 1 et Y (ω) = 2
Si ω = P F F F alors X(ω) = 1 et Y (ω) = 1
Si ω = F P P P alors X(ω) = 0 et Y (ω) = 3
Si ω = F P P F alors X(ω) = 1 et Y (ω) = 2
Si ω = F P F P alors X(ω) = 1 et Y (ω) = 2
Si ω = F P F F alors X(ω) = 1 et Y (ω) = 1
Si ω = F F P P alors X(ω) = 0 et Y (ω) = 2
Si ω = F F P F alors X(ω) = 1 et Y (ω) = 1
Si ω = F F F P alors X(ω) = 0 et Y (ω) = 1
Si ω = F F F F alors X(ω) = 0 et Y (ω) = 0.
On en déduit P (X = 0) ∩ {Y = 1} = P ({F F F P }) = 16 1
. Et P (X = 1) ∩ {Y = 1} =
3
P ({P F F F }) + P ({F P F F }) + P ({F F P F }) = 16 .
2. La v. a. X prend ses valeurs dans {0, 1, 2} et on a :

1 1 1 1 1 5
P (X = 0) = 16 + 16 + 16 + 16 + 16 + = 16 ,
5
P (X = 1) = 8 ,
1
P (X = 2) = 16 .
La fonction de répartition de X est donnée par :
3. La v. a. Y compte le nombre de piles obtenus quand on jette quatre fois de suite une pièce
de monnaie non truquée, donc Y suit la loi binomiale de taille n et de paramètre 12 .
Donc
1
E(Y ) = 4 × = 2.
2
Et
1 1
V ar(Y ) = 4 × × (1 − ) = 1.
2 2
4. On a P ({X = 0} ∩ {Y = 1}) = 16 . P ({X = 0}) = 16 et P ({Y = 1}) = 14 .
1 5
Donc P ({X = 0} ∩ ∩{Y = 1}) 6= P ({X = 0})P ({Y = 1}). Or, si X et Y sont indépendantes,
133
on aurait (par dénition)
P ({X = 0} ∩ {Y = 1}) 6= P ({X = x})P ({Y = y}),
pour tous (x, y) ∈ {0, 1, 2} × {0, 1, 2, 3, 4}.

Donc X et Y ne sont pas indépendantes.
5. On a : E(XY ) = 3
16 + 1
2 + 9
16 + 1
4 = 32 .
Donc :
Cov(X, Y ) = E(XY ) − E(X)E(Y ) = 0.
Par suite,
%(X, Y ) = 0.
6. La réciproque de cette proposition est fausse, car X et Y ne sont pas indépendantes et elles
vérient pourtant %(X, Y ) = 0.
Exercice 2 :
Voir Exo 1. du DS N o 3.
134
Sa
Epreuve de Probabilites et Statistiques
Examen de 16 octobre 2006
Horaire : 09H :00min-10H :30min
Exercice 1.
On considère trois cartes : une avec les deux faces rouges, une avec les deux faces blanches,
et une avec une face rouge et une face blanche. On tire une carte au hasard. On expose une
face au hasard. Elle est rouge. Parieriez-vous que la face cachée est blanche ? pour vous aider
dans votre choix :
1. Déterminer l'espace de probabilité.
2. Calculer la probabilité que la face cachée est blanche sachant que la face visible est
rouge.
Exercice 2.
assure 40%.
1. On tire une pièce au hasard quelle est la probabilité qu'elle soit défectueuse ?
2. On tire une pièce d'un lot constitué de pièces fabriquées, dans les proportion indéquées,
par les machines A, B et C . On constate que cette pièce est défectueuse. Calculer la
probabilité qu'elle ait été fabriquée par la machine A
3. On tire une pièce au hasard. Elle est saine. Quelle est la probabilité qu'elle vienne de C .
Exercice 3 : (La formule du crible)

1. Montrer que P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) − P (A1 ∩ A2 ).

2. Établir une formule analogue pour P (A1 ∪ A2 ∪ A3 ).
3. Montrer , par récurrence, que :
n
[ n
X X n
\
P( Ai ) = P (Ai )+...+(−1)k+1 P (Ai1 ∩...∩Aik )+...+(−1)n+1 P ( Ai ).
i=1 i=1 1≤i1 <...<ik ≤n i=1
Application : On utilise dans la suite la formule du crible.

1. Pour fêter leur réussite à un concours, n étudiants se donnent rendez-vous dans un
restaurant. En entrant chaque personne dépose sa veste dans un vestiaire. Après le re-
pas, ils récupèrent leur veste au hasard. Quelle est la probabilité pour qu'une personne
au moins ait sa propre veste ? Déduire la probabilité qu'aucune personne ne repart avec
sa veste.
135
2. En s'inspirant de la question précédente, calculer la probabilité πn (k) pour que k per-
sonne exactement aient leur propre veste ?
3. Calculer la limite π(k) de πn (k) quand n −→ ∞. Vérier que la famille (π(k), k ∈ N)

détermine une probabilité sur N.
Exercice 1 : 4 points, Exercice 2 : 6 points, Exercice 3 : 10 points.
136
Corrigé du DS N 0 1 - A. U. 2006-2007- :
Exercice 1 :
On numérote les faces de la première carte a ,b, de la dexième c, d, et de la troisième e,

f . Les couleurs des faces sont :
a = R, b = R, c = R, e = B, f = B.
Une carte c'est une face exposée et une face cachée : (E, C). L'univers Ω est donc :
Ω = {(a, b), (b, a), (c, d), (d, c), (e, f ), (f, e)}.
On munit (Ω, P(Ω)) de la probabilité uniforme.

D'après la dénition de la probabilté conditionnelle, on a :
P (E = R, C = B) Card{(c, d)} 1
P (C = B/E = R) = = = .
P (E = R) Card{(a, b), (b, a), (c, d)} 3
Exercice 2 :
On a
P (A) = 0.25, P (B) = 0.35, P (C) = 0.4.
= 0.05 × 0.25 + 0.04 × 0.35 + 0.02 × 0.4 = 0.0345 = 3.45%.

PA (D)P (A) 0.05 × 0.25
PD (A) = = = 36%.
P (D) P (D)
3)
PC (D)P (C) 0.98 × 0.4
PD (C) = = = 40%.
P (D) 1 − P (D)
Exercice 3 :
Partie I. Voir TD
Application :
On pose Ai = {i a sa veste }, on a par la formule du crible :
P ( 1≤i≤n Ai ) = np=1 (−1)p+1 1≤i1 <...<ip ≤n P (Ai1 ∩ ... ∩ Aip ).

S P P
p+1 C p (n−p)
Pn Pn p+1 1 .
= p=1 (−1) n n! = p=1 (−1) p!
Or \ [
P( Ai ) = 1 − P ( Ai )
1≤i≤n 1≤i≤n
Donc n
\ X 1
P( Ai ) = 1 − (−1)p+1 .
p!
1≤i≤n p=1
137
On note
γ(n) = Card{ permutations de {1,...,n} sans points xe}.
On a : n
γ(n) X 1
1− = (−1)p+1 .
n! p!
p=1
Donc n
X 1
γ(n) = n! (−1)p
p!
p=0
On en déduit donc le nombre de permutations de {1, ..., n} sans points xe.

2) Remarquons que
Card{ permutations de {1,...,n} ayant k points xes }

πn (k) = .
Card{ permutation de {1,...,n}}
Il existe Cnk possibilités pour les k points xes. On en déduit

k card{
Cn permutation de {1,...,n} sans point xe }
πn (k) = Card{ permutation de {1,...,n}}
k γ(n−k)
Cn Pn−k
1 p1
= n! = k! p=0 (−1) p! .
3) On a :
1 −1
limn−→∞πn (k) = π(k) = e .
k!
D'où ∞ ∞
X X 1 −1
π(N) = π(k) =
e = 1.
k!
k=0 k=0
(On peut poser pk = π(k), on a donc pk ≥ 0 et k pk = 1, d'où le résultat.)

P
138
Ecole Nationale des Sciences Appliquées Année Universitaire 2006-2007
Sa Responsable : Lakhel El Hassan
Devoir libre N o 1. Probabilités et statistiques

À rendre au plus tard le 10 décembe.
Exercice 1.
On désire modéliser le temps d'attente d'une panne de machine à l'aide de variables aléatoires
mémoire.
Exercice 2.
La durée de vie, exprimée en années, d'un circuit électronique est une variable aléatoire T
dont la fonction de répartition F est dénie par :
si t < 0

0
F (t) =
1 − exp − 12 t2 si t ≥ 0
1. Donner la densité de probabilité f de T . Calculer E[T ].

2. Sachant que le circuit a déjà fonctionné durant 1 an, quelle est la probabilité qu'il
continu à fonctionner encore durant au moins 2 ans ? La loi est-elle sans mémoire ?
3. Un équipement électronique E est composé de 10 circuits identiques et indépendantes.
Au circuit i (1 ≤ i ≤ 10) est associée la variable aléatoire :
1 si la durée de vie du circuit i est inférieure à un an

Xi =
0 sinon.
a. Quelle est la loi de probabilité de la variable aléatoire N égale au nombre de circuit

dont la durée de vie est inférieure à un an ?
b. L'équipement E est dit en série si la défaillance de l'un de ses circuits entraîne sa

défaillance. Quelle est alors la probabilité qu'il soit défaillant avant un an ?
c. L'équipement E est dit en parallèle si sa défaillance ne peut se produire que si tous

ses circuits sont défaillants. Quelle est alors la probabilité qu'il soit défaillant avant
un an ? avant t ans ?
139
Exercice 3.
Une usine employant 30 personnes dont 4 ingénieurs, 10 techniciens et 16 ouvriers.
1. On choisit de façons successive 3 employés : calculer la probabilité d'avoir un employé
de chaque catégorie professionnelle.
2. On choisit de façon successive 3 employés et soit X la variable aléatoire qui représente
le nombre d'ingénieurs choisis. Donner la loi de probabilité de X .
Exercice 4. Soit X et Y deux variables aléatoires réelles.
1. Montrer que X + Y (resp. XoY) est une variable aléatoire réelle.

2. Montrer que X.Y (resp. X Y si Y ne s'annulle pas) est une variable aléatoire réelle.
3. Soit (Xn ) une suite de variables aléatoires réelles.
Si les fonctions inf n Xn , supn Xn , lim inf Xn , lim supn Xn sont bien dénies, montrer
que ces fonctions sont des variables aléatoires réelles.
Exercice 5.
Soit un vendeur de lots de pièces mécaniques disposant, à une date t0 , d'un stock s.
La demande X , pour un intervalle de temps [t0 , t1 ], est une v. a. entière ayant une loi de
probabilité dénie par :
P (X = x) = k(x0 )p q x−1 pour x ≥ x0

=0 pour x < x0
où p et q sont deux réels positifs tels que p + q = 1 et x0 est un entier naturel inférieur à s.
1) Calculer k(x0 ) et E(X).
2) Si X est inférieure au stock s, les lots restants sont vendus à perte et le vendeur aura
à aronter une dépense moyenne de c1 DH. Si X est supérieure au stock s, il faut un ap-
provisionnement spécial de pièces manquantes et le supplément du coût représente une perte
moyenne de c2 DH.
Calculer l'éspérence mathématique des dépenses que va devoir aronter le vendeur pendant la
période [t0 , t1 ].
140
Sa
Epreuve de Probabilités et Statistiques Responsable : Lakhel El Hassan
Examen de 25 décembre 2006 Horaire : 8H :30min-10H :00
On lance trois fois de suite une pièce de monnaie non truquée. Soient X le numéro du lancer
où on obtient Pile la première fois 1 (avec la convention que X = 4 si on n'obtient pas de Pile
) et Y le numéro du lancer où on obtient Face la première fois (avec la convention que Y = 4
si on n'obtient pas de Face).
1. Donner la loi du couple (X, Y ).
2. Donner la loi de X , son espérance et sa variance.
3. Donner la loi de Z = X + Y , son espérance et sa variance.
4. Calculer le coecient de corrélation linéaire ρ(X, Y ) et interpréter le résultat obtenu.
5. Montrer que pour toutes variables aléatoires indépendantes X1 et X2 on a
ρ(X1 , X2 ) = 0.
Problème 2. ( Une somme doublement aléatoire) (11 points)

Sur le même espace probabilisé (Ω, F, P ), on suppose dénies
- une variable aléatoire N à valeurs dans N,
- une suite de variable aléatoire positives (Xi )i≥1 , ayant toutes même loi.
On pose alors :
Xn
S0 := 0, Sn = Xi (n ≥ 1).
i=1
On dénit la variable aléatoire T par
N
X
T := Xi ,
i=1
autrement dit,
∀ω ∈ Ω, T (ω) = SN (ω) (ω).
Ce modèle est d'un usage courant. Par exemple si une compagnie d'assurances s'intéresse au
risque pour une certaine catégorie de véhicules, dans une ville donnée, N représente le nombre
de sinistres déclarés au cours d'une période de temps donnée et Xi le remboursement payé par
la compagnie pour le i-ème sinistre déclaré pendant cette période. On peut imaginer facilement
d'autres applications comme le cumul des hauteurs de pluie sur une année, le total des retraits
eectués sur un distributeur automatique bancaire en une journée, etc.
1. Par exemple, la séquence P P P donne X = 1 et Y = 4 ; F P F donne X = 2 et Y = 1 ;, F F P donne
X = 3 et Y = 1 ; F F F donne X = 4 et Y = 1 ; etc.
141
Le but de cet exercice est de calculer l'espérance de T en fonction des espérances des Xi
et de N sans supposer connues les loi des Xi ou de N .
On suppose de plus que N est indépendante de la suite (Xi )i≥1 , ce qui implique notamment
(on ne vous demande pas de le justier) que pour tout j ∈ N et tous boréliens B et B 0 de R,
les évènement {Sj ∈ B} et {N ∈ B 0 } sont indépendants.
1. Trouvez l'erreur dans le raisonnement suivant : Par additivité de l'espérance des va-
riables aléatoires positives,
N N
!
ET = E EXi = N EX1 .
X X
Xi =
i=1 i=1
2. Soit A ∈ F un événement et Y une variable aléatoires sur (Ω, F, P ) tels que pour tout
t ≥ 0, les événements {Y > t} et A soient indépendants. Montrer que
∀t ≥ 0, P (Y 1A > t) = P (Y > t)P (A).
(Indication : commencer par calculer P ({Y 1A > t} ∩ Ac ).)
3. Soit X une variable aléatoire positive. Montrer que :

Z +∞
E(X) = P (X > t)dt.
0
4. Déduire de ce qui précède que
∀j ∈ N, E(Sj 1{N =j} ) = P (N = j)j EX1 .

5. Pour tout entier n ≥ 1, on pose Tn := T 1{N ≤n} . Justiez l'égalité
n
Sj 1{N =j} .
X
Tn =
j=0
En déduire que
n
ETn = EX1
X
∀n ∈ N∗ , jP (N = j).
j=0
6. Vérier que
Sj 1{N =j} .
X
T =
j∈N
(on comparera les valeurs prises par les deux membres en un ω quelconque).
7. Déduire que :
E(T ) = E(N )E(X1 ).
Exercice 1 : 9 points Problème 2 : 11 points
142
Corrigé du DS N o 2 - A. U. 2006-2007 :
Exercice 1 :
A Ecrire
Problème 2 :
143
Sa
Epreuve de Probabilités et Statistiques 1
Contrôle continu de 09 janvier 2007 Horaire : 10H :30min-12H :00
Soit α un réel et f la fonction réelle dénie par :
(
α
(x−1)2
si x < 0,
f (x) = −2x
αe si x ≥ 0.
1. Calculer α pour que f soit une densité de probabilité.

2. Déterminer la fonction de répartition F associée à f .
3. Soit X une v. a. r. de densité f . Déterminer la loi de la v. a. Y = sgn(X) avec
sgn(x) = −1 si x < 0, sgn(x) = 1 si x > 0 et sgn(0) = 0.

si t < 0

0
F (t) =
1 − exp − 21 t2 si t ≥ 0


Xi =
0 sinon.



1. la qualité et la clarté de la rédaction constituent des éléments essentiels dans l'appréciation de la copie.
144
Exercice 3 : (Vitesse moyenne) (4 points)
On veut estimer par intervalle de conance la vitesse moyenne des automobiles dans un certain
virage d'une route à grand trac. Pour cela on a enregistré à l'aide d'un radar les vitesses
X1 (ω) = x1 , ..., X400 (ω) = x400 de 400 automobiles en une période de temps de 2 heures avec
des conditions de circulation homogènes (météo, visibilité, densité de trac,. . .). On a obtenu
les statistiques suivantes
400
X 400
X
xi = 35200km/h, x2i = 3107600(km/h)2 .
i=1 i=1
L'homogénéité des conditions de trac permet de supposer que les variables aléatoires X1 , . . .
,X400 , dont on a ainsi observé une réalisation, sont indépendantes et de même loi. Proposez un
intervalle de conance au niveau 98% pour la vitesse moyenne EX1 en indiquant clairement
quels résultats du cours légitiment les approximations faites. Les données numériques ci-dessus
ont été arrangées pour vous permettre de faire facilement tous les calculs à la main si vous ne
disposez pas d'une calculatrice.
145
Corrigé du DS N o 3 - A. U. 2006-2007 :
Exercice 1 :
A Ecrire
Exercice 2 :
1. La densité de probabilité f de T est

1
f (t) = texp(− t2 )It>0 .
2
L'espérance vaut
R +∞
E[T ] = 0 t2 exp(− 12 t2 )dt
R +∞
= [−texp(− 21 t2 )]+∞
0 + 0 exp(− 21 t2 )dt
1
R +∞
= 2 −∞ t2 exp(− 21 t2 )dt
√
2π
= 2 .
2. La probabilité s'écrit
9
P (T ≥ 3) ∩ P (T ≥ 1) P (T ≥ 3) e− 2 −4
P (T ≥ 3/T ≥ 1) = = = 1 = e .
P (T ≥ 1) P (T ≥ 1) e− 2
On a pas P (T ≥ 3/T ≥ 1) = P (T ≥ 2) = e−2 . Donc la loi n'est pas sans mémoire.
3. a. La loi de probabilité de la variable aléatoire N égale au nombre de circuit dont la

1
durée de vie est inférieure à un an est : B(10, 1 − e− 2 ). En eet, le v. a. Xi sont
indépendantes et suivent une loi de Bernoulli de paramètre :
1
p = P (X1 = 1) = P (T ≤ 1) = F (1) = 1 − e− 2 .
b. La probabilité que l'équipement en série soit défaillant avant un an vaut :
P (∪i=10
i=1 (Xi = 1)) = 1 − P (∩10 (X = 0))
Q10 i=1 i
= 1 − i=1 P (Xi = 0)
10
= 1 − e− 2
' 0.99
c. La probabilité que l'équipement en parallèle soit défaillant avant 1 an est :

Y 1
P (∩10
i=1 (Xi = 1)) = P (Xi = 1) = (1 − e− 2 )10 = 8.9.10−5 .
10
1
Soit Ti la durée de vie de l'équipement i. La probabilité que l'équipement en parallèle

soit défaillant avant t ans vaut :
10
Y 1 2
P (∩10
i=1 (Ti ≤ t)) = P (Ti ≤ t) = (1 − e− 2 t )10 = pt .
i=1
on obtient p2 = 0.23 p3 = 0.099
146
Exercice 3 :
Nous allons chercher pour EX1 un intervalle de conance centré sur X = 35200/400 =
88km/h. Pour construire cet intervalle de conance, on ne peut pas utiliser ici le théorème
limite central classique car l'écart-type σ des Xi est inconnu. On va utiliser le TLC avec
autonormalisation où l'onremplace σ par S, laracine carrée de la variance empirique
n n
1X 1X 2 2
S2 = (Xi − E(Xi ))2 = Xi − X
n n
i=1 i=1
Les Xi étant de carré intégrable, le TLC avec autonormalisation nous dit que
√ X − E(X1 )
n −→ N (0, 1) (en loi)
S
Cette convergence légitime pour n grand, l'approximation
√ X − E(X1 )
P (| n | ≤ t) = P (|N (1, 1)| ≤ t) = 2π(t) − 1,
S
où π est la f.d.r. de la loi N (0, 1).
Par suite :
√ X − E(X1 ) tS tS
| n | ≤ t ⇐⇒ X − √ ≤ E(X1 ) ≤ X + √ .
S n n
Cette inégalité nous donne alors un intervalle de conance pour EX1 au niveau 2π(t) − 1.
Il s'agit bien d'un intervalle de conance puisque les bornes sont calculables à partir des
observations sans connaissance de la loi des Xi . Pour terminer les calculs, on détermine t en
résolvant 2π(t) − 1 = 0, 98, ce qui équivaut à π(t) = 0, 99,.
D'où
t = 2, 33.
On calcule ensuite X(ω) et S(ω) :
400
1 X
X=x= xi = 35200km/h = 88Km/h.
400
i=1
Et
400
1 X 2 3107600
S(ω) = s = xi − x2 = − (88)2 = 25Km/h2 .
400 400
i=1
d'où S(ω) = s = 5km/h. Un intervalle de conance I au niveau 98% pour EX1 en km/h est
donc
2.33 × 5 2.33 × 5
I = [88 − , 88 + ] = [87, 41; 88, 59].
20 20
147
Sa
Sujet de contrôle de rattrapage.

Epreuve de Probabilités et Statistiques 1
Contrôle de 23 janvier 2007 Horaire : 8H :30min-10H :00
1. Soit X : Ω −→ N une variable aléatoire. Qu'est- ce que la loi de X ? Comment calcule-
t-on l'espérance de X , la variance de X ?
2. Soit X : Ω −→ R une variable aléatoire de densité f . Comment calcule-t-on P (X ∈

[a, b]) pour un intervalle [a, b] de R. Comment calcule-t-on E(X), E(X 2 ) ?
Quand dit-on que X est intégrable ?
3. Si X est une v. a. r. positive, intégrable, et si a ∈ R∗+ , montrer que :
E(X)
P (X > a) ≤ .
a
4. Si X est une v. a. r. admettant un moment d'ordre 2, et si a ∈ R∗+ , montrer que :
V ar(X)
P (|X − E(X)| > a) ≤ .
a2
Soit T une variable aléatoire à valeurs dans N. Pour tout n ∈ N, on suppose que P (T ≥
n) > 0 et que
P{T ≥n} (T ≥ n + 1) = P (T ≥ 1). (1)
1. On pose p = P (T = 0). Si G est une variable aléatoire de loi géométrique G(p), mon-
trer que Z = G − 1 vérie P (Z = k) = p(1 − p)k pour k ∈ N.
2. Pour n ∈ N, calculer P (Z ≥ n).
3. On pose fn = P (T ≥ n). Montrer que fn+1 = fn f1 pour tout n ∈ N.
4. En déduire P (T ≥ n) pour n ∈ N (on remarquera que (fn ) est une suite géométrique).
5. Montrer que deux variables aléatoires X et Y à valeurs dans N ont la même loi si
P (X ≥ n) = P (Y ≥ n) pour tout n ∈ N.
6. En déduire que T et Z ont la même loi.
7. Quel est l'analogue de (1) dans le cas continu ?
1. la qualité et la clarté de la rédaction constituent des éléments essentiels dans l'appréciation de la copie.
148
Corrigé du contrôle de rattrapage - A. U. 2006-2007 :
Exercice 1 :
Voir le cours.
Exercice 2 :
1. On a p = P (T = 0). Montrons que Z = G − 1 vérie P (Z = k) = p(1 − p)k pour k ∈ N.

On a G prend ses valeurs dans N∗ , donc Z prend ses valeurs dans N. Par dénition
de la loi géométrique, on a P (G = l) = p(1 − p)l−1 . Donc, pour k ∈ N, on a
P (Z = k) = P (G = k + 1) = p(1 − p)k .
2. Calculons P (Z ≥ n), pour tout n ∈ N.

On a :
P∞
P (Z ≥ n) = +∞ n k−n
P
k=n P (Z = k) = p(1 − p) k=n (1 − p)
P∞ 1
= p(1 − p)n l=0 (1 − p)l = p(1 − p)n 1−(1−p) = (1 − p)n .
3. On a fn = P (T ≥ n). Montrons que fn+1 = fn f1 pour tout n ∈ N.

Pour tout n ∈ N, on a :
fn + 1 = P (T ≥ n + 1) = P (T ≥ n + 1 et T ≥ n) = PT ≥n (T ≥ n + 1)P (T ≥ n)
(1)
P (T ≥ 1)P (T ≥ n) = f1 fn .
=
4. En déduire P (T ≥ n) pour n ∈ N. Remarquons que (fn ) est une suite géométrique).

La suite (fn ) est géométrique de raison f1 = P (T ≥ 1) = 1 − P (T = 0) = 1 − p.
Donc, pour n ∈ N, on a :
P (T ≥ n) = fn = (f1 )n = (1 − p)n .
5. Par dénition, deux v. a. X et Y à valeurs dans N ont la même loi si P (X = n) =

P (Y = n) pour tout n ∈ N.
On suppose que P (X ≥ n) = P (Y ≥ n) pour tout n ∈ N.
On a
P (X = n) = P (X ≥ n) − P (X ≥ n + 1) = P (Y ≥ n) − P (Y ≥ n + 1) = P (Y = n).
Donc X et Y ont la même loi.
6. C'est une conséquence immédiate des questions 2), 4) et 5).
7. La propriété d'absence de mémoire : Soit X une v. a. r. suivant la loi exp(θ), alors X

vérie :
∀s ∈ R+ , ∀t ∈ R+ , P (X > t + s/X > t) = P (X > s)
(On parle aussi de la propriété de non vieillissement).
149
Sa
Epreuve de Probabilités et Statistiques Enseignant : Lakhel El Hassan
Examen de 15 juin 2007 Horaire : 8H :00-10H :00
Nota. Faites les calculs lentement et au brouillon. Le correcteur peut déduire des points
pour le manque de soin ou les absurdités.
Question de cours :
Le nombre d'appels par minute au standard téléphonique d'une banque a été observé sur un
échantillon de taille 12. On sait par ailleurs que ce nombre d'appels par minute suit une loi de
Poisson dont on veut estimer la moyenne λ. Les résultats sont désignés par x1 , x2 , ..., x12 .
Exercice 1.
si t < 0

0
F (t) =
1 − exp − 12 t2 si t ≥ 0

continu à fonctionner encore durant au moins 2 ans ? La loi est-elle sans mémoire1 ?

Xi =
0 sinon.



un an ?
1. Rappel : Une v. a. X est dite sans mémoire si pour tous nombres positifs t, h on a : P(X ≥ t + h|X ≥
h) = P(X ≥ t)
150
Problème 2.
A l' arrêt de bus, il est indiqué que le temps moyen entre les passages de bus est d'environ
10 minutes. Or, lorsqu'un client arrive à l'instant t à l'arrêt de bus, il attend en moyenne
une dizaine de minutes. On en déduit naïvement, par symétrie, que le temps moyen entre
deux passages de bus est de 20 minutes. Le but de ce problème est de déterminer à l'aide d'un
modèle simple qui, la société de bus ou le client a raison.
On note τ1 le temps de passage du premier Pnbus et τi+1 le temps entre le passage du i-ième et
du (i+1)-ième bus. En particulier
P0 Tn = i=1 τi est le temps de passage du n-ième bus, avec
la convention que T0 = i=1 τi = 0. A cause des conditions aléatoires du trac on suppose
que les variables aléatoires (τi , i ∈ N∗ ) sont indépendantes et de loi exponentielle de paramètre
λ > 0.
1. Quel est, d'après ce modèle, le temps moyen entre les passages des bus annoncé par la
société de bus ?
On peut montrer que Tn pour n ≥ 1 suit la loi Gamma G(n, λ) (admis) :

1
fTn (x) = λn xn−1 e−λx 1{x≥0} .
(n − 1)!
On note Nt le nombre de bus qui sont passés avant l'instant t :

n
X
Nt = sup{n ≥ 0; τi ≤ t}.
i=1
2. Quel est la valeur de P(Nt = 0).
3. Ecrire l'évènement {Nt = n} en fonction de Tn et τn+1 .
4. Pour n ≥ 1, calculer P(Nt = n), et vérier que la loi de Nt est une loi de Poisson
dont on précisera P
le paramètre.
On note Rt = t − N i=1 τi , le temps écoulé entre le passage
t
du dernier bus avant t et t,
PNt +1
avec la convention Rt = t si Nt = 0. Et on note St = i=1 τi − t le temps d'attente
du prochain bus lorsqu'on arrive à l'instant t. Soit r, s ∈ [0, +∞[.
5. Que vaut P(Rt ≤ t) ? Calculer P(Rt ≤ r, St ≤ s, Nt = 0).
6. Vérier que pour tout n ≥ 1, on a

λn n
P(Rt ≤ r, St ≤ s, Nt = n) = e−λt (1 − e−λs ) [t − (t − s)n+ ],
n!
où z+ = z si z ≥ 0 et z+ = 0 si z < 0.
7. Calculer P(Rt ≤ r, St ≤ s) la fonction de répartition du couple (Rt , St ).
8. Déterminer et reconnaître la loi de St .
9. Montrer que Rt a même loi que min(τ1 , t).
10. En déduire le temps moyen d'attente d'un bus lorsqu'on arrive à l'instant t ainsi que
l'écart moyen entre le dernier bus juste avant l'instant t et le premier bus juste après
151
l'instant t.
Pouvez vous répondre à la question du problème ?
Barême approximatif : Question de cours : 2 points, Exercice 1 : 8 points, Problème

2 : 10 points.
152
Corrigé du DS No 2 du 15 juin 2007 .
Question de cours :
Voir le cours.
Exercice 1.
1. La densité de probabilité f de la fonction de répartition est
1 2
f (t) = te− 2 t 1{t>0} .
L'espérance vaut :
R +∞ 1 2
E(T ) = 0 t2 e− 2 t
1 2 R +∞ 1 2
= [−te− 2 t ]∞
0 + 0 e− 2 t
1 +∞ − 21 t2
R
=√2 −∞ e
2π
= 2 .
2. La probabilité s'écrit :
9
P(T ≥ 3) ∩ (T ≥ 1) P(T ≥ 3) e− 2
P(T ≥ 3|T ≥ 1) = = = −1 6= P(T ≥ 2) = e−2 .
P(T ≥ 1) P(T ≥ 1) e2
On a pas P(T ≥ 3|T ≥ 1) = P(T ≥ 2) donc la loi n'est pas sans mémoire.
3. 3.a Les v.a. Xi sont indépendantes et suivent une loi de Bernoulli de paramètre :
1
p = P(X1 = 1) = P(T ≤ 1) = F (1) = 1 − e− 2 .
1
On en déduit que la la de N est la loi binomiale de paramètre (10, 1 − e− 2 ).
3.b La probabilité que l'équipement en série soit défaillant avant 1 an vaut :
P( 10
S T10
i=1 (Xi = 1)) = 1 − P( (X = 1))
Q10 i=1 i
= 1 − i=1 P(Xi = 1) ( par indépendance)
− 10
=1−e 2
' 0.99.
3.c La probabilité que l'équipement en parallèle soit défaillant avant 1 an vaut :
P( 10
Q10
( par indépendance)
T
i=1 (Xi = 1)) = i=1 P(Xi = 1)
− 12 10
= (1 − e )
' 8.910−5 .
Problème 2.
1. Le moyen est E(τ1 ) = λ1 .
2. P(Nt = 0) = P(τ1 > t) = e−λt .
3. On a {Nt = n} = {Tn ≤ t < Tn + τn+1 }.
153
4. Soit n ≥ 1. Comme Tn et τn+1 sont indépendantes, d'après le théorème de transfert,
on a :
R n ≤ t < Tn +
P(Nt = n) = P{T τn+1 }
= 1{v≤t<v+w} (n−1)! 1
λn v n−1 e−λv 1{v≥0} λe−λw 1{w≥0} dvdw
= (n−1)! λn v n−1 e−λv λe−λw 1{0<v≤t<w+v} dvdw
R 1
λn v n−1 e−λv λe−λ(t−v) 1{0<v≤t} dv

R 1
= (n−1)!
1
λn e−λt v n−1 1{0<v≤t} dv
R
= (n−1)!
n
= e−λt (λt)
n! .
On reconnaît la loi de Poisson de paramètre λt.

PNt
5. Comme i=1 τi ≥ 0, on en déduit que Rt ≤ t p.s.
Donc
P(Rt ≤ t) = 1.
On a {Nt = 0} = {Rt = t}.
Si r < t, ona
P(Rt ≤ r, St ≤ s, Nt = 0) = 0.
Si r ≥ t, alors :
P(Rt ≤ r, St ≤ s, Nt = 0) = P(t < τ1 ≤ t + s) = e−λt (1 − e−λs ).
6. Soit n ≥ 1. Posons I = P{Rt ≤ r, St ≤ s, Nt = n}.
I = P(t − Tn ≤ r, Tn + τn+1 ≤ t + s, Tn ≤ t < Tn + τn+1 )
= P((t − r) ≤ Tn ≤ t < Tn + τn+1 ≤ t + s)
1
λn v n−1 e−λv 1{v≥0} λe−λw 1{0<w} dvdw
R
= 1(t−r)≤v≤t<v+w≤t+s) (n−1)!
car les v. a. Tn et τn+1 sont indépendantes. Il vient :
1
λn v n−1 e−λv λe−λw 1{t−v<w≤t+s−v} dvdw
R
I = 1{(t−r)+ ≤v≤t} (n−1)!
1
λn v n−1 e−λv e−λ(t−v) (1 − eλs )dv
R
= 1{(t−r)+ ≤v≤t} (n−1)!
1 n −λt (1 − eλs ) 1{(t−r)+ ≤v≤t} v n−1 dv

R
= (n−1)! λ e
n
= e−λt (1 − e−λs ) λn! [tn − (t − r)n+ ].
7. En décomposant suivant les valeurs possibles de Nt , on obtient
P(Rt ≤ r, St ≤ s) = ∞
P
n=0 P(Rt ≤ r, St ≤ s, Nt = n)
P∞ λn n
= e−λt (1 − e−λs ) n=0 n! [t − (t − r)n+ ]
λ(t−r) 1
= e−λt (1 − e−λs ){eλt−e {r<t} }
= (1 − e−λs )(1 − e−λr 1{r<t} ).
154
8. Comme Rt ≤ t p.s., on a
F (s) = P(St ≤ s) = P(Rt ≤ t, St ≤ s) = (1 − e−λs ).
Comme St est positif p.s., on en déduit que sa fonction de répartition est F (s) =
(1 − e−λs ). On en déduit que la loi de St est la loi exponentielle de paramètre λ.
9. La v. a. St est nie p.s. On en déduit que
P(Rt ≤ r) = lims−→inf ty P(Rt ≤ r, St ≤ s) = (1 − e−λr 1{r<t} ).
D'autre part, la fonction de répartition de
P(min((τ1 , t) ≤ r) = 1{r≥t} + 1{r<t} P(τ1 ≤ r) = (1 − e−λr 1{r < t}).
Comme les fonctions de répartitions caractérisent la loi, on en déduit que Rt et min(τ1 ; t)

ont même loi.
10. Le temps moyen d'attente d'un bus quand on arrive à l'instant t est
1
E[St ] = 1 = .
λ
L'écart moyen entre le dernier bus juste avant l'instant t et le premier bus juste après
l'instant t est
E(St + Rt ) = E(St ) + E(Rt ) 6= E[St ].
L'écart moyen entre le dernier bus juste avant l'instant t et le premier bus juste après
l'instant t est donc diérent de l'écart moyen entre deux bus ! Le client et la société de
bus ont tous les deux raison.
Explication : Supposons qu'un arrêt de bus, le temps moyen d'attente entre deux pas-
sages soit λ1 une personne arrivant à un instant t donnée attendra son bus pendant
une durée moyenne E(St ) = λ1 et non pas 2λ
1
comme ce que l'intuition aurait pu laisser
espérer....
155
Sa Enseignant : Lakhel El Hassan
Devoir libre N o 1. Probabilités et statistiques

À rendre au plus tard le 10 mai.
Exercice 1.
Soit un espace de probabilité (Ω, A, P) et n événenments indépendants A1 , A2 , ..., An .
Calculer : n
[
P( Ai ),
i=1
en fonction de P(Ai ), i = 1, ..., n.

Application : n=3
Une pièce usinée en série a la forme d'un parallèlipipède réctangle. Pour que la pièce soit
utilisable, chacune de ses trois dimensions doit appartenir à un intervalle de tolérance donné.
Sinon la pièce est rejetée. On suppose connues la probabilité p1 que la longueur soit acceptable,
la probabilité p2 que la largeur soit acceptable, et la probabilité p3 que la heuteur soit accep-
table.
Calculer la probabilité qu'une pièce prise au hasard soit rejetée.
Application numérique p1 = 95%, p2 = 99% et p3 = 90%.
Exercice 2. (Fonction génératrice)
On appelle fonction génératrice d'une v. a. entière X la fonction GX : [0, 1] −→ [0, 1]

donnée par :
X∞
GX (s) = E(sX ) = sn P(X = n).
n=0
1. Montrer que la fonction génératrice est une fonction analytique sur [0, 1] et que GX
détermine la loi de X , plus précisément, montrer que pour tout entier n on a :
(n)
GX (0)
P(X = n) = ,
n!
(n)
avec GX (0) désigne la dérivée n-ième de GX .
2. Déterminer la fonction génératrice des lois suivantes :

2.1 X est une v. a. de Bernoulli : P(X = 1) = p, P(X = 0) = 1 − p.
2.2 X suit la loi binomiale B(n, p), p ∈ [0, 1], et n ∈ N.
156
2.3 X suit la loi Poisson P(θ), θ > 0.
3. Soit X1 , X2 deux variables aléatoires indépendantes de lois de Poisson de paramètres

respectifs θ1 >et θ2 > 0.
3.1 Calculer la loi de X1 + X2 .
3.2 Calculer la loi de X1 sachant X1 + X2 . Reconnaître cette loi.
3.3 Calculer E[X1 |X1 + X2 ].
Exercice 3.
mémoire.
Exercice 4.
si t < 0

0
F (t) =
1 − exp − 21 t2 si t ≥ 0


Xi =
0 sinon.



157
Exercice 5. Loi Gamma, Loi D'Erlang, Loi Chi-deux et loi exponentielle.
Pour a > 0, on pose Z +∞
Γ(a) = e−x xa−1 dx.
0
On appelle loi gamma de paramètre a et λ (a > 0, λ > 0), notée G(a, λ), la loi sur R de
densité γa,λ donnée par
λa −λx α−1
γa,λ (x) = e x IR+ (x).
Γ(a)
1. En utilisant une intégration par parties, montrer que Γ(a + 1) = aΓ(a) et que Γ(n) =
(n − 1)! pour tout n ∈ N∗ .
2. Soit X une v. a. de loi G(a, λ). Calculer E(X) et V ar(X).
3. Si X1 ,...,Xn sont n v. a. indépendantes de même loi exponentielle de densité λe−λx IR+ (x).
Donner la loi de probabilité de
Sn = X1 + X2 + ... + Xn .
4. Soit Y une v. a. gaussienne centré réduite, notée N (0, 1). Montrer que Y 2 a la loi
gamma G( 12 , 21 ). En déduire la valeur de Γ( 12 ).
5. Soit Yi , i=1,2,...,n, des v. a. gaussiennes indépendantes, de même loi N (0, 1).
5.1 Donner la loi de probabilité de Z = Y12 + Y22 + .... + Yn2 .
5.2 Calculer E(Z) et V ar(Z).
6. On dit que le paramètre a est un paramètre de forme, tandis que le paramètre λ est un
paramètre d'echelle. Tracer le graphe de la densité de la loi Gamma pour a = 1, a = 2,
a = 3 et a = 4. Conclure.
1. La loi Gamma porte le nom de loi d'Erlang lorsque a = n ∈ N, De plus, on a G( n2 , 12 ) = χ2n , c'est-à-
dire que la loi du Khi-deux à n degré de liberté, qui est très inportante en statistique, est également un cas
particulier de la loi Gamma. Les lois gamma et exponentielle sont des modèles très utilisés en abilité.
La loi Gamma généralise la loi exponentielle : Exp(λ) = G(a = 1, λ).
158
Sa
Devoir surveillé No 1
Epreuve de Probabilités Statistiques
Examen de 14 février 2008. Nom : ................................
Prénom : ............................
Le contrôle se compose de 4 exercices indépendants. La qualité de la rédaction sera un élément

important d'appréciation. Les réponses doivent rédigées après chaque question, en utilisant la
place disponible.
Exercice I (7 points)
A- (2 points) Donner une condition nécessaire et susante pour que deux evénemennts dis-
joints soient indépendants.
B- (5 points) On se donne deux réels p, q ∈]0, 1[ et on considère deux v.a.r. X ∼ G(p) et

Y ∼ G(q) indépendantes. Calculer
B-1 P(X = Y ) =
B-2 P(X > Y ) =
159
B-3 P(X < Y ) =
Exercice II (4 point) Une chaîne de productionn est composée d'une unité principale A1 et
de trois unités secondaires B1 ,B2 et B3 Schéma I. On envisage de la moderniser en y ajou-
tant une seconde unité principale A2 Schéma II. La chaîne fonctionne tant que les produits
fabriqués peuvent rentrer par une unité pricipale et sortir par une unité secondaire. Chaque
unité principale et secondaire peut tomber en panne indépendamment des autres unités avec
des probabilités respectives égales à 20% et 40%.
Quelle est la probabilité d'un arrêt de la chaîne avant et après la modernisation ?

II-1 Avant :
II-2 après :
II-2 Interpréter les résultats.
160
Exercice III (4 points) Soit X une variable aléatoire réelle dont la fonction de répartition
est dénie par :
si

 0 x<0
si
 x

4 0≤x<1
F (x) =
 x
2 si 1≤x<2
si

1 x≥2

III-1 Tracer le graphe de F .
III-2 Calculer les probabilités suivantes : P(X = 12 ), P(X = 1) et P( 12 < X ≤ 32 ).
Exercice IV (5 points) On s'intéresse à une machine qui peut être dans deux états : en
marche ou en panne. Sa maintenance est assurée par un mécanicien qui partage son temps
uniformément sur trois sites diérents. d'autre part, le constructeur assure que sa machine a
une abilité de 10
9
; c'est-à-dire que la probabilité qu'elle soit encore en marche le jour n + 1
sachant qu'elle l'était le jour n est 10
9
. Notons En l'événement "la machine est en marche le
jour n" et pn sa probabilité. On suppose que p0 = 1.
161
IV-1 Donner P(En+1 /En ). Expliquer pourquoi P(En+1 /Enc ) = 13 .
IV-2 Montrer que pn+1 = 17

30 pn + 1
3 pour tout n ∈ N.
IV-3 Montrer que la suite wn = pn − 13 10

pour n ∈ N est géométrique de raison 30 .
17
En
déduire une formule explicite pour wn et pn .
IV-4 Quelle est la limite de pn quand n −→ +∞ ? Interpréter le résultat.
162
Corrigé du DS No 1 du 14 févireir 2008 .
A- (2 points) Donner une condition nécessaire et susante pour que deux evénemennts dis-
joints soient indépendants.
On suppose que A et B 2 événements disjoints, donc A ∩ B = ∅.
Par suite :
A et B sont indépendants ⇐⇒ P(A ∩ B) = P(A)P(B) = 0 ⇐⇒ P(A) = 0 ou P(B) = 0.
B- (5 points) On se donne deux réels p, q ∈]0, 1[ et on considère deux v.a.r. X ∼ G(p) et

Y ∼ G(q) indépendantes. Calculer
B-1 P
P(X = Y ) = k≥1 P(X = k ∩ Y = k)
P
= k≥1 P(X = k)P(Y = k)
= k≥1 p(1 − p)k−1 q(1 − q)k−1
P
0
= pq k0 ≥0 [(1 − p)(1 − q)]k
P
pq
= p+q−pq .
B-2 P P
P(X < Y ) = k≥1 l≥k+1 P(X = k et Y = l)
P P
= k≥1 l≥k+1 P(X = k)P(Y = l)
= k≥1 l≥k+1 pq(1 − p)k−1 (1 − q)l−1
P P
= pq(1 − q) k≥1 (1 − p)k−1 l≥0 (1 − q)l

P P
p(1−q)
= p+q−pq
B-3 Puisque X et Y jouent des rôles symétriques, on en déduit
q(1 − p)
P(X > Y ) = .
p + q − pq
On vérie que P(X > Y ) + P(X < Y ) + P(X = Y ) = 1.

Exercice II
Soient les événements :
Ai "l'unité principale no i fonctionne"
Bi "l'unité secondaire no i fonctionne"
H " la chaîne fonctionne".
II-1 Avant : On a :
HI = A1 ∩ (B1 ∪ B2 ∪ B3 ).
Donc
P(HI ))P(A1 )P(B1 ∪ B2 ∪ B3 ) = P(A1 )(1 − P (B1 ∩ B2 ∩ B3 )) = 0, 8(1 − (0, 4)3 ) = 0, 75
Finalement,
P(HI ) = 0, 25
II-2 Après la modernisation , on a/
HII = (A1 ∪ A2 )
cap(B1 ∪ B2 ∪ B3 ).
163
Ce qui donne :
P(HII ) = P(A1 ∪ A2 )P((B1 ∪ B2 ∪ B3 ))

D'une part,
P(A1 ∪ A2 ) = 1 − P (A1 ∩ A2 ) = 0, 96.
D'autre part, on a :
P((B1 ∪ B2 ∪ B3 )) = 1 − P (B1 ∩ B2 ∩ B3 ) = 0, 94
Donc
P(HII ) = (0, 94)(0, 96) = 0, 90.
Le risque d'arrêt est égal à 0,1 .
II-2 Interpréter les résultats : ajouter un composant en parallèle dans un système réduira
les risques de pannes.
Exercice III (4 points) Soit X une variable aléatoire réelle dont la fonction de répartition
est dénie par :
si

 0 x<0
si
 x

4 0≤x<1
F (x) = x
si 1≤x<2
 2

si

1 x≥2
III-1 Tracer le graphe de F .
III-2 Calcul des probabilités.

: On a
P(X = x) = F (x) − F (x− )
Donc :
P(X = 12 ) = 0,
P(X = 1) = 41 ,
et P( 12 < X ≤ 23 ) = P( 12 < X < 1 ∪ 1 ≤ X ≤ 23 ) = 38 .
Exercice IV
IV-1 Donner P(En+1 |En ). Expliquer pourquoi P(En+1 |Enc ) = 13 .
De l'énoncé, on tire que P (En+1 |En ) est égal à 10
9
. Comme le mécanicien partage
uniformément son temps sur trois sites diérents, on a P (En+1 |Enc ) = 13 .
IV-2 Montrer que pn+1 = 1713 pn + 3 pour tout n ∈ N.
1
Grâce à la formule des probabilités totales, on a

9 1 17 1
P (En+1 ) = P (En+1 |En )P (En ) + P (En+1 |Enc )P (Enc ) = pn + (1 − pn ) = pn + .
10 3 30 3
164
IV-3 Montrer que la suite wn = pn − 13 10
pour n ∈ N est géométrique de raison 30 .
17
En
déduire une formule explicite pour wn et pn .
Pour tout n ∈ N, on a
17 17 1 10 17 10 13 − 30 + 17
vn+1 − vn = p n + − − (pn − ) = = 0.
30 30 3 13 30 13 39
La suite (vn ) est donc géométrique de raison 1730 . On en déduit que
vn = v0 ( 30 ) = 13 ( 30 ) puis que pn = 13 + 13 ( 30 ) pour tout n ∈ N.
17 n 3 17 n 10 3 17 n
IV-4 Quelle est la limite de pn quand n −→ +∞ ? Interpréter le résultat.

Comme | 17 30 | < 1, on a limn→+∞ ( 30 ) = 0 et limn→+∞ pn = 13 . Cela signie que sur
17 n 10
une très longue période, la machine fonctionne environ 10 jours sur 13.
165
Sa
Devoir Surveillé No 2
Epreuve de Probabilités Statistiques Enseignant : Lakhel El Hassan
Examen de 30 avril 2008. Horaire : 8H :00-10H :00
Le contrôle se compose de 3 exercices indépendants. La qualité de la rédaction sera un

élément important d'appréciation. Les notes de cours et la calculatrice sont autorisées.
Un guichet ouvre au temps T0 = 0. Soient T1 et T2 les instants d'arrivées respectifs des

deux premiers clients. On suppose que les variables aléatoires T1 et T2 −T1 sont indépendantes
et ont pour loi E(λ) λ > 0. Enn, on note Nt le nombre de clients qui se sont présentés au
guichet entre l'instant 0 et l'instant t.
1. Montrer que P (Nt = 0) = P (T1 > t) et calculer cette probabilité.
2. Calculer la fonction de répartition de T2 [on utilisera l'égalité T2 = T1 + (T2 − T1 ), qui

représente T2 comme la somme de deux variables aléatoires indépendantes].
3. Justier que
{Nt = 1} = {T1 ≤ t < T2 } et {Nt = n} = {Tn ≤ t < Tn+1 }
4. En déduire que
P(Nt = 1) = P(T1 ≤ t) − P(T2 ≤ t)
5. Calculer P(Nt = 1).
6. Nt suit une loi classique. Laquelle ? Que vaut E(Nt ) ?
Le nombre d'appels téléphoniques à un standard entre 10 h et 11 h suit une loi de Poisson
de paramètre λ. Supposons que pour chaque appel il y a une probabilité donnée p pour que le
correspondant demande un poste donné A.
a. Calculer la probabilité qu'il y ait k appels vers A entre 10h et 11h, sachant qu'il y a eu
n appels au standard.
b. Calculer la probabilité p(n, k) qu'il y ait n appels au standard et k appels au poste A.
c. Montrer que la loi de probabilité du nombre d'appels au poste A entre 10h et 11h est
une loi de Poisson de paramètre λp.
166
Soit X et Y deux variables aléatoires dénies sur le même espace de probabilité (Ω, A, P) et à
valeurs dans N muni de la tribu de ses parties, de loi de probabilité conjointe dénie par :
∀(n, m) ∈ N2 P(X = n, Y = m) = p2 q n+m ,
où p et q sont deux réels de ]0, 1[ tels que p + q = 1.
1. a. Déterminer les lois marginales de (X, Y ).
b. Calculer l'espérance mathématique (e.m.) et la variance de X + Y .
c. Pour chaque k de N, calculer la valeur au point k de la fonction de répartition FX

de la v.a. X .
2. On pose : U = max(X, Y ) et V = min(X, Y ).

a. Exprimer pour chaque k ∈ N [U = k] en fonction des événements [X = k], [Y = k],
[X ≤ k], [Y ≤ k]. En déduire la loi de probabilité de U . Calculer E(U ).
b. Calculer E(|X − Y |) (On pourra exprimer |X − Y | et X+Y en fonction de U et V ).
c. Déterminer et identier la loi de V .
3. Quelle est la loi de probabilié conjointe de X et U ? Retrouver, à partir de cette loi,

celle de U .
4. a. Pour chaque m ∈ N, calculer la probabilité de l'événement [X + Y = m].
b. Déterminer et identier la loi de U conditionnelle à [X + Y = 2n + 1] (n ∈ N).
167
Corrigé du DS No 2 du 30 2008 .
1- Nt = 0 signie qu'aucun client ne s'est présenté au guichet jusqu'à l'instant t, autre-

ment dit le temps d'arrivée du premier client est > t.
Les deux événements {Nt = 0} et {T1 > t} sont égaux, en particuleur, P({Nt = 0}) =
P({T1 > t}). Comme T1 ∼ Exp(λ), on a :
P({T1 > t}) = 1 − FT1 (t) = e−λt .
2- Si x ≤ 0, on a FT2 = P(T2 ≤ x) = 0.
Les v. a. T1 et T2 − T1 sont i.i.d. de même loi Exp(λ), d'où :
fT1 ,T2 −T1 (u, v) = fT1 (u)fT2 −T1 (v).
Pour x ≥ 0,
FT2 (x) = RP(T2 ≤ x) = P(T1 + T2 − T1 ≤ x)
= (u,v)∈R2 |u+v≤x fT1 ,T2 −T1 (u, v)dudv
Rx R x−u −λv
= R0 λe−λu ( 0 λe dv)du
x −λu −λ(x−u)
= 0 λe (1 − λe )du
= 1 − λe−λx − λxe−λx .
3- Nt = 1 signie qu'exactement un client s'est présenté au guichet à l'instant t, autre-
ment dit que le temps d'arrivée du premier client est ≤ t et que le temps d'arrivée du
deuxième client est > t. Donc P(Nt = 1) = P(T1 ≤ t < T2 ).
4- D'après la question 3), on a :
P(Nt = 1) = P(T1 ≤ t < T2 ).
Or,
P(T1 ≤ t < T2 ) + P(T2 ≤ t) = P(T1 ≤ t < T2 ouT2 ≤ t) = P(T1 ≤ t).
Donc
P(Nt = 1) = P(T1 ≤ t) − P(T2 ≤ t).
5- D'après les questions 5) et 2) , on tire :
P(Nt = 1) = P(T1 ≤ t) − P(T2 ≤ t) = λtexp(−λt).
6- Vu les questions 2) et 5), on a Nt ∼ exp(λt) et E(Nt ) = λt.

Exercice 2 (3 points)
1. Soit X le nombres d'appels au standard entre 10 h et 11 h. Soit Y le nombre d'appels

au poste A entre 10 h et 11 h. La loi conditionnelle de Y liée par X = n est la loi
binomiale de paramètre n et p. On a donc pour tout k ∈ {!0, 1, ..., n},
P(Y = k/X = n) = Cnk pk (1 − p)n−k .
2. Soit n ∈ N, et 0 ≤ k ≤ n
λn k k
p(n, k) = P(X = n, Y = k) = P(X = n)P(Y = k/X = n) = e−λ C p (1 − p)n−k .
n! n
168
3. Soit k ∈ N, d'après le thm des probabilités totales, on a :
−λ k k P λn−k (1−p)n−k
P(Y = k) = n≥k p(n, k) = e k!λ p
P
n≥k (n−k)!
e−λ (λp)k eλ(1−p) k
= k! = eλp (λp)
k! .
La loi de Y est la loi de Poisson de paramètre λp.
Exercice 3 :
1. a. Pour tout n ∈ N,
X X p2 q
P(X = n) = P(X = n)P(Y = m) = p2 q n qm = = pq n .
1−q
m∈N m∈N
La v. a. X + 1 suit une loi géomètrique G(p).

De la même façon on déduit que Y + 1 suit une loi géométrique de paramètre p :
G(p).
Les v. a. X et Y sont indépendantes car :
P(X = n, Y = m) = p2 q n+m = P(X = n)P(Y = m).
b. On a, d'après le cours
1
E(X + 1) =
p
Donc
q
E(X) = E(Y ) =
p
Et
q
V ar(X) = V ar(Y ) = .
p2
D'où
2q
E(X + Y ) = E(X) + E(Y ) = .
p
Et
2q
V ar(X + Y ) = V ar(X) + V ar(Y ) = car X et Y sont indépendantes.
p2
c. Pour tout k ∈ N,
k
X p(1 − q k+1 )
FX (k) = P(X ≤ k) = P(X = i) = = 1 − q k+1 .
1−q
i=1
2. a. Pour tout k ∈ N, on a
[U = k] = ([X ≤ k] ∩ [y = k]) ∪ ([X = k] ∩ [Y ≤ k])
Par suite
P[U = k] = P[X ≤ k] ∩ [Y = k] + P([X = k] ∩ [Y ≤ k]) − P([X = k] ∩ [Y = k])
= 2P[X ≤ k] ∩ [y = k] − P([X = k] ∩ [Y = k])
= 2(1 − q k+1 )()pq k − p2 q 2k = pq k (2 − q k − q k+1 ).
169
On a :
X X X 2q q2
E(U ) = kP[U = k] = 2 kpq k − (1 + q) kpq 2k = − .
p 1 − q2
k∈N k∈N k∈N
b. On a
1
U = max(X, Y ) = [X + Y + |X − Y |]
2
D'où
2q
E|X − Y | = 2E(U ) − E(X + Y ) = .
p(1 + q)
c. D'une manière analogue à U , on détermine la loi de V :
P[V = k] = P[X ≥ k] ∩ [y = k] + P([X = k] ∩ [Y ≥ k]) − P([X = k] ∩ [Y = k])
= 2P[X = k](1 − P[Y ≤ k − 1] − p2 q 2k
= 2pq 2k − p2 q 2k = p(2 − p)q 2k = (1 − q 2 )(q 2 )k .
Donc V + 1 suit la loi géomètrique G(1 − q 2 ).

3. Pour chaque (n, k) ∈ N2 , on a
si k < n


 0



P(X = n, Y ≤ n) = pq n (1 − q n+1 ) si k = n


P(X = n, U = k) =






= P(X = n, Y = k) = p2 q n+k si k > n

Pour tout k ∈ N∗ , on a
P(U = k) = n∈N P(X = n, U = k) = k−1 2 n+k + pq k (1 − q k+1 )

P P
n=0 p q
= pq (1 − q ) + pq (1 − q ) = pq (2 − q k − q k+1 )
k k k k+1 k
résultat valable aussi pour k = 0 car P(U = 0) = p(1 − q).
4. a- Pour chaque m ∈ N, les v. a. X et Y sont indépendantes, donc
m
X m
X m
X
k m−k
P[X+Y = m] = P[X = k]P[Y = m−k] = pq pq = p2 q m = (m+1)p2 q m .
k=0 k=0 k=0
b- Pour tout k ∈ N, on a
P[X+Y =2n+1,M ax(X,Y )=k]
PX+Y =2n+1 [U = k] = P(X+Y =2n+1)
(
P(X=k,Y =2n+1−k)∪(X=2n+1−k,Y =k)
2(n+1)p2 q 2n+1
si n + 1 ≤ k ≤ 2n + 1
=
0 sinon
2p2 q 2n+1 1
= =
2(n+1)p2 q 2n+1 n+1 si n + 1 ≤ k ≤ 2n + 1
La loi trouvée est l'équiprobabilité sur {n + 1, ..., 2n + 1}.
170
Sa
Devoir Surveillé No 3
Epreuve de Probabilités Statistiques Enseignant : Lakhel El Hassan
Examen de 28 mai 2008. Horaire : 8H :30-10H :00

élément important d'appréciation. Les notes de cours et la calculatrice sont autorisées.
Questions de cours : (3 points)

1. Donner sans démonstration, en terme de fonctions de répartition, une condition né-
cessaire et susante de convergence en loi.
2. Enoncer sans démonstration, le théorème central limite.

1. Soit (Xn ) une suite de v. a. r. de loi uniforme sur {0, n1 , n2 , ..., 1}.
Montrer que :
Loi
Xn X,
−→
avec X ∼ U[0,1] .
2. Dans une le d'attente, dix personnes attendent avant d'être servies. Si le temps de
service d'une personne est une v. a. de loi exponentielle de paramètre θ = 1 minute,
quelle est la probabilité que la durée d'attente totale dépasse 15 minutes ?
3. Soit la suite Xn = (−1)n X où X est une variable aléatoire normale centrée réduite
N (0, 1).
Montrer que Xn converge en loi vers X et ne converge pas en probabilité vers X .
4. Soit n contrats d'assurance automobile identiques selon lesquels, moyennant le verse-

ment d'une prime P de la part de l'assuré, l'assureur s'engage à le dédomager pour
les accidents de l'année à venir. La somme X que l'assureur devra lui verser peut être
considérer comme une v a . En supposant que les risques d'accidents sont identiques
pour chacun des assurés, la loi de probabilité de X est la même pour tous les assurés.
Les résultats statistiques des années passées permettent de supposer connus E(X) = a
et σ(X) = σ .
Calculer la valeur de la prime P que doit demander l'assurreur an de pouvoir tenir
ses engagements avec une probabilité 0,99.
Application numeérique : n=20 000, a=1200DH, σ = 600DH.
Exercice 2 : (7 points)
On admet que le montant des dépôts de chaque client, sur un compte d'épargne, obéit à une
loi normale de moyenne m et d'écart type σ ; m et σ sont inconnus et l'on se propose de
171
les estimer en tirant au hasard n clients parmi les titulaires de compte d'épargne. Soit Xi la
variable aléatoire : montant des dépôts du client n0 i, i variant de 1 à n.
1. Donner les estimateurs habituels de m et de σ 2 , et montrer que l'estimateur de m est

sans biais et convergent en probabilité. Interpréter ce dernier résultat.
2. On a tiré au hasard 10 clients et obtenu les montants suivants des dépôts exprimés en
euros :
4700, 6900, 13500, 22000, 10000, 12000, 14000, 18000, 8600, 9000.
Donner les estimations de m et σ 2 associées à ces expériances.
3.1 Donner la dénition d'un estimateur ecace.
3.2 La quantité d'information In (θ) apportée par un n-échantillion de la variable aléatoire

X de fonction de densité f est donnée par :
In (θ) = nE[(Lnf (X, θ))0θ ]2 .

L'inégalité de Cramer-Rao arme que sous des conditions plus générales
la variance d'un estimateur de θ est toujours supérieure ou égale à In1(θ) .
Montrer que l'estimateur de m est ecace c'est-à-dire :
1 1
In (m) = = .
Variance (estimateur de m) V (X)
*******Fin*******
172
Corrigé du Devoir surveillé n0 3
Questions de cours : (3 points) Voir le cours.

1. Soit Fn la fonction de répartition de Xn .
Xn prend les valeurs nk (0 ≤ k ≤ n) avec
k 1
P(Xn = )= .
n n+1
Pour x ∈ R, on :
si x < 0, Fn (x) = 0
si n+1
k k+1
≤ x < n+1 , Fn (x) = n+1
k+1
, 0 ≤ k ≤ n − 1,
si x ≥ 1, Fn (x) = 1.
Pour x ∈ [0, 1[, il existe k ∈| [0, n − 1 |] tel que
k k+1
≤x<
n n
Donc
nx k+1 nx + 1 nx nx + 1
k ≤ nx < k + 1 =⇒ < ≤ =⇒ < Fn (x) ≤ .
n+1 n+1 n+1 n+1 n+1
Donc
limn−→∞ Fn (x) = x, ∀x ∈ [0, 1[.
En résumé : 
 0 si x<0
limFn (x) = x si x ∈ [0, 1]
1 si x≥1

c'est la fonction de répartition de U[0,1] .

2. On pose :
T = T1 + T2 + ... + T10 .
où Ti (i=1,...,10) sont des v. a. indépendantes de loi E(1).
On utilise le théorème central limite pour la v. a. T .
T peut être approchée par une v. a. normale de moyenne
E(T ) = 10E(T1 ) = 10
et de variance :
V ar(T ) = 10V ar(T1 ) = 10.
On trouve alors rapidement :
P (T > 15) ' P (N (0, 1) > 15−10
√
10
)
= P (N (0, 1) > 1, 511) = 0, 057.
On peut donc attendre dans la le sans crainte d'y rester plus de 15 minutes.
3. Soit la suite Xn = (−1)n X où X est une variable aléatoire normale centrée réduite
N (0, 1).
Montrer que Xn converge en loi vers X et ne converge pas en probabilité vers X .
Soit Fn la fonction de répartition de Xn , et F la fonction de répartition dr X . On a :

Fn (x) = P(Xn ≤ x) = P((−1)n X ≤ X)
173
* Si n est pair : Fn (x) = F (x).
* Si n est impair : Xn = −X . Et on a :
Fn (x) = P(Xn ≤ x) = P((−1)n X ≤ x) = P(X ≥ −x) = P(X ≤ x)
Ceci en raison de la symétrie de la densité de la loi normale.

Donc, pour tout n
Fn (x) = F (x).
i.e. Xn converge en loi vers X .
Mais Xn ne converge pas en probabilité vers X , car Xn = −X pour n impair.
4. Voir série d'exo n0 6 exo 8.


Voir le cours.
euros :
4700, 6900, 13500, 22000, 10000, 12000, 14000, 18000, 8600, 9000.
x = 11870 euros
ET
rP
(xi − x)2
s= = 5227, 5 euros
9
Voir le cours.

In (θ) = nE[(Lnf (X, θ))0θ ]2 .

1 1
In (m) = = .
On a :
In (m) = nE[(Lnf (X, m))0m ]2 .
174
1 −1 X−m X −m
[Lnf (X, m)]0m = [Ln( √ e 2 ( σ ) )2 ] = .
2πσ σ2
Donc,
X −m 2 n nσ 2 n 1
In (θ) = nE[(Lnf (X, θ))0m ]2 = nE([ 2
] ) = 4
V ar(X) = 4
= 2 = .
σ σ σ σ V (X)
175
Sa
Sujet d'examen de rattrapage


important d'appréciation.
1. Soit X : Ω −→ N une variable aléatoire. Qu'est-ce que la loi de X ? Comment calcule-

t-on l'espérance de X , la variance de X ?
2. Soit X : Ω −→ R une variable aléatoire de denssité f . Comment calcule-t-on P(X ∈

[a, b]), pour un intervalle [a, b] de R. Comment calcule-t-on E(X), E(X 2 ) ? Quand dit-
on que X est intégrable ?
3. Soit X une v. a. Gaussienne centrée réduite X ∼ N (0, 1). Calculer la fonction carac-
téristique de la loi de X : φX (t) = E(eitX ). Déduire E(X 2n ) ∀n ∈ N.
4. Soit Y ∼ N (m, σ 2 ), trouver la fonction caractéristique de Y .
5. Soient Y1 ∼ N (m1 , σ1 ) et Y2 ∼ N (m2 , σ2 ) deux v. a. indépendantes. Trouver la loi de

Y1 + Y2 .
Exercice II (12 point)

Soit (X, Y ) un vecteur de variables aléatoires dénies sur un espace de probabilité (Ω, F, P)
tel que la loi de X est donnée par la densité :
4x3 si

0 < x < 1,
fX (x) =
0 sinon.
Les lois conditionnelles de Y à X sont dénies, pour chaque x de ]0, 1[, par :
2y
X=x x2
si 0 < y < x,
fY (y) =
0 sinon.
1. Déterminer la loi conjointe de X et Y .

2. Déterminer la loi de Y et son espérance E(Y ).
3. Calculer la covariance de X et Y .
4. Calculer l'espérance conditionnelle EX (Y ) et vérier que l'on a :
E(EX (Y )) = E(Y ).
(Indication : posons EX (Y ) = g(X), en pratique, on commence par calculer g(x) =

E[X=x] (Y ) et on remplace x par X dans g(x)).
176
Corrigé du Devoir surveillé de Rattrapage
Exercice I.
Voir le cours et les TDs.

Exercice II.
1- P(X,Y ) est la loi de densité

8xy 0 < x < y < 1
f(X,Y ) (x, y) =
0 sinon
2- La densité de Y est
4y − 4y 3 0 < y < 1

fY (y) =
0 sinon
Et, on a
8
E(Y ) = .
15
3- On a
4
Cov(X, Y ) = E(XY ) − E(X)E(Y ) = .
225
4- On a
2
E[X=x] (Y ) = x.
3
Donc,
2 8
EE[X] (Y ) = E(X) = = E(Y ).
3 15
177
Sa
Devoir surveillé N o 1
Nom : ................................
Examen de 12 novembre 2008.
Prénom : ............................

place disponible.
Un système de communication comporte 4 composants. Chacun d'entre eux fonctionnera,

indépendamment des autres, avec une probabilité 0.8. Le système total pourra fonctionner si
au moins la moitié de ces composants sont opérationnels. Calculer la probabilité que le système
fonctionne.
Exercice II CD-ROM( 5 points)

Le gérant d'un magasin d'informatique a reçu un lot de boites de CD-ROM. 5% des boites sont
abimées. Le gérant estime que : 60% des boites abimées contiennent au moins un CD-ROM
défectueux. 98% des boites non abimées ne contiennent aucun CD-ROM défectueux.
Un client achète une boite du lot. On désigne par A lévénement : "la boite est abimée" et par
D l'événement "la boite achetée contient au moins un CD-ROM défectueuse".
1. Donner les probabilités de P (A), P (Ac ), P (D|A), P (D|Ac ), P (Dc |A) et P (Dc |Ac ).
178
2. Le client constate qu'un des CD-ROM acheté est défectueux. Quelle est a la probabilité
pour qu'il ait acheté une boite abimée.
Exercice III ( Compagnie d'assurance)(4 points)

Une compagnie d'assurance répartit ses clients en trois classes R1 , R2 et R3 : les bons
risques, les risques moyens, et les mauvais risques. Les eectifs de ces trois classes représentent
20% de la population totale pour la classe R1 , 50% pour la classe R2 , et 30% pour la classe
R3 .
Les statistiques indiquent que les probabilités d'avoir un accident au cours de l'année pour une
personne de l'une de ces trois classes sont respectivement de 0.05, 0.15 et 0.30.
1. Quelle est la probabilité qu'une personne choisie au hasard dans la population ait un
accident dans l'année ?
179
2. Si un cilient n'a pas eu d'accident cette année, quelle est la probabilité qu'il soit un bon
risque ?
Exercice IV (9 points)
si t < 0

0
F (t) = 1 2
1 − exp − 2 t si t ≥ 0
1. Donner la densité de probabilité f de T .


Xi =
0 sinon.

180

181
Corrigé du DS 1-12 novembre 2008
Exercice I. (4 points)
C'est la loi binomiale B(4,0.8).
Voir série d'exos no 2 2010-2011, pour les exos 2-3 et 4.
182
Sa
Nom : ................................
Examen de 31 décembre 2008.
Prénom : ............................

place disponible.
Exercice 1. Questions de cours (4 points)
1. ( L'inégalité de Bienaymé-Tchebyche )
Montrer que si X est une v. a. r. admettant un moment d'ordre 2, et si a ∈ R∗+ , alors
, on a :
V ar(X)
P (|X − E(X)| > a) ≤ .
a2
2. (Théorème de Bayes)
Montrer que pour un couple aléatoire (X, Y ) discret (ou continu), on peut exprimer
la distribution conditionnelle de l'une des deux variables en fonction de la distribution
conditionnelle l'autre variable :
pY (y|x)pX (x)
pX (x|y) = P(X = x|Y = y) = P .
xi∈X(Ω) pY (y|xi )pX (xi )
183
Un fabricant de réfrigérateur a pour règle de faire inspecter ses produits nis. Les défauts
principaux sont de deux types : 1) égratignures de l'émail de recouvrement ; 2) problèmes
mécaniques de toutes sortes. En se basant sur l'inspection de 50 réfrigérateurs, on a établi la
loi conjointe suivante, où X désigne le nombre d'égratignures et Y le nombre de problèmes
mécaniques.
X \ Y 0 1 2 3 4 5
0 11
50
4
50
2
50
1
50
1
50
1
50
1 8
50
3
50
2
50
1
50
1
50 0
2 4
50
3
50
2
50
1
50 0 0
3 3
50
1
50 0 0 0 0
4 1
50 0 0 0 0 0
1. Calculer les lois marginales de X et Y .
2. Calculer E(X + Y ) et E(XY ).
3. Calculer le coecient de corrélation linéaire ρ(X, Y ). Les variables aléatoires X et Y

sont-elles indépendantes ?
184
Pour éviter l'inconvénient majeur que représente la panne d'une machine fragile et indispon-
sable au bon fonctionnement d'une chaîne de production, on envisage de prévoir une machine
de secours, identique en tout point, qui se met automatiquement en marche lorsque la première
machine tombe en panne. La machine est mise en marche le matin à 8h00 et est arrêtée le
soir à 18h00, et on ne peut envisager de réparer une machine qu'après 18h00 le soir. Si l'on
suppose que la durée de fonctionnement sans l'occurrence d'une panne à partir de la mise en
marche suit une loi exponentielle de paramètre λ = 0, 01h−1 ,
a- quelle est la probabilité que la chaîne de production s'arrête s'il y a une seule machine ?
b- quelle est la probabilité que la chaîne de production s'arrête s'il y a une seconde machine
de secours ?
185
Pour a > 0, on pose Z +∞
Γ(a) = e−x xa−1 dx.
0
On appelle loi gamma de paramètre a et λ (a > 0, λ > 0), notée G(a, λ), la loi sur R de
densité γa,λ donnée par
λa −λx α−1
γa,λ (x) = e x IR+ (x).
Γ(a)
1. En utilisant une intégration par parties, montrer que Γ(a + 1) = aΓ(a) et que Γ(n) =
(n − 1)! pour tout n ∈ N∗ .
2. Soit X une v. a. de loi G(a, λ). Calculer E(X) et V ar(X).
3.1 Soit X et Y deux v. a. indépendantes de lois respectives G(a, λ) et G(b, λ). Donner
la loi de probabilité du couple (X, Y ).
186
3.2 Si X1 ,...,Xn sont n v. a. indépendantes de même loi exponentielle de densité λe−λx IR+ (x).
Donner la loi de probabilité de
Sn = X1 + X2 + ... + Xn .
4. Soit Y une v. a. gaussienne centré réduite, notée N (0, 1). Montrer que Y 2 a la loi
gamma G( 12 , 21 ). En déduire la valeur de Γ( 12 ).
5. Soit Yi , i=1,2,...,n, des v. a. gaussiennes indépendantes, de même loi N (0, 1).

5.1 Donner la loi de probabilité de Z = Y12 + Y22 + .... + Yn2 .
5.2 Calculer E(Z) et V ar(Z).
187
6. On dit que le paramètre a est un paramètre de forme, tandis que le paramètre λ est un
paramètre d'echelle. Tracer le graphe de la densité de la loi Gamma pour a = 1, a = 2,
a = 3 et a = 4. Conclure.
1. Les lois gamma et exponentielle sont des modèles très utilisés en abilité. La loi Gamma généralise la
loi exponentielle : Exp(λ) = G(a = 1, λ).
188
Sa
Examen de 21 janvier 2009. Nom : ................................
Prénom : ............................

important d'appréciation. La réponse à la question 1 doit rédigée après cette question, en uti-
lisant la place disponible.
Soit a ∈ R et (Xn ) une suite de v. a. réelles.
Montrer que (Xn ) converge en probabilité vers a si et seulement si (Xn ) converge en loi vers
a.
189

euros :
4700, 6900, 13500, 22000, 10000, 12000, 14000, 18000, 8600, 9000.
Donner les estimations de m et σ 2 associées à ces expériances.

In (θ) = nE[(Lnf (X, θ))0θ ]2 .

1 1
In (m) = = .
Problème 3. (9 points)
On étudie dans ce problème le processus de fonctionnement d'un appareil prévu pour une
marche continue mais susceptible de subir des avaries accidentelles.
Le temps sera représenté par une suite de dates équidistantes numérotées :
1, 2, ..., t − 1, t, ...
On fera les hypothèses suivantes :

- Si l'appareil fonctionne à la date t − 1, il a la probabilité a d'être en panne à la date t.
- Si l'appareil est en panne à la date t − 1, il a la probabilité b d'être à nouveau en état
de marche à la date t.
1. En appelant p(t) la probabilité que l'appareil soit en état de marche à la date t, établir
la relation
p(t) = b + (1 − a − b)p(t − 1).
En déduire
b b
p(t) = + [p(1) − ](1 − a − b)t−1
a+b a+b
Que se passe -t-il si t tend vers l'inni ?
2. On suppose dans ce qui suit que p(1) = a+b b
et on se limite aux dates 1 et 2. On
considère les variables aléatoires X1 et X2 :
Xi vaut 1 si l'appareil est en état de marche à la date i et 0 si l'appareil est en panne
à cette date (i = 1, 2).
Calculer :
190
a. l'espérance et la variance de X1 et X2 .
b. Le coecient de corrélation linéaire entre X1 et X2 .
c. l'espérance et la variance du temps de fonctionnement T de l'appareil entre les dates
1 et 2 (T = X1 + X2 ).
d. Que deviennent ces résultats dans le cas a = b = 21 ?
191
Sa

Examen de février 2009

important d'appréciation.

On étudie dans ce problème le processus de fonctionnement d'un appareil prévu pour une
marche continue mais susceptible de subir des avaries accidentelles.
Le temps sera représenté par une suite de dates équidistantes numérotées :
1, 2, ..., t − 1, t, ...
On fera les hypothèses suivantes :
- Si l'appareil fonctionne à la date t − 1, il a la probabilité a d'être en panne à la date t.
- Si l'appareil est en panne à la date t − 1, il a la probabilité b d'être à nouveau en état
de marche à la date t.
1. En appelant p(t) la probabilité que l'appareil soit en état de marche à la date t, établir
la relation
p(t) = b + (1 − a − b)p(t − 1).
En déduire
b b
p(t) = + [p(1) − ](1 − a − b)t−1
a+b a+b
Que se passe -t-il si t tend vers l'inni ?
2. On suppose dans ce qui suit que p(1) = a+b b
et on se limite aux dates 1 et 2. On
considère les variables aléatoires X1 et X2 :
Xi vaut 1 si l'appareil est en état de marche à la date i et 0 si l'appareil est en panne
à cette date (i = 1, 2).
Calculer :
a. l'espérance et la variance de X1 et X2 .
b. Le coecient de corrélation linéaire entre X1 et X2 .
c. l'espérance et la variance du temps de fonctionnement T de l'appareil entre les dates
1 et 2 (T = X1 + X2 ).
d. Que deviennent ces résultats dans le cas a = b = 21 ?
Exercice II (10 point)
Soit (X, Y ) un vecteur de variables aléatoires dénies sur un espace de probabilité (Ω, F, P)
tel que la loi de X est donnée par la densité :
4x3 si

0 < x < 1,
fX (x) =
0 sinon.
Les lois conditionnelles de Y à X sont dénies, pour chaque x de ]0, 1[, par :
2y
X=x x2
si 0 < y < x,
fY (y) =
0 sinon.
192
1. Déterminer la loi conjointe de X et Y .
2. Déterminer la loi de Y et son espérance E(Y ).
3. Calculer la covariance de X et Y .
4. Calculer l'espérance conditionnelle EX (Y ) et vérier que l'on a :
E(EX (Y )) = E(Y ).
(Indication : posons EX (Y ) = g(X), en pratique, on commence par calculer g(x) =

E[X=x] (Y ) et on remplace x par X dans g(x)).
193
Sa
Nom : ................................
Prénom : ............................
Le contrôle continu est un examen universitaire. Toute fraude ou tentative de fraude est pas-
sible du Conseil de Discipline de l'ENSAS. Le contrôle se compose de 4 exercices indépendants.
La qualité de la rédaction sera un élément important d'appréciation. Les réponses doivent ré-
digées après chaque question, en utilisant la place disponible.
Questions de cours (3points)

Soit (Ω, F, P) un espace de probabilité.
1- Si (An )n∈N est une suite croissante d'événements de F . Démontrer que
[
P( An ) = limn−→∞ P(An )
n∈N
2- Rappeler la dénition d'une tribu.
194
Exercice 1. (3 points) Soit A et B deux événements d'un même espace de probabilité
(Ω, F, P). Montrer que :
P(A ∩ B) − P(A)P(B) = −P(A ∩ B) + P(A)P(B) = P(A ∩ B) − P(A)P(B).
195
On considère le circuit de la gure ci-dessous
Les Ai , Bj , Ck sont des relais, en position ouverte ou fermée. Les nombres indiquent la
probabilité que le relais correspondant soit ouvert. Les relais sont indépendants. Calculez la
probabilité pour que le circuit total passe (c'est- à-dire qu'il existe au moins une branche sur
laquelle tous les relais sont fermés).
196
Exercice 3. (Formule de Poincaré)(10 points)
1. Montrer que P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) − P (A1 ∩ A2 ).

2. Établir une formule analogue pour P (A1 ∪ A2 ∪ A3 ).
3. Montrer , par récurrence, que :
n
[ n
X X n
\
k+1 n+1
P( Ai ) = P (Ai )+...+(−1) P (Ai1 ∩...∩Aik )+...+(−1) P( Ai ).
i=1 i=1 1≤i1 <...<ik ≤n i=1
4. Application : On utilise dans la suite la formule du crible.

Une personne écrit des lettres personnelles à n correspondants, mais la secrétaire,
croyant qu'il s'agit d'une circulaire, met les étiquettes d'adresse au hasard.
a- Quelle est la probabilité que chaque lettre parvienne à son destinataire ?
b- Quelle est la probabilité qu'une lettre au moins parvienne à son destinataire ?

(Indication : On notera Ai l'événement "la lettre i parvient à son destinataire"
et soit P(Ai ) sa probabilité.)
197
Corrigé
Exercice 1.
On a
P (A ∩ B) + P (A ∩ B) = P [(A ∩ B) ∪ (A ∩ B)] = P (B) = P (B)[P (A) + P (A)].
On en déduit la première égalité.
Pour la deuxième, on écrit
P (A ∩ B) + P (A ∩ B) = P [(A ∩ B) ∪ (A ∩ B)] = P (A) = P (A)[P (B) + P (B)].
Exercice 2.
Appelons Xi l'événement "Ai est ouvert", Yi lévénement "Bi est ouvert" et Zi l'événement
"Ci est ouvert".
Les données sont :
P (X1 ) = 0.5 ; P (X2 ) = 0.1; P (Y1 ) = 0.8 ; P (Y2 ) = 0.1 ; P (Y3 ) = 0.4 et
P (Z1 ) = 0.3.
On appelle A l'événement "la branche A passe".

On appelle B l'événement "la branche B passe".
On appelle C l'événement "la branche C passe".
Si K est l'événement "le circuit passe", alors
K =A∩B∩C
Donc, on a par indépendance :
P (K) = 1 − P (K) = 1 − P (A)P (B)P (C)
Toujours par indépendance, on a
P (K) = 1 − (1 − P (X1 )P (X2 ))(1 − P (Y1 )P (Y2 )P (Y3 ))(1 − P (Z1 )) = 0.36.
Exercice 3.
1- Voir le cours.
2-
P (A1 ∪A2 ∪A3 ) = P (A1 )+P (A2 )+P (A3 )−P (A1 ∩A2 )−P (A1 ∩A3 )−P (A2 ∩A3 )+P (A1 ∩A2 ∩A3 ).
3- Cette formule se démontre par récurrence sur n. Le cas n = 2, la formule de Poincaré
est vériée.
Supposons la formule vraie pour n.
Posons
∪n+1
j=1 Aj = B ∪ An+1 où B = ∪nj=1 Aj .
D'après la formule de Poincaré pour n = 2 ,
P (∪n+1
j=1 Aj ) = P (B) + P (An+1 ) − P (B ∩ An+1 ).
Pour P (B) on emploie la formule supposée vraie pour n. Les termes qui manquent pour
le cas n + 1 sont obtenus en remarquant que
P (B ∩ An + 1) = P (∪nj=1 Aj)
e où A
ej = Aj ∩ An+1 ,
et en utilisant la formule de Poincaré à l'ordre n pour les A

ej .
198
4. Application :
Numérotons les enveloppes de 1 à n. L'univers Ω est l'ensemble des n! permutations
des n lettres dans les n enveloppes. Ω est muni de l'équiprobabilité.
a- Il y a une seule façon de placer les n lettres corresponantes dans ces n enveloppes.
Donc, la probabilité qu'on cherche est égale aux Nombre de cas favorables /Nombre
de cas possibles, soit n!
1
.
b- En utilisant la formule de Poincaré à l'ordre n, on obtient : Désignons par Ai
l'événement "la lettre i parvient à son destinataire" et soit P(Ai ) sa probabilité.
La probabilité qu'une lettre au moins parvienne à son destinataire est égale à
n
[
P( Ai )
i=1
Il y a Cnk façons de choisir k enveloppes parmi les n. Soit i1 , ..., ik l'un de ces choix.
Il y a une seule façon de placer les k lettres corresponantes dans ces k enveloppes,
puis (n − k)! façons de répartir les n − k lettres restantes, dans les n − k autres
enveloppes.
La probabilité de réaliser l'événement Ai1 ∩ .... ∩ Aik est donc (n−k)! n!
et 1≤i1 <...<ik ≤n P (Ai1 ∩ ... ∩ Aik ) vaut Cnk (n−k)! 1
.
P
n! = k!
Par suite
n
[ 1 1 1
P( Ai ) = 1 − + ... + (−1)k+1 + ... + (−1)n+1 .
2! k! n!
i=1
199
Sa
24 décembre 2010.
La qualité de la rédaction sera un élément important d'appréciation.
1- Déterminer l'unique a ∈ R tel qu'il existe une variable aléatoire réelle discrète X de
loi donnée par
P (X = k) = e−2 2k−2 (1 + ak)/k!
pour k ∈ N.
2- Donner alors la loi de la variable aléatoire Y dénie par
(
X
2 si X est pair
Y = (1−X)
2 si X est impair
Soient X et Y deux variables aléatoires réelles indépendantes et de même loi U1,2,...,n (avec
n ≥ 2).
1- Calculer P (X = Y ).
2- Trouver la loi de X + Y .
3- On pose U = minX, Y et V = maxX, Y . Trouver les lois de U et de V .
4- U et V sont-elles indépendantes ?

Soit X et Y deux variables aléatoires dénies sur le même espace de probabilité (Ω, A, P) et à
valeurs dans N muni de la tribu de ses parties, de loi de probabilité conjointe dénie par :
∀(n, m) ∈ N2 P(X = n, Y = m) = p2 q n+m ,
où p et q sont deux réels de ]0, 1[ tels que p + q = 1.
1. a. Déterminer les lois marginales de (X, Y ).
b. Calculer l'espérance mathématique (e.m.) et la variance de X + Y .
c. Pour chaque k de N, calculer la valeur au point k de la fonction de répartition FX

de la v.a. X .
200
2. On pose : U = max(X, Y ) et V = min(X, Y ).
a. Exprimer pour chaque k ∈ N [U = k] en fonction des événements [X = k], [Y = k],
[X ≤ k], [Y ≤ k]. En déduire la loi de probabilité de U . Calculer E(U ).
b. Calculer E(|X − Y |) (On pourra exprimer |X − Y | et X+Y en fonction de U et V ).
c. Déterminer et identier la loi de V .
3. Quelle est la loi de probabilié conjointe de X et U ? Retrouver, à partir de cette loi,

celle de U .
-Fin-
201
Corrigé du DS No 2
du 24 décembre 2010 .
1- D'après la dénition d'une probabilité ; la constante a doit vérier que
P(X = k) ≥ 0 pout tout k ∈ N
et X
P(X = k) = 1
k∈N
On a donc,
X e−2 X k ae−2 X k−1 1 a
P(X = k) = 2 /k! + 2 /(k − 1)! = +
4 2 4 2
k∈N k∈N k≥1
Donc a = 32 .
2- La v. a. Y prend ses valeurs dans Z. Soit k ∈ N, on a
P(Y = k) = P(X = 2k) = e−2 22k−2 (1 + 3k)/2k!.
ET
5
P(Y = −k) = P(X = 2k + 1) = e−2 22k−1 ( + 3k)/(2k + 1)!
2
Pour k = 0, on a
3e−2
P(Y = 0) = P(X = 0) + P(X = 1) = .
2
Soient X et Y deux variables aléatoires réelles indépendantes et de même loi U1,2,...,n (avec
n ≥ 2).
1- On a
n n
X X 1
P (X = Y ) = P(∪nk=1 X = k et Y = k) = P(X = k et Y = k) = P(X = k)P(Y = k) =
n
k=1 k=1
2- La lvariable aléatoire X + Y prend ses valeurs dans {2, ..., 2n}

Pn
P(X + Y = k) = l=1 P(X = l, Y = k − l)
Pn
= l=1 P(X = l)P(Y = k − l)
= n1 P(Y ∈ {k − n, ...., k − 1})
il faut que k − n ≥ 1 et k − 1 ≤ n. On a donc deux cas
* Cas 1 : k ≥ n + 1. On a
2n − k + 1
P(Y ∈ {k − n, ...., k − 1}) = P(Y ∈ {k − n, ...., n}) =
n
Donc
2n − k + 1
P(X + Y = k) = .
n2
202
* Cas2 : k ≤ n + 1. On a
k−1
P(Y ∈ {k − n, ...., k − 1}) = P(Y ∈ {1, ...., k − 1}) =
n
Donc
k−1
P(X + Y = k) =.
n2
3- On pose U = minX, Y et V = maxX, Y . La v. a. U prend ses valeurs dans {1, ..., n}.
Soit k ∈ {1, ..., n}. On a
P(U = k) = P(U ≥ k) − P(U ≥ k + 1).
Or,
(n − k + 1)2
P(U ≥ k) = P(X ≥ ketY ≥ k) = P(X ≥ k)P(Y ≥ k) =
n2
Donc
2n − 2k + 1
P(U = k) = .
n2
De même V prend ses valeurs dans {1, ...., n}. On a
P(V = k) = P(V ≤ k) − P(V ≤ k − 1).
Or,
k2
P(V ≤ k) = P(X ≤ ketY ≤ k) = P(X ≤ k)P(Y ≤ k) =
n2
Donc
2k − 1
P(V = k) = .
n2
4- U et V ne sont pas indépendantes ; car
P(U = 1, V = 1) 6= P(U = 1)P(V = 1).
En eet P(U = 1, V = 1) = P(X = 1, Y = 1) = P(X = 1)P(Y = 1) = 1

n2
. Mais
P(U = 1)P(V = 1) = 2n−1
n2
.
1. a. Pour tout n ∈ N,
X X p2 q
P(X = n) = P(X = n)P(Y = m) = p2 q n qm = = pq n .
1−q
m∈N m∈N
La v. a. X + 1 suit une loi géomètrique G(p).

De la même façon on déduit que Y + 1 suit une loi géométrique de paramètre p :
G(p).
Les v. a. X et Y sont indépendantes car :
P(X = n, Y = m) = p2 q n+m = P(X = n)P(Y = m).
b. On a, d'après le cours
1
E(X + 1) =
p
203
Donc
q
E(X) = E(Y ) =
p
Et
q
V ar(X) = V ar(Y ) = .
p2
D'où
2q
E(X + Y ) = E(X) + E(Y ) = .
p
Et
2q
V ar(X + Y ) = V ar(X) + V ar(Y ) = car X et Y sont indépendantes.
p2
c. Pour tout k ∈ N,
k
X p(1 − q k+1 )
FX (k) = P(X ≤ k) = P(X = i) = = 1 − q k+1 .
1−q
i=1
2. a. Pour tout k ∈ N, on a
[U = k] = ([X ≤ k] ∩ [y = k]) ∪ ([X = k] ∩ [Y ≤ k])
Par suite
P[U = k] = P[X ≤ k] ∩ [Y = k] + P([X = k] ∩ [Y ≤ k]) − P([X = k] ∩ [Y = k])
= 2P[X ≤ k] ∩ [y = k] − P([X = k] ∩ [Y = k])
= 2(1 − q k+1 )()pq k − p2 q 2k = pq k (2 − q k − q k+1 ).
On a :
X X X 2q q2
E(U ) = kP[U = k] = 2 kpq k − (1 + q) kpq 2k = − .
p 1 − q2
k∈N k∈N k∈N
b. On a
1
U = max(X, Y ) = [X + Y + |X − Y |]
2
D'où
2q
E|X − Y | = 2E(U ) − E(X + Y ) = .
p(1 + q)
c. D'une manière analogue à U , on détermine la loi de V :
P[V = k] = P[X ≥ k] ∩ [y = k] + P([X = k] ∩ [Y ≥ k]) − P([X = k] ∩ [Y = k])
= 2P[X = k](1 − P[Y ≤ k − 1] − p2 q 2k
= 2pq 2k − p2 q 2k = p(2 − p)q 2k = (1 − q 2 )(q 2 )k .
Donc V + 1 suit la loi géomètrique G(1 − q 2 ).
204
3. Pour chaque (n, k) ∈ N2 , on a
si k < n


 0



P(X = n, Y ≤ n) = pq n (1 − q n+1 ) si k = n


P(X = n, U = k) =






= P(X = n, Y = k) = p2 q n+k si k > n

Pour tout k ∈ N∗ , on a
P(U = k) = n∈N P(X = n, U = k) = k−1 2 n+k + pq k (1 − q k+1 )

P P
n=0 p q
= pq k (1 − q k ) + pq k (1 − q k+1 ) = pq k (2 − q k − q k+1 )
résultat valable aussi pour k = 0 car P(U = 0) = p(1 − q).
4. a- Pour chaque m ∈ N, les v. a. X et Y sont indépendantes, donc
m
X m
X m
X
P[X+Y = m] = P[X = k]P[Y = m−k] = pq k pq m−k = p2 q m = (m+1)p2 q m .
k=0 k=0 k=0
b- Pour tout k ∈ N, on a
P[X+Y =2n+1,M ax(X,Y )=k]
PX+Y =2n+1 [U = k] = P(X+Y =2n+1)
(
P(X=k,Y =2n+1−k)∪(X=2n+1−k,Y =k)
2(n+1)p2 q 2n+1
si n + 1 ≤ k ≤ 2n + 1
=
0 sinon
2p2 q 2n+1 1
= 2(n+1)p2 q 2n+1
= n+1 si n + 1 ≤ k ≤ 2n + 1
La loi trouvée est l'équiprobabilité sur {n + 1, ..., 2n + 1}.
205
Sa
La qualité de la rédaction sera un élément important d'appréciation.
1- Enoncer (sans démontration) le théorème de la limite centrale.
2- Si X est une v. a. r. admettant un moment d'ordre 2, et si a ∈ R∗+ , montrer que :
V ar(X)
P (|X − E(X)| > a) ≤ .
a2
3- Montrer que la convergence en probabilité entraîne la convergence en loi.
Un poste de péage d'une autoroute possède plusieurs guichets. En période de pointe et dans
la tranche horaire 7h-9h, on compte 6300 véhicules par heure. Des compteurs à la sortie du
péage ont montré qu'un usager met en moyenne 18 secondes pour s'acquitter de la redevance.
On estime qu'il y a risque de saturation si on compte plus de 10 véhicules en attente à chaque
guichet. On se place désormais dans la période considérée 7h-9h.
1- Pour modéliser ce problème, on va considérer la suite de variable aléatoires Xi telle
que Xi vaut 1 si le véhicule i est au péage, et vaut 0 sinon. Quelle est la loi de Xi (en
particulier, quel est son paramèetre p).
2- Montrer que le nombre de véhicules présents au péage à un instant donné est donné
par la variable aléatoire
12600
X
X= Xi .
i=1
En supposant les variables aléatoires réelles Xi indépendantes, quelle est la loi de X ?

Quelle est son espérance mathématique E(X) ? Quelle est sa variance V ar(X)?
3- Dans le cas où il y a 5 guichets, en admettant une égale répartition des véhicules sur
chaque guichet, et en notant Y le nombre de véhicules se présentant à un guichet à un
instant donné, justier que Y suit sensiblement une loi de Poisson, dont on donnera
le paramètre λ, et calculer la probabilité de saturation P (Y ≥ 10).
206
4- Supposons maintenant que le nombre de guichets ouverts est 7. Calculer la probabilité
de saturation .
Une entreprise fabrique des piles alcalines pour alarmes et télécommandes de portails élec-
triques. On suppose que dans le processus de fabrication, le voltage obtenu pour chaque pile
est indépendant de celui des autres.
1- On suppose dans cette question que le voltage de ces piles est distribué suivant une loi
normale de moyenne 12 ; 20 volts et d'écart type 0 ; 70 volts. Calculer la proportion des
piles ayant un voltage compris entre 12 ; 10 et 12 ; 30 volts.
2- Dans cette question, on ne suppose plus que le voltage est distribué suivant une loi
normale. On fait seulement l'hypothèse que le voltage est distribué suivant une loi de
moyenne 12,20 et d'écart type 0,70.
i- On choisit 30 piles au hasard. Quelle est la probabilité que le voltage moyen de ces
30 piles soit supérieur à 12 volts ?
2i- Combien de piles faut-il pour être certain à 95% que leur voltage moyen soit entre
12,10 et 12,30 volts ?
(Indication : chercher le plus petit entier N tel que P( X1 +...+X
N
N
∈ [12, 1; 12, 3])).
207
Exercice 1.
Voir le cours.
1- Pour modéliser ce problème, on va considérer la suite de variable aléatoires Xi telle

que Xi vaut 1 si le véhicule i est au péage, et vaut 0 sinon. La loi de Xi est Bernoulli
Ber(p), avec
18
p= = 0, 0025.
7200
2- Comme les Xi sont indépendantes, X suit une loi binomiale B(n = 12600; p = 0; 0025)
(n = 12600 = 2 × 6300).
la variable aléatoire X est la somme de n v.a . de Bernoulli indépendantes, donc
12600
X
X= Xi .
i=1
L'espérance de X (qui représente le nombre théorique moyen de véhicules présents au

péage à un instant donné) est, d'après le cours :
E(X) = np = 31, 5.
ET
V ar(X) = np(1 − p) = ...

3- Dans le cas où il y a 5 guichets, en admettant une égale répartition des véhicules sur
chaque guichet, et en notant Y le nombre de véhicules se présentant à un guichet à un
instant donné, justifer que Y suit sensiblement une loi de Poisson, dont on donnera le
paramètre λ, et calculer la probabilité de saturation P (Y ≥ 10).
En supposant que les voitures se répartissent équitablement sur les 5 guichets, la loi
de la variable aléatoire Y est B(12600; p0 = p5 = 0, 0005). Puisque n ≥ 30, p0 ≤ 0, 1
et np0 = 6, 3 ≤ 10, on est dans le cadre d'approximation de la loi binomiale par la loi
de Poisson de paramètre λ = np0 = 6, 3. On a alors B(12600; 0; 0005) ∼ P(6, 3). Avec
cette approximation, on obtient
P(Y > 10) = 1 − P(Y ≤ 10) =≈ 0, 056.

4- Dans le cas où il y a 7 guichets, la loi de Y est B(12600; p00 = p7 = 3, 57). Donc on
peut approximer cette loi par la loi de Poisson P(λ = 12600 × p” = 4, 5). Et donc, on
obtient P(Y > 10) = 1 − P(Y ≤ 10) =≈ 0, 056.
P(Y > 10) = 1 − P(Y ≤ 10) =≈ 0, 01.
Exercice 3.
normale de moyenne 12 ; 20 volts et d'écart type 0 ; 70 volts.
Donc, si X désigne la v. a. qui donne le voltage d'une pile, on a
X ∼ N (12.2; 0.4).
208
Et, la proportion des piles ayant un voltage compris entre 12.1 et 12.3 volts est donnée
par
P(X ∈ [12.1; 12.3]) = P( X−12.2

0.7 ∈ [ −1 1
7 ; 7 ])
= P(N (0, 1) ≤ 7 ) − P(N (0, 1) ≤ −1
1
7 )
= P(N (0, 1) ≤ 17 ) − (1 − P(N (0, 1) ≤ 17 ))
= 0.1114 = 11.14%
où on a utilisé la table de la loi N (0, 1) pour trouver cette valeur.
i- On choisit 30 piles au hasard. Soit Xi la v. a. qui donne le voltage de la iiem pile
fabriquée. Les v. a. Xi sont i.i.d. avec
E(Xi ) = 12.2 σ(Xi ) = 0.7.
On peut utiliser le TCL (Nb d'expreriences ≥ 30).

La probabilité que le voltage moyen de ces 30 piles soit supérieur à 12 volts est
√ 30 −30×12,2 ≥ √
30(12−12.2)
P( X1 +...+X
30
30
≥ 12) = P( X1 +...+X
30×0,7 30×0.7
)
= P(N (0, 1) ≥ −1, 56)
= P(N (0, 1) ≤ 1, 56) = 0, 94.
2i- On cherche, le plus petit entier N tel que
X1 + ... + XN
P( ∈ [12, 1; 12, 3]) ≥ 0, 95
N
En utilisant le TCL
√ N −N 12,2 ∈ [ √
N (12,1−12,2) N (12,3−12,2)
P( X1 +...+X
N
N
∈ [12, 1; 12, 3]) = P( X1 +...+X
N 0,7 N ∗0,7
; √N ∗0,7 ])
√
N
= 2P(N (0; 1) ≤ 7 ) −1
Le plus petit entier N tel que
P( X1 +...+XN
∈ [12, 1; 12, 3]) ≥ 0, 95 est donné, en utilisant la table de la loi normale
N √
centré réduite, par 17 N = 1, 96. Puisque N est entier, on prend N = 189.
209
Sa
Rattrapage janvier 2011

élément important d'appréciation.
Exercice 1Autour de la loi Normale (15points)

u2
f (u) = ke− 2 , ∀u ∈ R.
1. (2 point) Déterminer la constante k de telle sorte que f (x) puisse être considérée
comme la densité de probabilité d'une v.a. continue U .
2. (2 point) Soit Π(z) la fonction de répartition de U . Montrer que
Π(−z) = 1 − Π(z)
3. (1 point) Calculer E(U ) et V ar(U ).
4. (3 point) Soit X la v.a. dénie par
X = m + σU
où m et σ sont des réels non nuls. Que valent E(X) et V ar(X) ?

Déterminer la densité de probabilité g(x) de X.
5- Application I(3points)
On évalue à 0, 4 la probabilité qu'une personne en âge d'être vaccinée contre la
grippe demande à être vaccinée . Pour une population de 20000 habitants en âge
d'être vaccinés, de combien de vaccins doit-on disposer pour que la probabilité qu'on
vienne à en manquer soit inférieure à 0,1 ?
6- Application II (4points)
Une usine utilise une machine automatique pour remplir des acons contenant un
certain produit en poudre. Par suite de variations aléatoires dans le mécanisme, le
poids de poudre par acon est une v.a. de loi normale de moyenne m et d'ecart-type
1, 1mg. Les acons sont vendus comme contenant 100 mg de produit.
1) La machine est réglée sur m=101,2 mg. Quelle est la probabilité que le poids de
produit dans un acon soit inférieur au poids annoncé de 100 mg ?
2) Sur quelle valeur de m faut-il régler la machine pour qu'au plus 4% des acons
aient un poids inférieur au poids annoncé de 100 mg ?
210
Exercice 2INTERVALLES DE CONFIANCE (5 points)
Des mesures du diamètre apparent vertical de la planète Vénus ont donné les résultats
suivants :
42, 70 43, 01 42, 76 43, 63 41, 60 42, 95 43, 18 43, 10 42, 56 43, 48 43, 06 42,87
42, 78 43, 20 43, 39.
Soit X la v.a. représentant, non pas le diamètre apparent vertical de Vénus, qui, lui,
est ce qu'il est, mais les résultats d'une mesure de cette grandeur rendue aléatoire par
le fait de nombreux phénomènes annexes intervenant dans la pratique de cette mesure.
Compte tenu du grand nombre de causes diverses d'erreur de mesure, il est raisonnable
de considérer que X suit une répartition normale N (m, σ)
1- Donner un intervalle de conance pour m d'après l'échantillon de mesures obtenu,
au seuil 0,05 et en supposant que σ = 0, 5
2- Combien de mesures faudrait-il avoir au minimum, pour obtenir, à ce même seuil,

un intervalle de conance pour m de longueur maximale 0,10 ?
On vous donne les valeurs de Z1− α2 : Z0.975 = 1, 96, Z0.950 = 1, 64.
211
Corrigé du DS de Rattrapage
Exercice 1.
Pour les questions 1-4 Voir les TDs.
5-Application I
Soit X le nombre de personnes, sur les 20000, qui demanderont à être vaccinées. X a
une loi binomiale
√ de paramètres n = 20000 et p = 0, 4 que l'on approche par une loi
N (8000; 4800).
On cherche n tel que
P(X > n) < 0.1
i.e
P(X ≤ n) > 0.9
Par suite, d'après la table de la loi normale, on a
n − 8000
π( √ ) > π(1.2816)
4800
D'où
n > 8088, 79
Il faut donc disposer d'au moins 8089 vaccins.
6- Application II 1) X a une loi N (101, 2; 1, 1)
P(X < 100) = π(−1.09) = 0.1379.
2) X a une loi N (m; 1, 1) telle que P(X < 100) ≤ 0, 04 soit

m − 100
π( ) ≤ π(−1.7507)
1.1
c'est -à- dire
m ≥ 101, 926.
Exercice 2.
On trouve, pour cet échantillon de taille n = 15 une moyenne observée x = 42, 95
X a une loi N (m; 0, 5).

Tout calcul fait, on trouve
I = [42, 697; 43, 203]
de longueur 0,506. Pour être plus précis, il faudra plus de mesures Longueur de l'in-
√
tervalle = 2 Z1− α2 √σn ≤ 0.10 =⇒ n ≥ 2∗1.96∗0.5
0.10
Il faudrait avoir au moins 385 mesures pour obtenir ce même seuil une fourchette de
longueur inférieure ou éale 0, 10.
212
Ecole Nationale des Sciences
Appliquées Nom :...................................
Sa Prénom :..............................
Temps : 20 minutes.
Contôle N o 1
Comme dans toute épreuve écrite, la qualité et la clarté de la rédaction constituent des
éléments essentiels dans l'appréciation de la copie.
Exercice 1 :( 10 pts)
1- Pourquoi en jetant 3 dés obtient-on plus souvent la somme 10 que la somme 9 alors
que
pour 9=1+2+6=1+3+5=1+4+4=2+2+5=2+3+4=3+3+3
pour 10=1+3+6=1+4+5=2+2+6=2+3+5=2+4+4=3+3+4
2- Soit Ω un ensemble, et A et B deux parties de Ω. on pose
F = {∅, A, B, A∩B, A∪B, Ac , B c , (A∩B)c , (A∪B)c , A∩B c , Ac ∩B, A∪B c , Ac ∪B, Ω}
Montrer que F est une tribu sur Ω.
213
Exercice 2 :(10 pts)
1- Enoncer et démontrer le théorème des probabilités totales, encore dit "Principe des
probabilité totales".
2- Une Analyse de laboratoire assez côuteuse est délicate doit être réalisée. Le côut de
chaque analyse est de 1000dh et sa probabilité de réussite est de 0.7 à chaque essai.
Quel budget faut-il prévoir s'il on veut avoir au moins 99% de chance de la mener à
bien ?
214
Corrigé du Contrôle 1 2012
Dénition les événements :

Ai "la ieme analyse est réussie"
On P (Ai ) = 0.7. Soit X la v.a. qui represente le nb de fois necessaires qu'il faut répeter
l'experience pour obtenir un succès.
x 1 2 3 4
P(X=x) 0.7 0.21 0.06 0.02
On cherche la plus petite valeur de x telle que
FX (x) 0.7 0.91 0.97 0.99
Côut 1000 2000 3000 4000
P(X ≤ x) ≥ .99
Donc x = 4, soit un budget de 4000dh.
Rappel : la fonction de répartition est donnée par
F (x) = P {X ≤ x}
C'est la proportion de la population considérée dont la valeur est inférieure à x.
215
Sa
Examen de 24 avril 2012. Nom : ................................
Prénom : ............................
La qualité de la rédaction sera un élément important d'appréciation. Les réponses doivent ré-
digées après chaque question, en utilisant la place disponible.
Un constructeur aéronautique équipe ses avions trimoteurs d'un moteur central de type A et
de deux moteurs, un par aile, de type B ; chaque moteur tombe en panne indépendamment
d'un autre, et on estime à p la probabilité pour un moteur de type A de tomber en panne et à
q la probabilité pour un moteur de type B de tomber en panne. Le trimoteur peut voler si le
moteur central ou les deux moteurs d'ailes fonctionnent : quelle est la probabilité pour l'avion
de voler ? Application numérique : p = 0, 001%, q = 0, 02%.
216
Parmi 10 pièces mécaniques, 4 sont défectueuses. On prend successivement deux pièces
au hasard dans le lot (sans remise). Quelle est la probabilité pour que les deux pièces soient
correctes.
217
L'inspecteur chargé d'une enquête criminelle est à un certain stade convaincu à 60% de la
culpabilité d'un suspect. Une nouvelle pièce à conviction permet soudain d'armer que le
criminel est gaucher. Or 7% des individus dans la population sont gauchers. Comment l'ins-
pecteur doit-il réapprécier la culpabilité du suspect, s'il se trouve que le suspect est gaucher ?
On observe l'arrivée de personnes à un guichet, 2 personnes ne pouvant arriver en même
temps. Le nombre d'arrivées dans un intervalle de temps de longueur t est une variable aléa-
toire N (t) distribuée selon une loi de Poisson de paramètre λt. Les arrivées se produisent
indépendamment les unes des autres. On choisit un temps t0 = 0. Soit Tk la variable aléatoire
qui représente l'arrivée du k ième client à partir de t0 .
1- Quelle est la loi de T1 ? Indication : la probabilité que T1 soit supérieur à t est égale à
la probabilité que personne n'arrive dans l'intervalle [0, t]
2- Calculer la fonction de répartition de Tk .
3- Calculer la densité de Tk . Facultatif : De quelle loi s'agit-il ?
218
Corrigé du DS1 2012
Exercice 1.
On obtient par calcul direct ou par événement contraire la probabilité de voler : (1 − p) +

p(1 − q)2 . Exercice 2.
On note A1 l'événement la première pièce est bonne et A2 l'événement la seconde pièce est
bonne. Comme, au départ, il y a 6 pièces bonnes sur 10,
P (A1 ) = 6/10 = 3/5.
Lorsque l'on a retiré une pièce bonne, il reste 5 pièces bonnes sur 9. D'o`u
P (A2 |A1 ) = 5/9.
On conclut que la probabilité cherchée est P (A1 A2 ) =

T
5 3 1
P (A2 |A1 )P (A1 ) = × = .
9 5 3
Exercice 3.
On note C = {suspect coupable}, I = {suspect innocent} et G = {suspect gaucher}. D'après

l'énoncé, P(C) = 1 - P(I) = 0.6, P (G|C) = 1 et
P (G|I) = 0.07.
D'après la formule de Bayes, la probabilité pour que le suspect soit coupable sachant qu'il est
gaucher est
P (G|C)P (C)
P (C/G) = = 0.955.
P (G|C)P (C) + P (G|I)P (I)
Ainsi, s'il se trouve que le suspect est gaucher, l'inspecteur peut tabler sur sa culpabilité avec
moins de 5% de chances de se tromper.
Exercice 4.
A écrire...
219
Sa
Devoir surveillé
Le devoir surveillé est un examen universitaire. Toute fraude ou tentative de fraude est passible
du Conseil de Discipline de l'ENSAS. La qualité de la rédaction sera un élément important
d'appréciation. Documents interdits. Calculatrices non programmables autorisées
Exercice 1. ( 6points)
La loi du couple (X, Y ) est donnée par le tableau ci-dessous :
X\Y 1 2 3
1 0 α 0,1
2 α 0,3 0,1
3 0,1 0,2 0
1- Déterminer α.
2- Donner les lois marginales de X et Y , leur espérance et leur variance.
3- Calculer Cov(X, Y ).
Exercice 2. ( 3points)
1- Montrer que si (Xn )n converge en loi vers une variable aléatoire constante c, alors la
convergence a lieu en probabilité.
2- Donner un exemple de suite (Xn )n qui converge en loi mais pas en probabilité (et donc
pas presque sûrement).
1- Soient X et Y deux variables aléatoires réelles. Soit Z = X + Y . Donner la loi de Z

lorsque X et Y sont des variables aléatoires de Poisson indépendantes de paramètres
respectifs λ1 et λ2 .
2- Le nombre d'appels par minute au standard téléphonique d'une banque a été observé
sur un échantillon de taille 100. On sait par ailleurs que ce nombre d'appels par minute
suit une loi de Poisson dont on veut estimer la moyenne λ. Les résultats sont désignés
par x1 , x2 , ..., x100 . Estimer λ par la méthode de maximum de vraisemblance.
Une entreprise fabrique des piles
alcalines pour alarmes et télécommandes de portails électriques. On suppose que dans le
processus de fabrication, le voltage obtenu pour chaque pile est indépendant de celui des autres.
normale de moyenne 12,20 volts et d'écart type 0,70 volts. Calculer la proportion des
piles ayant un voltage compris entre 12,10 et 12,30 volts.
220
2-1 On choisit 30 piles au hasard. Quelle est la probabilité que le voltage moyen de
ces 30 piles soit supérieur à 12 volts ?
2-2 Combien de piles faut-il pour être certain à 95% que leur voltage moyen soit entre
12,10 et 12,30 volts ?
221
Sa
Devoir surveillé de rattrapage

Examen de 11 juillet 2012.
Le devoir surveillé est un examen universitaire. Toute fraude ou tentative de fraude est passible
du Conseil de Discipline de l'ENSAS. La qualité de la rédaction sera un élément important
d'appréciation. Documents interdits. Calculatrices non programmables autorisées
Question de cours : (2 points)

Enoncer le théorème de la loi faible des grands nombres.

si t < 0

0
F (t) =
1 − exp − 12 t2 si t ≥ 0


Xi =
0 sinon.



Exercice 2. (8points)
Soient (X, Y ) un vecteur aléatoire dans R2 de loi dénie par :
(i + j)λi+j
∀(i, j) ∈ N2 P(X = i, Y = j) =
e i!j!
avec λ ∈ R.
1- Montrer que λ = 1
2
222
2- Déterminer les lois marginales. Les v. a. X et Y sont-elles indépendantes ?
3- Déterminer la loi conditionnalle de Y liée par X = 0. Calculer sa moyenne et sa va-

riance.
4- Calculer E(X), E(Y ), V(X), V (Y ) et Cov(X, Y ). En déduire le coecient de corre-

lation entre X et Y .
5- Soit Z = 2X+Y . Calculer E(Z) et V (Z).
223
Sa
Examen de 13 novembre 2014. Nom : ................................
Prénom : ............................

1. Deux évenements incompatibles peuvent-ils être indépendants ?
Réponse :.....
2. Soit (Ω, F, P) un espace probabilisé et A ∈ F . Montrer que les propositions suivantes

sont équivalentes
a) P(A) = 0 ou P(A) = 1
b) Pour tout B ∈ F , A et B sont indépendants.
Réponse :.....
3. Soient A et B deux événements. Montrer que si A et B sont indépendants, alors A et

B c sont indépendants.
Réponse :.....
224
4. Deux signaux d'une durée τ < 21 chacun ; sont transmis par un canal radioélectrique
pendant un intervalle de temps (0, 1) ; chacun d'eux commence avec la même probabilité
à n'importe quel instant de l'intervalle (0, 1−τ ). Si les signaux se chevauchent ne serait-
ce qu'en partie ; ils se perturbent tous les deux et ne peuvent être reçus.
Trouver la probabilité que les deux signaux soient reçus sans perturbations.
Réponse :.....
5. Par une voie de communication on transmet k messages contenant respectivement n1 ,

n2 , ..., nk signes binaires (0 ou 1). Les signes prennent indépendamment l'un ou l'autre
et avec une probabilité 21 les valeurs 0 ou 1. Chaque signe est perturbé (c'est-à-dire
remplacé par le signe opposé) avec une probabilitée p. Pour le codage on emploie un
code qui corrige les erreurs d'un ou de deux signes (pratiquement avec une ceritude
totale). Après la correction, la préesence d'une erreure ne serait-ce que dans un signe
rend tout le message erronée. Trouver la probabilitée P pour que ne serait-ce qu'un des
k messages soit erronée.
Réponse :.....
225
Problème : Code de la Route (10 points)
1. Pour l'examen du Code de la Route, les candidats doivent remplir un questionnaire de
40 questions en choisissant pour chacune d'elles l'une des 4 réponses proposées, dont
une seule est exacte. Un candidat totalement ignorant décide de tenter sa chance en
cochant complètement au hasard une réponse pour chaque question.
1. Quelle est la loi du nombre S de bonnes réponses du candidat ? Justiez votre ré-
ponse.
2. Calculer
P(S ≥ 36).
2. Le modèle précédent est trop simpliste, en voici un plus réaliste. Le candidat n'est pas
complètement ignorant et il arrive qu'il connaisse la réponse à certaines questions. Il
répond alors à coup sûr. S'il ignore la réponse, il choisit au hasard entre les 4 réponses
proposées. On suppose toutes les questions indépendantes et que pour chacune de ces
questions, la probabilité que le candidat connaisse la vraie réponse est p. Ce paramètre
p mesure donc le vrai niveau du candidat. Malheureusement il n'est pas connu de l'exa-
minateur. On dénit les variables aléatoires suivantes :
S nombre de réponses connues du candidat ;
T nombre de bonnes réponses obtenues au hasard ;
U nombre total de bonnes réponses (U = S + T) ;
V nombre de mauvaises réponses (S + T + V = 40).
a. Quelle est la loi de S ?
b. On note Bi l'évènement " le candidat donne la bonne réponse à la iième question ".
Calculer P(Bi ) en fonction de p (on conditionnera par les deux cas possibles).
c. En déduire la loi de U , puis celle de V .
d. Utiliser une méthode analogue pour trouver la loi de T .
3. On reprend les notations et les hypothèses de la question précédente. Ce que peut réel-
lement observer l'examinateur, c'est la valeur prise par U (ou ce qui revient au même
par V ). Les quantités intéressantes pour tirer des conclusions sur le niveau réel du
candidat sont les P(S = i|U = m) pour i ≤ m ≤ 40. Par exemple si le candidat a
obtenu 38 bonnes réponses, on aimerait évaluer P(S ≥ 36|U = 38).
e. Expliquer pourquoi pour i ≤ m ≤ 40,
P(S = i, U = m) = P(S = i, T = m − i, V = 40 − m)
f. En utilisant les résultats précédentes, en déduire en fonction de i, m et p, l'expression

de P(S = i|U = m).
g. En déduire l'expression de P(S ≥ 36/U = 38).
226
Sa
Epreuve de Probabilités et Processus
Stochastiques
Nom : ................................
Examen de 15 janvier 2015.
Prénom : ............................
1. Montrer que le processus
Xt = A cos(2πt) + B sin(2πt)
où A, B sont des variables aléatoires indépendantes de moyenne nulle et de variance
1 est stationnaire au sens large
Réponse :.....
2. Donner la dénition d'un processus stochastique érgodique par rapport à la moyenne.

Réponse :.....
227
Exercice 1. (Le signal télégraphique) (6 points)
Un cas particulier du transformation du processus de Poisson est le signal télégraphique,

déni par :

N (t) 1 si N (t) = 0, 2, 4, ...
X(t) = (−1) =
−1 si N (t) = 1, 3, ...
1. Déterminer la distribution de la v. a. X(t).
2. Calculer E(X(t)).
3. Calculer la fonction d'autocorrélation RX (t, t + s) de X(t).
4. Déduire la fonction d'autocovariance CX (t, t + s) en (t, t + s).
5 . Donner un exemple de trajectoire d'un signal télégraphique.
Problème : Etude du système M |M |1 (10 points)

Les clients arrivent dans une le à un seul serveur et reçoivent chacun leur tour un service
d'une certaine durée. Si un client trouve le serveur libre, il reçoit immédiatement son service,
sinon il attend son tour. Les clients arrivent un par un selon un processus de Poisson et
le temps séparant deux arrivées est une variable exponentielle de paramètre λ. La durée du
service donné à chaque client est une variable exponentielle de paramètre µ. Ces diérentes
variables aléatoires sont indépendantes dans leur ensemble. La capacité de la le d'attente est
innie et la discipline de service est PAPS. En régime stationnaire,
1. Montrer que le nombre moyen de clients dans le système est :
λ
E[N ] =
µ−λ
2. Montrer que le temps de séjour d'un client arrivant en régime stationnaire suit une loi
exponentielle de paramètre µ − λ.
3. Calculer le nombre moyen de clients dans la le d'attente.
4. Calculer le nombre moyen de clients en service.
5. Calculer le temps d'attente moyen dans la salle (par client)
6. Application : On considère une le d'attente M |M |1 de taux λ = 1 et µ = 2. Calculer
(à l'équilibre) :
1. Le nombre moyen de clients en service, N S
2. Le nombre moyen de clients dans la le d'attente, N Q
3. Le temps moyen de séjour d'un client dans le système, T .
4. Le temps moyen d'attente d'un client dans la le, T Q .
228
Corrigé :
1. Exo 1 :
mXt = 0, et R(t, t + s) = cos(2πs).
Un processus stochastique pour lequel mX (t) = m ∀t ∈ T est érgodique par rapport à
la moyenne si
P(limT −→∞ µX (T ) = m) = 1.
2. Exo 2 :
1. On a
∞ ∞ ∞
X X −λt (λt)2k −λt
X (λt)2k 1 + e−2λt
P(X(t) = 1) = P(N (t) = 2k) = e =e = ,
k=0 k=0
(2k)! k=0
(2k)! 2
car
∞
eλt + e−λt X (λt)2k
ch(λt) := = .
2 k=0
(2k)!
Ensuite, on a
1 − e−2λt
P(X(t) = −1) = 1 − P(X(t) = 1) = .
2
2. On a
1 + e−2λt 1 − e−2λt −2λt
E(X(t)) = 1. + (−1). =e .
2 2
3. Soit s > 0, d'après la stationarité des accroissements, on a :
RX (t, t + s) = E[X(t)X(t + s)] = E[(−1)N (t) (−1)N (t+s) ]

= E[(−1)2N (t) (−1)N (t+s)−N (t) ] = E[(−1)N (t+s)−N (t) ]
= E[(−1)N (s) ] = E(X(s)) = e−2λs .
4. On a :
−2λs −2λt −2λ(t+s)
CX (t, t + s) = RX (t, t + s) − E(X(t))E(X(t + s)) = e −e e .
3. Exo 3 :
229
Sa
Devoir surveillé de Rattrapage

Epreuve de Probabilités et processus
stochastiques
Examen de janvier 2015. Nom : ................................
Prénom : ............................
dispositifs techniques on recourt souvent en tant que loi de répartition de la durée du service
à la loi de Weibull de fonction de répartition
α
F (x) = 1 − e−βx , (x ≥ 0);
où β > 0 est une certaine constante ; α est un nombre entier positif. Trouver
1. la densité f (x),
2. l'espérance mathématique et la variance.
230
Soit X = (X1 , X2 , X3 , X4 )t un vecteur gaussien de loi N (µX , ΣX ) avec
   
0 2 1 0 0
 0   1 1 0 0 
µX =   0 
, ΣX = 
 0 0 1 −1 

0 0 0 −1 2
Soit α ∈ R et Y = (Y1 , Y2 , Y3 )t déni par Y1 = X1 + αX2 , Y2 = X2 et Y3 = X4 .
1. Déterminer la loi de Y .
2. Quelles conditions doit vérier α pour que les variables aléatoires Y1 , Y2 , Y3 soient in-
dépendantes ?
3. Calculer E[Y12 Y22 Y32 ] sous ces conditions.
On suppose que les arrivées dans un magasin se font selon un processus de Poisson de taux
40 clients par heure. Ce magasin ouvre à 9h et ferme à 19h.
1. Quelle est la loi du nombre de clients sur la journée ?
2. Quelle est la probabilité qu'aucun client n'arrive entre 9h et 9h15.
3. Calculer la probabilité qu'aucun client n'arrive entre 9h et 9h15 sachant qu'il en est
arrivé 3 entre 9h et 9h30.
4. Calculer le nombre moyen de clients qui sont entrés dans le magasin jusqu'à 11h sa-
chant qu'il en est arrivé 3 jusqu'à 9h30.
5. Un cadeau est oert par le magasin tous les 13 clients (c'est-à-dire au 13e client, au
26e, etc.). Donner la loi de la durée espaçant deux cadeaux.
231
Sa
Epreuve de Probabilités et Stochasiques
Prénom : ............................
1. Soit X une variable aléatore de loi binomiale de paramètres p ∈ (0, 1) et n ∈ N∗ .
Montrer que
(a) E(X) = np
(b) V ar(X) = npq , avec q = 1 − p.
Réponse :.....
2. Soit (Ω, F, P) un espace probabilisé. Soient A et B deux événements. Montrer que si

A et B sont indépendants, alors A et B c sont indépendants.
Réponse :.....
232
Exercice 2. ( 6 points)
Soit X la variable aléatoire représentant le nombre de pannes d'un dispositif électronique

donné, durant une période donnée. Cette variable aléatoire admet la fonction de répartition
suivante :  −x
 1 − e2 x≥0
F (x) =

0 x < 0.
Donner la probabilité :
1. qu'il ne survienne aucune panne,
2. qu'il se produise moins de deux pannes,
3. qu'il se produise plus de 6 pannes,
4. qu'il survienne un nombre de pannes compris entre 1 et 3.
Un industriel doit vérier l'état de marche de ses machines et en remplacer certaines le cas
échéant. D'après des statistiques précédentes, il évalue à 30% la probabilité pour une machine
de tomber en panne en 5 ans ; parmi ces dernières, la probabilité de devenir hors d'usage suite
à une panne plus grave est évaluée à 75% ; cette probabilité est de 40% pour une machine
n'ayant jamais eu de panne.
1. Quelle est la probabilité pour une machine donnée de plus de cinq ans d'être hors
d'usage ?
2. Quelle est la probabilité pour une machine hors d'usage de n'avoir jamais eu de panne
auparavant ?
3. Soit X la variable aléatoire "nombre de machines qui tombent en panne au bout de
5 ans, parmi 10 machines choisies au hasard". Quelle est la loi de probabilité de X,
(on donnera le type de loi et les formules de calcul), son espérance, sa variance et son
écart-type ?
4. Calculer P[X = 5].
Soit une v.a. continue X de densité de probabilité f et soit Y = g(X) dérivable pour tout
x et telle que g 0 (x) > 0, pour tout x ou g 0 (x) < 0, pour tout x.
1. Montrer que Y = g(X) est une v.a. continue dont la densité de probabilité est donnée
par :
h(y) = f (g −1 (y))|(g −1 (y))0 |
2. Soit X v.a. de densité de probabilité :

1 si 0 < x < 1
f (x) =
0 ailleurs.
Donner les lois de probabilités des variables aléatoires
233
(a) Y = eX
(b) Z = −2 ln X
3. La densite d'une variable aléatoire continue X est f . Trouver la densite h de la variable

aléatoire Y = aX + b, ou a 6= 0 et b ne sont pas aléatoires.
234
Sa
Examen de février 2017. Nom : ................................
Prénom : ............................
1. Montrer que le processus stochastique
Xt = A cos(2πt) + B sin(2πt)
où A, B sont des variables aléatoires indépendantes de moyenne nulle et de variance

1 est stationnaire au sens large
Réponse :.....
Réponse :.....
3. Donner la dénition de la convergence en probabilité.

Réponse :.....
235
Exercice 1. (7 points) On suppose que les arrivées dans un magasin se font selon un processus
de Poisson de taux 30 clients par heure. Ce magasin ouvre à 9h et ferme à 19h.
1. Quelle est la loi du nombre de clients sur la journée ?
2. Quelle est la probabilité qu'aucun client n'arrive entre 9h et 9h15.
3. Calculer la probabilité qu'aucun client n'arrive entre 9h et 9h15 sachant qu'il en est
arrivé 3 entre 9h et 9h30.
4. Calculer le nombre moyen de clients qui sont entrés dans le magasin jusqu'à 11h sa-
chant qu'il en est arrivé 3 jusqu'à 9h30.
5. Un cadeau est oert par le magasin tous les 13 clients (c'est-à-dire au 13e client, au
26e, etc.). Donner la loi de la durée espaçant deux cadeaux.
Une compagnie aérienne a demandé des statistiques an d'améliorer la sûreté au décollage
et dénir un poids limite de bagages. Les 300 places d'un avion sont réservées. On suppose
que le poids d'un voyageur est une variable aléatoire de moyenne 70kg et d'écart-type 8 kg.
Le poids maximum des bagages autorisé par voyageur étant 20 kg, on suppose que le poids
des bagages d'un voyageur est une variable aléatoire de moyenne 15 kg et d'écart-type 5 kg.
Le poids de l'appareil avant l'embarquement des voyageurs et de leurs bagages est 250 tonnes.
Les consignes de sécurité interdisent le décollage si le poids total de l'appareil chargé dépasse
276,5 tonnes.
Quelle est la probabilité que le décollage soit interdit ?
Soient X1 , ..., Xn n v. a. r. de même loi et indépendantes. On suppose que ces v. a.
admettent une espérance m nie. Pour montre que :
n
1X
Xn = Xi −→p.s. m.
n
i=1
i.e. ∃Ω0 ⊂ Ω tel que P (Ω0 ) = 1 et ∀ω ∈ Ω0 , limn−→∞ X n (ω) = m.

On dénit
Yn = Xn 1|Xn |≤n .
Montrer que :
1. E(Yn ) −→ m
2. limn−→∞ (Xn − Yn ) = 0 presque sûrement.
3. Conclure.
236
Sa
Examen de février 2017. Nom : ................................
Prénom : ............................
Question de cours. (4.5 points)

1. Quels sont les liens entre ces diérentes convergences : en loi, presque sûre, en proba-
bilité, en moyenne quadratique.
Réponse :.....
Réponse :.....
3. Donner la dénition de la convergence en probabilité.

Réponse :.....
237
Exercice 1. (4.5 points)
Soit X un vecteur gaussien de matrice de covariance C et d'espérance m. On suppose

que C = ADAt où D est diagonale et A orthogonale. On considère le vecteur aléatoire Y =
At (X − m).
1. Montrer que Y est un vecteur gaussien.
2. Déterminer l'espérance mY de Y .
3. Déterminer la matrice de covariance CY de Y . En déduire que les Yk sont indépen-

dants.
4. On suppose de plus que C est dénie positive. On a alors D inversible.

1. Quelle est la loi de Yk ? En déduire que Y a une densité que l'on explicitera.
2. Montrer que X a une densité que l'on déterminera.
Exercice 2. (4 points)Soit X = (X1 , X2 , X3 , X4 )t un vecteur gaussien de loi N (µX , ΣX ) avec

   
0 2 1 0 0
 0   1 1 0 0 
µX  0 ,
=  ΣX = 
 0 0 1 −1 
0 0 0 −1 2
Soit α ∈ R et Y = (Y1 , Y2 , Y3 )t déni par Y1 = X1 + αX2 , Y2 = X2 et Y3 = X4 .
1. Déterminer la loi de Y .
2. Quelles conditions doit vérier α pour que les variables aléatoires Y1 , Y2 , Y3 soient
indépendantes ?
3. Calculer E[Y12 Y22 Y32 ] sous ces conditions.
Dans tout cet exercice, on travaille avec un espace de probabilités (Ω, A, P), et on se donne
une suite de variables aléatoires réelles i.i.d. X, X1 , .... On suppose X ∈ L2 (P) et E(X) = 0,
et
on pose
σ 2 = E(X 2 ).
On xe un nombre réel α > 0, on s'intéresse à la série
n
X
Sn(α) = i−α Xi , n ∈ N.
i=1
(α)
1. Montrer que si α > 1/2, alors Sn converge en moyenne quadratique (i.e. dans L(P).
(Indication : on pourra penser au critère de Cauchy.)
2. On note φ la fonction caractéristique de X . Montrer que pour tout > 0, il existe

x > 0 tel que
1
|ξ| ≤ x =⇒ | σ 2 ξ 2 + lnφ(ξ)| ≤ |ξ|2 .
2
238
On rappelle que 1 + 2−1 + ... + n−1 ∼ ln n. En déduire que la suite
(1)
Sn2
√ , n ≥ 2.
ln n
converge en loi quand n −→ ∞ vers une variable aléatoire dont on précisera la loi.
239
Sa
Nom : ................................
Examen de novembre 2017.
Prénom : ............................
1. Soit X une variable aléatoire à valeurs dans N. Montrer que :
+∞
X
E(X) = P (X ≥ j).
j=1
2. Soit X = (X1 , ..., Xn ) un vecteur gaussien de Rn . Montrer que chaque composante Xi

de X est une v.a. rélle gaussienne. La réciproque est-elle vraie ?
240

suivante : −x
1 − e2

x≥0
F (x) =
0 x < 0.
mémoire.
On appelle fonction génératrice d'une v. a. entière X la fonction GX : [0, 1] −→ [0, 1]
donnée par :
X∞
X
GX (s) = E(s ) = sn P(X = n).
n=0
1. Déterminer la fonction génératrice de la loi de Poisson P(θ), θ > 0.
2. On étudie le ux de véhicules durant une tranche horaire donnée à un raccordement de

routes, décrit dans le dessin ci-dessous
On note X (respectivement Y ), le nombre de véhicules empruntant la première (respec-

tivement la deuxième) branche, et donc S = X + Y véhicules empruntent l'auto-route
après le raccordement. X et Y sont modelisées par des variables aléatoires de loi de
Poisson de parametres respectifs λ1 > 0 et λ2 > 0. Les variables aléatoires X et Y sont
supposées indépendantes.
Déterminer la loi de S.
3. Montrer que loi conditionnelle de X sachant S = n (n ≥ 0) est la loi binomiale
B(n, λ1λ+λ
1
2
).
241
Sa
Prénom : ............................
Question de cours.
1. Montrer que X est un vecteur aléatoire gaussien dans Rn ssi la v.a.r. ϕ(X) : Ω −→ R
est gaussienne pour toute forme linéaire ϕ : Rn −→ R.
2. Soit X vecteur gaussien. Montrer que Chaque composante Xi de X est une v.a. rélle
gaussienne.
3. que peut-on dire de l'inverse du point (2).
242
On considère une chaîne de Markov (Xn )n≥0 sur l'espace d'états E = {1, 2, 3}, de matrice
de transition G avec  1 1 1 
2 4 4
1 1
G= 2 0 2
.
1 1
0 2 2
On notera π (0) la loi initiale de la chaîne.

1. Tracer le graphe de transition associé à G.
2. Montrer que la chaîne de Markov est irréductible et apériodique.
3. Montrer que
(2, 2, 3)G = (2, 2, 3),
√
√ √ 2 √ √
(2, ( 2 − 2), − 2)G = (2, ( 2 − 2), − 2),
4
√
√ √ − 2 √ √
(2, (− 2 − 2), 2)G = (2, (− 2 − 2), 2).
4
4. On considère que la loi initiale est donnée par π (0) = ( 72 , 27 , 37 ). Donner la loi de la
chaîne au temps n.
5. On considère que la loi initiale est donnée par π (0) = ( 74 , 0, 37 ). En remarquant que
4 3 2 2 3 1 √ √ 1 √ √
( , 0, ) = ( , , ) + (2, ( 2 − 2), − 2) + (2, (− 2 − 2), 2);
7 7 7 7 7 14 14
donner la loi de la chaîne au temps n. Quelle est la limite de cette loi quand n −→ +∞ ?
Un robot Google parcourt internet de la manière suivante : quand il est sur une page web, il
regarde tous les liens internet présents sur cette page et choisit un de ces liens avec probabilité
uniforme. Ici les pages web présentent les liens suivants :
Sur la page 1, on trouve un lien vers les pages 2 et 4.
Sur la page 3, on trouve un lien vers la page 6.
1. Justier que la position du robot Google au cours du temps est une chaîne de Markov
homogène. Donner sa matrice de transition et tracer le graphe de transition associé.
2. Préciser les classes communiquantes.
243
3. Question de cours : Donner la dénition d'un état récurrent et d'un état transient.
4. Préciser les états récurrents et transients de la chaîne de Markov.
5. Question de cours : Donner la dénition de la période d'un état.
6. Donner la période de chaque état.
7. Le robot part (au temps 0) de la page 4. Que se passe-t-il ? Donner la loi de la position
du robot au temps n.
8. Le robot part (au temps 0) maintenant de la page 2. Donner la loi de la position du

robot au temps 1,2 et 3.
244
Sa
Sujet de contrôle de rattrapage

Epreuve de Processus Stochastiques
Examen de février 2018
Nom : ................................
Prénom : ............................
Question de cours.
2. Expliciter la fonction densité et la fonction caractéristique de la loi N (0, 1).
3. Rappeler la dénition d'un vecteur aléatoire.
245
considère une chaîne de Markov en temps discret {Xn ; n ∈ N} à valeurs dans l'espace E =
{1; 2; 3; 4; 5; 6}, de matrice de transition P , dont les termes hors-diagonaux sont donnés par
. 12 0 0 0 0
 
 1 . 0 0 0 0 
 3
 0 0 . 0 7 0 

P = 1 1
 8 
1 1 
 4 4 0 . 4 4 
 0 0 3 0 . 0 
4
0 15 0 15 15 .
1. Déterminer les termes diagonaux de la matrice de transition P .
2. Faire le graphe associé à cette chaîne de Markov.
3. Déterminer les classes d'équivalence de la chaîne.
4. Montrer que les états 4 et 6 sont transitioires, et que l'ensemble des autres états se
décompose en deux classes récurrentes que l'on précisera.
Dans la suite, on notera Λ = {4; 6}, C la classe récurrente contenant 1, et C 0 l'autre
classe récurrente. Pour tout x; y ∈ E, on dénit ρx = P[X0 =x] (T < ∞), où T =
inf {n ≥ 0; Xn ∈ C}.

1 si x ∈ C;
5. Montrer que ρx = et que 0 < ρx < 1 pour x ∈ Λ.
0 si x ∈ C 0 ;
Etant donné un nombre 0 < p < 1, on considère une chaîne de Markov en temps discret
{Xn ; n ∈ N} à valeurs dans l'espace ni E = {1; 2; 3; 4}, de matrice de transition G donnée
par  
p 1−p 0 0
 0 0 p 1−p 
G=  p 1−p 0

0 
0 0 p 1−p
1. Montrer que la chaîne {Xn } est récurrente irréductible.
2. Calculer son unique probabilité invariante π .
3. Montrer que la chaîne est apériodique. En déduire que Gn tend, quand n −→ ∞, vers
la matrice  
π1 π2 π3 π4
 π1 π2 π3 π4 
 π1 π2 π3 π4  .
 
π1 π2 π3 π4
4. En régime d'équilibre, quel est le lien entre Π est la loi de Xn ?
5. Calculer G2 . Montrer que cette matrice coincide avec la limite calculée ci-dessus. Pré-
ciser la loi de X2 , ainsi que celle de Xn , n ≥ 2.
246
Corrigé de contrôle de rattrapage
Exercice 1.
1. On détermine les termes diagonaux de P en écrivant que la somme des termes de

chaque ligne est égale à 1, on a donc :
 1 1 
2 2 0 0 0 0
 1 2 0 0 0 0 
 3 3 1 7

 0 0 0 0 
P = 8 8 
 1 1 0 0 1 1 
 4 4 4 4 
 0 0 3 0 1 0 
4 4
0 15 0 15 51 25
2. Le graphe associé à cette chaîne de Markov.
3. On voit que 1 et 2 communiquent, 3 et 5 communiquent, ainsi que 4 et 6. On peut

aussi aller de 4 en 1, 2 ou 5, et de 6 en 2 ou 5. Mais la réciproque n'est pas vraie.
Donc il y a 3 classes, qui sont {1, 2}, {3, 5} et {4, 6}.
4. La C. M. peut quitter la classe {4, 6}, donc cette classe est transitoire. Alors que les
classes {3, 5} et {1, 2} sont récurrentes ; car une fois le processus dans ces classe il n'en
sort plus.
5. Si x ∈ C , on Px (T = 0) = 0 et ρx = 1.
Si x ∈ C 0 la C M n'atteint jamais C , puisqu'elle reste dans C 0 et donc Px (T = ∞) = 1.
et ρx = 0.
Si x ∈ Λ, Px (X1 = 2) > 0, et Px (X1 = 5) > 0, d'où, puisque {X1 = 2} ⊂ {T < ∞} et
{X1 = 5} ⊂ {T = ∞}, 0 < ρx < 1.
Exercice 2.
1. La chaîne {Xn } est récurrente irréductible puisque tous les états communiquent entre
eux.
2. L'espace des états est ni et la CM est irréductible, donc il existe une loi stationnaire
unique π .
On le calcule en résolvant le système :

π
P= πP
i πi = 1
On trouve :
π = (p2 , p(1 − p), p(1 − p), (1 − p)2 ).
3. La chaîne est apériodique car on montre que
(P n )11 = (P11 )n = pn > 0, ∀n.
La chaîne est apériodique et irréductible, d'après le cours en déduit que Gn tend, quand
n −→ ∞, vers la matrice  
π1 π2 π3 π4
 π1 π2 π3 π4 
 .
 π1 π2 π3 π4 
π1 π2 π3 π4
247
4. En régime d'équilibre, la loi de Xn est π .
5. Un calcul élémentaire montre que G2 = limn Gn . On a donc aussi Gn = G2 , pour tout

n ≥ 2. La loi limite est ici atteinte dès le rang n = 2.
248
Sa
Nom : ................................
Prénom : ............................
1. Soit X = (X1 , ..., Xn ) un vecteur gaussien de Rn . Montrer que chaque composante Xi
de X est une v.a. rélle gaussienne.
2. Soit (Xn ) une suite de v. a. r. de loi B(n, pn ) avec (pn ) une suite de [0, 1] vériant
limn−→∞ npn = λ. Montrer que a pour tout k ∈ N :
λk
n−→∞ k!
3. Soient X1 et X2 deux variables aléatoires indépendantes qui suivent une loi géométrique
de paramètre p ∈]0, 1[. Soit
X1 1
A= .
0 X2
Quelle est la probabilité que A soit diagonalisable ?
249
1. Soit X une variable aléatoire suivant une loi binomiale B(n, p) et soit > 0. Démontrer
que
X p(1 − p)
P(| − p| ≥ ) ≤ .
n n.2
2. Application : On lance un dé cubique parfait. Déterminer un nombre de lancers à ef-
fectuer pour pouvoir armer avec un risque d'erreur inférieur à 5% que la fréquence
d'apparition du 6 au cours de ces lancers dière de 1/6 d'au plus 1/100 ? (On rappelle
que la fréquence d'une donnée dans une expériance aléatoire correspond au quotient de
l'eectif de cette donnée par l'eectif total).
Problème 3. (9 points)
Le service de dépannage d'un grand magasin dispose d'équipes intervenant sur appel de la
clientèle. Pour des causes diverses, les interventions ont parfois lieu avec retard. On admet
que les appels se produisent indépendamment les uns des autres, et que, pour chaque appel, la
probabilité d'un retard est de 0,25. Un client appelle le service à 4 reprises. On désigne par X
la variable aléatoire prenant pour valeurs le nombre de fois où ce client a dû subir un retard.
1. Déterminer la loi de probabilité de X, son espérance, sa variance.
2. Calculer la probabilité de l'événement : "Le client a au moins subi un retard".
3. Le nombre d'appels reçus par jour est une variable aléatoire Y qui suit une loi de
Poisson de paramètre m. On note Z le nombre d'appels traités en retard. Exprimer la
probabilité conditionnelle de Z = k sachant que Y = n.
4. En déduire la probabilité de "Z=k et Y=n".
5. Déterminer la loi de Z. On trouvera que Z suit une loi de Poisson de paramètre

m × 0, 25.
6. En 2018, le standard a reçu une succession d'appels. On note U le premier appel reçu
en retard. Quelle est la loi de U ? Quelle est son espérance ?
250
Corrigé du DS1
Exercice 1. Les valeurs propres de la matrice triangulaire A sont X1 et X2 . Si X1 6= X2 ,
alors la matrice est diagonalisable. Si au contraire X1 = X2 , alors l'espace propre associé
à l'unique valeur propre X1 a pour équation y = 0 : il est de dimension 1 et A n'est pas
diagonalisable.
A est donc diagonalisable si et seulement si X1 6= X2 .Or
+∞
X +∞
X
P (X1 = X2 ) = P (X1 = k) ∩ (X2 = k) = P (X1 = k)P (X2 = k)
k=1 k=1
On a
+∞
X p2 p
P (X1 = X2 ) = p2 (1 − p)2k−2 = 2
= .
1 − (1 − p) 2−p
k=1
La probabilité recherchée est donc
p 2(1 − p)
1− = .
2−p 2−p
Exercice 2.
1. Appliquons l'inégalité de Bienaymé-Tchebychev à Y = X/n.
2. Soit X la variable aléatoire égale au nombre d'apparitions du chire 6 au cours des n
lancers. X suit la loi B(n, 1/6). On cherche n tel que
X p(1 − p)
− p| ≥ ) ≤
P(| .
n n.2
avec p = 1/6 et = 1/100 on trouve n ≥. Soit n ≥ 27778.
Exercice 3.
1. X suit une loi binomiale B(4, 1/4). En particulier, on a : E(X) = 1 et V (X) = 3/4.
2. On cherche P (X ≥ 1) :
P (X ≥ 1) = 1 − P(X = 0) = 1 − (3/4)4 .
3. On note p = 0, 25 et q = 1?0, 25. Comme à la première question, on reconnait le

schéma théorique d'une variable aléatoire de loi binomiale de paramètres n et p. On a
donc :
si 0 ≤ k ≤ n
n k n−k
P (Z = k|Y = n) = k p q
0 si k > n
4. On a
P (Z = k, Y = n) = P (Y = n)P (Z = k|Y = n)
−m mn n k n−k
e n! k p q si k ≤ n
=
0 sinon.
251
5. Il faut réaliser la sommation ! On a, tenant compte du fait que les premiers termes sont
nuls
+∞
X
P (Z = k) = P (Z = k, Y = n)
n=k
k X +∞
−m p 1 (mq)n
= e
q k! (n − k)!
n=k
k +∞
−m p 1 k
X (mq)n−k
= e (mq)
q k! (n − k)!
n=k
k +∞
−m p 1 X (mq)n
= e (mq)k
q k! (n)!
n=0
k
p 1
= e−m (mq)k emq
q k!
(mp)k
= e−mp .
k!
Z suit donc une loi de Poisson de paramètre m × 0, 25.
6. U est le rang du premier succès au cours d'une succession d'épreuves de Bernoulli
indépendantes de même paramètre 1/4. U suit donc la loi géométrique G(1/4) :
k−1
1 3
P (U = k) = × , ∀k ∈ N∗ .
4 4
On applique la formule du cours pour obtenir l'espérance et on trouve que
E(U ) = 4.
252
Sa
Prénom : ............................
1. Donner la dénition d'une chaîne de Markov.
2. Donner la dénition la période de d'un 'état i.
3. Donner la dénition d'une chaîne de Markov apériodique.
4. Montrer que la matrice de transition G associée à une chaîne de Markov (Xn )n∈N à
valeurs dans E est une matrice stochastique.
253
On considère une chaîne de Markov d'espace d'états E = {1, 2, 3} et de matrice de tran-

sition  
0 1/2 1/2
G =  1/2 0 1/2 
1 0 0
1. Dessiner le graphe associé à cette chaîne de Markov et classier les états (récur-
rents/transients).
2. Calculer la période de chaque état.
3. Calculer les lois stationnaires.
4. (Facultatif ) Montrer que G4 a tous ses coecients positifs. En déduire la limite de Gnxy
pour tout couple (x, y) ∈ E 2 .
Soit (Xn )n∈N une chaîne de Markov sur N de matrice de transition :
G(k, k + 1) = pk ,
k
G(k, [ ]) = 1 − pk
2
pour k ∈ N et G(k, j) = 0 pour j ∈
/ {k + 1, [ k2 ]}. ( [ k2 ] désigne la partie entière du réel k2 .)
1. Tracer la partie du graphe orienté pour les états de 0 à 5.
2. Montrer que la chaîne est irréductible.
3. Est-elle apériodique ?
4. Rappeler la dénition d'un état récurent et d'un état transient.
5. (Facultatif ) Montrer qu'il existe un réel c > 0 tel que pour tout k ≥ 1, on ait
Ek [X1 ] ≤ k − c
où Ek [.] désigne l'espérance sachant que X0 = k.
(Rq : Ce protocole de transmission est eectivement très utilisé dans le transfert des
données par internet.)
254
Corrigé du DS2
Exercice 2.
1. La chaîne est irréductible.
2. La chaîne étant irréductible, il sut de calculer la période d'un état, par exemple celle
de 1. Or G(2) (1, 1) > 0 avec le chemin (1 → 3 → 1) et G(3) (1, 1) > 0 avec le chemin
(1 → 2 → 3 → 1), la chaîne est donc apériodique.
3. L'espace d'états étant ni, la chaîne est ergodique. Ainsi la chaîne admet une unique
loi stationnaire ?, que l ?on détermine en résolvant
πG = π.
On trouve
1
π = (4 2 3).
9
4. On vérie facilement que G4 a tous ses élements strictement positifs, de sorte que
Gn également pour tout n?4. Le cours s'applique alors et montre que Gn tend quand
n → ∞ vers la matrice d'ordre 3 dont les lignes sont toutes identiques et égales à π .
Par conséquent, pour tout couple (x, y) ∈ E 2 la limite de Gnxy est πy .
255
Sa
Nom : ................................
Examen de 25 décembre 2020.
Prénom : ............................
On dit qu'une variable aléatoire X est distribuée symétriquement autour de a si
P(X ≥ a + x) = P(X ≤ a − x), pour tout x.
Soit X une variable aléatoire distribuée symétriquement autour de a. Montrer que :

1. Si F est la fonction de répartition de X , on a F (a − x) = 1 − F (a + x) + P(X = a + x).
2. Si f est la fonction de densité de la variable aléatoire continue X , on a : f (a − x) =

f (a + x).
3. E(X) = a.
256

suivante :  −x
 1 − e2 x≥0
F (x) =

0 x < 0.
1. Quelle est la probabilité pour une machine donnée de plus de cinq ans d'être hors
d'usage ?
2. Quelle est la probabilité pour une machine hors d'usage de n'avoir jamais eu de panne
auparavant ?
3. Soit X la variable aléatoire nombre de machines qui tombent en panne au bout de 5
ans, parmi 10 machines choisies au hasard. Quelle est la loi de probabilité de X, (on
donnera le type de loi et les formules de calcul), son espérance, sa variance et son
écart-type ?
4. Calculer P[X = 5].
Il est possible qu'un bit transmis à travers un canal de transmission numérique soit reçu
en erreur. Soit X le nombre de bits en erreur parmi les quatre prochains bits. Supposons que
X a la loi de probabilité suivante


 0.66 x=0
 0.29

 x=1
P(X = x) = 0.04 x=2
0.09 x =3




0.001 x = 4

1. Quelle est la probabilité qu'il y ait au plus 1 bit en erreur dans les quatre prochains bits
transmis ?
257
2. Quel est le nombre espéré de bits en erreur dans les quatre prochains bits transmis ?
3. Calculer l'écart-type du nombre de bits en erreur dans les quatre prochains bits transmis
X−E(X)
4. Calculer P(−1.96 < √ < 1.96).
V ar(X)
258
8.1 corrections
1. Si F est la fonction de répartition de X , on a F (a − x) = 1 − F (a + x) + P(X = a + x).
F (a − x) = P(X ≤ a − x) = P(X ≥ a + x)
= 1 − P(X ≤ a + x) + P(X = a + x)
= 1 − F (a + x) + P(X = a + x).
2. Si f est la fonction de densité de la variable aléatoire continue X , on a : f (a − x) =

f (a + x). D'après 1) ; on a ;
F (a − x) = 1 − F (a + x) + P(X = a + x)
Dérivons par rapport à x ; on obtient
−f (a − x) = −f (a + x) ⇔ f (a − x) = f (a + x).
3. E(X) = a. Par des changements de variables ; on obtient
E(X − a) = E(a − X).
Donc
0 = E(X − a) = E(X) − a.
1. 30% est la probabilité de l'événement Panne, noté P a ; la probabilité pour une machine
donnée de plus de cinq ans, d'être hors d'usage est
P(HU ) = P(HU |P a)P (P a)+P(HU |nonP a)P(nonP a) = 0.3×0.75+0.4×0.70 = 0.505.
2. La probabilité pour une machine hors d'usage de n'avoir jamais eu de panne auparavant
est
0.4.0.7
P(nonP a|HU ) = P(HU |nonP a)P(nonP a)|P(HU ) = = 0.55446.
0.505
3. La loi de probabilité de X est une loi binomiale, n = 10, p = 0 :3, espérance 3.
4. Calculons
5
P[X = 5] = C10 (0.3)5 .(0.7)5 = 0.1029.
Corrigé :
259
1. Quelle est la probabilité qu'il y ait au plus 1 bit en erreur dans les quatre prochains bits
transmis ?
P(X ≤ 1) = P(X = 0) + P(X = 1) = 0.66 + 0.29 = 0.95.
2. Quel est le nombre espéré de bits en erreur dans les quatre prochains bits transmis ?
4
X
E(X) = kP(X = k) = 0.401.
k=0
3. Calculer l'écart-type du nombre de bits en erreur dans les quatre prochains bits transmis
4
X
2 2
V ar(X) = E(X ) − (E(X)) = k 2 P(X = k) − (0.401)2 = 0.386.
k=0
Ainsi p
σX = var(X) = 0.621.
X−E(X)
4. Calculer P(−1.96 < √ < 1.96).
V ar(X)
X−E(X) X−0.401
P(−1.96 < √ < 1.96) = P(−1.96 < 0621 < 1.96)
V ar(X)
= P([−1.96 × 0.621] + 0.401 < X < [1.96 × 0.621] + 0.401)
= P(−0.817 < X < 1.619
= P(X = 0) + P(X = 1) = 0.95.
260
Sa
Prénom : ............................
Question de cours.
2. Soit X vecteur gaussien. Montrer que Chaque composante Xi de X est une v.a. rélle
gaussienne.
3. que peut-on dire de l'inverse du point (2).
261
Exercice 1. (Le signal télégraphique)
Un cas particulier du transformation du processus de Poisson est le signal télégraphique,
déni par :

N (t) 1 si N (t) = 0, 2, 4, ...
X(t) = (−1) =
−1 si N (t) = 1, 3, ...
1. Déterminer la distribution de la v. a. X(t).
2. Calculer E(X(t)).
3. Calculer la fonction d'autocorrélation RX (t, t + s) de X(t).
4. Déduire la fonction d'autocovariance CX (t, t + s) en (t, t + s).
Exercice 2. Un robot Google parcourt internet de la manière suivante : quand il est sur une
page web, il regarde tous les liens internet présents sur cette page et choisit un de ces liens
avec probabilité uniforme. Ici les pages web présentent les liens suivants :
1. Justier que la position du robot Google au cours du temps est une chaîne de Markov
homogène. Donner sa matrice de transition et tracer le graphe de transition associé.
2. Préciser les classes communiquantes.

3. Question de cours : Donner la dénition d'un état récurrent et d'un état transient.
4. Préciser les états récurrents et transients de la chaîne de Markov.
5. Question de cours : Donner la dénition de la période d'un état.
6. Donner la période de chaque état.
7. Le robot part (au temps 0) de la page 4. Que se passe-t-il ? Donner la loi de la position
du robot au temps n.
8. Le robot part (au temps 0) maintenant de la page 2. Donner la loi de la position du

robot au temps 1,2 et 3.
262
Sa
Sujet de contrôle de rattrapage

Epreuve de Processus Stochastiques
Examen de janvier 2020
Nom : ................................
Prénom : ............................
Question de cours.
1. Donner la dénition d'une chaîne de Markov.
2. Donner la dénition la période de d'un état i.
3. Donner la dénition d'une chaîne de Markov apériodique.
4. Montrer que la matrice de transition G associée à une chaîne de Markov (Xn )n∈N à
valeurs dans E est une matrice stochastique.
263
considère une chaîne de Markov en temps discret {Xn ; n ∈ N} à valeurs dans l'espace E =
{1; 2; 3; 4; 5; 6}, de matrice de transition P , dont les termes hors-diagonaux sont donnés par
. 12 0 0 0 0
 
 1 . 0 0 0 0 
 3
 0 0 . 0 7 0 

P = 1 1
 8 
1 1 
 4 4 0 . 4 4 
 0 0 3 0 . 0 
4
0 15 0 15 15 .
1. Déterminer les termes diagonaux de la matrice de transition P .
2. Faire le graphe associé à cette chaîne de Markov.
3. Déterminer les classes d'équivalence de la chaîne.
4. Montrer que les états 4 et 6 sont transitioires, et que l'ensemble des autres états se
décompose en deux classes récurrentes que l'on précisera.
Dans la suite, on notera Λ = {4; 6}, C la classe récurrente contenant 1, et C 0 l'autre
classe récurrente. Pour tout x; y ∈ E, on dénit ρx = P[X0 =x] (T < ∞), où T =
inf {n ≥ 0; Xn ∈ C}.

1 si x ∈ C;
5. Montrer que ρx = et que 0 < ρx < 1 pour x ∈ Λ.
0 si x ∈ C 0 ;
Etant donné un nombre 0 < p < 1, on considre une chaîne de Markov en temps discret
{Xn ; n ∈ N} à valeurs dans l'espace ni E = {1; 2; 3; 4}, de matrice de transition G donnée
par  
p 1−p 0 0
 0 0 p 1−p 
G=  p 1−p 0

0 
0 0 p 1−p
1. Montrer que la chaîne {Xn } est récurrente irréductible.
2. Calculer son unique probabilité invariante π .
3. Montrer que la chaîne est apériodique. En déduire que Gn tend, quand n −→ ∞, vers
la matrice  
π1 π2 π3 π4
 π1 π2 π3 π4 
 π1 π2 π3 π4  .
 
π1 π2 π3 π4
4. En régime d'équilibre, quel est le lien entre Π est la loi de Xn ?
5. Calculer G2 . Montrer que cette matrice coincide avec la limite calculée ci-dessus. Pré-
ciser la loi de X2 , ainsi que celle de Xn , n ≥ 2.
264
Corrigé de contrôle de rattrapage
Exercice 1.
1. On détermine les termes diagonaux de P en écrivant que la somme des termes de

chaque ligne est égale à 1, on a donc :
 1 1 
2 2 0 0 0 0
 1 2 0 0 0 0 
 3 3 1 7

 0 0 0 0 
P = 8 8 
 1 1 0 0 1 1 
 4 4 4 4 
 0 0 3 0 1 0 
4 4
0 15 0 15 51 25
2. Le graphe associé à cette chaîne de Markov.
3. On voit que 1 et 2 communiquent, 3 et 5 communiquent, ainsi que 4 et 6. On peut

aussi aller de 4 en 1, 2 ou 5, et de 6 en 2 ou 5. Mais la réciproque n'est pas vraie.
Donc il y a 3 classes, qui sont {1, 2}, {3, 5} et {4, 6}.
4. La C. M. peut quitter la classe {4, 6}, donc cette classe est transitoire. Alors que les
classes {3, 5} et {1, 2} sont récurrentes ; car une fois le processus dans ces classe il n'en
sort plus.
5. Si x ∈ C , on Px (T = 0) = 0 et ρx = 1.
Si x ∈ C 0 la C M n'atteint jamais C , puisqu'elle reste dans C 0 et donc Px (T = ∞) = 1.
et ρx = 0.
Si x ∈ Λ, Px (X1 = 2) > 0, et Px (X1 = 5) > 0, d'où, puisque {X1 = 2} ⊂ {T < ∞} et
{X1 = 5} ⊂ {T = ∞}, 0 < ρx < 1.
Exercice 2.
1. La chaîne {Xn } est récurrente irréductible puisque tous les états communiquent entre
eux.
2. L'espace des états est ni et la CM est irréductible, donc il existe une loi stationnaire
unique π .
On le calcule en résolvant le système :

π
P= πP
i πi = 1
On trouve :
π = (p2 , p(1 − p), p(1 − p), (1 − p)2 ).
3. La chaîne est apériodique car on montre que
(P n )11 = (P11 )n = pn > 0, ∀n.
La chaîne est apériodique et irréductible, d'après le cours en déduit que Gn tend, quand
n −→ ∞, vers la matrice  
π1 π2 π3 π4
 π1 π2 π3 π4 
 .
 π1 π2 π3 π4 
π1 π2 π3 π4
265
4. En régime d'équilibre, la loi de Xn est π .
5. Un calcul élémentaire montre que G2 = limn Gn . On a donc aussi Gn = G2 , pour tout

n ≥ 2. La loi limite est ici atteinte dès le rang n = 2.
266
Bibliographie
Voici une bibliographie très incomplète. Allez voir vous même à la Bibliothèque. Gardez
en mémoire qu'un bon livre est un livre qui vous donne envie d'apprendre et de travailler son
contenu !
1. Renée Veysseyre ( 2006) : Aide-mémoire Statistique et probabilités pour l'ingénieur.

Dunod.
2. Gérard Letac (2001) : Cours de Probabilités du cite web http ://www.smathematiques.net
3. Alan Reugg (1994) : Probabilité et statistiques Press Plytechniques et universitaires

Romandes.
4. Précis de mathématiques : Probabilités et statistiques.
5. Jean-Jacques Martiano (2004) Exercices de Probabilités.
6. Daniel F. et Michel B. (2003) : Mathématiques pour les sciences de l'ingénieur. Du-

nod
7. G. Saporta. Probabilités Analyse des données et statistique.
8. Exercices de probabilités. Licence master - Ecoles d'ingénieurs. Edit. CASSINI.
9. Patrick Bogaert. Probabilités pour scientiques et ingénieurs. Edit. de boeck.
10. Patrick Roger (2004) : Probabilités, statistique et processus stochastiques. Collection

Synthex.
11. Philippe Barbe et Michel Ledoux (2007) : PROBABILITÉ. Collection dirigée par Da-
niel Guin.
12. Pierre Brémaud(2009) : Initiation aux Probabilités et aux chaînes de Markov. Deuxième
édition entierement revisée.
Begin at the beginning, and go on till you come to the end. Then, stop.
L. Caroll, Alice's Adventures in Wonderland
267

Annales Des Examens Corrigés

Transféré par

Droits d'auteur :

Formats disponibles

Annales Des Examens Corrigés

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Annales Des Examens Corrigés

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE CADI AYYAD

Ecole Nationale des Sciences

Première Année Génie Télécom et Réseaux

Pr. EL HASSAN LAKHEL

Année Universitaitre : 2018-2019

III Annales des examens corrigés 118

L'espace de probabilité (Ω, F, P )

1.3 Evénements et opérations sur les événements

Notation On note P(Ω) l'ensemble de toutes les parties de Ω.

Notation vocabulaire ensemblite vocabulaire probabiliste

♣Exercice : Vérier que P(Ω) et {∅, Ω} sont des tribus sur Ω.

♣♣ Exercice : Soit Ω un ensemble, et A et B deux parties de Ω. on pose

F = {∅, A, B, A ∩ B, A ∪ B, Ac , B c , (A ∩ B)c , (A ∪ B)c , A ∩ B c , Ac ∩ B, A ∪ B c , Ac ∪ B, Ω}

Montrer que F est une tribu.

Proposition 1.5. Soit Ω un ensemble muni d'une tribu F , alors :

Remarque : Une tribu est stable par réunion et intersection nie.

1.5 Le concept de probabilité

Le triplet (Ω, F, P ) est alors appelé un espace de probabilité.

iii) si A est dans F , alors P (Ac ) = 1 − P (A),

vi) si (Ai )1≤i≤n sont des éléments de F , alors

La série dans le membre de droite ne converge alors que si P (∅) = 0.

ii) On applique le ii) de la dénition à la famille d'événements disjoints (A1 , A2 , . . . , An , ∅, ∅, . . .)

iii) On applique ii) à famille d'événements disjoints (A, Ac ) : P (A) + P (Ac ) = P (A ∪

on vérie alors (exercice) que

viii) Utiliser le point précédent et passer aux complémentaires (exercice).

Théorème 1.8. Soit Ω = {ω1 , ω2 , ..., ωn }. Soit p1 , p2 , ..., pn n nombres réels.

P est alors unique, et on a pour tout événement A ∈ P(Ω)

Donc P est uniquement déterminée par la donnée des pi .

Soit P l'application dénie sur P(Ω) par :

Montrons que P est une probabilité sur (Ω, P(Ω)).

Donc P est une application de P(Ω) dans [0, 1].

Si A et B sont deux événements disjoints, on a :

Remarque : S'il y a équiprobabilité, l'univers Ω est nécéssairement ni. En eet, si Ω est

Proposition 1.10. S'il y a équiprobabilité, pour tout événement A, on a :

S'il y a équiprobabilité, le calcul de la probabilité d'un événement A se ramène donc à un

1.6.2 Eléments d'analyse combinatoire

2- les suites de p éléments distincts : Elles correspondent à un tirage successif et

1.6.3 Exemples fondamentaux

Le nombre de résultats possibles est

l'on a choisi sur Ω la probabilité uniforme

Exercice : Un sac contient 2 V et 3 B. On eectue 2 tirages sans remise.

2. L'univers Ω : Il peut être soit

3. La probabilité P : C'est une fonction dénie sur les sous-ensembles

P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

A=  la première boule est blanche "

Exprimer les événements suivants en terme de A , B et C :

D=  toutes les boules sont blanches ",

Exercice 2. Soit Ω un ensemble.

Montrer que P est une probabilité sur (Ω, B)

Déterminer F pour que P soit une probabilité sur (Ω, P(Ω))

Exercice 9. On fait remplir un questionnaire à 20 questions binaires. Quelle est la probabi-

Soit B ∈ A. Montrer que :

1) Montrer que BΓ est constituée de ∅ , Ω et de toutes les réunions d'éléments de Γ.

2) Montrer que si F1 et F2 sont deux tribus sur Ω, alors il en est de même de F = F1 ∩ F2 .

où σ(F) est la tribu engendrée par les ensembles fermés de Rd .

2.2 Probabilité conditionnelle

• On a A ∩ B ∈ A donc P (A ∩ B) existe et on a aussi A ∩ B ⊂ A donc PA (B) ∈ [0, 1].

Théorème 2.2. (Formule des probabilités composées)

♣Exercice : Vérier que P(Ω) et {∅, Ω} sont des tribus sur Ω.

Remarque : Une tribu est stable par réunion et intersection nie.

ii) On applique le ii) de la dénition à la famille d'événements disjoints (A1 , A2 , . . . , An , ∅, ∅, . . .)

on vérie alors (exercice) que

Soit P l'application dénie sur P(Ω) par :

Remarque : S'il y a équiprobabilité, l'univers Ω est nécéssairement ni. En eet, si Ω est

Exercice : Un sac contient 2 V et 3 B. On eectue 2 tirages sans remise.

3. La probabilité P : C'est une fonction dénie sur les sous-ensembles

A= la première boule est blanche "

D= toutes les boules sont blanches ",

Dénition 2.6. Soit (Ω, A, P ) un espace probabilisé.

qui tend vers 0 quand N tend vers l'inni.

La fonction de répartition FX d'une v. a. r. X vérie les propiétés suivantes :

X(Ω) = {xi ∈ R/i ∈ I} avec I = N ou Z ou une de leurs parties nies.

Remarque : Il est toujours utile de vérier que pi ≥ et i∈I pi = 1.

Si on connait la fonction de répartition, on peut reconstruire la loi de X par diérence

1. Une densité fX est positive et vérie