Ecole national dElectronique et de

Communication de Sfax

Anne universitaire
2014-2015

ENETCOM

Cours de Probabilit-Statistiques
labor par les enseignants de lENETCOM

Filires 1ING

Chapitre 1
Rappel de combinatoire - Langage des
probabilits
I Dnombrement
1.1

La rgle de multiplication

Exemple 1 On jette deux ds non truqus numrots de 1 6. On sintresse aux rsultats

amens par les deux ds. Donner le nombre des rsultats possibles.
Thorme 1 Si une premire opration peut se raliser de n1 faons, une deuxime de n2
faons, une k eme de nk faons, alors la squence des k oprations peut se raliser de n1 n2 nk
faons.

1.2
1.2.1

Les combinaisons
Combinaison sans rptition

Dfinition 1 Soit un ensemble n lments distincts, A = {a1 , ,an }. On appelle combinaison sans rptition de p lments choisis parmi les n lments de A, une disposition non
ordonne de ces p lments dans laquelle chaque lment figure une seule fois.
Exemple 2 On tire dune urne, contenant 5 boules, 3 boules simultanment. Dnombrer cette
situation.
Thorme 2 Le nombre de combinaisons sans rptition possibles de p lments parmi n
lments distincts est donn par :
Cnp =

n!
, p n,
(n p)!p!

avec n! = n(n 1) 1, 0! = 1.

Proprit 1
1. Cn0 = 1
2. Cnn = 1
3. Cn1 = n
p
n
Cn1
4. Cnp = np
p1
5. Cnp = np Cn1
p
p1
6. Cnp = Cn1
+ Cn1
P
7. Binme de Newton: a,b IR , n IN, (a + b)n = nk=0 Cnk ak bnk

1.2.2

Combinaison avec rptition

Dfinition 2 Soit un ensemble n lments distincts, A = {a1 , ,an }. On appelle combinaison avec rptition de p lments choisis parmi les n lments de A, une disposition non
ordonne de ces p lments dans laquelle chaque lment peut figurer plus quune fois.
Exemple 3 Dterminer de combien de faons diffrentes peut-on ranger 5 cahiers indiscernables dans 2 tiroirs discernables, o chaque tiroir peut recevoir un nombre quelconque de
cahiers : 0,1, ,5.
Thorme 3 Le nombre de combinaisons possibles, avec rptition ventuelle, de p lments
parmi n lments distincts est donn par :
p
=
Cn+p1

1.3
1.3.1

(n + p 1)!
(n 1)!p!

Les arrangements
Arrangements sans rptition

Dfinition 3 Soit un ensemble n lments distincts, A = {a1 , ,an }. On appelle arrangement sans rptition de p lments choisis parmi les n lments de A, une disposition ordonne
(p-uplet) de ces p lments dans laquelle chaque lment peut figurer une seule fois.
Exemple 4 Cinq quipes de mme niveau e1, ,e5, participent un tournoi de football. De
combien de faons diffrentes peut-on avoir le classement des trois premires quipes?
Exemple 5 On considre une urne contenant 10 boules. On tire de cette urne 3 boules successivement et sans remise. Dterminer le nombre des rsultats possibles.
Thorme 4 Le nombre darrangements sans rptition de p lments parmi n lments distincts est donn par :
n!
,p n.
Apn =
(n p)!
Proprit 2 Apn = (n (p 1))Ap1
n

1.3.2

Arrangements avec rptition

Dfinition 4 Soit un ensemble de n lments distincts, A = {a1 , ,an }. On appelle arrangement avec rptition de p lments choisis parmi les n lments de A, une disposition ordonne
(p-uplet) de ces p lments dans laquelle chaque lment peut figurer plus quune fois.
Exemple 6 On tire dune urne, contenant 5 boules, 3 boules successivement avec remise.
Dnombrer cette situation.
Thorme 5 Le nombre darrangements avec rptition de p lments parmi n lments distincts est donn par : np

1.4

Les permutations

Dfinition 5 Soit un ensemble n lments distincts ou non, A = {a1 , ,an }. On appelle

permutation des n lments de A une disposition ordonne de ces n lments.
3

1.4.1

Permutations sans rptition

Exemple 7 Cinq quipes de mme niveau, e1, ,e5, participent un tournoi de football.
Dterminer le nombre de classements possibles la fin du tournoi.
Thorme 6 Le nombre de permutations (sans rptition) possibles de n lments distincts
A = {a1 , ,an } est donn par
Pn = Ann = n! = n(n 1)(n 2) (2)(1) avec 1! = 1, 0! = 1.

1.4.2

Permutations avec rptition

Exemple 8 Cinq tudiants tunisiens, trois tudiants franais et deux tudiants marocains
passent un concours de statistique. Le classement final sera tabli selon la nationalit et indpendamment de tout autre critre. Dterminer le nombre de classements possibles ce
concours.
Thorme 7 Le nombre de permutations, avec rptition, possibles de n lments non tous
distincts est donn par :
Pnn1 nk

k
X
n!
=
, avec
ni = n.
n1 ! nk !
i=1

II Langage des probabilits

1.5

Notions de base: Exprience alatoire, ensemble fondamental, vnement

Dfinition 6
Une exprience E est dite alatoire si le rsultat nest pas prvisible avec
certitude. (on dit aussi preuve alatoire)
Lensemble des rsultats possibles associs une exprience alatoire est appel ensemble
fondamental ou univers, on le note .
Un vnement A est un sous ensemble de cest dire un ensemble de rsultats possibles
de lexprience alatoire.
Lvnement {a}, constitu par un seul lment de est appel vnement lmentaire.
Lensemble vide (aucun rsultat) est appel vnement impossible.
Lensemble est appel vnement certain.
Exemple 9
1. E1 : Jet dun d numrot de 1 6. 1 =?
A1 : " Obtenir un nombre pair en lanant un d "
2. E2 : Jet dune pice de monnaie 2 =?
3. E3 : note obtenue dans une matire 3 =?

1.5.1

Relations entre vnements

Soient A et B deux vnements,

Exemple 10 E: jet dun d, A: obtenir un nombre pair, B : obtenir un nombre premier

1. Runion : A B est lvnement qui se produit si A ou B ou les deux est ralis.

A B = {w ,w A ou w B}
2. Intersection : A B est lvnement qui se produit si A et B sont raliss les deux la
fois.
A B = {w , w A et w B}
3. Complmentaire ou contraire : A est lvnement qui se produit quand A nest pas ralis
(on dit aussi non A)
A = \A = {w , w
/ A}.
4. Incompatibles: A et B sont dits incompatibles ou disjoints si A B = Il est vident que
A et A sont incompatibles. Les vnements lmentaires dun espace fondamental sont
aussi incompatibles deux deux.
5. Systme complet dvnements: soit un espace fondamental. On dit que A1 , ,Ak est
un systme complet (ou une partition) de si:
Ai Aj = , i, j {1, ,k} avec i 6= j.
A1 Ak = ki=1 Ai =

1.6

Espace probabilisable et probabilit

Exemple 11 Vous faites un pari avec une pice de monnaie: vous jetez la pice, vous gagnez
si cest Pile, vous perdez si cest Face.
La connaissance des rsultats possibles de lexprience : = {P,F } nest pas suffisante. On
aimerait savoir quelles sont les chances davoir Pile cest dire de gagner: pour dcrire une
exprience alatoire on aimerait associer chaque vnement sa frquence dapparition.

1.6.1

Espace probabilisable

Dfinition 7 Soit lespace fondamental associ une exprience alatoire et soit P()
lensemble des vnements quon peut former partir de . Le couple (,P()) est appel
espace probabilisable.
Exemple 12 Exprience E: jet dune pice, P()?
Dfinition 8 Soit (,P()) un espace probabilisable. On appelle probabilit sur (,P()),
lapplication P dfinie par:
P : P() [0,1]
A
P (A)
vrifiant les proprits suivantes:
P () = 1
P
P (i Ai ) = i P (Ai ) pour toute runion finie ou dnombrable dlments de P() deux
deux incompatibles
On appelle alors espace probabilis le triplet (,P(),P )

Equiprobabilit Soit un univers fini = {w1 ,w2 , ,wn }. Si tous les vnements lmentaires
ont la mme probabilit, on dit quil y a quiprobabilit. Lespace probabilis est alors uniforme.
Dans ce cas pour tout vnement A,
card(A)
.
card()

P (A) =

Exemple 13 Calculer la probabilit des vnements lmentaires dans les expriences E1 et

E2 . Calculer P (A1 ) et P (A1 ).
Proprit 3 Soit (,P(),P ) un espace probabilis, A et B deux vnements.
= 1 P (A).
1. P (A)
2.
3.
4.
5.
6.

si A B alors P (A) P (B) et P (B\A) = P (B) P (A)

P () = 0
P (A B) = P (A) + P (B) P (A B)
P (A B) = P (B) P (A B)
soit A1 ,A2 , ,Ak un systme complet dvnements et soit B alors
k
X

P (Ai ) = 1

P (B) =

et

k
X

i=1

P (Ai B)

i=1

7. 0 P (A) 1.

1.7

Probabilit conditionnelle

Dfinition 9 Soit (,P(),P ) un espace probabilis et soit A, B deux vnements de avec

P (B) 6= 0. On appelle probabilit conditionnelle de A sachant B, et on note P (A/B) , la
probabilit de ralisation de lvnement A sachant que lvnement B sest ralis.
P (A/B) =

P (A B)
.
P (B)

Remarque 1
1. Dans le cas o A et B sont incompatibles, P (A/B) = P (B/A) = 0
2. Si B A, P (A/B) = 1

3. A/B est un vnement, son complmentaire est A/B

do P (A/B)
= 1 P (A/B).
Proprit 4
1. P (/B) = 1
2. Formule des probabilits composes: si P (A) 6= 0 et P (B) 6= 0 alors,
P (A B) = P (A/B)P (B) = P (B/A)P (A)
3. gnralisation: P (A B C) = P (A/B C)P (B C) = P (A/B C)P (B/C)P (C)
4. Formule des probabilits totales: si A1 , ,Ak est un systme complet dvnements de
avec P (Ai ) 6= 0, i alors B ,
P (B) =

k
X

P (B Ai ) =

i=1

k
X
i=1

P (B/Ai )P (Ai )

5. Thorme de Bayes
P (B/Ai )P (Ai )
P (Ai /B) = Pk
, i = 1, ,k
j=1 P (B/Aj )P (Aj )
6. Un cas particulier:
P (B/A)P (A)
(A),

P (B) = P (B/A)P (A) + P (B/A)P

P (A/B) =
P (B)
7. Si A1 et A2 sont incompatibles alors P (A1 A2 /B) = P (A1 /B) + P (A2 /B)
Exemple 14 Trois urnes identiques contiennent respectivement:
U1 : 20 boules blanches et 5 boules rouges
U2 : 2 boules blanches et 98 boules rouges
U3 : 4 boules blanches et 6 boules rouges
On tire au hasard une boule, elle est blanche. Quelle est la probabilit pour quelle provienne
de U1 .

1.8

Indpendance dvnements

Dfinition 10 Soit A et B deux vnements tels que P (A) 6= 0 et P (B) 6= 0. A et B sont dits
indpendants si la connaissance du fait que B sest ralis na pas dinfluence sur les chances
dapparition de A c..d
P (A/B) = P (A)

et P (B/A) = P (B)

ou encore
A et B sont indpendants ssi P (A B) = P (A)P (B)
Exemple 15 On lance en mme temps deux ds cubiques non truqus. On note les chiffres
qui apparaissent sur les deux ds. soit les vnements A:on trouve 2 en lancant le 1er d et
B: on trouve 5 en lancant le 2eme d.
A et B sont-ils indpendants?

Chapitre 2
Variable alatoire - Fonction de
rpartition
2.1

Variable alatoire

Dfinition 11 Soit un espace probabilisable (,P()). On appelle variable alatoire (v.a.)

une application
X : IR
w X(w)
On note par
X = {X(w), w },
lensemble des valeurs possibles de X.
Lassociation dun vnement lmentaire w et dune valeur x se traduit par X(w) = x.
On dit alors que x est la valeur ou la ralisation prise par la v.a. X lorsque le rsultat de
lexprience alatoire est w.
Exemple 16

1. Exprience E1 : jet dune pice de monnaie


1 si Pile
X=
0 si Face

X = {0,1}.
2. Exprience E2 : jet dun d, V : deux fois le nombre obtenu, V = {2,4,6,8,10,12}.
3. Exprience E3 : contrle dun article dans un processus de production.

1 si dfectueux
U=
0 sinon
U = {0,1}.
4. Exprience E4 : contrle de n articles. W : nombre darticles dfectueux. W = {0,1, ,n}.
5. Exprience E5 : rception dappels tlphoniques au standard dun tablissement. Y :
nombre dappels. Y = {0,1, } = IN.
6. Exprience E6 : exploitation dun ordinateur. T : dure de service. T = [0, + [
Dfinition 12 Une variable alatoire X est dite:
discrte si X est dnombrable ou fini (exemple:X,V,U,W,Y ).
8

 continue si X est non dnombrable (exemple: T ).

On note par {X = x} lvnement
{X = x} = {w , X(w) = x}.
Exemple 17 Exprience: jet dune pice deux fois. X: nombre de Piles obtenus.
= {w1 = (F,F ), w2 = (F,P ), w3 = (P,F ), w4 = (P,P )}.
X(w1 ) = 0, X(w2 ) = 1, X(w3 ) = 1, X(w4 ) = 2.
lensemble des valeurs prises par X est X = {0,1,2}.
{X = 0} = {w , X(w) = 0} = {w1 },
{X = 1} = {w2 ,w3 },
{X = 2} = {w4 },
{X = x} = si x
/ {0,1,2}
P (X
P (X
P (X
P (X

= 0) = P ({w1 }) = 1/4,
= 1) = P ({w3 ,w2 }) = 2/4,
= 2) = P ({w4 }) = 1/4,
= 3) = P () = 0.

Exemple 18 Exprience: jet de deux ds: un rouge et un bleu

Z: somme des points amens par les deux ds.
Dterminer la probabilit des vnements suivants:
A: avoir une somme gale 10
B: avoir une somme infrieure strictement 2
C: avoir une somme infrieure 13

2.2

Fonction de rpartition

2.2.1

Dfinition et exemple

Dfinition 13 Soit X une v.a. discrte ou continue. On appelle fonction de rpartition de X

la fonction:
F : IR [0,1]
x 7 F (x) = P (X x).
Exemple 19 Exprience: jet dune pice deux fois
X: nombre de piles obtenus, X = {0,1,2}. Calculer F (x) et la reprsenter.
Exercice 1 Exprience: jet dune pice trois fois
X: nombre de piles obtenus. Calculer F (x) et la reprsenter.

2.2.2

Proprits de la Fonction de rpartition

1. Proprits caractristiques
Thorme 8 La fonction de rpartition dune variable alatoires X a les proprits
caractristiques suivantes:

1)
2)
3)
4)

limx FX (x) = 0
limx+ FX (x) = 1
FX est croissante: x1 x2 , F (x1 ) F (x2 )
FX est continue droite en x, x IR

2. Autres proprits
(a) FX admet en tout point a une limite gauche FX (a) et on a:
P (X = a) = FX (a) FX (a).
(b) La connaissance de la fonction de rpartition permet de calculer la probabilit de
tout intervalle:
XP (X a) = FX (a)
XP (X < a) = FX (a)
XP (X a) = 1 FX (a)
XP (X > a) = 1 FX (a)
XP (a < X b) = FX (b) FX (a).
XP (a < X < b) = FX (b) FX (a).
XP (a X < b) = FX (b) FX (a).
XP (a X b) = FX (b) FX (a).
(c) Les atomes de la variable alatoire X, c--d les rels a pour lequel P (X = a) > 0,
sont exactement les points de discontinuit de la fonction de rpartition. La fonction
de rpartition dune variable alatoire X est donc continue si et seulement si X na
aucun atome, i.e. si et seulement si
x IR,P [X = x] = 0.
Remarque 2 (a) Lensemble S des atomes de la variable alatoire X est fini ou dnombrable.
(b) Si P (X S) = 1, alors X est une v.a discrte.

10

Chapitre 3
Variables alatoires discrtes - Lois
discrtes usuelles
3.1

Loi de probabilit

Dfinition 14 On appelle loi (ou distribution) de probabilit dune v.a. discrte X, la fonction
qui tout x X associe P (X = x).
Exemple 20 Dterminons la loi de X dans lexemple prcdant: jet dune pice deux fois
X
P (X = x) = 1
Remarque 3 On peut faire la vrification:
xX

3.2

Fonction de rpartition dune v.a. discrte

Proprit 5 Pour les variables alatoires discrtes X les plus courantes (par exemple, les lois
uniformes, binomiales, de Poisson) X est un ensemble bien ordonn : on peut alors numroter
ses lments de manire croissante : s1 < s2 < s3 < ... On a alors:
P
Xsi x [si ,si+1 [, FX (x) = 1ji P [X = sj ].
XP [X = sj ] = FX (sj ) FX (sj1 ) j {2,3,...} et P [X = s1 ] = FX (s1 ).

Proprit 6 La fonction de rpartition est alors une fonction constante par intervalles et sa
reprsentation graphique est en escalier. Les sauts dune marche lautre de lescalier se situent
aux abscisses si , et lamplitude du saut dabscisse s est ps = FX (s) FX (s ).

3.3

Transformation dune v.a. discrte

Soit la v.a. discrte X et X lensemble de ses valeurs possibles, et soit la transformation

: IR IR
X 7 Y = (X)
Notons par Y lensemble des valeurs possibles de Y = (X).
Alors connaissant la loi de X, on peut dterminer la loi de Y = (X) avec Y = (X )
11

Exemple 21 Soit la v.a. X de loi donne par

X
-2
-1
0
1
2
P(X=x) 0.05 0.15 0.4 0.3 0.1
Dterminer la loi de Y = X 2

3.4

Esprance- Variance-Ecart type

Dfinition 15 Soit la v.a. discrte X et X son ensemble de ralisations. Soit (X) une
fonction de X. On appelle esprance mathmatique de (X) le rel:
X
E((X)) =
(x)P (X = x).
xX

Exemple 22 Dterminer lesprance

Xde Y dans lexemple prcdant.
1ere mthode: E(Y ) = E((X)) =
(x)P (X = x)
xX

2eme mthode: E(Y ) =

yP (Y = y)

yY

Dfinition 16 Soit X une v.a. discrte desprance m = E(X). On appelle variance de X le

rel positif:
X
(x m)2 P (X = x).
V (X) = E((X m)2 ) = E(X 2 ) m2 =
xX

p
On appelle cart-type le rel positif X = V (X).
Exemple 23 Calculer E(X) et V (X) dans lexemple prcdent.
Proprit 7 Soit X et Y deux v.a. et a une constante relle
1. E(aX) = aE(X).
2. E(X + Y ) = E(X) + E(Y ).
3. E(a) = a.
4. V (aX) = a2 V (X)
5. V (X + a) = V (X).

3.5
3.5.1

Lois usuelles discrtes

Loi de Bernouilli

Exemple 24 On jette une pice non quilibre: Pile apparait avec la probabilit p (0 < p < 1)
et Face avec la probabilit (1 p). Soit la v.a.

1 si Pile (succs)
X=
0 si Face (echec)
Dfinition 17 La v.a. X suit une loi de Bernouilli de paramtre 0 < p < 1 , lensemble de
ses valeurs est X = {0,1} et on a
 x
p (1 p)1x si x {0,1}
P (X = x) =
0
sinon
On note X B(p).
12

Proprit 8
1. E(X) =
2. V (X) = p
p p2
3. (X) = p p2

3.5.2

xX

xP (X = x) = p

Loi Binomiale

Exemple 25 On jette la pice non quilibre n fois avec p : probabilit de succs

X : nombre de Piles obtenus (nombre de succs)
Dfinition 18 La v.a. X suit une loi Binomiale de paramtres (n,p), n IN , 0 < p < 1 avec
X = {0,1,2, ,n}
 x x
Cn p (1 p)nx si x X ,
P (X = x) =
0
sinon
On note X B(n,p)
Exemple 26 Une population compte 40% de femmes et 60% dhommes. On prend au hasard
un chantillon de 4 personnes. Soit X: nombre de femmes dans lchantillon. Dterminer la loi
de X.
Proprit 9 E(X) = np, V (X) = np(1 p)

3.5.3

Loi de Poisson

Dfinition 19 Une v.a. X suit la loi de Poisson de paramtre > 0 si X = {0,1,2, } = IN

et
 x
e x! si x IN,
P (X = x) =
0
sinon
On note X P()
Exemple 27 Sur lautoroute, 4 voitures en moyenne passent par minute. On compte le nombre
de voitures par 10 minutes: ce nombre suit une loi P(40)
Proprit 10 E(X) = , V (X) =
Remarque 4 La loi de Poisson dcrit le comportement du nombre dvnements se produisant
dans un laps de temps fix, si ces vnements se produisent avec une frquence moyenne connue
et indpendamment du temps coul depuis lvnement prcdent.

3.5.4

Loi Uniforme discrte

Dfinition 20 Une v.a. X suit une loi uniforme discrte si X = {1,2, ,n} et
 1
si x = 1,2, ,n
n
P (X = x) =
0 sinon
On note X U{1,2, ,n}
Proprit 11 X U{1,2, ,n} ,

E(X) =

n+1
,
2

V (X) =

n2 1
.
12

Exemple 28 On jette un corps 4 faces quiprobables numrotes 1,2,3,4.

Soit la v.a. Z : numro obtenu. Donner la loi de Z.
13

3.5.5

Loi gomtrique

Exemple 29 On jette une pice jusqu obtenir un Pile, avec p: probabilit davoir Pile,
0<p<1
X : rang du premier Pile obtenu. X = IN ,
P (X = x) = P (F F F P ) = (1 p)x1 p, x IN
alors X suit une loi gomtrique de paramtre p
1
1p
E(X) = , V (X) =
.
p
p2

14

Chapitre 4
Variables alatoires continues - Lois
continues usuelles
Dfinition 21 Une v.a. est dite continue si elle peut prendre toutes les valeurs dans un
intervalle donn (born ou non born)

4.1

Loi de probabilit

Dfinition 22 On appelle densit de probabilit toute fonction f : IR IR vrifiant:

1. f est positive
2. f est continue par morceaux
Z
Z A
Z
f (x)dx = lim
f (x)dx
f (x)dx = 1 o lintgrale est dfinie par
3.
IR

IR

A+

Exemple 30 Dterminer la constante IR pour que la fonction dfinie sur IR par


0
sit < 0
f (t) =
2t
e
sit 0
reprsente la densit de probabilit dune v.a. X
Dfinition 23 Une v.a. X de fonction de rpartition FX est dite absolument continue sil
existe une densit de probabilit f telle que pour tout rel x, on a
Z x
FX (x) =
f (t)dt.

Dans ce cas f est la densit de probabilit de la v.a. X.

Proprit 12
1. Pour tout rel a, P (X = a) = 0.
2. Pour tous rels a et b tels que a < b on a
P (a < X < b) = P (a X < b) = P (a X b) = P (a < X b).
Autement dit peu importe si on considre les intervalles ouverts ou ferms ou semiouverts.
Exercice 2 Soit X une v.a. de densit de probabilit
f (x) = c(4x x2 )1I[0,3] (x)
o c IR.
15

1.
2.
3.
4.

4.2

Dterminer c
Quelle est la fonction de rpartition F associe cette loi de probabilit.
Dterminer P (1 < X < 3)
Dterminer X

Fonction de rpartition dune v.a. continue

Proprit 13
1. Pour tous rels a et b tels que a < b on a P (a < X b) = FX (b)FX (a) =
Rb
f (t)dt.
a
2. FX est continue sur IR. De plus en tout point x o f est continue FX0 (x) = f (x).
Thorme 9 La fonction de rpartition dune variable alatoires continue X densit a les
proprits caractristiques suivantes:
1) limx FX (x) = 0 et limx+ FX (x) = 1
2) FX est continue sur IR
3) FX est croissante: x1 x2 , F (x1 ) F (x2 )
4) FX est de classe C 1 sur IR sauf peut tre en un nombre fini de points

4.3

Paramtres dune v.a. continue

Dfinition 24 Soit X une v.a. de densit de probabilit f

1. On appelle esprance de X, le rel ( quand il existe)
Z
E(X) =
tf (t)dt.
IR

2. Si E(X) existe, on appelle variance de X, le rel positif (quand il existe)

Z
V (X) =
(t E(X))2 f (t)dt.
IR

Dans ce cas, on appelle cart type le rel positif X =

V (X).

Remarque 5 1) En posant de faon gnrale (quand lintgrale existe)

Z
n
E((X a) ) =
(t a)n f (t)dt, a IR, n IN
IR

on peut crire V (X) = E(X (E(X))2).

2) Si X est une v.a. telle que E(X) existe, alors
2

V (X) = E(X ) (E(X)) =

t f (t)dt(
IR

IR

Proprit 14 Soit X et Y deux v.a. continues et a IR, alors

1. E(X + Y ) = E(X) + E(Y ).
2. E(a) = a.
3. E(X + a) = E(X) + a.
4. E(aX) = aE(X).
5. V (a) = 0.
6. V (X + a) = V (X).
7. V (aX) = a2 V (X).
16

tf (t)dt)2 .

4.4
4.4.1

Lois continues usuelles

Loi uniforme

Dfinition 25 Soit a et b deux rels tels que ab. On dit que X suit la loi uniforme sur [a,b]
si X = [a,b] et la densit de X est
f (t) =

1
1[a,b] (t)
ba

Proprit 15 Si X suit une loi uniforme sur [a,b] alors sa fonction de rpartition est F

si x a
0
xa
si a x b
F (x) =
ba
1
si x b
E(X) =

a+b
2

et V (X) =

(ba)2
.
12

Exemple 31 Le temps dattente en minutes pour accder des donnes suit une loi uniforme
sur [1,6]. Dterminer la probabilit dattendre au moins 4 minutes. Dterminer le temps dattente moyen.
Rponse: P (X 4) = P (4 X 6) = F (6) F (4) = 1 3/5, E(X) = 7/2

4.4.2

Loi exponentielle

Dfinition 26 Soit un rel strictement positif. On dit que X suit la loi exponentielle de
paramtre , et on note
X
E(),
si sa densit de probabilit est donne par:
f (t) = et 1[0,+[ (t).
Proprit 16 Si X suit une loi exponentielle de paramtre alors sa fonction de rpartition
est

0
si t 0
FX (t) =
t
1e
si t 0
E(X) =

1
1
et V (X) = 2

4.4.3

Loi normale

Dfinition 27 Soit m IR et IR+

. On dit que X suit la loi normale (ou loi Gaussienne)
2
2
de paramtres m et , note N (m, ), si elle est valeurs dans IR: X = IR, et a pour densit
la fonction
2
1 (tm)
1
f (t) =
e 2 2 .
2

Alors E(X) = m et V (X) = 2 .

Proprit 17 Pour tout rel a IR et b IR,
X

N (m, 2 ) Y = aX + b
17

N (am + b,a2 2 ).

Loi normale centre rduite

Dfinition 28 On dit que X suit la loi normale centre rduite N (0,1) si E(X) = 0 et
V (X) = 1. Dans ce cas
t2
1
f (t) = e 2
2
Proprit 18 Si X suit une loi N (m, 2 ) alors Y =
Si X

X m
suit une loi N (0,1)

N (0,1) alors sa fonction de rpartition est

Z x
t2
1
e 2 dt
F (x) =
2

dont les valeurs numriques sont tabules.

On peut montrer que
x IR, F (x) = 1 F (x)
Exemple 32 a) Soit X une v.a. normale centre rduite, calculer
P (1 X 2), P (1.24 X 2.63), P (2.5 X 0.25)
b) On pose Y = 2X + 1. Donner la loi de Y et calculer P (1.42 Y 5.26)

18