Cours Proba UIC L2 (20-21)

Probabilités L2 Sciences Économiques et Gestion
Dr Vincent Kouassi KOUAKOU
18 janvier 2021
Table des matières
I Modèles finis 3
1 Analyse combinatoire 4
1.1 Principe fondamental de dénombrement . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Version restreinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Principe fondamental généralisé . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Dénombrement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Définition - Illustrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.4 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.5 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.6 Tableau récapulatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.7 Partitions ordonnées - cœfficients multinomiaux . . . . . . . . . . . . . . . . 11
1.2.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Introduction au calcul des probabilités 13

2.1 Notions de base - Définitions et propriétés . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1 Expériences aléatoires, épreuves et évènements . . . . . . . . . . . . . . . . 13
2.1.2 Relations entre les événements . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.3 Opérations sur les événements . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.4 Espace probabilisable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Notion de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 Espace probabilisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 Propriétés - Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Conditionnement - Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.1 Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2 Indépendance d’événements . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.3 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.4 Processus stochastiques finis et arbres de probabilité . . . . . . . . . . . . . 24
2.3.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1
TABLE DES MATIÈRES
3 Variables aléatoires 30
3.1 Définition - Notations - Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Fonctions de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Propriétés des fonctions de répartition . . . . . . . . . . . . . . . . . . . . . 33
3.2.3 Fonctions de répartition et probabilités sur X . . . . . . . . . . . . . . . . . 33
3.2.4 Exemple de fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.5 Loi de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Modèles classiques de variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 Variable de Bernouilli et variable binomiale . . . . . . . . . . . . . . . . . . 36
3.3.2 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.3 Variables aléatoires de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.4 Variables aléatoires géométriques . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.5 Variables aléatoires hypergéométriques . . . . . . . . . . . . . . . . . . . . . 39
3.3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
II Modèles infinis 42
4 Espace de probabilité 43
4.1 Notions de base - Définitions et propriétés . . . . . . . . . . . . . . . . . . . . . . . 43
4.1.1 σ-algèbres (tribus) et espaces probabilisables . . . . . . . . . . . . . . . . . 43
4.1.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Variables aléatoires - lois de probabilités . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2.1 Notions de base - définitions et propriétés . . . . . . . . . . . . . . . . . . . 44
4.2.2 Lois de probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2.3 Fonctions de repartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3 Quelques lois de probabilités continues . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.1 La loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.2 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.3 La loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.4 Exemples d’application de variables normales . . . . . . . . . . . . . . . . . 46
4.3.5 Loi de Chi-deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.6 La loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.3.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Université Internatonale de Cocody 2 Probabilités L2 SEG

Première partie
Modèles finis
3
Chapitre 1
Analyse combinatoire
1.1 Principe fondamental de dénombrement

1.1.1 Version restreinte
Le principe de dénombrement 1.1.1 sera essentiel par la suite. Il établie en gros que si
une expérience peut produire m résultats et une autre n résultats, alors il y a m × n résultats
possibles lorsque l’on considère ces deux expériences ensembles.
Théorème 1.1.1 Supposons qu’il faille réaliser deux expériences.

Si l’expérience 1 peut produire l’un quelconque de m résultats et si, pour chacun d’entre
eux, il y a n résultats possibles pour l’expérience 2 , alors il existe m × n résultats possibles pour
les deux expériences prises ensemble.
Exemple 1.1.1 Une petite communauté est composée de dix hommes et de leurs fils, chaque
homme ayant trois enfants. Un concours consiste à choisir un homme et l’un de ses fils comme
“père et fils bosseurs”, combien y a-t-il de choix différents possibles ?
Solution. En considérant le choix du père comme la première expérience et ensuite le choix

de l’un de ses fils comme la seconde, nous avons d’après le principe fondamental 10 × 3 = 30 choix
possibles.
1.1.2 Principe fondamental généralisé

Lorsqu’il y a plus de deux expériences à réaliser, le principe fondamental peut être généralisée
comme suit :
Théorème 1.1.2 Si r expériences doivent être réalisées et sont telles que la première peut pro-
duire l’un quelconque de n1 résultats, et si pour chacun d’entre eux il y a n2 résultats possibles
pour la 2nde expérience, et si pour chaque résultat des deux premières expériences il y en a n3
pour la 3ème expérience, et ainsi de suite, il y aura alors au total n1 × n2 × ... × nr résultats
possibles pour les r expériences prises ensemble.
Exemple 1.1.2 Le comité de planification de l’UIC est constitué de 3 étudiants de 1ère année,
4 de 2ème , 5 de 3ème et de 2 de dernière année. Un sous-comité de 4 étudiants comportant un
représentant de chaque classe doit être choisi. Combien peut-on former de sous-comités ?
4
1.2. DÉNOMBREMENT
Solution. Nous pouvons considérer le choix d’un sous-comité comme le résultat combiné
de 4 expériences distinctes, chacune consistant à choisir un unique représentant dans l’une dess
classes. Par conséquent, en application de la version généralisée du principe fondamental, il y a
3 × 4 × 5 × 2 = 120 sous-comités possibles.
Exemple 1.1.3 1. Combien de codes de 7 caractères peut-on former si les 3 premiers caractères
sont des lettres et les 4 derniers des chiffres ?
2. Si l’on excluait que les lettres ou les chiffres se répètent, combien de codes de 7 caractères
peut-on former si les 3 premiers caractères sont des lettres et les 4 derniers des chiffres ?
Solution. 1. En application de la version généralisée du principe de base, la réponse est

26 × 26 × 26 × 10 × 10 × 10 × 10 = 175 760 000.
2. Dans ce cas il y a 26 × 25 × 24 × 10 × 9 × 8 × 7 = 78 624 000 codes possibles.
1.2 Dénombrement
1.2.1 Applications
Définition - Illustration
Définition 1.2.1 U ne application d’un ensemble G dans (ou vers) un ensemble H [ou fonction
définie sur G à valeurs dans H notée f : G −→ H], est la donnée, pour chaque élément x ∈ G
d’un unique élément y de H.
Illustration 1.2.1 Supposons p boules (à titre d’exemple prenons p = 4) différentes les unes des
autres, par exemple par leur couleur (par exemple on dispose d’une boule blanche, d’une noire,
d’une rouge, d’une verte).
Supposons n cases (à titre d’exemple prenons n = 6) elles-mêmes, comme les boules, par-
faitement identifiables, par exemple par les lettres A, B, C, D, E, F.
Les nombres 4 boules et 6 cases, sont absolument arbitraires et n’ont aucune condition à
remplir.
Supposons que les quatre boules soient lancées l’une après l’autre, en direction des cases,
dans l’ordre qui sera toujours respecté dans ce qui suivra, blanche, noire, rouge, verte.
La règle du jeu prévoit qu’une boule entre obligatoirement dans une case. Cette même règle
admet qu’une case peut recevoir plus d’une boule. En particulier une case peut recevoir toutes les
boules.
Entre autres résultats nous avons :

- (C, B, F, A) qui signifie que la première boule est entrée dans la case C, la deuxième dans
B, la troisième dans F, et la dernière dans A;
- (D, D, A, E) qui signifie que la première boule est entrée dans la case D, la deuxième dans
D, la troisième dans A, et la dernière dans E;
- (B, B, B, B) qui signifie que toute les boules dans la case B.
Chacune de ces trois dispositions - chacune différente des deux autres - et beaucoup d’autres
dispositions différentes de celles-là pouvant être constatées, sera appelée application de l’en-
semble des quatre boules (ensemble agissant) vers l’ensembles des six cases (ensemble subissant).
C’est le nombre de ces applications que nous voulons exprimer et éventuellement calculer.

1.2. DÉNOMBREMENT
Théorème 1.2.1 Le nombre d’applications d’un ensemble de p éléments vers un ensemble de n

éléments est égal à np .
Définition 1.2.2 Chaque application ou résultat sera dit un p − uplet d’éléments de l’ensemble
à n éléments.
Remarque 1.2.1 On parle aussi d’arrangement avec répétion des éléments de l’ensemble
subissant.
Exemple 1.2.1 1) Un facteur entre dans un immeuble avec 23 lettres qu’il doit déposer dans les
40 boı̂tes différentes des occupants de l’immeuble. Chaque boı̂te est individualisée par le nom de
son propriétaire.
A priori de combien de façons différentes les 23 lettres peuvent-elles être déposées dans les
40 boı̂tes.
2) Une pièce de monnaie est lancée dix fois de suite. Dénombrer les résultats.
Solution. 1) Notons par bi , la boı̂te N◦ i, i = 1, 2, ..., 40.

Chaque distribution c-à-d chaque résultat est un 23 − uplet des bi , i = 1, 2, ..., 40.
Exemples :(b5 , b12 , ..., b1 ), (b8 , b8 , ..., b8 ).
| {z } | {z }
23-fois 23-fois
Il s’agit d’une application de l’ensemble des 23 lettres vers celui des 40 boı̂tes.
On a donc 4023 façons différentes de dépôts.
2) Notons par pile p et face par f.
Chaque résultat est un 10 − uplet de l’ensemble {p, f } .
Exemples (f, f, p, f, p, p, p, f, p, f ) ; (p, f, p, p, p, p, f, f, f, f ) .
Il s’agit d’une application d’ensemble de 10 boules (par exemple) vers {p, f }.
On a donc 210 différents résultats.
1.2.2 Arrangements
1.2.3 Définition - Illustrations
Définition 1.2.3 Soit E un ensemble à n élément et p ∈ N∗ tel que p 6 n.
On appelle arrangement de p élément de E, tout p − uplet d’éléments de deux à deux
distincts.
Remarque 1.2.2 On parle ici d’arrangement sans répétion des éléments de l’ensemble su-
bissant.
Illustration 1.2.2 Considérons p boules (ici quatre) parfaitement distinctes et n cases (ici six)
parfaitement identifiables.
Les p boules sont lancées vers les n cases mais cette fois, il est prévu qu’une case ne peut
recevoir plus d’une boule.
En conséquence, le nombre p des éléments de l’ensemble de départ ne peut pas être plus
grand que le nombre n des éléments de l’ensemble d’arrivée.

1.2. DÉNOMBREMENT
Les nombres p et n ne peuvent donc pas être quelconques.

Entre autres résultats nous avons :
- (C, B, F, A) qui signifie que la première boule est entrée dans la case C, la deuxième dans
B, la troisième dans F, et la dernière dans A;
- (D, B, A, E) qui signifie que la première boule est entrée dans la case D, la deuxième dans
B, la troisième dans A, et la dernière dans E;
- (B, E, D, A) qui signifie que la première boule est entrée dans la case B, la deuxième dans
E, la troisième dans D, et la dernière dans A.
Chacune de ces trois dispositions - deux dispositions différant soit par les cases qui ont
été occupées, soit par l’ordre dans lequel ces cases ont été occupées, sera appelée arrangement
de l’ensemble des quatre boules (ensemble agissant) vers l’ensembles des six cases (ensemble
subissant).
C’est le nombre de ces arrangements que nous voulons exprimer et éventuellement calculer.
Théorème 1.2.2 Le nombre d’arrangements d’un ensemble de p éléments vers un ensemble de

n éléments noté Apn est égal à n (n − 1) (n − 2) ... (n − p + 1).
| {z }
p facteurs
Remarque 1.2.3 On parle ici d’arrangement sans répétions des éléments de l’ensemble subis-
sant.
Exemple 1.2.2 1) Dix athlètes participent à une course. On appelle podium l’arrivée des trois
premiers. En supposant qu’il n’y a pas d’ex æquo, déterminer le nombre de podiums possibles.
2) Déterminer le nombre de façons différentes de placer dix personnes sur quinze chaises
numérotées de 1 à 15, sachant que deux personnes ne peuvent occuper la même chaise.
3) Une course de chevaux réunit vingt partants. De combien de façons différentes peut-on
énoncer un tiercé pris parmi ces vingt chevaux, en s’attachant à l’ordre d’arrivée des chevaux ?
Solution. 1) Un podium est un 3-uplet sans répétiton, pris dans un ordre. Il s’agit d’arran-
gements de 3 athlètes pris parmi les 10. C’est à dire A310 = 10 × 9 × 8 = 720.
2) Chaque installation de 10 personnes correspond à un arrangement de 10 èléments de
l’ensemble des 15 chaises. Il y a donc A10
15 = 15 × 14 × 13 × 12 × 11 × 10 × 9 × 8 × 7 × 6 façons
différentes de placer les 10 personnes.
3) Deux tiercés peuvent différer :
- soit par le choix des 3 chevaux qui constituent le tiercé,
- soit, si les mêmes 3 chevaux ont été énoncés dans les deux tiercés, par l’ordre dans lequel
ils ont été énoncés.
Le nombre de ces tiercés, qui sont autant d’arrangements, est A320 = 20 × 19 × 18 = 6840.
1.2.4 Permutations
Notation 1.2.1 Pour tout entier naturel n non nul, le produit 1 × 2 × ... × (n − 1) × n est appelée
“factoriel n” et noté n!.
Par convention : 0! = 1.

1.2. DÉNOMBREMENT
Propriété 1.2.1 - Soient n et p deux nombres entiers naturels non nuls tels que p 6 n. On a
n!
Apn = .
(n − p)!
Par convention : A0n = 1.
Définition 1.2.4 Soit E un ensemble à n éléments.

On appelle permutation de E, tout arrangement des n éléments de E.
Autrement dit, toute permutation de E est une bijection de E sur E.
Théorème 1.2.3 Le nombre de permutations d’un ensemble à n éléments est n!.
1.2.5 Combinaisons
Définition 1.2.5 Soit E un ensemble à n éléments et p ∈ N∗ tel que p 6 n.
On appelle combinaison de p élément de E, tout sous-ensemble de E ayant p éléments.
Théorème
1.2.4 Le nombre de combinaisons de p éléments d’un ensemble à n éléments noté
p n
Cn ou est tel que
p
Apn

n n!
= Cnp = = .
p p! p! (n − p)!
Par convention : Cn0 = 1, Cn1 = 1.
Exemple 1.2.3 1) On veut former un comité comprenant trois des vingt personnes d’un groupes.
2) On dispose d’un groupe de cinq garçons et de sept filles.
a) Combien de comités différents composés de deux garçons et de trois filles peut-on former ?
b) Qu’en est-il si deux des filles s’entendent mal et refusent de siéger simultanement au
comité ?
A3

20 20 × 19 × 18
Solution. 1) Il y a = 20 = = 20 × 19 × 3 = 1140 comités possibles.
3 3! 3×2×1
2) a) Ici on a deux expériences.

◦ 5
Expérience n 1 : choix des 2 garçon parmi les 5, il y a groupes possibles.
2

◦ 7
Expérience n 2 : choix des 3 filles parmi les 7, il y a groupes possibles.
3

5 7
Et selon le principe fondamental, il y a × = 350 comités possibles.
2 3
b) Dans le cas où 2 femmes refusent de siéger ensemble au comité, les situations suivantes
s’offrent à nous dans le choix des trois filles.
2 5
i) Former des groupes de 3 ne contenant aucune de ces deux ennemies, on a ×
0 3
possibilités.

2 5
ii) Choisir une des deux ennemis puis deux parmi les 5 restantes, on a × possi-
1 2
bilités.

1.2. DÉNOMBREMENT

5
Sans toutefois oublier les groupes chez les garçons.
2

5 2 5 2 5
Au total, selon le principe fondamental, nous avons × × + × =
2 0 3 1 2
300 comités possibles.
Formule du binôme
Théorème 1.2.5 Soient a,b deux réels et n ∈ N, on a
(a + b)n = Cn0 an b0 + Cn1 an−1 b1 + ... + Cn1 a1 bn−1 + Cn1 a0 bn

Xn Xn
k n−k k
= Cn a b = Cnk ak bn−k .
k=0 k=0

n
Les cœfficients Cnk = sont appelés cœfficients binômiaux.
k
Exemple 1.2.4
(a + b)0 = 1
(a + b)1 = a + b
(a + b)2 = a2 + 2ab + b2
(a + b)3 = a3 + 2
3a b + 3ab2
+ b3
(a + b)4 = a4 + 4a3 b + 6a2 b2 + 4ab3 + b4
(a + b)5 = a5 + 5a4 b + 10a3 b2 + 10a2 b3 + 5ab 4
+ b5
(a + b)6 6 5
= a + 6a b + 15a b 4 2 + 3
20a b 3 + 2
15a b 4 + 6ab5 + b6
1
1 + 1
1 + 2 + 1
1 + 3 + 3 + 1
1 + 4 + 6 + 4 + 1
1 + 5 + 10 + 10 + 5 + 1
1 + 6 + 15 + 20 + 15 + 6 + 1

1.2. DÉNOMBREMENT
Identités Remarquables
Formules Illustrations ensembliste : card(E) = n

Cn0 = Cnn = 1 Il y a une seule partie vide et une seule partie pleine.
Cn1 = Cnn−1 = n Il y a n singletons et chaque singleton est le
complémentaire d’une partie à n − 1 éléments
Cnp = Cnn−p Chaque partie à p éléments est le complémentaire
d’une partie à n − p éléments.
On veut faire des groupes de p éléments parmi
Triangle de Pascal les n éléments de E.
Cnp = Cn−1
p−1 p
+ Cn−1 1) On sait qu’il y en a Cnp groupes distincts.
2) Fixons un élément (appelé n◦ 1) parmi les n
éléments de E.
- Parmi les n − 1 éléments restants, on doit choisir
p − 1 auxquels on ajoute n◦ 1 pour avoir p
p−1
éléments, par définition il y en a Cn−1 .
p
- De plus, il y a Cn−1 groupes de p éléments ne
contenant pas l’objet n◦ 1.
p
Au total, on a +Cn−1 groupes de p éléments.
p−1 p
D’où l’égalité Cn−1 + Cn−1 = Cnp .
Trouver un groupe de personnes dans une
p
p p−k
Cnk Cm
P
Cn+m = population de n hommes et de m femmes.
k=0
Pour k 6 p, fixé, on a Cnk choix chez les et
p−k p−k
Cm chez les dames, donc Cnk × Cm groupes possibles
p
de p personnes. Or par définition on a Cn+m groupes
p
p p−k
Cnk Cm
P
de p personnes. D’où l’égalité Cn+m = .
k=0
On veut un chef issu d’un groupe de p manœuvres pris
p−1
nCn−1 = pCnp dans une population de n manœuvres.
1) Choisir d’abord p manœuvres, puis le chef parmi
ces p manœuvres. Soit Cnp × Cp1 = pCnp possiblités.
2) Choisir d’abord le chef parmi les n, p − 1 manœuvres
p−1 p−1
dans les n − 1 restants. Soit Cn1 × Cn−1 = nCn−1 . D’où l’égalité.
Remarques 1.2.1 Le triangle de Pascal a les propriétés suivantes :

(a) Le premier et le dernier nombre de chaque ligne est 1.
(b) Chacun des autres nombres du tableau s’obtient en additionnant les deux nombres au-
dessus de lui.
Notons que la remarque (b) est équivalente à Cnp = Cn−1

p−1 p
+ Cn−1 .
1.2.6 Tableau récapulatif

Pour déterminer le nombre de résultats de taille p d’un ensemble E à n éléments (p 6 n) ,
on peut utiliser le tableau suivant.

1.2. DÉNOMBREMENT
Les éléments Les éléments

Expérience Résultats N ombre
sont distincts sont ordonnés
Epreuves successif s p − uplets
Non Oui np
avec remise d0 élémentsde E
Epreuves successif s Arrangements de
Oui Oui Apn
sans remise p éléments de E
Combinaison de n
Epreuves simultanés Oui Non
p éléments de E p
1.2.7 Partitions ordonnées - cœfficients multinomiaux

Dans cette section, nous traitons du problème suivant : un ensemble de n éléments distincts
doit être divisé en r groupes de tailles respectives n1 , n2 , ..., nr avec n1 + n2 + ... + nr = n. De
quoi de manières peut-on le faire ?
Théorème 1.2.6 Si A contient n éléments distincts, et n1 , n2 , ..., nr sont des naturels tels que
n1 + n2 + ... + nr = n, alors il existe

n n!
=
n1 , n2 , ..., nr n1 !n2 !...nr !
partitions ordonnées différentes de A, de la forme (A1 , A2 , ..., Ar ) où les ensembles A1 , A2 , ..., Ar
contiennent respectivement n1 , n2 , ..., nr éléments.

n
Les cœfficients sont appelés cœfficients multinominaux.
n1 , n2 , ..., nr
Exemple 1.2.5 1. Le poste de police d’une ville compte 10 agents. L’organisation de ce poste est
d’avoir 5 agents en patrouille, 2 au bureau et les 3 autres en réserve. A combien de répartitions
de ces agents en trois groupes ainsi définis peut-on s’attendre ?
2. De combien de manières peut-on partager 9 jouets entre 4 enfants,sachant que le plus
jeune doit recevoir 3 jouets et les autres enfants 2 jouets ?
Solution. 1. Il s’agit
de diviser
les policiers en trois groupes de façon ordonnée d’effectif
10 10!
respectif 5, 2, 3. Il y a = = 2520 répartitions.
5, 2, 3 5!2!3!
2.
Il s’agit de diviser
les 9 jouets en quatre ensembles d’effectif respectif 3, 2, 2 et 2 jouets.
9 10!
Il y a = = 7560 répartitions.
3, 2, 2, 2 3!2!2!2!
1.2.8 Exercices
Exercice n◦ 1
1. Combien de comités de 3 personnes peut-on former à partir de 8 personnes ?
13! 7!
2. Calculer : (i) 4!, 5!, 6!, 7!, 8! (ii) , .
11! 10!
n! (n + 2)!
3. Simplifier : (i) , (ii) .
(n + 1)! n!

1.2. DÉNOMBREMENT
Exercice n◦ 2
En supposant qu’il n’y a pas de répétition :
(i) combien de nombres de 3 chiffres peut-on former à partir des chiffres 2, 3, 5, 6, 7 et 9?
(ii) combien de ces nombres sont plus petits que 400?
(iii) combien de ces nombres sont paires ?
(iv) combien de ces nombres sont impaires ?
(v) combien de ces nombres sont multiples de 5 ?
Exercice n◦ 3
De combien de façons différentes peut-on répartir un groupe de 7 personnes
(i) sur une rangée de 7 chaises ?
(ii) autour d’une table ronde ? Généraliser.
Exercice n◦ 4
De combien de façons différentes, 3 garçons et 2 filles peuvent-ils :
(i) prendre place sur un banc ?
(ii) s’asseoir si les garçons s’assoient les uns à côté des autres et s’il en est de même pour
les filles ?
(iii) s’asseoir si, seulement les filles s’assoient l’une à côté de l’autre ?
Exercice n◦ 5
Une urne contient 8 boules. Dénombrer le nombre d’échantillons de taille 3 :
(i) non exhaustifs
(ii) exhaustifs.
Exercice n◦ 6
Résoudre (i) A2n = 72, (ii) A4n = 42 × A2n , (iii) 2A2n + 50 = A22n .
Exercice n◦ 7
A l’oral d’un examen, un étudiant doit répondre à 8 questions sur un total de 10.
(i) Combien de choix possibles y a-t-il ?
(ii) Combien de choix possibles y a-t-il s’il doit répondre aux 3 premières questions ?
(iii) Combien de choix possibles y a-t-il s’il doit répondre au moins à 4 des 5 premières
questions ?
Exercice n◦ 8
De combien de manières différentes, un professeur peut-il choisir un ou plusieurs étudiants
parmi 6 étudiants éligibles ?
Exercice n◦ 9
1. Il faut répartir dix filles en deux équipes A et B de cinq personnes chacune. L’équipe A
sera placée dns une ligne et l’équipe B dans une autre. Combien y a-t-il de répartions possibles ?
2. Pour disputer un match de basketball, dix garçons se répartissent en deux équipes de
cinq personnes chacune. Combien de manières peuvent-ils procéder ?
Exercice n◦ 10
Combien de permutations distinctes peut-on former avec toutes les lettres des mots :
(i) leur, (ii) anabase, (iii) sociologique ?

Chapitre 2
Introduction au calcul des

probabilités
2.1 Notions de base - Définitions et propriétés

2.1.1 Expériences aléatoires, épreuves et évènements
La théorie des propabilités traite des expériences dont les résultats dépendent du hasard.
Dans ce contexte, on parle d’expériences (aléatoires).
Définition 2.1.1 Les différents résultats possibles d’une expérience aléatoire s’appellent les épreuves
ou les réalisations de l’expérience.
Définition 2.1.2 L’ensembles de toutes les réalisations possibles s’appelle l’espace échantillonnal
ou le référentiel ou ensemble fondamental ou encore l’univers et se note Ω.
Les expériences peuvent avoir un nombre fini ou infini d’épreuves. Par conséquent, l’en-
semble Ω peut être fini ou infini.
Définition 2.1.3 On appelle événement aléatoire toute situation qui peut être réalisée par
une ou plusieurs épreuves.
Un événement aléatoire est totalement déterminé par l’ensemble des épreuves par lesquelles
l’événement se réalise. On peut donc interpréter ou identifier chaque événement avec un sous-
ensemble de l’ensemble Ω de toutes les épreuves de l’expérience.
Nous représenterons les événements aléatoires par des lettres majuscules comme
A, B, C, D, Ai , ...
et les différentes épreuves ou réalisations d’une expérience par la lettre grecque
ω, ω1 , ..., ωi , ...
Pour cette raison, si un événement A se réalise par les épreuves ω1 , ..., ωi, ..., ωn , on le
représentera souvent par A = {ω1 , ..., ωi , ..., ωn } .
13
2.1. NOTIONS DE BASE - DÉFINITIONS ET PROPRIÉTÉS
Définition 2.1.4 Les événements qui sont réalisables par une seule épreuve s’appellent événements
élémentaires et correspondent aux singletons, aux sous-ensembles comportant un seul élément.
Les autres événements s’appellent événements composés.
Pour des raisons qui deviendront plus claires par la suite, en liaison avec une expérience,
on ajoute aussi les deux événements singuliers ci-dessous :
• l’événement qui se réalise à chacune des épreuves, nommé l’événement certain. Cet
événement correspond à l’ensemble de toutes les épreuves possibles de l’expérience, donc à Ω,
l’espace échantional lui-même, et pour cette raison, il sera représenté par Ω.
• l’événement qui ne peut être réalisé par aucune épreuve de l’expérience aléatoire, nommé
l’événement impossible. Cet événement est associé à l’ensemble vide, et pour cette raison, il
sera représenté par ∅.
Dans le contexte que nous venons de définir, nous identifierons tout événement d’une
expérience aléatoire avec le sous-ensemble de Ω auquel il est associé. Dorénavant, souvent nous
ne distinguerons pas entre l’événement lui-même et le sous-ensemble de Ω auquel il est identifié.
2.1.2 Relations entre les événements

Equivalence des événements
On appelle événements équivalents, deux événements qui se réalisent simultanément. L’équivalence

de deux événements revient à l’égalité des ensembles des épreuves correspondant aux événements.
Nous noterons l’équivalence des événements A et B par A = B.
L’implication des événements
On dit que l’événement A implique l’événement B si la réalisation de l’événement de

l’événement A entraı̂ne nécessairement la réalisation de l’événement B. L’implication de A par
B sera noté A ⊆ B.
Exemple 2.1.1 Dans l’expérience “on lance un dé”, notons A l’événement “obtenir le nombre
2” et B l’événement “obtenir un nombre pair” sont tels que la réalisation de A entraı̂ne forcément
la réalisation de B. Par conséquent on a A ⊆ B.
Evénements contraires
L’événement contraire à l’événement A, ou encore, non A est l’événement qui se réalise si,
et seulement si l’événement A ne se réalise pas. Cet événement se note Ac ou A.
Remarquons que (Ac )c = A. Les sous-ensembles des épreuves rattachées aux événements A
et Ac sont complémentaires par rapport à l’ensemble Ω de toutes les épreuves de l’expérience.
Exemple 2.1.2 Dans l’expérience “lancer un dé”, les événements “obtenir un nombre pair” et
“obtenir un nombre impair” sont contraires.
2.1.3 Opérations sur les événements

Réunion d’événements
Etant donnés deux événements A et B, leur réunion est l’événement qui se réalise si, et
seulement si au moins un des événements A ou B se réalise. La réunion des événements A et B

se notera A ∪ B, que l’on lira “A ou B” ou encore “A union B”.
Intersection d’événements
Etant donnés deux événements A et B, leur intersction est l’événement qui se réalise si,
et seulement si les événements A et B se réalisent simultanément. L’intersection des événements
A et B se notera A ∩ B, que l’on lira “A et B” ou encore “A inter B”.
Remarques 2.1.1 1. Les opérations de réunion et d’intersection peuvent être étendues à un

nombre finis quelconques d’événements. Soient A1 , A2 , ..., An une suite finie d’événements d’une
expérience aléatoire, alors la réunion
n
[
A1 ∪ A2 ∪ ... ∪ An = Ai
i=1
est l’événement qui se réalise si, et seulement si au moins un des événements Ai se réalise.
De même, l’intersection
n
\
A1 ∩ A2 ∩ ... ∩ An = Ai
i=1
est l’événement qui se réalise si, et seulement si tous les événements Ai se réalisent simul-
tanément.
2. Ces opérations sont commutatives et associatives. Autrement dit pour tous événements
A, B et C, on a
Commutativité : A ∪ B = B ∪ A, A ∩ B = B ∩ A.
Associativité : (A ∪ B) ∪ C = A ∪ (B ∪ C) , (A ∩ B) ∩ C = A ∩ (B ∩ C) .
3. De plus, la réunion est distributive par rapport à l’intersection et l’intersection est dis-
tributive par rapport à la réunion. Autrement dit pour tous événements A, B et C, on a
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) ,
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) .
Définition 2.1.5 Deux événements A et B sont dits incompatibles ou disjoints si A∩B = ∅,

c’est-à-dire qu’ils ne peuvent se réaliser simultanément. On dit aussi que les événements A et B
s’excluent mutuellement. Dans le cas contraire, ces deux événement sont dits compatibles.
Différence d’événements
La différence des événements A et B est l’événement qui se réalisent chaque fois que conjoin-
tement A se réalise et que B ne se réalise pas. Nous noterons cet événement AB ou A − B que
l’on lit “A moins B”. On a
AB = A ∩ B c et Ac = Ω − A.
Exemple 2.1.3 Expérience : On lance un dé et on observe le résultat obtenu.

- L’ensemble fondamental est Ω = {1, 2, 3, 4, 5, 6} .

Soient A, B et C les événements correspondant respectivement à l’apparition d’un nombre
pair, d’un nombre impair et d’un nombre premier. Alors
- A = {2, 4, 6} , B = {1, 3, 5} et C = {2, 3, 5} .
- A ∩ B = {} : A et B s’excluent mutuellement.
- A ∪ C = {2, 3, 4, 5, 6} : l’événement correspondant à l’apparition d’un nombre pair ou d’un
nombre premier
- B ∩ C = {3, 5} : l’événement correspondant à l’apparition d’un nombre d’un nombre
premier impair
- C = {1, 4, 6} : l’événement correspondant à l’apparition d’un nombre d’un nombre qui
n’est pas premier.
Exemple 2.1.4 Expérience : On jette une pièce de monnaie trois fois, et on obsreve la suite de
piles (p) et de faces (f ).
- L’ensemble fondamental est
Ω = {p, f }3
= {(p, p, p) , (p, p, f ) , (p, f, p) (p, f, p) , (p, f, f ) , (f, p, p) , (f, f, p) , (f, f, f )} .
- Soient A l’événement correspondant à l’apparition consécutive de deux faces ou plus et B

l’événement correspondant à l’apparition consécutive de trois faces ou trois piles.
A = {(p, f, f ) , (f, f, p) , (f, f, f )} et

B = {(p, p, p) , (f, f, f )} .
Alors
A ∩ B = {(f, f, f )}
est l’événement élémentaire pour lequel on observe seulement des faces.
2.1.4 Espace probabilisable

Soit Ω l’ensemble de toutes les épreuves possibles correspondant à une expérience, donc
l’espace échantillonnal.
Définition 2.1.6 On appelle espace d’événements sur Ω, un ensemble non-vide A contenant

des parties de Ω dont Ω et l’ensemble vide, c’est-à-dire A ⊆ P (Ω) (où P (Ω) est l’ensemble de
toutes les parties de Ω), et tel que
1. A ∈ A =⇒ A ∈ A ,
2. A, B ∈ A =⇒ A ∪ B ∈ A .
Si Ω est un ensemble fini, alors l’ensemble A s’appelle aussi une algèbre sur Ω.
Remarque 2.1.1 Pour deux événements A et B quelconques d’un espace d’événements A, no-
tons que A ∪ B, A ∩ B, A, B, A − B, B − A, sont aussi des événements de A. On dit que A est
fermé par rapport aux opérations respectives. En particulier, Ω ∈ A puisque pour tout A ∈ A,
Ω = A ∪ A ∈ A. Il s’ensuit que ∅ = Ω ∈ A.

Exemple 2.1.5 - L’ensemble {∅, Ω} est un espace d’événements sur Ω dit trivial.

- Pour tout A ∈ A, l’ensemble ∅, A, A, Ω est un espace d’événements sur Ω.
- P (Ω) est un espace d’événements sur Ω appelé espace d’événements discret.
Pour un ensemble fini Ω, on prendra en général A = P (Ω) .

Soit Ω = {ω1 , ω2 , ..., ωn } un espace échantillonnal fini. Dans l’espace d’événements fini
P (Ω) , on trouve

n
• d’abord l’ensemble vide ∅, qui compte pour
0

n
• les singletons {ω1 } , {ω2 } , ..., {ωn } qui sont au nombre de ,
1

n
• les paires {ω1 , ω2 } , {ω1 , ω3 } , ..., {ωn−1 , ωn } qui sont au nombre de ,
2

n
• les triplets {ω1 , ω2 , ω3 } , {ω1 , ω2 , ω4 } , ..., {ωn−2 , ωn−1 , ωn } qui sont au nombre de ,
3
..
• .
n
• les (n-1)-uplets {ω1 , ω2 , ..., ωn−1 } , ..., {ω2 , ω1 , ..., ωn } , ... qui sont au nombre de ,
n−1

n
• et Ω = {ω1 , ω2 , ..., ωn } lui-même, qui compte pour .
n
In fine, l’espace fini d’événements P (Ω) sur Ω = {ω1 , ω2 , ..., ωn } contient
n
n n n n n X n
+ + + ... + + =
0 1 2 n−1 n k
k=0
n
X n k
= 1 × 1n−k
k
k=0
= (1 + 1)n

n n n n n
+ + + ... + + = 2n
0 1 2 n−1 n
événements, où n est le nombre d’événements élémentaires c’est-à-dire le nombre d’éléments

de Ω.
Définition 2.1.7 Soit Ω l’ensemble de toutes les épreuves possibles correspondant à une expérience
et A un ensemble d’événements sur Ω, alors le couple (Ω, A) est appelé espace propabilisable.
Dans la suite du cours, chaque fois qu’on trouvera une relation entre plusieurs événements,
on supposera que ces événements en question appartiennent tous au même espace d’événements.
2.1.5 Exercices
Exercice n◦ 1
Donner l’espace échantillonnal associé au tirage simultané de deux cartes de jeu, si on
s’intéresse seulement à la couleur obtenue (carreau (q) , cœur (c) , pique (p) , trèfle (t)).
Exercice n◦ 2

On extrait simultanément deux boules d’une urne qui contient 3 boules blanches et 2 boules
noires. Donner les épreuves de cette expérience.
Exercice n◦ 3
On extrait au hasard deux boules d’une urne qui contient 3 boules blanches et 2 boules
noires.
i) On considère les événements suivants.
A1 - “obtenir deux boules noires”
A2 - “obtenir au moins une boule blanche”
A3 - “obtenir une seule boule blanche”
A4 - “obtenir une seule boule blanche noire”
A5 - “obtenir trois boules noires”
A6 - “obtenir deux boules vertes”
Déterminer si chaque événement est d’une part, aléatoire, certain, impossible et, d’autre
part, s’il est élémentaire ou composé.
ii) Trouver les reponses du point i), en utilisant les ensembles d’épreuves rattachées aux
événements.
Exercice n◦ 4
On considère les événements A1 , A2 , A3 et A4 de l’exercice n◦ 3. Trouver les paires d’événements
équivalents, les paires d’événements incompatibles, les paires d’événements contraires, les paires
d’événements dont le premier implique le second.
Exercice n◦ 5
On contrôle la qualité de 10 produits. Soient A l’événement “au moins un des produits est
défectueux” et B l’événement “au plus deux des produits sont bons”.
Décrire les événements A et B.
Exercice n◦ 6
Soient les événements A, B et C, exprimer les événements suivants.
i) Parmi les événements A, B et C, A seul se produit.
ii) Parmi les événements A, B et C, A et B se produisent, mais non C.
iii) Parmi les événements A, B et C, les trois événements ne se produisent en même temps.
iv) Parmi les événements A, B et C, au moins un des événements se produit.
v) Parmi les événements A, B et C, A au moins deux des événements se produisent.
vi) Parmi les événements A, B et C, un et un seulement se produit.
vii) Parmi les événements A, B et C, deux et deux seulement se produisent.
viii) Parmi les événements A, B et C, aucun événement ne se produit.
Exercice n◦ 7
Une machine produit n pièces. Soit Ai l’événement “la i − ème pièce est défectueuse”,
i = 1, 2, ..., n. Ecrire les événements suivants.
i) B1 - “Aucune pièce n’est défectueuse”,
ii) B2 - “Au moins une pièce est défectueuse”,
iii) B3 - “Une seule pièce est défectueuse”,
iv) B4 - “Deux pièces sont défectueuses”,
v) B5 - “Au moins deux pièces sont défectueuses”,

2.2. NOTION DE PROBABILITÉ
vi) B6 - “Au plus deux pièces sont défectueuses”.

Exercice n◦ 8
Que peut-on dire des événements A et B d’un même espace si :
i) A − B = Ω? ii) A − B = ∅? iii) A ∩ B = A ∪ B? iv) A − B = A? v) A ∩ B = B?
Exercice n◦ 9
Montrer les relations de Morgan
i) (A ∪ B)c = Ac ∩ B c ii) (A ∩ B)c = Ac ∪ B c .
Exercice n◦ 10
1. On lance une pièce de monnaie. Décrire l’espace des événements rattachés à cette
expérience.
2. Décrire l’espace des événements rattachés à l’expérience qui consiste à lancer un dé.
3. Décrire l’espace des événements rattachés à l’expérience qui consiste à lancer simul-
tanément une pièce de monnaie et un dé et à observer les faces supérieures présnetées après le
lancer.
4. Décrire l’espace des événements rattachés à l’expérience suivante : on écrit un nombre
de deux chiffres choisis au hasard, parmi les chiffres 1, 5 et 8.
2.2 Notion de probabilité

2.2.1 Espace probabilisé
Définitions - Propriétés
Soient Ω l’ensemble de toutes les épreuves possibles correspondant à une expérience, donc
l’espace échantillonnal et A un espace d’événements sur Ω.
On munit l’espace probabilisable (Ω, A) d’ une mesure positive P de masse 1, c’est-à-dire
P (Ω) = 1. Cette mesure P permet de quantifier les chances de réalisation des événements et se
définit comme suit.
P : A −→ [0, 1]
.
A 7−→ P(A)
Le nombre P(A) quantifie la chance de réalisation de l’événement A, et désigne la proba-

bilité de l’événement A.
Définition 2.2.1 - L’application P s’appelle la probabilité qui gouverne le expérience.

- Le triplet (Ω, A, P) s’appelle espace probabilisé.
- Si dans une expérience aléatoire, toutes les éventualités ont la même chance d’apparaı̂tre,
on dit que qu’on a l’hypothèse d’équiprobabilité ou que la probabilité P est uniforme.
Proposition 2.2.1 Supposons que Ω soit fini et qu’on ait l’hypothèse d’équiprobabilité. Alors
pour tout A ∈ P (Ω) , on a
card(A)
P(A) = ,
card (Ω)
où card(A) et card(Ω) désignent respectivement le nombre d’éléments de A et de Ω.

2.3. CONDITIONNEMENT - INDÉPENDANCE
2.2.2 Propriétés - Définition

Propriété 2.2.1 Soit (Ω, A, P) un espace probabilisé. Alors on a :
1. P (∅) = 0

2. P A = 1 − P (A)
3. P (A − B) = P (A) − P (A ∩ B)
En particulier
B ⊂ A =⇒ P (A − B) = P (A) − P (B) =⇒ P (A) > P (B) .
4. P (A ∪ B) = P (A) + P (B) − P (A ∩ B) .
En particulier
A ∩ B = ∅ =⇒ P (A ∪ B) = P (A) + P (B)
Définition 2.2.2 La distribution de probabilité attachée à l’espace échantillonnal Ω = {ω1 , ω2 , ..., ωn }

est le tableau
ω1 ω2 ... ωn
p1 p2 ... pn
n
P
où pi = P (ωi ) et pi = 1, i = 1, 2, ..., n.
i=1
2.3 Conditionnement - Indépendance

Nous allons présenter dans cette section l’un des plus importants concepts de la théorie
des probabilités, celui de probabilité conditionnelle. L’importance de ce concept est de deux
ordres. En premier lieu on s’intéresse souvent à calculer des probabilités lorsqu’une partie de
l’information concernant le résultat de l’expérience est disponible. Dans une telle situation, les
probabilités cherchées sont justement des probabilités conditionnelles. Deuxièmement, même lors-
qu’aucune information partielle n’est disponible, il est souvent avantageux d’utiliser un détour
par certaines probabilités conditionnelles pour réussir le calcul des probabilités cherchées.
2.3.1 Probabilités conditionnelles

Présentation intuitive
On jette deux dés non pipés numérotés 1 et 2. La somme des chiffres obtenus est 8. On
cherche la chance d’avoir un chiffre pair sur le dé n◦ 1.
On a Ω = {1, 2, 3, 4, 5, 6}2 ; A = P (Ω) et faisons l’hypothèse de l’équiprobabilité, c’est-à-dire
la probabilité P qui gouverne le phénomène est uniforme.
Posons A : événement “la somme des chiffres obtenus est 8” =⇒ A = {(2, 6) , (3, 5) , (4, 4) , (5, 3) ; (6, 2)} .
B : événement “le dé n◦ 1 donne un chiffre pair” =⇒ B = {2, 4, 6} × {1, 2, 3, 4, 5, 6} .
On sait que A est réalisé, d’où les résultats possibles sont des éléments de A. Sur les 5
éventualités de A, il y en a 3 qui sont favorables à B. Soit que A ∩ B = {(2, 6) , (4, 4) , (6, 2)} .
D’où si on sait que A est réalisé, on a 3 chances sur 5 pour que B se réalise. Une telle probabilité
est appelée probabilité conditionnelle que B apparaisse sachant que A est réalisé et noté
PA (B).

Généralisation
On s’inspire de la même démarche pour dériver une formule générale donnant PA (B) pour
tous événements B et A. Si A est réalisé, alors B apparaı̂tra chaque fois qu’on aura affaire à
un événement de B et de A à la fois. En d’autres termes, ce sera un événement de A ∩ B. Par
ailleurs, comme nous savons que A est réalisé, cet ensemble devient notre notre nouvel espace
échantillonnal, d’ailleurs réduit.
Définition 2.3.1 Soient (Ω, A, P) un espace probabilisé, A ∈ A tel que P (A) > 0. On appelle
probabilité conditionnelle sachant A la probabilité
P (. | A) : A −→ [0, 1]
P(A ∩ B) .
B 7−→
P (A)
P (. | A) (B) se note P (B | A) = PA (B) . Et on a
Proposition 2.3.1 Soient (Ω, A, P) un espace probabilisé, A ∈ A tel que P (A) > 0. Pour tout
B ∈ A, l’équation 2.3.1 donne la probabilité conditionnelle que B apparaisse sachant que A est
réalisé.
P(A ∩ B)
P (B | A) = PA (B) = . (2.3.1)
P (A)
Applications
L’équation 2.3.1 est le plus souvent utilisée sous la forme 2.3.2 dans Théorème 2.3.1 appelée
à juste titre le théorème de la multiplicaton.
Théorème 2.3.1
P(A ∩ B) = PA (B) × P (A) . (2.3.2)
Ce théorème peut se généraliser comme suit.
Corollaire 2.3.1 Pour des événements quelconques A1 , A2 , ..., An , on a
P (A1 ∩ A2 ∩ ... ∩ An ) = P (A1 ) P (A2 | A1 )×P (A3 | A1 ∩ A2 )×...×P (An | A1 ∩ A2 ∩ ... ∩ An−1 ) .
2.3.2 Indépendance d’événements

Définition 2.3.2 Soient A et B deux événemetns. On dit que A et B sont indépendants si
P(A ∩ B) = P(A) × P(B).
Remarque 2.3.1 Si P (A) > 0, alors A et B sont indépendants si, et seulement si
P (B | A) = P (B) .
Ce qui veut dire que la réalisation de l’événement A ne change pas les chances de réalisation de
l’événement B.

2.3.3 Formule de Bayes

Présentation intuitive de la formule des probabilités totales
Soient A et B deux événements quelconques, alors on a

A = (A ∩ B) ∪ A ∩ B ,
où A ∩ B et A ∩ B sont deux événements qui s’excluent mutuellement. Donc

P (A) = P (A ∩ B) + P A ∩ B .
Ce qui nous donne la formule 2.3.3 appelée formule des probabilités totales.

P (A) = P (A | B) × P (B) + P A | B × P B . (2.3.3)
Cette formule est extrêment utile puisqu’elle nous permet dans bien des cas de déterminer
la probabilité d’un événement en commençant par le conditionnant selon l’apparition ou non
d’un autre événement. En d’autres mots, il existe de nombreuses situations où il est difficile de
calculer directement la probabilité d’un événement mais où il est par contre possible de la calculer
connaissant ses probabilités conditionnelles si certains événements sont réalisés.
Exemple 2.3.1 Une compagnie d’assurance estime que les gens peuvent être répartis en deux
classes : ceux qui sont enclins aux accidents et ceux qui ne le sont pas. Ses Statistiques montrent
qu’un individu enclin aux accidents a une probabilité de 0, 4 d’en avoir un dans l’espace d’un an.
Cette probabilité tombe à 0, 2 pour les gens à risque modéré. On suppose que 30% de la population
appartient à la classe à haut risque.
1. Quelle est alors la probabilité qu’un nouvel assuré soit victime d’un accident durant
l’année qui suit la signature de son contrat ?
2. Un nouveau signataire a un accident dans l’année qui suit la signature de son contrat.
Quelle est la probabilité qu’il fasse partie de la classe à haut risque ?
Solution. 1. Posons B : événement “l’assuré aura un accident ... son contrat” , A : événement
“l’assuré appartient à la classe à haut risque.” Alors

P (B) = P (B | A) × P (A) + P B | A × P A
= 0, 4 × 0, 3 + 0, 2 × (1 − 0, 3) = 0, 26.
2. Ici B est réalisé, et on veut que A se réalise.
P (B ∩ A)
P (A | B) =
P (B)
P (B | A) × P (A)
=
P (B)
0, 4 × 0, 3 6
= = .
0, 26 13

Formule des probabilités totales généralisée
Théorème 2.3.2 Soient (Ω, A,P) un espace probabilisé et {Ak ; k = 1, 2, ..., n} un ensemble d’événements
qui satisfait les conditions suivantes :
1. Ak 6= ∅, ∀k = 1, 2, ..., n;
2. Ak ∩ Aj = ∅, k 6= j; k, j = 1, 2, ..., n;
Sn
3. Ak = Ω.
k=1
Alors pour tout événement B, on a :
P (B) = P (B | A1 ) × P (A1 ) + P (B | A2 ) × P (A2 ) + ... + P (B | An ) × P (An ) . (2.3.4)
L’équation 2.3.4 montre ainsi qu’étant donné un jeu d’événements A1 , A2 , ..., An , desquels
un et un seul surviendra, on peut calculer P (B) en commençant par conditionner selon les Ak . Ou
encore l’équation 2.3.4 établit que P (B) est une moyenne pondérée des P (B | Ak ) , les cœfficients
étant les P (Ak ) .
Introduction à la formule de Bayes
La formule de Bayes est simplement dérivée de 2.3.1 et 2.3.3. L’expression générale de cette
formule est donnée plus loin par 2.3.5. Les exemples ci-dessous donnent une idée intuitive du
champ d’application de cette formule importante.
Exercice 2.3.1 Un étudiant répond à une question à choix multiple. De deux choses l’une : soit
il connaı̂t la réponse, soit il la devine. Soit p la probabilité que l’étudiant connaisse la réponse et
donc 1 − p celle qu’il la devine. On admet que l’étudiant qui devine répondra correctement avec
1
la probabilité où m est le nombre de réponses possibles. Quelle est la probabilité conditionnelle
m
qu’un étudiant connaisse la réponse à une question s’il y a répondu correctement ?
Solution. Posons A : l’événement “l’étudiant a répondu correctement à la question” et B :

l’événement “l’étudiant connaı̂t vraiment la réponse”. Alors on a
P (B ∩ A)
P (B | A) =
P (A)
P (A | B) × P (B)
=
P (A | B) × P (B) + A | B × P B
1×p
=
1
1×p+ × (1 − p)
m
mp
= .
1 + (m − 1) × p
Exercice 2.3.2 Un laboratoire d’analyse du sang assure avec une fiabilité de 95% la détection
d’une certaine maladie lorsqu’elle est effectivement présente. Cependant, le test indique aussi
un résultat faussement positif pour 1% des personnes réellement saines à qui on l’applique
(c’est-à-dire qu’une personne saine testée sera déclarée malade une fois sur cent). Si 0, 5% de la
population porte effectivement la maladie, quelle est la probabilité qu’une personne soit vraiment
malade lorsqu’on la déclare telle sur la base du test ?

Solution. Soient M : l’événement “la personne testée est porteuse de la maladie” et E :

l’événement “la personne testée est déclaré malade”. La probabilité voulue est P (M | E) .
P (M ∩ E)
P (M | E) =
P (E)
P (E | M ) × P (M )
=
P (E | M ) × P (M ) + P E | M × P M
(1 − 0, 95) × 0, 05
= = 0, 323.
(1 − 0, 95) × 0, 05 + 0, 01 × (1 − 0, 005)
Exercice 2.3.3 L’inspecteur chargé d’une enquête criminelle est à un certain stade convaincu
à 60% de la culpabilité d’un suspect donné. On découvre alors une nouvelle pièce à conviction
permettant d’affirmer que le criminel cherché possédait un certain attribut (il était par exemple
gaucher, ou alors chauve, ou yeux bleux). Or 20% de la population possède ce même attribut.
Comment l’inspecteur doit-il réapprécier la culpabilité du suspect s’il se trouve que celui-ci a ce
fameux attribut ?
Solution. Soient S : l’événement “le suspect est coupable” et C : l’événement “le suspect a
le même attribut que le criminel”. La probabilité voulue est P (S | C) .
P (S ∩ C)
P (S | C) =
P (C)
P (C | S) × P (S)
=
P (C | S) × P (S) + P C | S × P S
1 × 0, 6
= = 0, 882.
1 × 0, 6 + 0, 2 × (1 − 0, 6)
Formule de Bayes généralisée
Mettons-nous dans les condition de Théorème 2.3.2. Supposons maitenant que l’événement
B s’est réalisé et que nous cherchons à déterminer la probabilité que l’un des Ak se soit aussi
réalisé. On déduit de l’équation 2.3.4, Théorème 2.3.3 suivant :
Théorème 2.3.3
P (B | Aj ) × P (Aj )
P (Aj | B) = n , j = 1, 2, ..., n. (2.3.5)
P
P (B | Ak ) × P (Ak )
k=1
2.3.4 Processus stochastiques finis et arbres de probabilité

Une suite (finie) d’expériences dont chacune a un nombre fini de résultats possibles avec
des probabilités données est appelée un processus stochastique (fini). Un moyen commode
de décrire un tel processus et de calculer la probabilité d’un événement quelconque est d’utiliser
est d’utiliser un diagramme en arbre. Le théorème de la multiplication permet de calculer la
probabilité pour que le résultat réprésenté par un chemin donné de l’arbre soit réalisé.

proba.jpg
Figure 2.1 – Arbre de probabilité
Arbre de probabilité
Un arbre de probabilité ou arbre pondéré permet de décrire une expérience aléatoire.
Définition 2.3.3 L’arbre se lit et se construit en partant de sa racine. Les banches partant
de la racine sont dites primaires et mènent à des nœuds. Les branches reliant deux nœuds sont
dites secondaires. Un chemin partant de la racine pour relier un nœud est appelé un trajet.
Propriété 2.3.1 1 - Le poids d’une branche primaire indique la probabilité de l’événement cor-
respondant.
2 - Le poids d’une branche sécondaire est la probabilité conditionnelle de l’événement qui
se trouve à son extrémité sachant que le trajet menant à son origine a été réalisé.
3 - La somme des probabilités inscrites sur les branches issues d’un même nœud est toujours
égale à 1.
4 - La probabilité d’un trajet est égale au produit des poids des branches le constituant.
5 - La probabilité d’un événement A écrit aux extrémités de plusieurs trajets est égale à la
somme des probabilités des trajets menant à A.
Exemple 2.3.2 On donne trois boı̂tes telles que :

La boı̂te I contient 10 ampoules dont 4 sont défectueuses.
La boı̂te II contient 6 ampoules dont 1 est défectueuse.
La boı̂te III contient 8 ampoules dont 3 sont défectueuses.

On choisit une boı̂te au hasard et l’on en extrait une ampoule au hasard. Quelle est la
probabilité p pour que l’ampoule soit défectueuse ?
Solution. On réprésente ici le phénomène par deux expériences :

(i) On tire au hasard l’une des trois boı̂tes,
(ii) On tire au hasard une ampoule qui est soit défectueuse (D), soit en bon état (N ).
Le diagramme en arbre ci-dessous décrit le processus et donne la probabilité de chaque
branche de l’arbre. La probabilité pour qu’un chemin particulier de l’arbre se réalise est, d’après
le théorème de la multiplication, le produitdes probabilités de chaque branche du chemin.
2
5 D
3
5 N
1
3
1
6 D
1
II
3
5
6 N
1
3
3
8 D
III
5
8 N
Ainsi la probabilité de tirer la boı̂te I et ensuite une ampoule défectueuse est

1 2
P (tirer la boı̂te I et ensuite une ampoule défectueuse) = ×
3 5
2
= .
15
Or comme il y a 3 chemins s’excluant mutuellement qui conduisent à une ampoule défectueuse,
la probabilité p est égale à la somme des probabilités de ces chemins.
1 2 1 1 1 3
p = × + × + ×
3 5 3 6 3 8
113
= .
360
2
Exemple 2.3.3 On lance une pièce de monnaie truquée de telle sorte que P (F ) = et P (P ) =
3
1
. Si c’est face qui apparaı̂t, on choisit au hasard l’un des chiffres allant de 1 à 9, si c’est pile
3

qui apparaı̂t, on choisit au hasard l’un des chiffres allant de 1 à 5. Calculer la probabilité p pour
que ce soit un chiffre pair qui ait été choisi.
Solution. L’arbre de probabilité est
5
9 Impair
4
9 Pair
2
3
3
5 Impair
1
P
3
2
5 Pair
Exemple 2.3.4 Trois machines A, B et C produisent respectivement 50%, 30% et 20% du nombre
total de pièces fabriquées dans une usine. Les pourcentages de pièces défectueuses de ces machines
sont respectivement de 3%, 4% et 5%.
1. Si l’on prend une pièce au hasard, quelle est la probabilité pour que cette pièce soit
défectueuse ?
2. Supposons que l’on prenne une pièce au hasard et que celle-ci soit défectueuse. Calculer
la probabilité que cette pièce ait été fabriquée par la machine A?
Solution. Soit M l’événement correspondant à une pièce défectueuse.

1. Alors d’après l’équation 2.3.4, on a
P (M ) = P (M | A) × P (A) + P (M | B) × P (B) + P (M | C) × P (C)

= 0, 03 × 0, 5 + 0, 04 × 0, 3 + 0, 05 × 0, 2 = 0, 037.
Remarque 2.3.2 L’on peut aussi considérer ce problème comme un processus stochastique fini
ayant le diagramme suivant :

3
100 D
N
50
100
4
100 D
30
B
100
N
20
100
5
100 D
2. Il s’agit ici de calculer P (A | M ) .

D’après la formule de Bayes
P (M | A) × P (A)
P (A | M ) =
P (M | A) × P (A) + P (M | B) × P (B) + P (M | C) × P (C)
0, 03 × 0, 5 15
= = .
0, 03 × 0, 5 + 0, 04 × 0, 3 + 0, 05 × 0, 2 = 0, 037. 37
En d’autres termes, on divise la probabilité du chemin désiré par la probabilité de l’ensemble

fondamental réduit c’est-à-dire des chemins qui mènent à une pièce défectueuse.
2.3.5 Exercices
Exercice n◦ 1
Si deux boules sont tirées au hasard d’un bol en contenant 6 blanches et 5 noires, quelle est
la probabilité qu’une des boules soit blanche et l’autre noire ?
Exercice n◦ 2
Un comité de 5 personnes doit être choisi parmi les 6 hommes et 9 femmes d’un groupe.
Si le choix est le résultat du hasard, quelle est la probabilité que le comité soit composé de 3
hommes et de 2 femmes ?
Exercice n◦ 3
Les éléves d’une classe sont choisis au hasard l’un après l’autre pour subir un examen.
Calculer la probalité p pour que l’on ait alternativement un garçon et une fille, sachant que la
classe est composée de :

(i) 4 garçons et de 3 filles.

(ii) 3 garçons et de 3 filles.
Exercice n◦ 4
Dans une classe, 25% des élèves échouent en mathématiques, 15% échouent en chimie, et
10% échouent à la fois en mathématiques et en chimie. On choisit au hasardun élève.
(i) Si l’élève a échoué en chimie, quelle est la probabilité pour qu’il ait aussi échoué en
mathématiques ?
(ii) Si l’élève a échoué en mathématiques, quelle est la probabilité pour qu’il ait aussi échoué
en chimie ?
(iii) Quelle est la probabilité pour qu’il ait aussi échoué en mathématiques ou en chimie ?
Exercice n◦ 5
On considère deux événements A et B tels que :
1 1 1
1. P (A) = , P (B) = et P (A ∩ B) = .
2 3 4
Calculer (i) P (A | B) (ii) P (B | A) (iii) P (A ∪ B) (iv) P A | B (v) P B | A .
3 5 3
2. P (A) = , P (B) = et P (A ∪ B) = .
8 8 4
Calculer (i) P (A ∩ B) (ii) P (A | B) (iii) P (B | A) .
Exercice n◦ 6
Dans une école, 4% des garçons et 1% des filles mesurent plus de 1, 60 mètres. On sait de
plus que 60% des élèves sont des filles. Si l’on prend un élève au hasard et si celui-ci mesure plus
de 1, 60 mètres, quelle est la probabilité que celui-ci soit une fille ?
Exercice n◦ 7
Une boı̂te contient 3 pièces de monnaie, une des pièces est bien équilibrée, une autre est
marquée avec deux faces et la troisième est truquée pour que la probabilité de donner face soit
1
égale à . On choisit au hasard une des pièces et on la lance. Calculer la probabilité p pour que
3
l’on obtienne face.
Exercice n◦ 8
Un certain modèle de missile atteint sa cible avec la probabilité 0, 3. Combien de missiles
faut-il mettre à feu pour qu’il y ait une probabilité d’au moins 80% d’atteindre une cible ?
Exercice n◦ 9
Une équipe de football possède une probabilité de 0, 6 de remporter une victoire (V ), une
probabilité de 0, 3 de subir une défaite (D) et une probabilité de 0, 1 de faire un match nul (N ).
L’équipe joue trois matches pendant le week-end.
(i) Déterminer les éléments de l’événement A tel que l’équipe gagne au moins deux fois et
ne perde pas, et calculer P (A) .
(ii) Déterminer les éléments de l’événement B tel que l’équipe gagne, perde et fasse match
nul, et calculer P (B) .

Chapitre 3
Variables aléatoires
Introduction
On suppose que Ω est l’ensemble fondamental d’une expérience aléatoire. Il n’st pas nécessaire
que les résultats de l’expérience, c’est-à-dire les éléments de Ω soient des nombres. Il est souvent
souhaitable d’attribuer un nombre spécifique à chaque résultat, par exemples la somme des points
obtenus en jetant deux dés, le nombre de fois qu’apparaı̂t pile dans le cas du jet d’une pièce plutôt
que la succession des piles ou faces. Une telle opération est ce qu’on appelle varible aléatoire.
Plus précisement,
3.1 Définition - Notations - Exemples

Définition
Définition 3.1.1 Une variable aléatoire X sur un ensemble fondamental Ω est une fonction
de Ω dans l’ensemble R des nombrs réels, telle que l’image réciproque de tout intervalle de R soit
un événement de Ω.
Notations
On utilise les notations abrégées suivantes :
1. P (X = a) = P (ω ∈ Ω : X (ω) = a) ,
pour désigner les probabilités des événements “X a pour valeur a ∈ R”.
2. P (a 6 X 6 b) = P (ω ∈ Ω : a 6 X (ω) 6 b) ,
pour désigner les probabilités des événements “X prend sa valeur dans [a, b] ⊂ R”.
Les notations
P (X 6 a) , P (X = a, Y = b) , P (a 6 X 6 b, c 6 Y 6 d) , etc
ont des significations analogues.
30
3.1. DÉFINITION - NOTATIONS - EXEMPLES
Exemples
Exemple 3.1.1 On jette trois pièces de monnaie équilibrées. Si l’on désigne par Y le nombre de
piles, alors Y est une variable aléatoire qui peut prendre les valeurs 0, 1, 2, 3.
En effet Ω = {(p, p, p) , (p, p, f ) , (p, f, p) , (f, p, p) , (p, f, f ) , (f, p, f ) , (f, f, p) , (f, f, f )} , avec
pour probabilités respectivement
1
P (Y = 0) = P ({(f, f, f )}) =
8
3
P (Y = 1) = P ({(p, f, f ) , (f, p, f ) , (f, f, p)}) =
8
3
P (Y = 2) = P ({(p, p, f ) , (p, f, p) , (f, p, p)}) =
8
1
P (Y = 3) = P ({(p, p, p)}) = .
8
Et nous avons bien P (Y = 0) + P (Y = 1) + P (Y = 2) + P (Y = 3) = 1.
Exemple 3.1.2 D’une urne contenant 20 boules numérotées de 1 à 20, on tire sans remplacement
3 boules. Yéo parie qu’au moins une des boules tirées portera un numéro plus grand ou égal à 17.
Quelle la probabilité qu’il gagne ?
Solution. Posons X = le plus grand des trois numérostirés.

X est la variable aléatoire qui
20
peut prendre les valeurs 3, 4, ... ou 20. En supposant que les tirages sont tous équiprobables,
3
on a :
- l’événement {X = k} correspond ◦
autiragede la boule n k et de deux boules portant les
1 k−1
numéros 1 à k − 1, avec clairement × tirages, et donc
1 2
- pour tout k > 17,
1 k−1
×
1 2
P (X = k) =
20
3
- l’événement {X > 17} = {X = 17} ∪ {X = 18} ∪ {X = 19} ∪ {X = 20} , réunion disjointe.
Donc
20
X
P (X > 17) = P (X = k)
k=17

1 k−1
20 ×
X 1 2
=
20
k=17
3

19 18 17 16
+ + +
2 2 2 2
= = 0, 508.
20
3

3.1. DÉFINITION - NOTATIONS - EXEMPLES
Exemple 3.1.3 D’une urne contenant 3 boules blanches, 3 boules rouges et 5 noires, tire 3 boules.
Supposons que l’on reçoive 1 franc pour chaque boule blanche tirée et que l’on doive au contraire
payer 1 franc pour toute boule rouge. On désigne par X le bénéfice net laissé par le tirage.
1. Donner les valeurs de X et leurs probabilités.
2. Quelle est la probabilité de gagner de l’argent ?
Solution. 1. - X peut prendre les valeurs 0, ±1, ±2, ±3.

- Calcul des probabilités
• Pour X = 0
On remarquera que il faut pour cela tirer uniquement des boules noires ou autrement une
boule de chaque couleur. Donc

5 3 3 5
+ × ×
3 1 1 1 55
P (X = 0) = = .
11 165
3
• Pour X = 1
On remarquera que il faut pour cela tirer 1 boule blanche et 2 noires ou 2 boules blanches
et 1 rouge. On aura le même résultat pour X = −1. Donc

3 5 3 3
× + ×
1 2 2 1 39
P (X = 1) = P (X = −1) = = .
11 165
3
• Pour X = 2, X = −2

3 5
×
2 1 15
P (X = 2) = P (X = −2) = = .
11 165
3
• Pour X = 3, X = −3

3
3 1
P (X = 3) = P (X = −3) = = .
11 165
3
2. La probabilité de gagner de l’argent est
3
X 55 1
P (X = k) = = .
165 3
k=1

3.2. FONCTIONS DE RÉPARTITION
3.2 Fonctions de répartition

3.2.1 Définition
Définition 3.2.1 La fonction de répartition F d’une variable aléatoire X est définie pour
tout x ∈ R, −∞ < x < +∞, par
F (x) = P (X 6 x) .
En d’autres termes, F (x) est la probabilité pour que la variable aléatoire X prenne une
valeur plus petite ou égale à x.
3.2.2 Propriétés des fonctions de répartition

Propriété 3.2.1 1. F est une fonction non décroissante, autrement dit
x1 < x2 =⇒ F (x1 ) 6 F (x2 ) .
2.
lim F (x) = 0
x−→−∞
lim F (x) = 1.
x−→+∞
3. F est continue à droite, c’est-à-dire pour tout x et quelle que soit une suite décroissante
xn , n > 1 convergeant vers a, on a
lim F (xn ) = F (x) .
n−→∞
3.2.3 Fonctions de répartition et probabilités sur X

Tous les calculs de probabilité concernant X peuvent être traités en termes de fonction de
répartition.
Exemple 3.2.1
P (a < X 6 b) = F (b) − F (a) , pour tous a < b.
En effet (X 6 b) = (X 6 a) ∪ (a < X 6 b) , réunion disjointe. Donc
P (X 6 b) = P (X 6 a) + P (a < X 6 b)
=⇒ P (a < X 6 b) = P (X 6 b) − P (X 6 a)
=⇒ P (a < X 6 b) = F (b) − F (a) .
3.2.4 Exemple de fonction de répartition

Exemple 3.2.2 La fonction de répartition de la variable aléatoire X est donnée par

 0 si x<0
x


si 0 6 x < 1



 22


F (x) = si 1 6 x < 2 .
3
11




 si 2 6 x < 3
 12



1 si 36x

2.jpg
Figure 3.1 – Courbe de F.

1
Calculer (i) P (X < 3) , (ii) P (X = 1) , (iii) P X > , (i)v P (2 < X 6 4) .
2
On a
(i)

1
P (X < 3) = lim P X 6 3 −
n−→∞ n

1
= lim F 3 −
n−→∞ n
11
= lim F (x) =
x−→3
<
12
(ii) Comme (X = 1) ∪ (X < 1) = (X 6 1) , réunion disjointe, donc

P (X = 1) = P (X 6 1) − P (X < 1)

1
= F (1) − lim P X 6 1 −
n−→∞ n
= F (1) − lim F (x)
x−→1
<
2 1 1
− = .
=
3 2 6

1 1
(iii) Comme X > = X6 , donc
2 2

1 1
P X> = 1−P X 6
2 2

1
= 1−F
2
1 3
= 1− = .
4 4

(iii)
P (2 < X 6 4) = F (4) − F (2)

11 1
= 1− = .
12 12
3.2.5 Loi de probabilité

Définition 3.2.2 Un ensemble S est dit dénombrable s’il existe une surjection f : N −→ S,
c’est-à-dire une fonction f telle que pour tout s ∈ S, on peut trouver n ∈ N satisfaisant f (n) = s.
Exemple 3.2.3 1. Tout ensemble fini est dénombrable.

2. Les ensembles N, Z, Q sont dénombrables.
3. Toute réunion finie (dénombrable) d’ensembles dénombrables est dénombrable.
4. Les ensembles {0, 1}N , [0, 1] , R ne sont pas dénombrables.
Définition 3.2.3 Une variable aléatoire ne pouvant prendre qu’une quantité dénombrable de va-
leurs est dite discrète. Pour une telle variable aléatoire X, on définit sa loi de probabilité p
par
p (a) = P (X = a) .
Si X prend les valeurs x1 , x2 , ..., xn , alors
p (xi ) > 0 i = 1, 2, ..., n

p (x) = 0 pour les autres valeurs de x.
Et on a
∞
X
p (xi ) = 1.
i=1
Remarques 3.2.1 1. On peut présenter sur un graphique à deux dimensions les valeurs de la
fonction qu’est la loi de probabilité p. Les valeurs xi sont placées en abscisses, les images p (xi )
en ordonnées.
2. On peut exprimer la fonction de répartition F d’une variable aléatoire discrète en fonction
des valeurs prises par sa loi de probabilité p :
X
F (a) = p (x)
x6a
3. Dans le cas précis où les valeurs possibles de la variable aléatoire X sont x1 , x2 , ..., xn , ...
avec x1 < x2 < ... < xn < ..., la fonction F de répartition est une fonction en escalier. Ses valeurs
seront constantes sur les intervalles [xi−1 , xi [ , et elle aura un saut de taille p(xi ) en xi , i = 1, 2, ...
Exemple 3.2.4 La loi d’une variable aléatoire X est donnée par :

1 1 1 1
p (1) = p (2) = p (3) = p (4) = .
4 2 8 8

3.3. MODÈLES CLASSIQUES DE VARIABLES ALÉATOIRES
Sa fonction de répartition est


 0 si x<1
1




 si 1 6 x < 2
 4


3
F (x) = si 2 6 x < 3 .
 4

 7
si 3 6 x < 4


 8



1 si 46x
3.3 Modèles classiques de variables aléatoires

3.3.1 Variable de Bernouilli et variable binomiale
Variable de Bernouilli
Le modèle de Bernouilli consiste en une expérience qui ne produit que deux résultats. On
peut obtenir l’événement A avec probabilité p, ou bien son contraire A avec probabilité 1 − p. La
réalisation de l’événement A sera interprétée comme un succès et la réalisation de l’événement
A comme un échec. On définit alors la variable aléatoire X en lui donnant la valeur 1 lors d’un
succès et 0 lors d’un échec. La loi de probabilité g de X est
g (1) = P (X = 1) = p (3.3.1)
g (0) = P (X = 0) = 1 − p (3.3.2)
où 0 6 p 6 1.
Définition 3.3.1 Une variable aléatoire X est dite variable de Bernouilli s’il existe p ∈ {0, 1}
tel que la loi de probabilité de X soit donnée par 3.3.1.
Notation 3.3.1 On note X B (p) pour X suit la loi de Bernouilli de paramètre p.
Théorème 3.3.1
Distribution de Bernouilli
M oyenne µ=p
V ariance σ 2 =p
p (1 − p)
Ecart − type σ = p (1 − p)
3.3.2 Loi uniforme

On dit que X : Ω = {x1 , x2 , ..., xn } −→ R suit une loi uniforme si sa loi de probabilité est
( 1
si x ∈ Ω
P (X = xi ) = n .
0 sinon
Notation 3.3.2 On note X U (Ω) pour X suit la loi uniforme sur Ω.

Variable binomiale
Supposons qu’on exécute n épreuves indépendantes, dans les mêmes conditions,chacune

ayant p pour probabilité de succès et 1 − p pour probabilité d’échec. La variable aléatoire X
qui ne s’intéresse qu’au nombre de succès, et non à l’ordre dans lequel ceux-ci se réalisent, est
dite variable aléatoire binomiale de paramètres (n, p) . La loi de probabilité d’une variable
aléatoire de paramètres (n, p) est donnée par

n k
g (k) = P (X = k) = p (1 − p)n−k , k = 1, 2, ...n.
k
Notation 3.3.3 On note X B (n, p) pour X suit la loi de binomiale de paramètres n et p.
Remarques 3.3.1 1. Une variable aléatoir de Bernouilli est une variable aléatoire binomiale de
paramètres (1, p) .
2. Le modèle binomial peut être réalisé à l’aide
- d’une urne contenant des boules de deux couleurs. On tire une seule boule avec remises
pour assurer que les conditions ne changent pas d’un tirage à un autre ;
- de lancers d’une pièce de monnaie de façons indépendantes. ...
Théorème 3.3.2
Distribution binomiale
M oyenne µ = np
V ariance σ 2 =p
np (1 − p)
Ecart − type σ = np (1 − p)
Exercice 3.3.1 On jette cinq pièces équilibrées. Les résultats sont supposés indépendants. Don-
ner la loi de probabilité de la variable aléatoire qui compte le nombre de piles obtenus.
Solution. Soit X le nombre de piles (donc de succès) au total. X est une variable aléatoire
1
binomiale de paramètres (n, p) . On sait que n = 5, comme les pièces sont équilibrées, p = .
2
D’où 0 5
5 1 1 1
P (X = 0) = 1− =
0 2 2 32
5 1 1 1 4 5
P (X = 1) = =
1 2
2 32 32
5 1 1 10
P (X = 2) = =
2 2 2 32
3 2 .
5 1 1 10
P (X = 3) = =
3 2 4 2 1 32
5 1 1 5
P (X = 4) = =
4 2 5 2 0 32
5 1 1 1
P (X = 5) = =
5 2 2 32
3.3.3 Variables aléatoires de Poisson

Définition
Une variable aléatiore X pouvant prendre pour valeur 0, 1, 2, ... est dite variable aléatoire
de Poisson avec paramètre λ s’il existe un λ > 0 tel que la loi de probabilité p de la varible

aléatoire X soit
λk e−λ
p (k) = P (X = k) = k = 0, 1, 2, ...
k!
Notation 3.3.4 On note X P (λ) pour X suit la loi de Poisson de paramètre λ.
Théorème 3.3.3
Distribution P oissonnienne
M oyenne µ=λ
V ariance σ 2 =√λ
Ecart − type σ= λ
Approximation poissonnienne de lois binomiales
Les variables aléatoires de Poisson ont un champ d’application fort vaste, en particulier du
fait qu’on les utiliser pour approximer des variables aléatoires binomiales de paramètres (n, p)
pour autant que np soit d’ordre de grandeur moyen.
Lorsqu’on réalise n épreuves indépendantes ayant p pour probabilité de succès et si n est
grand et assez pour rendre np moyen, le nombre de succès est une variable aléatoire de répartition
approximativement poissonnienne avec paramètre λ = np. La détermination de cette grandeur λ
sera en général empirique.
Application de la loi de Poisson
On cite ci-dessous quelques exemples de variables aléatoires obéissant en règle général à la

loi de probabilité de Poisson :
• le nombre de coquilles par page d’un livre
• le nombre d’un individus dépassant l’âge de 100 ans dans une communauté
• le nombre de faux numéros téléphoniques composées par un individu en un jour
• le nombre de paquets de biscuits pour chien vendus dans un magasin donné en un jour
Exemples de variables aléatoires de Poisson
Exemple 3.3.1 Admettons que le nombre d’erreurs par page dans ce fascicule suive une distri-
bution de Poisson avec paramètre λ = 1/2. Calculer la probabilité qu’il y ait au moins une erreur
sur la présente page.
Solution. Soit X le nombre d’erreurs sur cette page. On a {X > 1} = {X = 0} , donc
P (X > 1) = 1 − P (X = 0)
1
= 1 − e− 2 = 0, 395.
Exemple 3.3.2 On admet que la probabilité de défaut pour un objet fabriqué à la machine est
0, 1. Trouver la probabilité qu’un lot de 10 objets comprenne au plus un élément affecté d’un
défaut.

Solution. Soit X le nombre d’objets affectés, X B (10; 0, 1) . On a {0 6 X 6 1} =

{X = 0} ∪ {X = 1} , donc la probabilité cherchée est
P (0 6 X 6 1) = P (X = 0) + P (X = 1)

10 10
= (0, 1)0 (0, 9)10 + (0, 1)1 (0, 9)9 = 0, 7361.
0 1
Alors que l’approximation donnée par la loi de Poisson de paramètre λ = 10 × 0, 1 = 1,

mène à
P (0 6 X 6 1) = P (X = 0) + P (X = 1)
= e−1 + e−1 = 0, 7358.
3.3.4 Variables aléatoires géométriques

Supposons qu’on exécute indéfiniment une épreuve de façons indépendantes, dans les mêmes
conditions, chacune ayant p pour probabilité de succès. La variable aléatoire X qui s’intéresse
à l’instant du premier succès, suit une loi géométrique de paramètre p. La loi de probabilité
d’une variable aléatoire qui suit une loi géométrique de paramètre p est donnée par
P (X = k) = p (1 − p)n−1 , k ∈ N∗ .
Notation 3.3.5 On note X G (p) pour X suit la loi géométrique de paramètre p.
Théorème 3.3.4
Distribution Géométrique
1
M oyenne µ=
p
2 1−p
V ariance σ = 2
rp
1−p
Ecart − type σ=
p2
3.3.5 Variables aléatoires hypergéométriques

Définition
Définition 3.3.2 Si dans une population de taille N, on a deux types d’individus que sont
N1
• type 1 : N1 individus =⇒ en proportion p = et
N
• type 2 : N2 = (N − N1 ) individus.
On fait n tirages sans remises dans la population et X la variable aléatoire donnant le
nombre d’invidus de type 1. Alors la loi de probabilité de X est donnée par

N1 N2
×
k n−k
P (X = k) = , k ∈ {0, 1, 2, ..., n} .
N
n

Notation 3.3.6 On note X H (N, n, p) pour X suit la loi hypergéométrique de paramètres

N, n et p.
Théorème 3.3.5
Distribution Hypergéométrique
M oyenne µ = np
N −n
V ariance σ 2 = np (1 − p)
r N −1
N −n
Ecart − type σ = np (1 − p)
N −1
Approximation de la loi hypergéométrique
Théorème 3.3.6 En utilisant les notations de Définition 3.3.2, on a que quand N −→ +∞ avec
n et p sont fixes, alors on peut approximer H (N, n, p) par B (n, p) .
Exemple 3.3.3 Deux femmes et trois hommes se présent à un guichet. On choisit au hasard
deux personnes pour une enquête. Calculer la probabilité qu’une femme au moins soit choisie.

5
Solution. Soit X le nombre de femmes choisies, X H 5, 2, .
2
P (X > 1) = P (X = 1) + P (X = 2)

2 3 2 3
× ×
1 1 2 0
= + = 0, 7.
5 5
2 2
Exemple 3.3.4 On choisit au hasard 10 étudiants parmi les effectifs de première (304) et deuxième
(233) année de l’UIC pour un entretien. Calculer la probabilité d’avoir 4 étudiants de première
année.

304
Solution. Soit X le nombre d’étudiants de première année choisies, X H 537, 10, .
537

304 233
×
4 6
P (X = 4) = .
537
10

304
Alors que l’approximation binomiale B 10, donne
537
304 4 233 6

10
P (X = 4) = × .
4 537 537

3.3.6 Exercices
Exercice n◦ 1
2
Une équipe A a la probabilité de gagner chaque match qu’elle joue. Sachant que A joue
3
4 matches, calculer la probabilité pour que A gagne
(i) exactement deux matches, (ii) au moins une partie, (iii) plus de la moitié des matches.
Exercice n◦ 2
Une famille a 6 enfants. Calculer la probabilité pour qu’il ait
(i) 3 garçons et 3 filles, (ii) moins de garçons que de filles. On suppose la probabilité pour
1
que un enfant particulier soit un garçon est .
2
Exercice n◦ 3
La probabilité pour que un article fabriqué par une usine soit défectueux est de 0, 02. Un
chargement de 10000 articles est entreposé. Calculer le nombre des articles défectueux et l’écart-
type.

Deuxième partie
Modèles infinis
42
Chapitre 4
Espace de probabilité
4.1 Notions de base - Définitions et propriétés

4.1.1 σ-algèbres (tribus) et espaces probabilisables
Dans cette section, nous considérons des cas où les expériences ont une infinité de résultats
possibles que nous noterons Ω.
Définition 4.1.1 On appelle σ-algèbre ou tribu sur Ω, un ensemble non vide F ⊂ P(Ω) tel que
1.Ω ∈ F
2.A ∈ F =⇒A ∈ F
∞
S
3.Si {Ak , k ∈ N} est une suite d’éléments de F, alors Ak ∈ F.
k=1
Tout élément de F est appélé un événement.
4.1.2 Propriétés
Une σ-algèbre possède les propriétés suivantes qui découlent de Définition 2.1.6.
Propriété 4.1.1 1.∅ ∈ F.

∞
T
2. Si {Ak , k ∈ N} est une suite d’événements de F, alors Ak ∈ F.
k=1
3. Si A, B ∈ F, alors A − B ∈ F.
Les événements correspondent toujours à des sous-ensembles de Ω. En particulier, on a ∅,

l’ensemble vide associé à l’événement impossible et Ω associé à l’événement certain.
Définition 4.1.2 Pour un espace échantillonnal Ω et une σ−algèbre F sur Ω, le couple (Ω, F)
est un espace probabilisable sur lequel on peut définir une probabilité P. Le triplet (Ω, F, P) sera
dit espace probabilisé.
43
4.2. VARIABLES ALÉATOIRES - LOIS DE PROBABILITÉS
4.2 Variables aléatoires - lois de probabilités

4.2.1 Notions de base - définitions et propriétés
Dans cette section, nous considérons des cas où les expériences ont une infinité de résultats
possibles.
Définition 4.2.1 Soient (Ω, F) un espace probabilisable, X : Ω −→ R et A ⊆ R. L’image inverse

de A est
X −1 (A) = {ω ∈ Ω : X (ω) ∈ A} .
Définition 4.2.2 Soient (Ω, F) un espace probabilisable et X : Ω −→ R. On dit que X est une
variable aléatoire sur F si
X −1 (A) ∈ F , ∀A ⊆ R.
Remarque 4.2.1 Pour tout x ∈ R, X −1 (]−∞, x]) ∈ F et

X −1 (]−∞, x]) = {ω ∈ Ω : X (ω) 6 x} .
4.2.2 Lois de probabilités

Définition 4.2.3 On dit que X est une variable aléatoire contnue s’il existe une fonction
f : R −→ R non négative et telle que, pour tout ensemble A ⊆ R, on puisse écrire
Z
P (X ∈ A) = f (x)dx. (4.2.1)
A
La fonction f est appélée la densité de propabilité de X ou la densité de la variable

X.
En d’autres termes, 4.2.1 signifie que la probabilité que X prenne une valeur dans A peut
être obtenue en intégrant f sur A.
Avec la contrainte suivante pour f,
Z
f (x)dx = 1,
R
du fait que la variable aléatoire doit prendre une valeur.
Remarques 4.2.1 1. Si on prend A = [a, b] , on a

Z b
P (a 6 X 6 b) = f (x)dx. (4.2.2)
a
2. Si l’on pose a = b dans 4.2.2, il en résulte

Z a
P (X = a) = f (x)dx = 0.
a
Cela signifie en clair que la probabilité qu’une variable aléatoire continue prenne une valeur
fixe est toujours nulle. Aussi peut-on écrire pour une telle variable
Z a
P (X < a) = P (X 6 a) = F (a) = f (x)dx = 0.
−∞
Remarque 4.2.2 Ainsi pour les probabilités d’intervalles, il est indifférent de considérer des
intervalles fermés, ouverts, ou mixtes.

4.3. QUELQUES LOIS DE PROBABILITÉS CONTINUES
4.2.3 Fonctions de repartition

Définition 4.2.4 Soient (Ω, F, P) un espace probabilisé et X une variable aléatoire sur F.
La fonction FX : R −→ [0, 1] définie por tout x ∈ R, par
FX (x) = P ({ω ∈ Ω : X (ω) 6 x})
s’appelle la fonction de repartition de la varaiable X.
On écrira
FX (x) = F (x) = P (X 6 x) .
Propriété 4.2.1 1.0 6 F (x) 6 1

2.F est croissante
3. lim F (x) = 0 et lim F (x) = 1
x−→−∞ x−→+∞
4.F est continue à droite c’est-à-dire lim F (x) = F (a)
x−→a
>
4.3 Quelques lois de probabilités continues

4.3.1 La loi uniforme
On dit que la variable aléatoire X obéit à la loi uniforme sur l’intervalle [a, b] si la densité
de X est donnée par
1
f (x) = , x ∈ [a, b] .
b−a
Notation 4.3.1 On note X U ([a, b]) .
4.3.2 La loi normale

On dit que la variable aléatoire X obéit à la loi normale de paramètres µ, σ 2 avec µ ∈ R et

σ > 0, si la densité de X est donnée par

!
1 x−µ 2

1
f (x) = √ exp − , x ∈ R.
σ 2π 2 σ
N µ, σ 2

Notation 4.3.2 On note X
Les valeurs µ et σ 2 représentent d’une certaine manière la valeur moyenne de et une mesure
de ses variations.
4.3.3 La loi normale centrée réduite

N µ, σ 2 , alors en posant

Si X
X −µ
Z= ,
σ

on a une variable aléatoire qui la loi normale de paramètres 0 et 1 appelée la loi normale centrée
réduite. On note
X N (0, 1) .
L’usage s’est établi de noter la fonction de repartition d’une variable normale centrée réduite
par le symbole Φ.
Les valeurs Φ (x) pour des arguments x non négatifs sont tabulées (voir Table de la loi
normale).
Pour les arguments négatifs, on calcule Φ (x) , grâce à l’équation
Φ (x) = 1 − Φ (−x) , x ∈ R, (4.3.1)
car la densité normale est symétrique.

Ainsi pour une variable normale centrée réduite Z, on a :
Propriété 4.3.1
1.P (Z 6 −x) = P (Z > x) = 1 − P (Z < x) , x ∈ R+

1
2.P (Z 6 0) =
2
1
3.x > 0 ⇐⇒ P (Z 6 x) >
2
1
4.x 6 0 ⇐⇒ P (Z 6 x) 6 .
2
Si l’on considère une variable normale X de paramètres µ, σ 2 , on peut exprimer sa fonc-

tion de repartion F de la manière suivante :
F (a) = P (X 6 a)

X −µ a−µ
= P 6
σ σ

a−µ
= P Z6
σ

a−µ
= Φ .
σ
Dans la table de la loi normale centrée réduite, Φ(x) désigne l’aire située sous la densité normale
réduite gauche de x.
4.3.4 Exemples d’application de variables normales

Lire les valeurs de la fonction Φ Cest une table à double entrée qui donne Φ (x) = P (U 6 u)
pour u > 0 donné comme suit.
1. On cherche la ligne correspondant à la partie entière et au premier chiffre décimal de u.
2. On cherche la colonne correspondant au deuxième chiffre décimal de u.
A l’intersection, on lit P (U 6 u) , la probabilité cherchée.
Exemple 4.3.1 1. P (U 6 0, 38) = 0, 6480

2. P (U 6 1, 29) = 0, 9015.
3. P (U < −1) = 1 − P (U 6 1) = 0, 1587

Remarque 4.3.1 Si l’on a P (U < u) avec trois chiffres après la virgule, on faire une interpola-
tion linéaire. Supposons que l’ait dans la table u1 < u < u2 , alors.
Φ (u) − Φ (u1 ) Φ (u) − Φ (u2 ) (u − u2 ) Φ (u1 ) − (u − u1 ) Φ (u2 )
= =⇒ Φ (u) = .
u − u1 u − u2 u1 − u2
Exemple 4.3.2 Calcul de P (U < 1, 645)

Φ (1, 65) + Φ (1, 64)
On a 1, 64 < 1, 645 < 1, 65 et l’on a: Φ (1, 645) = = 0, 095.
0, 5
Propriété 4.3.2 Soit U N (0, 1) , alors
1.P (|U | < u) = 2Φ (u) − 1

2.P (|U | > u) = 2 (1 − Φ (u)) .
Exemple 4.3.3 P (|U | < 1, 96) = 2Φ (1, 96) − 1 = 2 × 0, 9750 − 1 = 0, 95.
4.3.5 Loi de Chi-deux

Définition
Définition 4.3.1 Soient X1 , X2 , ..., Xn , n variables indépendantes suivant la même loi normale
N (m, σ). Alors la variable aléatoire
1 h 2 2 2
i
X= (X1 − m) + (X2 − m) + ... + (Xn − m)
σ2
suit la loi du chi-deux à n degré de liberté (ddl). On note
X χ2(n) .
Xi − m
On sait que si Xi suit la loi normale N (m, σ) , alors la variable suit la loi normale
σ
normale centrée réduite N (0, 1). D’où la définition équivalente :
Définition 4.3.2 Soient X1 , X2 , ..., Xn , n variables indépendantes suivant la loi normale centrée
réduite N (0, 1). Alors la variable aléatoire
Z = X12 + X2 2 + ... + Xn 2
suit la loi du chi-deux à n degré de liberté.
Remarque 4.3.2 χ2(1) a une espérance égale à 1 et une variance égale à 2. Donc χ2(n) a une
espérance égale à n et une variance égale à 2n. Pour n assez grand, n > 30 on peut approximer
√
la loi de Chi-deux à n degré par la loi normale N (n, n) .

4.3.6 La loi de Student

Définition 4.3.3 Soient X N (0, 1) et Y χ2(n) deux variables aléatoires indépendantes. On
pose
X
T =r .
Y
n
Alors T est une variable aléatoire dont la loi est dite loi de student à n degré de liberté. On
note
T T (n)
4.3.7 Exercices
Exercice n◦ 1
Soit X N (0, 1) .
1. Calculer
(i) P (0 6 X 6 1, 42) , (ii) P (−0, 73 6 X 6 0) , (iii) P (−1, 37 6 X 6 2, 01) , (iv) P (0, 65 6 X 6 1, 26) ,
(v) P (−1, 79 6 X 6 −0, 54) , (vi) P (X > 1, 13) , (vii) P (|X| 6 0, 5) .
2. Calculer la valeur de t sachant que
(i) P (0 6 X 6 t) = 0, 4236, (ii) P (X 6 t) = 0, 7967, (iii) P (t 6 X 6 2) = 0, 1000.
Exercice n◦ 2
1. Soit X N (9, 25) calculer P (X 6 10)
2. Soit X N (3, 9) calculer P (X < 1)
3. Soit X N (20, 49) calculer P (X > 13)
4. Soit X N (2, 4) calculerP (1 6 X 6 4)
5. Soit X N (120, 36) calculerP (108 < X 6 126).
Exercice n◦ 3
Soit X N (3, 9), Calculer
(i) P (2 < X < 5) , (ii) P (X > 0) , (iii) P (|X − 3| > 6) .
Exercice n◦ 4
Considérons une variable aléatoire X de loi χ2(n) .
1. Pour n = 13
(a) Calculer P (5 < X < 24, 73)
(b) Déterminer les quantiles u1 et u2 si : P (X < u1 ) = 0, 99 et P (X > u2 ) = 0, 95
2. Quelle est la valeur de la probabilité de la question (a) si n = 40 (utiliser une loi approchée
de de X).
Exercice n◦ 4
Considérons une variable aléatoire X qui suit une loi de Student à ν = 10 degré de liberté.
En utilisant une table donnant la fonction de repartition de la de Student
1. Calculer P (X < −1, 93) et P (0, 541 < X < 2, 228)
2. Déterminer t1 et t2 si : P (X < t1 ) = 0, 9 et P (|X| > t2 ) = 0, 9
3. Quand ν = 60, donner une valeur approchée de variable aléatoire X et calculer P (|X| < 1, 65) .

Bibliographie
[1] Walder M. : Economie-Gestion, Statistique et calcul des probabilités.

[2] Sheldon M. Ross : Initiation aux probabilité, Presses polytechniques romandes, EPFL-Centre
Midi, CH-1015 Lausanne, Suisse.
[3] Corine Reischer, Raymond Leblanc, Bruno Rémillard & Denis Larocque, Théorie des pro-
babilité, Presses de l’Université du Québec, Le Delta I, 2875 boulevard Laureier bureau 450
Sainte-Foy (Québec GIV 2M2.
[4] Seymour Lipschutz : Probabilités Cours et problèmes, neuvième tirage, Groupe McGraw-Hill
Inc. Paris.
49

Cours Proba UIC L2 (20-21)

Transféré par

Droits d'auteur :

Formats disponibles

Cours Proba UIC L2 (20-21)

Transféré par

Informations du document

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

Cours Proba UIC L2 (20-21)

Transféré par

Droits d'auteur :

Formats disponibles

Probabilités L2 Sciences Économiques et Gestion

Dr Vincent Kouassi KOUAKOU

2 Introduction au calcul des probabilités 13

Université Internatonale de Cocody 2 Probabilités L2 SEG

1.1 Principe fondamental de dénombrement

Théorème 1.1.1 Supposons qu’il faille réaliser deux expériences.

Solution. En considérant le choix du père comme la première expérience et ensuite le choix

1.1.2 Principe fondamental généralisé

Solution. 1. En application de la version généralisée du principe de base, la réponse est

Entre autres résultats nous avons :

Université Internatonale de Cocody 5 Probabilités L2 SEG

Théorème 1.2.1 Le nombre d’applications d’un ensemble de p éléments vers un ensemble de n

Solution. 1) Notons par bi , la boı̂te N◦ i, i = 1, 2, ..., 40.

Université Internatonale de Cocody 6 Probabilités L2 SEG

Les nombres p et n ne peuvent donc pas être quelconques.

Théorème 1.2.2 Le nombre d’arrangements d’un ensemble de p éléments vers un ensemble de

Université Internatonale de Cocody 7 Probabilités L2 SEG

Par convention : A0n = 1.

Définition 1.2.4 Soit E un ensemble à n éléments.

Théorème 1.2.3 Le nombre de permutations d’un ensemble à n éléments est n!.

Par convention : Cn0 = 1, Cn1 = 1.

Université Internatonale de Cocody 8 Probabilités L2 SEG

Théorème 1.2.5 Soient a,b deux réels et n ∈ N, on a

(a + b)n = Cn0 an b0 + Cn1 an−1 b1 + ... + Cn1 a1 bn−1 + Cn1 a0 bn

Université Internatonale de Cocody 9 Probabilités L2 SEG

Formules Illustrations ensembliste : card(E) = n

Remarques 1.2.1 Le triangle de Pascal a les propriétés suivantes :

Notons que la remarque (b) est équivalente à Cnp = Cn−1

1.2.6 Tableau récapulatif

Université Internatonale de Cocody 10 Probabilités L2 SEG

Les éléments Les éléments

1.2.7 Partitions ordonnées - cœfficients multinomiaux

Université Internatonale de Cocody 11 Probabilités L2 SEG

Université Internatonale de Cocody 12 Probabilités L2 SEG

Introduction au calcul des

2.1 Notions de base - Définitions et propriétés

et les différentes épreuves ou réalisations d’une expérience par la lettre grecque

2.1.2 Relations entre les événements

On appelle événements équivalents, deux événements qui se réalisent simultanément. L’équivalence

L’implication des événements

On dit que l’événement A implique l’événement B si la réalisation de l’événement de

2.1.3 Opérations sur les événements

Université Internatonale de Cocody 14 Probabilités L2 SEG

se notera A ∪ B, que l’on lira “A ou B” ou encore “A union B”.

Remarques 2.1.1 1. Les opérations de réunion et d’intersection peuvent être étendues à un

Définition 2.1.5 Deux événements A et B sont dits incompatibles ou disjoints si A∩B = ∅,

Exemple 2.1.3 Expérience : On lance un dé et on observe le résultat obtenu.

Université Internatonale de Cocody 15 Probabilités L2 SEG

- L’ensemble fondamental est Ω = {1, 2, 3, 4, 5, 6} .

- L’ensemble fondamental est

- Soient A l’événement correspondant à l’apparition consécutive de deux faces ou plus et B

A = {(p, f, f ) , (f, f, p) , (f, f, f )} et

2.1.4 Espace probabilisable

Définition 2.1.6 On appelle espace d’événements sur Ω, un ensemble non-vide A contenant

Université Internatonale de Cocody 16 Probabilités L2 SEG

Pour un ensemble fini Ω, on prendra en général A = P (Ω) .

événements, où n est le nombre d’événements élémentaires c’est-à-dire le nombre d’éléments

Université Internatonale de Cocody 17 Probabilités L2 SEG

Université Internatonale de Cocody 18 Probabilités L2 SEG

vi) B6 - “Au plus deux pièces sont défectueuses”.

Solution. Posons X = le plus grand des trois numérostirés.