Cours

de
Probabilités

U.F.R. Maths-Info, U.F.H B, Cocody i Prof. Auguste AMAN

Table des matières

1. Cardinal d’un ensemble fini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2. Principes de comptage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1. Principe additif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2. Principe multiplicatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3. Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.1. Arrangements avec répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2. Arrangements sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3. Permutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4. Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.1. Combinaison sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2. Binôme de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.3. Combinaison avec répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
5. Quel modèle choisir ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1 Espace probabilisé 8
1. Expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3. Modélisation d’une expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4. Probabilités conditionnelles, indépendance . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1. Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.2. Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2 Variables aléatoires réelles 18

1. Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2. Variables aléatoitrs réelles usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1. Variables aléatoires discrète usuelles . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2. Variables aléatoires absolument continues usuelles . . . . . . . . . . . . . . . . 22

3 Fonctions génératrice-Fonction caractéristique 24

1. Fonction génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1. Fonction génératrice de moments d’une v.a. entière ou continue . . . . . . . . 25

ii
TABLE DES MATIÈRES

2. Fonction caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

4 COUPLE DE VARIABLES ALEATOIRES 27

1. Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2. Couple de variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3. Couple de variables aléatoires continues à densité . . . . . . . . . . . . . . . . . . . . 29
4. Conditionnement et indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5. Théorème de transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

5 CONVERGENCE DE SUITE DE VARIABLES ALEATOIRES 31

1. Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2. Convergence en probabiité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3. Convergence en loi et convergence en probabilité . . . . . . . . . . . . . . . . . . . . . 32
3.1. Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2. Théorème central limite (TCL) . . . . . . . . . . . . . . . . . . . . . . . . . . 33

U.F.R. Maths-Info, U.F.H B, Cocody iii Prof. Auguste AMAN

TABLE DES MATIÈRES

Partie I : Denombrement

U.F.R. Maths-Info, U.F.H B, Cocody 1 Prof. Auguste AMAN

Denombrement

Le dénombrement consiste à déterminer le nombre d’éléments d’un ensemble fini. Ce chapitre

fournit des méthodes de dénombrement particulirement utiles en probabilités.

1. Cardinal d’un ensemble fini

Définition 0.1. Un ensemble E non vide est dit fini s’il existe un entier n et une bijection de
{1, 2, . . . , n} sur E. Lorsqu’il existe, l’entier n est unique et est noté Card(E). C’est le cardinal ou
le nombre d’éléments de E

Définition 0.2. Un ensemble E est dit dénombrable s’il existe une bijection de N sur E. Un ensemble
E est dit infini non dénombrable s’il n’est ni fini, ni dénombrable.

Soit E un ensemble fini et A, B deux parties de E.

Proposition 0.1. 1. Si Ā est le complémentaire de A dans E alors

Card(Ā) = Card(E) − Card(A).

2. Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B).

3. Si A ∩ B = ∅ alors Card(A ∪ B) = Card(A) + Card(B)
4. Card(A × B) = Card(A) × Card(B)

2. Principes de comptage

2.1. Principe additif

Soit E un ensemble fini et A1 , A2 , . . . , An des parties de E constituant une partition de E, c’est
dire,
• Ai ∩ Aj = ∅ pour i 6= j
• E = A1 ∪ A2 ∪ . . . ∪ An .

2
TABLE DES MATIÈRES

n
X
Alors nous avons Card(E) = Card(Ai ).
i=1
Lorsqu’on veut dénombrer un ensemble fini E, on peut trouver une partition A1 , A2 , . . . , An de cet
ensemble, où les cardinaux des ensembles Ai sont plus faciles déterminer. Il ne reste alors qu’à faire
la somme des differents cardinaux obtenus.

Exemple 1. J’ai dans ma bibliothèque 50 livres de mathématiques en franais et 40 livres de mathéma-

tiques en anglais (et aucun dans une autre langue). Je peux donc y choisir un livre de mathématiques
de 50 + 40 = 90 façons différentes.

2.2. Principe multiplicatif

Si une situation correspond p choix successifs ayant chacun respectivement n1 , n2 , . . .,np possibi-
lités alors le nombre total de possibilités est

n1 × n2 × . . . × np .

3. Arrangements

3.1. Arrangements avec répétition

Soit p ∈ N∗ et E un ensemble fini n éléments.

Définition 0.3. Un arrangement avec répétition de p éléments (ou p-liste) de E est une partie
ordonnée de p éléments de E non ncessairement distincts. Cela revient à prendre p objets dans E en
tenant compte de l’ordre dans lequel on les choisit, et en pouvant prendre plusieurs fois le même.

Proposition 0.2. Le nombre d’arrangements avec répétition de p objets parmi n est np .

En effet, on a n possibilités pour chaque place, soit n × n × . . . × n = np possibilités d’arrangement

d’après le principe multiplicatif.

Exemple 2. Combien y a-t-il de numéros de téléphone commenant par 08 ?

Un numéro de téléphone est constitué de 8 chiffres. Les 6 numéros qui suivent le ”08” sont des
arrangements avec répétitions de 6 éléments de l’ensemble

{0, 1, 2, 3, 4, 5, 6, 7, 8, 9, }.

Il y en a 106 = 1000000 possibilités.

Exemple 3. Tirer successivement p boules, en les remettant chaque fois dans l’urne, et en tenant
compte de l’ordre de sortie des numros constitue un arrangement avec répétition de p éléments parmi
n. Il y a np possibilités.

U.F.R. Maths-Info, U.F.H B, Cocody 3 Prof. Auguste AMAN

TABLE DES MATIÈRES

3.2. Arrangements sans répétition

Soit p ∈ N∗ et E un ensemble fini n éléments.

Définition 0.4. Un arrangement de p éléments de E est une partie ordonne de p lments (distincts)
de E. Cela revient prendre p objets distincts dans E en tenant compte de l’ordre dans lequel on les
choisit.

Proposition 0.3. Le nombre d’arrangements de p objets parmi n est

n!
Apn = .
(n − p)!

Nous avons n possibilités pour la première place, n − 1 possibilités pour la deuxième place, n − 2
possibilités pour la troisième place,. . . , (n − (p − 1)) possibilités pour la dernière place. D’après le
principe multiplicatif, le nombre total de possibilités est :

Apn = n × (n − 1) × (n − 2) × . . . × (n − (p − 1))
n!
= .
(n − p)!

Exemple 4. Le tiercé. Une course de chevaux comporte 20 partants. Combien peut-il y avoir de
résultats possibles de tiercés dans l’ordre ?
Soit E l’ensemble des numéros des chevaux. On a Card(E) = 20. Un tiercé correspond un arrange-
ment de 3 éléments de E, il y en a A320 = 6840 possibilités.

Exemple 5. Tirer successivement p boules sans remise en tenant compte de l’ordre de sortie des
numéros constitue un arrangement de p éléments parmi n. Il y a Apn possibilités.

3.3. Permutation
Soit E un ensemble fini n éléments.

Définition 0.5. Une permutation de E est un arrangement des n éléments de E. Cela revient prendre
les n éléments de E en tenant compte de l’ordre dans lequel on les choisit.

Proposition 0.4. Le nombre de permutations d’un ensemble E n éléments est

n! = n × (n − 1) × . . . × 2 × 1.

Nous avons n possibilités pour la première place, n − 1 possibilités pour la deuxième place, n − 2
possibilités pour la troisième place,. . . , 1 possibilités pour la dernière place. D’après le principe
multiplicatif, le nombre total de possibilités est :

n! = n × (n − 1) × (n − 2) × . . . × 1 = Ann

U.F.R. Maths-Info, U.F.H B, Cocody 4 Prof. Auguste AMAN

TABLE DES MATIÈRES

Exemple 6. De combien de façons peut-on répartir 7 personnes sur 7 chaises ?

Désignons par p1 , p2 , p3 , p4 , p5 , p6 , p7 les 7 personnes et posons

E = {p1 , p2 , p3 , p4 , p5 , p6 , p7 }.

Une répartition peut se voir comme une permutation de E, il y en a 7! = 5040.

Exemple 7. Une urne contient n boules distinctes. Tirer successivement les n boules en tenant
compte de l’ordre de sortie des boules constitue une permutation de n éléments. Il y a n! possibilités.

4. Combinaisons

4.1. Combinaison sans répétition

Définition 0.6. Une combinaison de p éléments de E est une partie non ordonnée de E formée de p
éléments. Cela revient prendre p objets dans E sans tenir compte de l’ordre dans lequel on les choisit.

Proposition 0.5. Le nombre de combinaisons possibles de p objets pris parmi n est

n! Ap
Cnp = = n.
p!(n − p)! p!

Exemple 8. Quel est le nombre de comités de 3 personnes que l’on peut élire dans une assemblée
de 20 personnes.
Le nombre de comités possibles est le nombre de combinaisons de 3 personnes parmi 20, soit C20
3
=
1140

Exemple 9. Tirer simultanement p boules parmi n constitue une combinaison de p éléments parmi
n éléments. Il y a Cnp possibilités.

4.2. Binôme de Newton

Proposition 0.6. Soient a et b deux nombres rels et n un entier naturel non nul, alors :
n
X
n
(a + b) = Cnk ak bn−k .
k=1

4.3. Combinaison avec répétition

Définition 0.7. Une k-combinaison avec répétition d’un ensemble fini E de cardinal n, est une
application f de E dans {0, 1, · · ·, k}, telle que
X
f (x) = k.
x∈E

U.F.R. Maths-Info, U.F.H B, Cocody 5 Prof. Auguste AMAN

TABLE DES MATIÈRES

Plus précisément, si E = {x1 , x2 , · · ·, xn } alors f vérifie

f (x1 ) + f (x2 ) + . . . + f (xn ) = k.

f s’appelle aussi une combinaison de n éléments pris k à k.

Remarque 0.1. Cette application indique pour chaque élément de E le nombre de fois qu’il est
choisi ; et si l’application associe la valeur 0 à un élément de E, alors l’élément n’est pas choisi.
De plus la somme des nombres de répétitions doit bien être égale à k, si nous voulons exactement k
objets éventuellement répétés.

Théorème 0.1. Soit E un ensemble fini de cardinal n, (n ∈ N∗ ). Alors l’ensemble Kk (E) des
k-combinaisons avec répétition de E est fini et son cardinal est égal à

Γkn = Cn+k−1
k

qui est le nombre de k-combinaisons de n + k − 1 éléments

5. Quel modèle choisir ?

• Si l’énoncé contient le mot successif, il faut tenir compte de tous les ordres dans lesquels on
peut obtenir un événement donné. On doit souvent multiplier par le nombre d’ordres possibles
le résultat trouvé pour un ordre déterminé.
• Si l’énoncé contient les mots "successif et avec remise", cela signifie que l’ordre dans lequel
on considre les éléments a de l’importance et qu’un élément peut éventuellement être répété.
Le modèle mathématique est la p-liste ou arrangement avec répétition.
• Si l’énoncé contient les mots successif et sans remise, cela signifie que l’ordre dans lequel on
considère les éléments a de l’importance mais que tous les éléments considérés sont distincts
(ou qu’il n’y a pas de répétition d’éléments). Le modèle mathématique est l’arrangement.
• Si l’énoncé contient le mot simultanément, cela signifie que l’ordre dans lequel on considère
les éléments n’a pas d’importance. Le modèle mathématique est la combinaison.

U.F.R. Maths-Info, U.F.H B, Cocody 6 Prof. Auguste AMAN

TABLE DES MATIÈRES

Partie II : Probabilité

U.F.R. Maths-Info, U.F.H B, Cocody 7 Prof. Auguste AMAN

Chapitre 1

Espace probabilisé

1. Expérience aléatoire
Activité 1. On lance un dé équilibré à 6 faces numérotés de 1 à 6 et on note le nombre figurant sur
la face supérieure du dé après l’arrêt.
1. Quel est l’ensemble de résultats possibles ?
Peut-on prévoir avant le lancer les résultats possibles ?
2. Déterminer l’ensemble des résultats pairs.
3. Déterminer l’ensemble des possibilités d’avoir le chiffre "2" ?
4. Déterminer l’ensemble des possibilités d’avoir le chiffre "7" ?
5. Déterminer l’ensemble de résultats "obtenir un nombre infrieur 7 "
6. On considère les ensembles suivants :
A est l’ensemble "obtenir un nombre au moins gal 4 "
B est l’ensemble "obtenir un multiple de 2"
C est l’ensemble "obtenir le chiffre 5"
(a) Déterminer l’ensemble "obtenir un multiple de 2 ou un nombre au moins gal 4".
(b) Déterminer l’ensemble "obtenir un multiple de 2 et un nombre au moins gal 4".
(c) Déterminer l’ensemble "obtenir un multiple de 2 et le chiffre 5".

Correction de l’activité 1. On lance un dé équilibré de 6 faces numrotées de 1 6 et on note le

nombre figurant sur la face supérieure du dé àprès l’arrêt.
1. L’ensemble des résultats possibles appel univers des possibles est

Ω = {1, 2, 3, 4, 5, 6}.

On ne peut pas prévoir l’avance le résultat.

2. L’ensemble des résultats pairs est {2, 4, 6}

8
CHAPITRE 1. ESPACE PROBABILISÉ

3. Nous avons une possibilité d’avoir le chiffre 2 est {2}.

4. Ce résultat est impossible.
5. L’ensemble des résultats "obtenir un nombre inférieur 7" est {1, 2, 3, 4, 5, 6}.
6. Nous avons A = {4, 5, 6}, B = {2, 4, 6} et C = {5}.
(a) On note D l’ensemble "obtenir un multiple de 2 ou un nombre au moins égal 4" :
D = A ∪ B = {2, 4, 5, 6}.
(b) On note E l’ensemble "obtenir un multiple de 2 et un nombre au moins égal 4".
E = A ∩ B = {4, 6}
(c) On note F l’ensemble "obtenir un multiple de 2 et le chiffre 5"
Cet ensemble est F = A ∩ C = ∅.

Définition 1.1. Une expérience E est qualifiée d’aléatoire si on ne peut pas prévoir par avance
son résultat mais on connait l’ensemble de tous les résultats possible. Répétée dans des conditions
identiques, elle peut donner lieu des résultats différents.

Remarque 1.1. Avant toute exprimentation, on peut décrire l’ensemble des résultats possibles de
l’expérience aléatoire.

Définition 1.2. Soit E une expérience aléatoire. On appelle univers, et l’on note souvent Ω, l’en-
semble des résultats possibles de E. Si Ω est non vide. On notera P(Ω) l’ensemble des parties de Ω.
Dans toute la suite de ce chapitre, on supposera que Ω est fini.

Définition 1.3. On appelle événement associé à une expérience aléatoire, toute partie A de Ω.

Remarque 1.2. 1. L’événement A = Ω est appel événement certain. Il se réalise toujours.

2. L’événement A = ∅ est appel événement impossible. Il ne se réalise jamais.
3. L’événement A = {ω} constitu d’un seul élément de Ω est appel événement élémentaire.

Les événements étant des ensembles, on utilisera 3 opérateurs définies sur les ensembles :
- l’union ; l’événement A ∪ B se réalise si A se réalise ou B se réalise
- l’intersection ; A ∩ B se réalise si A se réalise et B se réalise
- le complémentaire ; Ā se ralise si A ne réalise pas.

Application 1. Un sac contient trois boules de couleurs différentes ; une boule rouge, une boule verte
et une boule bleue. On tire au hasard une boule du sac, on note sa couleur. On replace la boule dans
le sac et on retire au hasard en notant nouveau sa couleur.
1. Déterminer l’univers des éventualités de cette expérience.
2. Citer un événement élémentaire et un événement non élémentaire

U.F.R. Maths-Info, U.F.H B, Cocody 9 Prof. Auguste AMAN

CHAPITRE 1. ESPACE PROBABILISÉ

3. Soit A l’événement : "les deux boules sont de même couleur", B l’événement : "obtenir une
boule bleue et une boule verte ", et C l’événement : "obtenir d’abord une boule rouge"
(a) Déterminer l’événement contraire de A
(b) Déterminer l’événement : "A et B " ; "A et C" puis l’événement "A ou C", Les événe-
ments A et B sont-ils incompatibles ?

Correction de l’exercice d’application 1. On note :

R="la couleur de la boule tire est rouge"
B="la couleur de la boule tire est bleue"
V="la couleur de la boule tire est verte"
1. L’événement élémentaire est un couple (C1 , C2 ) où C1 représente la couleur de la première boule
tire et C2 la couleur de la deuxième. L’univers des possibles est

Ω = {(R, R), (R, V ), (V, R), (R, B), (B, R), (V, V ), (V, B), (B, V ), (B, B)}.

2. (R, V ) est un événement élémentaire ; {(R, R), (R, V )} est un événement non élémentaire.
3. Nous avons

A = "les deux boules sont de même couleur" = {(R, R), (V, V ), (B, B)}
B = "obtenir une boule bleue et une boule verte " = {(B, V ), (V, B)}
C = "obtenir d’abord une boule rouge" = {(R, R), (R, V ), (R, B)}.

(a) L’événement contraire de A est

Ā = {(R, V ), (V, R), (R, B), (B, R), (V, B), (B, V )}.

(b) Nous avons :

A∩B =∅
A ∩ C = {(R, R)}
A ∪ C = {(R, R), (V, V ), (B, B), (R, V ), (R, B)}

Les événements A et B sont incompatibles.

Définition 1.4. Soit Ω l’univers d’une expérience aléatoire, et P(Ω) l’ensemble de parties de Ω.
Alors, le couple (Ω, (Ω)) est appelé espace probabilisable.

2. Probabilité
Activité 2. Un sac contient trois boules de couleurs différentes ; une boule rouge, une boule verte
et une boule bleue. On tire au hasard une boule du sac, on note sa couleur. On replace la boule dans
le sac et on retire en notant à nouveau sa couleur. Chaque boule a la même chance d’être tirée.

U.F.R. Maths-Info, U.F.H B, Cocody 10 Prof. Auguste AMAN

CHAPITRE 1. ESPACE PROBABILISÉ

1. Quel est le nombre de résultats possibles ?

2. Quelle est la fréquence d’apparition du couple (R, B) ?
3. Quelle est la fréquence d’apparition de chaque couple de l’univers.
Faire la somme de tous les résultats obtenus ?
4. Quelle est la fréquence d’apparition de deux boules de même couleur ?

Correction de l’activité 2. Un sac contient trois boules de couleurs différentes ; une boule rouge,
une boule verte et une boule bleue. On tire au hasard une boule du sac, on note sa couleur. On replace
la boule dans le sac et on retire en notant nouveau sa couleur. Chaque boule a la même chance d’être
tirée.
1. card(Ω) = 9.
1 1
2. La fréquence d’apparition du couple (R, B) est = .
card(Ω) 9
3. La fréquence d’apparition de chaque couple de l’univers est 19 . De plus,
1 1 1 1 1 1 11 1
+ + + + + + + =1
9 9 9 9 9 9 99 9
4. Tirer deux boules de même couleur revient tirer un élément de

A = {(R, R), (V, V ), (B, B)}.

3
La fréquence d’apparition de deux boules de même couleur est .
9
Définition 1.5. On appelle probabilité sur l’univers Ω d’une expérience aléatoire E l’application

P : P(Ω) −→ [0, 1]
A 7−→ P(A)

telle que
• P(Ω) = 1
• pour tout sous-ensemble {A1 , . . . , An , . . .} ⊂ P(Ω) deux deux disjoints, nous
∞
! ∞
[ X
P An = P(An ).
n=1 n=1

Propriété 1.1. 1. P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

2. si A ∩ B = ∅ alors P(A ∪ B) = P(A) + P(B)
3. P(A) + P(A) = 1

Activité 3. On lance un dé truqué numéroté de 1 6 tel que P1 = P2 = P3 = P4 = P5 = 1

7
et P6 = 2
7
où Pi est la probabilit d’apparition du numéro i, i ∈ {1, 2, 3, 4, 5, 6}. Soit A l’événement "obtenir un
nombre au moins égale à 4" et B="obtenir un multiple de 2 "

U.F.R. Maths-Info, U.F.H B, Cocody 11 Prof. Auguste AMAN

CHAPITRE 1. ESPACE PROBABILISÉ

1. Calculer la probabilité des événements A et B.

2. Déterminer les ensembles A ∩ B et A ∪ B puis calculer P(A ∩ B) et P(A ∪ B)
3. Comparer P(A) + P(B) − P(A ∩ B) et P(A ∪ B)
4. (a) Calculer la probabilité de l’événement C= "obtenir un nombre impair "
(b) Calculer P(B) + P(C)

Correction de l’activité 3. Soit A l’événement "obtenir un nombre au moins gal 4" et B="obtenir
un multiple de 2 "
1. Nous avons A = {4, 5, 6} = {4} ∪ {5} ∪ {6}. Les événements {4}, {5} et {6} tant deux deux
disjoints, nous obtenons
4
P(A) = P({4}) + P({5}) + P({6}) = P4 + P5 + P6 =
7
1 1 2 4
De même, nous avons B = {2, 4, 6} et P(B) = + + = .
7 7 7 7
2. A ∩ B = {4, 6} et A ∪ B = {2, 4, 5, 6} et
3 5
P(A ∩ B) = P(A ∪ B) = .
7 7
3. P(A) + P(B) − P(A ∩ B) = P(A ∪ B)
4. (a) C = {1, 3, 5}
3
(b) P(C) = et P(B) + P(C) = 1.
7
Activité 4. Soit A et B deux événements tels que P(A) = 0.45 ; P(B) = 0.60 et P(A ∪ B) = 0.80
calculer P(A ∩ B) et P(Ā)

Correction de l’activité 4. 1. Nous avons

P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

Par suite
P(A ∩ B) = P(A) + P(B) − P(A ∪ B) = 0.25.

2. P(Ā) = 1 − P(A) = 0.55

Remarque 1.3. Une expérience se déroule dans les conditions équiprobables si tous les événements
élémentaires ont la même probabilité de se réaliser. Dans ce cas, nous avons pour tout événement A,
X 1 X
P(A) = P ({ω}) = 1
ω∈A
card(Ω) ω∈A
card(A)
=
card(Ω)
nombre de cas favorables
P(A) = .
nombre de cas possibles

U.F.R. Maths-Info, U.F.H B, Cocody 12 Prof. Auguste AMAN

CHAPITRE 1. ESPACE PROBABILISÉ

Exercice de fixation 1. Dans un jeu de 32 cartes il y’a 4 As, on tire au hasard 4 cartes de ce jeu.
1. Calculer la probabilité d’obtenir 2 As.
2. Quelle est la probabilité de n’avoir aucun As ?
3. Quelle est la probabilité de tirer au moins un As ?

Correction de l’exercice de fixation 1. Dans un jeu de 32 cartes il y’a 4 As, on tire au hasard 4
cartes de ce jeu. Le nombre total de possibilits est le nombre de combinaisons de 4 cartes parmi 32 :
4
card(Ω) = C32 .

1. Soit l’événement A ="obtenir 2 As dans le tirage". Nous avons :

- C42 possibilités de tirer 2 As parmi 4
- C28
2
possibilités de tirer les 2 cartes restantes parmi 28.
D’après le principe multiplicatif, le nombre de possibilités d’obtenir 2 As dans le tirage est

card(A) = C42 × C28

2
.

La probabilité d’obtenir 2 As est donc

card(A) C2 × C2
P(A) = = 4 4 28 .
card(Ω) C32
2. Soit l’événement B ="n’avoir aucun As". Nous avons C28
4
possibilités d’obtenir un tirage sans
aucun As, soit card(B) = C28
4
. La probabiliét de n’avoir aucun As est donc
4
C28
P(B) = 4
.
C32
3. Soit l’événement C ="avoir au moins un As". L’événement contraire de C est B. Ainsi, nous
obtenons
4
C28
P(C) = 1 − P(B) = 1 − 4
.
C32
Deuxime méthode : L’événement C = ∪4i=1 Ci o l’événement Ci ="avoir exactement i As avec
i ∈ {1, 2, 3, 4}. Nous avons
- C4i possibilités de tirer i As parmi 4
- C28
4−i
possibilités de tirer les 4 − i cartes restantes parmi 28.
D’après le principe multiplicatif, le nombre de possibilités d’obtenir exactement i As dans le
tirage est
card(A) = C4i × C28
4−i
.
De plus C1 , C2 , C3 et C4 sont deux deux incompatibles. Ce qui implique que

P(C) = P(C1 ) + P(C2 ) + P(C3 ) + P(C4 )

C41 × C28
3
+ C42 × C28
2
+ C43 × C28
1
+ C44
= 4
C32

U.F.R. Maths-Info, U.F.H B, Cocody 13 Prof. Auguste AMAN

CHAPITRE 1. ESPACE PROBABILISÉ

3. Modélisation d’une expérience aléatoire

Lors de la modélisation d’une expérience aléatoire E, on est amené à choisir :
1. un univers Ω
2. une famille de parties de Ω. Dans le cas où l’univers Ω est fini, on considère P(Ω)
3. une probabilité P.
Le triplet (Ω, P(Ω), P) est appel espace probabilisé.

4. Probabilités conditionnelles, indépendance

4.1. Probabilité conditionnelle

Activité 5. Dans une classe de Terminale D de 36 élèves, 23 ont 18 ans, 29 sont des filles et 17 filles
ont 18 ans. On choisit au hasard un élève de cette classe.
1. Calculer la probabilité des évènements suivants : A="l’élève a 18 ans ", B ="l’élève est une
fille", C=" l’élève est une fille de 18 ans"
2. Si l’élève est une fille, quelle est la probabilité pour qu’elle ait 18 ans ?
P(A∩B)
3. Comparer le résultat de la question 2 et P(A)
.

Correction de l’activité 5. Première méthode :

18 ans Autres Total

Filles 17 12 29
Garons 6 1 7
Total 23 13 36

1. Nous obtenons
23
P(A) =
36
29
P(B) =
36
17
P(A ∩ B) = .
36
2. D’après le tableau, c’est parmi les 29 filles qu’on cherche celles qui ont 18 ans :
17
P(C) =
29
3. Nous obtenons 17
P(A ∩ B) 36 17
= = .
P(B) 29
36
29
P(A ∩ B)
P(C) =
P(B)

U.F.R. Maths-Info, U.F.H B, Cocody 14 Prof. Auguste AMAN

CHAPITRE 1. ESPACE PROBABILISÉ

Deuxime méthode : arbres de choix. La somme des probabilités des branches issues d’un même
noeud est 1. La probabilité de l’événement correspond à un trajet est le produit des probabilités des
différentes branches composant ce trajet. En dehors des branches du premier niveau, les probabilités
indiques sont des probabilités conditionnelles .

Théorème 1.1. Soit une expérience aléatoire E d’univers Ω, P une probabilité sur Ω et B un évé-
nement tel que P(B) 6= 0. L’application

PB : P −→ [0, 1]
P(A ∩ B)
A 7−→ PB (A) =
P(B)

est une probabilité sur Ω. PB (A) se lit probabilité de A sachant B

Définition 1.6. L’application PB ainsi définie s’appelle "probabilité conditionnelle sachant B". La
quantité PB (A) est parfois note P(A|B).

Exercice de fixation 2. Une urne contient trois boules rouges et deux boules blanches. On tire
successivement avec remise deux boules de l’urne en notant leur couleur. Calculer la probabilité d’avoir
deux boules de même couleur sachant que la première boule est rouge.

Correction de l’exercice de fixation 2. Le cardinal de l’univers est le nombre d’arrangements

avec répétition d’un ensemble 2 éléments dans un ensemble 5 éléments, soit card(Ω) = 52 .
Soit A l’événement "avoir deux boules de même couleur " ; A = A1 ∪ A2 où A1 "avoir deux boules
rouges" et A2 "avoir deux boules blanches ; card(A1 ) est le nombre d’arrangements avec réptitions
d’un ensemble 2 éléments dans un ensemble 3 éléments soit card(A1 ) = 32 ; card(A2 ) est le nombre
d’arrangements avec répétitions d’un ensemble 2 éléments dans un ensemble à 2 éléments soit
card(A2 ) = 22 ; Par suite
card(A) = 32 + 22 .

Soit B l’événement "la première boule tiré est rouge" ; nous avons 31 possibilits de tirer une boule
rouge au premier tirage et 51 possibilits de tirer une boule au second tirage, soit

card(B) = 31 × 51 .

A ∩ B="les deux boules tires sont rouges" ; card(A ∩ B) = 32 . Nous obtenons

32
P(A ∩ B) =
52
31 × 51
P(B) = .
52
Nous déduisons que
P(A ∩ B) 32
P(A|B) = = 1 .
P(B) 3 × 51

U.F.R. Maths-Info, U.F.H B, Cocody 15 Prof. Auguste AMAN

CHAPITRE 1. ESPACE PROBABILISÉ

Définition 1.7 ((Système complet d’événement)). On dit qu’une famille (Bk )1≤n est un système
complet d’évènements lorsque :
1. ∀ (i, j) ∈ b1; nc2 , (i 6= j) Bi ∩ Bj = (On dit alors que les (Bk )1≤n , sont deux a deux disjoints
ou incompatibles)
S
2. nk=1 Bk = Ω.
Autrement dit les Bk , k = 1, · · ·, n, constituent une partition de Ω.

Exemple 1.1. Soit A une partie non trivial de Ω. Alors la paire {A, Ā} est un système complet
d"événement.

Théorème 1.2 ((Probabilité totale)). Soit (Ω, P, P) un espace probabilisé et (Bk )1≤n un système
complet d"événement. Alors pour tout événement A, on a :
n
X n
X
P(A) = P(A ∩ Bk ) = P(A|Bk )P(Bk )
k=1 k=1

Corollaire 1.1 ((Formule de Bayes)). Soit (Ω, P, P) un espace probabilisé et (Bk )1≤n un système
complet d"événement. Alors pour tout événement A, on a :∀ j ∈ b1; nc,

P(A|Bj )P(Bj )
P(Bj |A) = Pn .
k=1 P(A|Bk )P(Bk )

4.2. Indépendance
Définition 1.8. Deux événements A et B de probabilités non nulles sont indépendants lorsque la
réalisation (ou non) de l’un n’a pas d’influence sur la probabilité de réalisation de l’autre : PA (B) =
P(B) ou PB (A) = P(A).

Théorème 1.3. Deux événements A et B sont indépendants si et seulement si P(A∩B) = P(A)P(B)

Exercice de fixation 3. On lance une pièce de monnaie non truqué deux fois de suite et on note
le couple de côtés qui apparaît.
1. Les événements : A= "face apparaît au premier lancer " et B="pile apparaît au deuxième
lancer" sont-ils indpendants ?
2. Les événements : C="le même côté apparaît deux fois" et D=" le nombre d’apparition de "
face" est différent de deux " sont-ils indépendants ?

Correction de l’exercice de fixation 3. On lance une pièce de monnaie non truquée deux fois de
suite et on note le couple de côtés qui apparaît. L’univers est

Ω = {(P, P ), (P, F ), (F, F ), (F, P )}

U.F.R. Maths-Info, U.F.H B, Cocody 16 Prof. Auguste AMAN

CHAPITRE 1. ESPACE PROBABILISÉ

1. A = {(F, F ), (F, P )} B = {(P, P ), (F, P )} A ∩ B = {(F, P )}. Nous avons

1 2 2
P(A ∩ B) = P(A) = P(B) = .
4 4 4
On note que P(A ∩ B) = P(A)P(B). On déduit que A et B sont indépendants.
2. C = {(F, F ), (P, P )} D = {(P, P ), (F, P ), (P, F )} C ∩ D = {(P, P )}. Nous avons
1 2 3
P(C ∩ D) = P(C) = P(D) = .
4 4 4
On note que P(C ∩ D) 6= P(C)P(D). On déduit que C et D ne sont pas indépendants.

U.F.R. Maths-Info, U.F.H B, Cocody 17 Prof. Auguste AMAN

Chapitre 2

Variables aléatoires réelles

On fait une expérience aléatoire qui est traduite par l’espace probabilisé (Ω, P(Ω), P). Maintenant
on s’intéresse à certaines conséquences de cette expérience.

1. Généralités
Définition 2.1. Soient (Ω, A, P) un espace probabilisé et (E, B) un espace probabilisable. On appelle
variable aléatoire toute application X définie sur Ω à valeurs dans E telle que

∀A ∈ B, X −1 (A) = {ω ∈ Ω; X(ω) ∈ A} ∈ A.

Remarque 2.1. 1. (i) Si (E, B) = (R, B(R)), X est une variable aléatoire réelle
2. (ii) Soit X une variable aléatoire réelle. Si X(Ω) est un sous-ensemble fini ou infini dénombrable
de R, alors la v.a.r X est dite discrète. Sinon, elle est dite continue.

Définition 2.2. Soit X une variable aléatoire définie sur (Ω, A, P) valeurs dans l’espace probabilisable
(E, B). On appelle loi de probabilité de X, la probabilité PX définie sur B par :

∀A ∈ B, PX (A) = P(X −1 (A)) = P(X ∈ A).

Définition 2.3. Soit X une variable aléatoire réelle définie sur (Ω, A, P). On appelle fonction de
répartition de la v.a.r X, la fonction F définie par :

F : R −→ [0, 1]
x −→ F (x) = P(X ≤ x) = PX (] − ∞, x[).

Propriété 2.1. 1. (i) F est une fonction non décroissante

2. [b) lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
3. (c) F est continue à droite et limité à gauche.

18
CHAPITRE 2. VARIABLES ALÉATOIRES RÉELLES

Définition 2.4. Soit X une variable aléatoire réelle. Supposons que la fonction de répartition F soit
continue et strictement croissante. Pour 0 ≤ α ≤ 1 ; on note xα l’unique nombre réel vérifiant

F (xα ) = P(X < xα ) = α.

On dit Xα est le quantile d’ordre α.

Remarque 2.2. Pour connaître la loi d’une variable aléatoire discrète X, il faut connaître l’ensemble
de ses valeurs possibles, et la probabilité avec laquelle elle réalise chaque valeur i.e

X(Ω) = {x1 , . . . , xn , . . .} ⊂ R et P (X = xi ).

Pour toute fonction h, on définit l’espérance de h(X) par

n
X
E[h(X)] = h(xi )P (X = xi ).
i=1

En particulier
si h(x) = |x|p , p ≥ 1 alors on parle de moment d’ordre p de la v.a. X. Le moment d’ordre 1 est
appelé l’espérance de X.
si h(x) = |x − E(X)|p , p ≥ 1 alors on parle de moment centré d’ordre p de la v.a. X. Le moment
centré d’ordre 2 est appelé la variance de X.

Remarque 2.3. 1. (i) X une variable aléatoire

Z ∞ continue est absolument continue s’il existe une
fonction définie sur R, positive, vérifiant f (t)dt = 1, telle que ∀x ∈ R,
−∞
Z x
P(X < x) = f (t)dt.
−∞

La fonction f est appelée densité de probabilité de la variable aléatoire X.

2. (ii) Pour toute fonction continue h, on définit l’espérance de h(X) par
Z ∞
E[h(X)] = h(x)f (x)dx.
−∞

En particulier
si h(x) = |x|p , p ≥ 1 alors on parle de moment d’ordre p de la v.a. X. Le moment d’ordre 1
est appelé l’espérance de X.
si h(x) = |x − E(X)|p , p ≥ 1 alors on parle de moment centré d’ordre p de la v.a. X. Le
moment centré d’ordre 2 est appelé la variance de X.

Remarque 2.4. La loi d’une variable aléatoire est complètement détermine via sa fonction de ré-
partition, ou via sa densité de probabilite.

U.F.R. Maths-Info, U.F.H B, Cocody 19 Prof. Auguste AMAN

CHAPITRE 2. VARIABLES ALÉATOIRES RÉELLES

Proposition 2.1. (Inégalité de Markov)

Soient X une v.a.r telle que E(|X|) < +∞. Alors pour tout c ∈ R+
E [|X|]
P(|X| > c) ≤ .
c
Proposition 2.2. (Inegalité de Tchebychev)
Soient X une v.a.r E(X 2 ) < +∞ est définie. Alors pour tout c > 0
V ar(X)
P(|X − E(X)| > c) ≤ .
c2
Remarque 2.5. Cette formule montre quantitativement que "plus l’écart type est faible, plus la
probabilité de s’écarter de la moyenne est faible".

2. Variables aléatoitrs réelles usuelles

2.1. Variables aléatoires discrète usuelles

Loi uniforme discrète

Une variable aléatoire discrète X est dite uniforme si X(Ω) = {1; 2; · · ·; n}. On note
1
p = P(X = k) = , ∀ k ∈ {1; 2; · · ·; n}
n
Exemple
Tire une lettre de l’alphabet français parmi les 26 lettres si elle ont indiscernable au toucher.
Théorème
Soit X une v.a de loi uniforme sur {1; 2; · · ·; n}. Alors
E(X) = n+1
2
n2 −1
V ar(X) = 12

Loi de Bernoulli

C’est la plus simple des lois de probabilité. Une variable aléatoire X est dite de Bernoulli si
X(Ω) = {0; 1}. On note
p = P(X = 1); q = 1 − p = P(X = 0)

Exemple
Le jeu de pile ou face (non truqué, p = 0, 5, truqué, p 6= 0, 5).
Théorème
Soit X une v.a de loi de Bernouilli. Alors
E(X) = p
V ar(X) = p(1 − p)

U.F.R. Maths-Info, U.F.H B, Cocody 20 Prof. Auguste AMAN

CHAPITRE 2. VARIABLES ALÉATOIRES RÉELLES

Loi Binomiale

Une variable aléatoire S suit une loi binomiale de paraemètre (n, p) si S(Ω) = {0; 1; 2; . . . , n}, et
pour 0 ≤ k ≤ n, on a
P(S = k) = Cnk pk q n−k ;

où p ∈ [0, 1], q = 1 − p.
— L’espérance d’une variable de Binomiale est E(S) = np.
— La variance est V (S) = npq = np(1 − p).

Remarque 2.6. C’est la loi d’une somme de n variables Xi de Bernoulli indépendantes et de même
paramètre p.

Exemple
On joue n fois à pile ou face avec une pièce non truquée. On suppose les lancés indépendants. Soit S
la variable "nombre de pile obtenus". Si on note Xi la variable définie par Xi = 1 si "pile" au i-ème
lancé, on a
S = X1 + X2 + . . . + Xn

Les variables Xi sont de Bernoulli de paramètre p = 1/2, indépendantes, et S suit une loi Binomiale
de paramètre (n, p = 1/2).

Loi géométrique

Une variable aléatoire S suit une loi géométrique de paramètre (0 ≤ p ≤ 1) si S(Ω) =

{1; 2; . . . ; n; · · · + ∞}, et pour k ≥ 1, on a

P(S = k) = (1 − p)k−1 p.

— L’espérance d’une variable géométrique est

1
E(S) =
p
— La variance est
1−p
V (S) =
p2
.

Remarque 2.7. Si on réalise un nombre infini d’épreuves de bernoulli de paramètre p de manière

indépendante, le rang du premier succès est une variable aléatoire de loi géométrique de paramètre p.

U.F.R. Maths-Info, U.F.H B, Cocody 21 Prof. Auguste AMAN

 INSA 3TC
Aimé Lachal

LOIS DE PROBABILITÉ USUELLES

Lois discrètes

distribution loi de probabilité E(X) var (X) fonction génératrice E(z X )

Bernoulli
P(X = 0) = q, P(X = 1) = p p pq pz + q
q =1−p

Binomiale B(n, p) P(X = k) = Cnk pk q n−k np npq (pz + q)n

q = 1 − p, k = 0, 1, . . . , n

λk
Poisson P(λ) P(X = k) = e−λ λ λ eλ(z−1)
k!
k = 0, 1, . . .

P(X = k) = pq k−1 1 q pz
Géométrique G(p)
p p2 1 − qz
q = 1 − p, k = 1, 2, . . .
k n−k
CN p CN q
P(X = k) = N −n n
CN
Hypergéométrique Cn q
q =1−p N np npq
N −1 n F (−n, −N p; N q − n + 1; z)
CN
H(N, n, p)
max(0, n − N q) 6 k 6 min(N p, n)

( )r
r−1 rq rq p
Binomiale négative
P(X = k) = Ck+r−1 pr q k
p p2 1 − qz
q = 1 − p, k = 0, 1, . . .

( )r
r−1 r k−r r rq pz
Pascal
P(X = k) = Ck−1 p q
p p2 1 − qz
q = 1 − p, k = r, r + 1, . . .

+∞
∑ a(a + 1) . . . (a + n − 1) b(b + 1) . . . (b + n − 1) z n
Fonction hypergéométrique : F (a, b; c; z) =
n=0
c(c + 1) . . . (c + n − 1) n!

• La somme de n v.a. indépendantes suivant la loi de Bernoulli de paramètre p suit une loi binomiale B(n, p).
• La somme de deux v.a. indépendantes suivant les lois binomiales B(m, p) et B(n, p) suit la loi binomiale B(m + n, p).
• La somme de deux v.a. indépendantes suivant les lois de Poisson P(λ) et P(µ) suit la loi de Poisson P(λ + µ).
• La somme de deux v.a. indépendantes suivant les lois binomiales négatives de paramètres (r, p) et (s, p) suit la loi
binomiale négative de paramètres (r + s, p).
• La somme de r v.a. indépendantes suivant la loi géométrique G(p) suit la loi de Pascal de paramètres (r, p).
 Lois absolument continues

distribution loi de probabilité E(X) var (X) fonction caract. E(eitX )

1 a+b (b − a)2 eibt − eiat
Uniforme U(a, b) 1l[a,b] (x)
b−a 2 12 i(b − a)t
1 1 λ
Exponentielle E(λ) λe−λx 1lR+ (x)
λ λ2 λ − it
( )
1 (x − m)2 1 2 2
Normale N (m, σ 2 ) √ exp − m σ2 eimt− 2 σ t
2π σ 2σ 2

(1 ) 2 ( )
Weibull W(λ, a) λaxa−1 e−λx 1l]0,+∞[ (x)
a 1
λ− a Γ +1 λ− a [Γ a2 + 1
a ( )2
−Γ a1 + 1 ]

a
Cauchy C(a, b) non dénie non dénie eibt−a|t|
π(a2 + (x − b)2 )
( )a
λa a a λ
Gamma Γ(a, λ) xa−1 e−λx 1l]0,+∞[ (x)
Γ(a) λ λ2 λ − it

1 a ab
Bêta B(a, b) xa−1 (1 − x)b−1 1l]0,1[ (x) M (a, a + b; it)
B(a, b) a+b (a + b)2 (a + b + 1)

1 n x
Khi-Deux χ2 (n) n x 2 −1 e− 2 1l]0,+∞[ (x) n 2n (1 − 2it)−n/2
2 2 Γ( n2 )
( )− n+1 ( √ )n
Γ( n+1
2 ) x2 2
n 2 |t| n 2 √
Student T (n) √ 1+ 0 si n > 1 si n > 2 K n2 (|t| n)
πn Γ( n2 ) n n−2 Γ( n2 ) 2

n 2n2 (m + n − 2) (m n )
m n m
m 2 n2 x 2 −1 n
Fisher F(m, n) m n 1l]0,+∞[ (x) n−2 m(n − 4)(n − 2)2 M ; − ; − it
B( 2 , 2 ) (mx + n) m+n
2 2 2 m
si n > 2 si n > 4
∫ +∞
Fonction Gamma : Γ(a) = xa−1 e−x dx
0
∫ 1
Fonction Bêta : B(a, b) = xa−1 (1 − x)b−1 dx
0
+∞
∑ a(a + 1) . . . (a + n − 1) z n
Fonction de Kummer : M (a; b; z) =
n=0
b(b + 1) . . . (b + n − 1) n!
( z )ν ∑ +∞ ( )n
π I−ν (z) − Iν (z) 1 z2
Fonction de Bessel modiée : Kν (z) = où Iν (z) =
2 sin πν 2 n=0 n! Γ(n + ν + 1) 4

• La somme de n v.a. indépendantes suivant la loi exponentielle E(λ) suit la loi Gamma Γ(n, λ).
• La somme de deux v.a. indépendantes suivant les lois Gamma Γ(a, λ) et Γ(b, λ) suit la loi Gamma Γ(a + b, λ).
• Si les v.a. indépendantes X et Y suivent les lois Gamma Γ(a, λ) et Γ(b, λ), alors X+YX
suit la loi Bêta B(a, b).
• La somme de deux v.a. indépendantes suivant les lois normales N (m1 , σ1 ) et N (m2 , σ22 ) suit la loi normale
2

N (m1 + m2 , σ12 + σ22 ).

• Le quotient de deux variables indépendantes suivant la loi normale N (0, 1) suit la loi de Cauchy C(1, 0) = T (1).
• La somme des carrés de n v.a. indépendantes suivant la loi normale N (0, 1) suit la loi du Khi-Deux χ2 (n) = Γ( n2 , 12 ).
• Si les v.a. indépendantes X et Y suivent les lois normale N (0, 1) et du Khi-Deux χ2 (n), alors √X suit la loi de
Y /n
Student T (n).
• Si les v.a. indépendantes X et Y suivent les lois du Khi-Deux χ2 (m) et χ2 (n), alors mX
nY suit la loi de Fisher F(m, n).