Vous êtes sur la page 1sur 24

GRGOIRE DUPONT

PROBABILITS
ET STATISTIQUES
POUR L'ENSEIGNEMENT

CAPES/CAPLP
AGRGATION INTERNE
MATHMATIQUES

NOUVEAU
CONCOURS

978210072192.indd 1 07/11/2014 18:47:37


Cration graphique de la couverture : Hokus Pokus Crations

Dunod, 2015
5 rue Laromiguire, 75005 Paris
www.dunod.com

ISBN 978-2-10-072192-4

978210072192.indd 2 07/11/2014 18:47:37


i i

i i

Table des matires

Introduction 1

1 Le calcul des probabilits 9


1 Calcul des probabilits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 Espaces probabiliss . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Lois de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Indpendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Probabilits conditionnelles . . . . . . . . . . . . . . . . . . . . . . 17
2 Variables alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Variables alatoires relles . . . . . . . . . . . . . . . . . . . . . . . 25
3 Variables alatoires discrtes . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1 Germe dune variable alatoire discrte . . . . . . . . . . . . . . . . 28
3.2 Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Esprance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4 Variance et cart-type . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4 Variables alatoires continues . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1 Densits sur Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2 Variables alatoires densit . . . . . . . . . . . . . . . . . . . . . . 43
4.3 Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4 Esprance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.5 Variance et cart-type . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5 Couples de variables alatoires . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.1 Loi conjointe, lois marginales . . . . . . . . . . . . . . . . . . . . . 50
5.2 Indpendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3 Covariance et corrlation linaire . . . . . . . . . . . . . . . . . . . 54
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

i i

i i
i i

i i

TABLE DES MATIRES

Corrigs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

2 Les lois classiques 79


1 La loi uniforme discrte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
1.1 Loi de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
1.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
1.3 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2 La loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.1 Loi de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
2.3 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3 La loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.1 Loi de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.3 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.4 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4 La loi gomtrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1 Loi de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.3 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.4 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5 La loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.1 Loi de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.4 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6 La loi uniforme continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.1 Densit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.2 Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.4 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7 La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.1 Densit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.2 Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.4 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.5 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 106
8 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

ii

i i

i i
i i

i i

TABLE DES MATIRES

8.1 Densit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108


8.2 Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . 112
8.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
8.4 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.5 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 118
9 La loi du 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
9.1 Densit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9.2 Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.4 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
9.5 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 123
10 La loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
10.1 Densit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
10.2 Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . . . 124
10.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
10.4 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
10.5 Rle en modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Corrigs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

3 Convergences 139
1 Ingalits de Markov et de Tchebychev . . . . . . . . . . . . . . . . . . . . 139
1.1 Ingalit de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . 140
1.2 Ingalit de Tchebychev . . . . . . . . . . . . . . . . . . . . . . . . 141
2 La loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . 141
2.1 Le cas de variables alatoires de Bernoulli . . . . . . . . . . . . . . . 142
2.2 Le cas gnral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3 Le thorme de la limite centre . . . . . . . . . . . . . . . . . . . . . . . . 144
3.1 Le thorme gnral . . . . . . . . . . . . . . . . . . . . . . . . . . 145
3.2 Le thorme de Moivre-Laplace . . . . . . . . . . . . . . . . . . . . 146
3.3 Les conditions dune bonne approximation . . . . . . . . . . . . . . 147
3.4 En pratique : La correction de continuit . . . . . . . . . . . . . . . . 148
4 Le thorme de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
4.1 Le thorme de Poisson . . . . . . . . . . . . . . . . . . . . . . . . 152
4.2 Quelle approximation choisir ? . . . . . . . . . . . . . . . . . . . . . 153
5 Complments sur la convergence . . . . . . . . . . . . . . . . . . . . . . . . 154
5.1 Convergence en probabilit . . . . . . . . . . . . . . . . . . . . . . . 155
5.2 La convergence en loi, ou convergence faible . . . . . . . . . . . . . 155

iii

i i

i i
i i

i i

TABLE DES MATIRES

5.3 Conditions dapplication du thorme de Moivre-Laplace . . . . . . . 156


5.4 La convergence presque-sre, ou convergence forte . . . . . . . . . . 157
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Corrigs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

4 Mthodes de Monte-Carlo 165


1 La mthode de Monte-Carlo pour lintgration numrique . . . . . . . . . . . 166
1.1 Estimation de I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
1.2 Estimation de lerreur commise . . . . . . . . . . . . . . . . . . . . 167
2 Laiguille de Buffon pour une approximation de . . . . . . . . . . . . . . . 168
2.1 Lexprience de Buffon . . . . . . . . . . . . . . . . . . . . . . . . . 169
2.2 Explication du phnomne . . . . . . . . . . . . . . . . . . . . . . . 169
3 Simulation de variables alatoires . . . . . . . . . . . . . . . . . . . . . . . 171
3.1 Simulation de lois continues . . . . . . . . . . . . . . . . . . . . . . 172
3.2 Simulation de lois discrtes . . . . . . . . . . . . . . . . . . . . . . 175
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
Corrigs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

5 Estimation paramtrique ponctuelle 187


1 Estimation par la mthode du maximum de vraisemblance (MV) . . . . . . . 188
1.1 MV pour le paramtre p dune loi de Bernoulli B(p) . . . . . . . . . 189
1.2 MV pour le paramtre dune loi de Poisson P( ) . . . . . . . . . 191
1.3 MV pour le paramtre m dune loi normale N (m, 2 ) . . . . . . . . 193
2 Estimateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
2.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
2.2 Comparaison de deux estimateurs . . . . . . . . . . . . . . . . . . . 198
3 Estimation ponctuelle de la moyenne . . . . . . . . . . . . . . . . . . . . . . 200
4 Estimation ponctuelle de la variance . . . . . . . . . . . . . . . . . . . . . . 201
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
Corrigs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206

6 Estimation par intervalles 211


1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
2 Un premier intervalle de fluctuations pour une proportion . . . . . . . . . . . 214
3 Intervalles asymptotiques pour une proportion . . . . . . . . . . . . . . . . . 217
3.1 Lintervalle de fluctuations centr au risque . . . . . . . . . . . . . 217
3.2 Lintervalle de fluctuations simplifi au risque infrieur 5% . . . . . 220
4 Comparaison des intervalles de fluctuations pour une proportion . . . . . . . 221

iv

i i

i i
i i

i i

TABLE DES MATIRES

4.1 Intervalles de fluctuations asymptotiques . . . . . . . . . . . . . . . 222


4.2 Intervalles de fluctuations asymptotiques et non asymptotiques . . . . 224
5 Intervalle de confiance pour une proportion . . . . . . . . . . . . . . . . . . 226
5.1 Intervalle de confiance simplifi 95% . . . . . . . . . . . . . . . . 226
5.2 Intervalle de confiance au seuil de confiance 1 . . . . . . . . . . 227
5.3 Application la dtermination dune approximation de . . . . . . . 228
6 Intervalles de confiance pour une loi normale . . . . . . . . . . . . . . . . . 230
6.1 Intervalle de confiance pour lesprance dune loi normale . . . . . . 231
6.2 Intervalle de confiance pour la variance dune loi normale . . . . . . 234
7 Intervalles pour lesprance dune loi inconnue . . . . . . . . . . . . . . . . 236
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Corrigs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239

7 Tests 245
1 lments de thorie de la dcision . . . . . . . . . . . . . . . . . . . . . . . 246
1.1 Hypothses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
1.2 Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
1.3 Risques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
1.4 Pratique dun test . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
1.5 Diffrents types de tests . . . . . . . . . . . . . . . . . . . . . . . . 249
2 Tests paramtriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
2.1 Test pour une proportion . . . . . . . . . . . . . . . . . . . . . . . . 250
2.2 Test pour la moyenne dune loi N (m, 2 ) ( connu) . . . . . . . . . 252
2.3 Test pour la moyenne dune loi N (m, 2 ) ( inconnu) . . . . . . . . 253
2.4 Test pour la variance dune loi N (m, 2 ) (m connue) . . . . . . . . . 255
2.5 Test pour la variance dune loi N (m, 2 ) (m inconnue) . . . . . . . . 256
3 Tests non-paramtriques : les tests du 2 de Pearson . . . . . . . . . . . . . . 258
3.1 Tests de conformit . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
3.2 Tests dindpendance . . . . . . . . . . . . . . . . . . . . . . . . . . 262
3.3 Complments sur les tests du 2 . . . . . . . . . . . . . . . . . . . . 265
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Corrigs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269

A Rcapitulatif des lois classiques 275

B Tables de lois classiques 279


1 La table de loi normale centre rduite . . . . . . . . . . . . . . . . . . . . . 279
1.1 Comment utiliser la table de loi N (0, 1) ? . . . . . . . . . . . . . . . 279

i i

i i
i i

i i

TABLE DES MATIRES

1.2 Comment se passer dune table de loi normale ? . . . . . . . . . . . . 281


2 La table de loi du 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
2.1 Comment utiliser une table de loi du 2 ? . . . . . . . . . . . . . . . 282
2.2 Comment se passer dune table de loi du 2 ? . . . . . . . . . . . . . 284
3 La table de loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
3.1 Comment utiliser la table de loi de Student . . . . . . . . . . . . . . 284
3.2 Comment se passer dune table de loi de Student ? . . . . . . . . . . 286

C Rcapitulatif des programmes 287

Bibliographie 289

Index 291

vi

i i

i i
i i

i i

Introduction

Le contexte pistmologique et didactique


Des probabilits classiques aux statistiques infrentielles
Apparu au XVIIe sicle avec des mathmaticiens comme Pierre de Fermat (16011655),
Blaise Pascal (16231662) ou Jakob Bernoulli (16541705), le calcul des probabilits sest
initialement intress la modlisation de jeux de hasard ou, plus gnralement, de phno-
mnes alatoires par nature. Cette tude consistait alors principalement en des problmes de
dnombrement, un champ que lon nomme aujourdhui les probabilits classiques.
En 1713, la publication par Jakob Bernoulli de lArs Conjectandi introduisit lide que la no-
tion de probabilit tait lie celle de frquence de ralisation dun vnement. Ce principe
frquentiste, appel plus tard loi des grands nombres, cra une rupture pistmologique en
montrant que le hasard tend suivre des lois, si tant est que lon observe des chantillons de
taille suffisante. Ceci fut renforc par les travaux dAbraham De Moivre (16671754) et de
Pierre-Simon de Laplace (17491827) sur ce qui allait devenir le thorme central limit. Il
sagissait des prmisses de la statistique.
Ces ides furent reprises et dveloppes au XIXe sicle par Karl Friedrich Gauss (17771855)
qui montra que laccumulation derreurs individuellement incontrlables pouvait sapprhen-
der de manire globale. Ceci, ainsi que les travaux de James Clark Maxwell (18311879) sur
la modlisation probabiliste de la cintique des gaz ou ceux de Ludwig Boltzmann (1844
1906) sur la physique statistique furent lorigine dun nouveau glissement pistmologique :
il tait possible dutiliser le calcul des probabilits dans des situations a priori dterministes,
le hasard nintervenant que comme une faon de modliser lignorance dinformations trop
nombreuses ou trop complexes mesurer.
la fin du XIXe sicle, le positivisme scientifique tait encore de mise et il pouvait sembler
que lutilisation de mthodes probabilistes dans des situations dterministes ntait quune
limitation de nos connaissances appele tre dpasse. Mais la publication par Henri Poin-
car (18541912) en 1892 du premier volume des Mthodes nouvelles en mcanique cleste
allait changer la donne. En effet, ces travaux mirent en vidence lexistence de ce que lon ap-
pelle aujourdhui le chaos dterministe, cest--dire de systmes dterministes si sensibles
aux conditions initiales que seule une connaissance exacte de lensemble de ces conditions
permettrait de prdire avec certitude lvolution du systme. Puisquil nest pas imaginable
davoir accs lensemble des informations contenues dans lunivers un instant donn,

i i

i i
i i

i i

INTRODUCTION

Poincar nous condamnait de ce fait utiliser des mthodes non dterministes pour la mod-
lisation de situations relevant de tels systmes.
Ce nouveau saut pistmologique permit au calcul des probabilits de se dvelopper dans
de nombreux domaines o lon ne lattendait initialement pas. Mais encore fallait-il tre en
mesure dexploiter les rsultats obtenus pour savoir quelles conclusions tirer dun modle
probabiliste, et quel modle choisir face un phnomne alatoire. Le principal pas en avant
dans cette direction fut effectu en 1900 par Karl Pearson (18571936) qui introduisit le
concept de test statistique. Ces tests, dont ltude a t systmatise par son fils Egon Pear-
son (18951980) et son collgue Jerzy Neyman (18941981), ont donn naissance ce que
lon nomme aujourdhui les statistiques infrentielles, lesquelles forment lun des outils es-
sentiels de nombreux domaines de la vie courante : sciences mdicales, humaines et sociales,
conomie, finance, physique thorique, etc...
Mais bien quomniprsentes dans le monde qui nous entoure, ces mthodes statistiques et leur
interprtation sont longtemps restes lcart des programmes denseignement, demeurant
souvent mystrieuses pour nombre de nos concitoyens, ouvrant ainsi la porte des raison-
nements incorrects et des dcisions errones face aux innombrables donnes statistiques
qui sont communiques quotidiennement. Lducation ces outils mathmatiques contempo-
rains est donc devenue une ncessit, comme cela a t act par les nouveaux programmes
du secondaire.

Des nouveaux programmes


Jusquen 2009, ltude des probabilits et des statistiques dans les programmes de lensei-
gnement secondaire gnral et professionnel concernait seulement :
les probabilits classiques, principalement travers ltude de la thorie des jeux et
de problmes de dnombrement,
les statistiques descriptives, essentiellement travers le calcul dindicateurs de posi-
tion et de dispersion pour des sries statistiques numriques.
Cependant, comme indiqu dans les documents ressources accompagnant les programmes
de 2009 en lyce professionnel Pour dcrypter le monde moderne, participer au dbat
dmocratique, exercer son esprit critique, optimiser ses activits professionnelles, lhonnte
homme du XXIe sicle doit tre duqu aux mthodes statistiques et aux probabilits. et
Les prcdents programmes de baccalaurat professionnel ne laissaient quune trs faible
place aux probabilits [...] avec une approche fonde sur le dnombrement des cas possibles.
Cette approche a montr ses limites face aux enjeux dcrits prcdemment. .
Les nouveaux programmes, que ce soit pour la voie gnrale et technique ou pour la voie
professionnelle, ont donc entrepris de mettre en adquation la formation en probabilits et
en statistiques avec les mthodes actuellement mises en uvre dans notre socit. Cest ainsi
que les problmes de dnombrement ont cd la place des problmes dchantillonnage et
destimation sattachant particulirement lobservation de la stabilisation des frquences et
au contrle de ses fluctuations.
Les statistiques descriptives restent au programme mais laccent est maintenant mis sur leur
interprtation et leur exploitation pour la prise de dcision face un phnomne non dter-
ministe, notamment par le biais dintervalles de confiance et de fluctuations.

i i

i i
i i

i i

INTRODUCTION

Un autre changement significatif sopre dans lapproche de ces nouveaux programmes.


Alors que jusquici lenseignement des mathmatiques se faisait de manire essentiellement
logico-dductive, cest--dire formelle et dmonstrative, les nouveaux programmes intro-
duisent une approche hypothtico-dductive fonde sur une dmarche exprimentale. Ceci
nest pas sans soulever des difficults pour des lves, des parents dlves et des enseignants
qui nont pas t forms cette cole. Et pourtant lenseignant doit avoir dautant plus de
recul sur ce sujet pour en faire passer le sens quil nest pas en mesure de donner toutes
les dmonstrations ses lves (convergence de lintgrale de Gauss, thorme de Moivre-
Laplace, etc...). Il lui faudra donc adopter dans ses cours une posture plus proche de celle de
lexprimentateur, prsentant un thorme comme on prsente une loi physique et montrant
sa vracit laide dexemples et dexprimentations bien choisis plutt quen la dmontrant
laide darguments formels.

Des nouvelles technologies


Ce revirement didactique opr par les programmes repose en grande partie sur les possibi-
lits offertes par les nouvelles technologies en matire de constructions et de manipulations
dexemples nombreux et varis. Lintgration du numrique est mme lune des conditions
sine qua non de la russite de la mise en uvre de ces nouveaux programmes.
Les technologies sont en effet les outils idaux pour multiplier les exemples et simuler des
phnomnes alatoires. Leur utilisation est dautant plus ncessaire que les formules mises
en uvre pour les intervalles de confiances ou de fluctuations ne sont pas suffisamment na-
turelles pour tre admises ds le premier abord par lapprenant. Il est donc important que le
futur enseignant prenne le recul ncessaire sur les technologies et sur les notions enseignes
afin de voir comment celles-ci peuvent servir lapprentissage de celles-l.
De notre point de vue, les outils les plus adquats ce jour pour enseigner le calcul des proba-
bilits au secondaire semblent tre le tableur, un logiciel dalgorithmique ainsi quun logiciel
de gomtrie dynamique. Favorisant les logiciels libres, nous prconisons donc LibreOffice,
AlgoBox et Geogebra mais il ne sagit l que de conseils, chacun adaptera son enseignement
son propre contexte (quipements de ltablissement, des lves, etc...).

Des nouveaux concours


Les concours de lenseignement, rforms pour partie en 2014, tiennent particulirement
compte des volutions rcentes des programmes et des technologies.
Les probabilits et les statistiques sont devenues depuis plusieurs annes des thmes in-
contournables lors des preuves dadmissibilit et dadmission de lagrgation interne, du
CAPES et du CAPLP. Le fait que les nouveaux programmes de lyce aient dcid de mettre
laccent sur ces thmes risque probablement de conserver cette dynamique.
Les jurys sont dailleurs dautant plus vigilants quant ces notions quils dplorent souvent
quelles soient mal matrises des candidats, bien que la situation semble stre amliore
lors des dernires sessions.
La capacit intgrer le numrique dans lenseignement fait partie des comptences values
aux concours. Cette intgration tant particulirement souhaitable (et souhaite) dans le cadre
des probabilits et des statistiques, il est certain que le jury y sera particulirement attentif.

i i

i i
i i

i i

INTRODUCTION

Ceci est vrai pour lensemble des preuves orales dadmission des diffrents concours. Mais
il ne serait pas judicieux de croire que ces comptences ne pourraient pas tre values ds
les preuves crites dadmissibilit ; la simulation de phnomnes probabilistes a par exemple
fait lobjet dexercices complets du CAPLP aux sessions 2013 et 2014 anticipe.

Les objectifs de louvrage


Des contenus disciplinaires clairs et complets
Si la nouvelle approche de lenseignement des probabilits et des statistiques demande de
dvelopper un enseignement moins ax sur le formalisme que sur lintuition, il nen est pas
moins ncessaire pour lenseignant davoir une excellente connaissance et comprhension du
domaine. Ceci soulve plusieurs difficults.
Dabord, mme si cela tend changer ces dernires annes, la formation aux probabilits
et aux statistiques sest longtemps limite une approche classique fonde sur le dnom-
brement, les statistiques infrentielles ne se retrouvant que dans certains parcours, le plus
souvent optionnels.
Une autre difficult est cause par le fait que ce sujet a souvent t lapanage de deux catgo-
ries de mathmaticiens : les statisticiens thoriciens dune part, produisant une bibliographie
sophistique dpassant largement le cadre des programmes dun premier cycle universitaire
et des concours de lenseignement ; les statisticiens appliqus dautre part, produisant le plus
souvent des ouvrages dexercices dapplication, indispensable pour dvelopper dexcellentes
comptences techniques mais insuffisants pour acqurir le recul thorique ncessaire len-
seignement de ces notions.
Lobjectif du prsent ouvrage est donc de donner des lments thoriques permettant de ma-
triser ces nouveaux programmes tout en ne ncessitant quun bagage analytique classique
de premier cycle universitaire. Et si nous nous permettons parfois certains carts par rapport
aux contenus des programmes du secondaire, cest uniquement dans le but dapporter plus de
recul sur les notions enseignes.
Nous avons aussi fait en sorte de garder un point de vue trs mathmatique, privilgiant
les noncs analytiques ou algbriques formels afin de ne laisser aucune place au doute. Ces
noncs formels sont complts par de nombreuses remarques heuristiques informelles visant
aider le candidat donner du sens ces notions.
Chaque chapitre de louvrage contient aussi un certain nombre dexercices-cls dont les cor-
rigs dtaills permettent de vrifier la bonne acquisition des notions abordes.

Une contextualisation didactique


Dans la perspective des concours denseignement, il nous a sembl utile de rgulirement
faire un point sur lintgration des notions rencontres dans les programmes de lenseigne-
ment secondaire gnral ou professionnel ainsi que dans le programme des concours. Lou-
vrage est donc rgulirement parsem de Points programmes qui se rfrent aux Bulletins
Officiels stipulant les programmes en vigueur au jour o est crit ce manuscrit.
Pour les classes de collge, il sagit du BO spcial n6 du 28 aot 2008.

i i

i i
i i

i i

INTRODUCTION

Concernant le baccalaurat professionnel, il sagit du BO spcial n2 du 19 fvrier 2009.


Concernant lenseignement gnral, pour les classes de Seconde, il sagit du BO n 30 du 23
juillet 2009. Pour les classes de Premires, il sagit du BO n9 du 30 septembre 2010. Enfin,
pour les Terminales, il sagit du BO n8 du 13 octobre 2011.
Les programmes de concours se rfrant aux programmes de CPGE, ceux qui ont t retenus
sont ceux des filires MPSI et MP parus respectivement au BO spcial n3 du 30 mai 2013 et
au BO spcial n1 du 23 janvier 2014.
LAnnexe C prsente aussi une synthse de lorganisation des programmes de probabilits et
de statistiques de lenseignement gnral.

Une aide laide lintgration du numrique


Nous avons dj mentionn la grande utilit des technologies pour lenseignement des nou-
veaux programmes de probabilits et de statistiques. Afin daider le candidat et le futur ensei-
gnant intgrer au mieux le numrique dans son enseignement de ces disciplines, louvrage
est rgulirement parcouru de Points numriques qui donnent des conseils techniques ou
pdagogiques afin de mobiliser le numrique de manire pertinente lors dune sance den-
seignement. Toutes les fonctions de tableur proposes respectent la syntaxe du logiciel libre
LibreOffice 4.0.

Une contextualisation historique


Afin de replacer ce nouvel enseignement dans son contexte historique, nous avons ajout une
note biographique chaque apparition dun nom de mathmaticien. cette fin, nous nous
sommes souvent inspirs de lexcellent ouvrage Des mathmaticiens de A Z de Hauche-
corne et Suratteau [HS96].

Lorganisation de louvrage
Louvrage sarticule autour de sept chapitres et de trois annexes.
Le Chapitre 1 prsente les lments thoriques ncessaires au calcul des probabilits. Il re-
prend de manire dtaille toutes les notions thoriques essentielles relatives aux lois de pro-
babilits et aux variables alatoires. Conformment lesprit de ces programmes, le but de
ce chapitre nest pas dapprofondir le calcul classique des probabilits mais de se familia-
riser avec les outils du calcul probabiliste en vue du dveloppement de mthodes lies aux
statistiques infrentielles dans les chapitres ultrieurs.
Le Chapitre 2 prsente de manire dtaille les diffrentes lois qui jouent un rle cl en
modlisation et en statistique. Leurs proprits mathmatiques essentielles sont rappeles et
dmontres et un point est systmatiquement fait sur leur rle pratique en modlisation.
Le Chapitre 3 complte ces rappels en prsentant les grands rsultats de convergences qui
sous-tendent lensemble des programmes du secondaire. On y trouve en particulier la loi des
grands nombres qui justifie le principe frquentiste et le thorme de Moivre-Laplace qui
permet de contrler les fluctuations lors dun chantillonnage.
Le Chapitre 4 est ddi ltude de mthodes de Monte-Carlo permettant de simuler nu-

i i

i i
i i

i i

INTRODUCTION

mriquement des variables alatoires ou, plus gnralement, de rpondre des problmes
dterministes laide doutils probabilistes.
Le Chapitre 5 introduit des lments de thorie de lestimation ponctuelle permettant dob-
tenir des valeurs plausibles pour des paramtres inconnus de variables alatoires partir
dchantillons dobservations.
Le Chapitre 6 nous amne au cur de la statistique infrentielle en introduisant les notions
cruciales dintervalles de confiance et de fluctuations pour lestimation et lchantillon-
nage. Les rsultats prsents ce chapitre sont mis en uvre au Chapitre 7 pour rpondre
des problmes de prise de dcision face des phnomnes alatoires.
Afin daider le lecteur, lAnnexe A propose un tableau rcapitulatif des proprits essentielles
des lois vues au Chapitre 2. LAnnexe B propose les incontournables tables de lois classiques
mais aussi et peut-tre surtout des alternatives modernes pour les remplacer lre du
numrique. Enfin, lAnnexe C propose un tableau synthtisant lorganisation des programmes
de probabilits et de statistiques dans lenseignement secondaire gnral.
Le diagramme ci-dessous indiquera au lecteur des cheminements possibles tenant compte de
linterdpendance des diffrents chapitres.

Chapitre 5

Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 6 Chapitre 7

Chapitre 4

Mode demploi lusage du futur enseignant


Pour la formation initiale
Cet ouvrage peut tre utilis comme un ouvrage dintroduction aux probabilits et aux statis-
tiques par un tudiant ds la licence, le bagage mathmatique ncessaire pour aborder les-
sentiel des rsultats de louvrage est celui des deux premires annes de licence de mathma-
tiques.
Il nous semble cependant recommandable que ltudiant ait dj crois les notions lmen-
taires du calcul classique des probabilits sans quoi le Chapitre 1 se trouvera tre un peu
rapide. Aucune aisance technique particulire nest cependant requise.
Ltudiant pourra aussi gagner se munir en parallle dun ouvrage dexercices destin des
tudes plus appliques, comme par exemple le Mini-Manuel de Probabilits et de Statistiques
[CDF07]. Ceci lui permettra de multiplier les exercices pratiques pour sassurer de sa capacit
mettre en uvre dans des situations pratiques les rsultats vus dans cet ouvrage.

i i

i i
i i

i i

INTRODUCTION

Pour lagrgation interne


Pour les preuves dadmissibilit de lagrgation interne, il est absolument essentiel que le
candidat matrise les grands thormes du calcul des probabilits prsents au Chapitre 1, les
lois classiques vues au Chapitre 2 ainsi que les ingalits et les thormes de convergence du
Chapitre 3.
Il est aussi ncessaire de bien matriser le contenu du Chapitre 6 relatif lestimation par
intervalles. Le Chapitre 5 sur lestimation ponctuelle aidera probablement le lecteur mieux
apprhender lestimation par intervalles sans pour autant tre explicitement au programme du
concours.
Pour les preuves dadmission, nous ne saurions que recommander la lecture attentive du
Chapitre 4 et notamment les algorithmes quil contient. Aussi, le Chapitre 7 pourra tre avan-
tageusement mis profit afin de mettre en uvre des tests statistiques laide des rsultats
vus sur lestimation par intervalles au Chapitre 6.
Le candidat pourra galement regarder attentivement les points numriques et les points
programmes pour bien savoir situer et illustrer ces notions dans ses leons et exercices.
Les rfrences historiques pourront aussi laider agrmenter ses exposs lors des preuves
orales.
Enfin, nous conseillons au candidat lagrgation interne de se munir douvrages du secon-
daire afin de sassurer dune parfaite matrise des applications pratiques des notions vues dans
cet ouvrage. Dans ce domaine des mathmatiques appliques en particulier, la connaissance
dlments thoriques sans la capacit de leur mise en uvre simple est souvent lourdement
sanctionne par le jury du concours.

CAPES
Pour les preuves dadmissibilit du CAPES, il nous semble indispensable que le candidat
matrise le contenu du Chapitre 1, en particulier en ce qui concerne les variables alatoires
discrtes, ainsi que les lois classiques prsentes au Chapitre 2, lexception des lois du 2
et de Student qui peuvent tre omises en premire lecture.
Il est fortement recommand davoir une connaissance des ingalits classiques et des tho-
rmes de convergence du Chapitre 3 mais il nous semble encore plus important que le can-
didat se soit familiaris avec le contenu du Chapitre 6 relatif aux intervalles de confiance
et de fluctuations. Ici encore, la lecture du Chapitre 5 nous semble profitable pour mieux
apprhender le Chapitre 6.
Lalgorithmique faisant occasionnellement son apparition dans les sujets des preuves dad-
missibilit, il peut tre bon de lire attentivement la Section 3 du Chapitre 4. Ces algorithmes
pourront tre avantageusement mis profit lors des preuves orales dadmission.
Comme prcdemment, le Chapitre 7 donnera de la perspective quant la mise en uvre de
tests statistiques lors des preuves dadmission. Il faudra nanmoins prendre garde au fait que
le vocabulaire des tests est explicitement hors des programmes du secondaire et que certains
dentre eux font appel des lois dpassant le cadre de ces programmes.
Comme pour lagrgation interne, nous renvoyons le candidat aux Points numriques et aux
Points programmes pour transposer au mieux ces savoirs disciplinaires lors des preuves

i i

i i
i i

i i

INTRODUCTION

orales. Lexploitation par le candidat des notes historiques pour contextualiser son enseigne-
ment lui sera videmment bnfique.
L encore, nous conseillons au candidat de travailler en parallle sur des ouvrages de niveau
secondaire pour sassurer de sa capacit mettre en uvre les diffrentes notions dans des
cas concrets simples.

CAPLP
Pour les preuves dadmissibilit du CAPLP, le candidat devra connatre les mthodes gn-
rales du calcul des probabilits prsentes au Chapitre 1, en particulier celles qui touchent
aux probabilits conditionnelles. Concernant les variables alatoires, il nous semble surtout
ncessaire de bien matriser les rsultats du Chapitre 2, sauf les lois du 2 et de Student.
Le Chapitre 3 ne doit pas tre approfondi mais il pourra nanmoins aider lindispensable
lecture du Chapitre 6 sur lestimation par intervalles, sujet incontournable au CAPLP.
Le Chapitre 4 plus prcisment la Section 3 sur la simulation pourra tre avantageusement
mis profit lors des preuves crites et orales.
Pour les preuves dadmission, il pourra tre intressant de se rfrer aux Chapitres 1 et 6
pour se constituer une bibliothque de dmonstrations prsenter. Les Points numriques et
Points programmes aideront aussi le candidat transposer ces notions dans son enseignement.
Il est recommand au candidat de se munir douvrages de lyce professionnel pour sassurer
de sa matrise technique dans des cas simples et pour prparer ses squences denseignement
dans loptique de ces preuves.
L encore, des rfrences historiques lors des preuves orales seront ncessairement appr-
cies par le jury du CAPLP, particulirement sensible la pdagogie.

Remerciements
Cet ouvrage doit beaucoup aux enseignants et futurs enseignants que jai pu avoir en forma-
tion, je souhaite donc leur rendre hommage ici. Je tiens aussi remercier toutes les personnes
qui ont particip la relecture du manuscrit divers stades de son volution : Sylvain Porret-
Blanc, Frdric Doyon, Pascal Selbonne, Louis Beaudet, Marie-Paule Thomas, Genevive et
Alain Dupont. Je souhaite aussi remercier ma conjointe qui, probablement sans le vouloir,
a pris une part active dans llaboration de ce projet. Je tiens enfin remercier les ditions
Dunod pour leur confiance et leur professionnalisme.

i i

i i
i i

i i

Chapitre 1

Le calcul des probabilits

Ce chapitre prsente les notions et rsultats essentiels du calcul des probabilits. Conform-
ment la logique des nouveaux programmes, nous navons pas pour objectif de revenir en
dtail sur tous les lments du calcul classique des probabilits mais plutt de mettre en place
les notions et mthodes utiles pour pouvoir dvelopper ensuite des outils performants vis--
vis de problmes de simulation, destimation et de prise de dcision en situation probabiliste.
Le prsent chapitre se divise en cinq grandes parties. La Section 1 est ddie ltude tho-
rique des espaces probabiliss et des lois de probabilit. La Section 2 prsente les rsultats
les plus gnraux concernant les variables alatoires, rsultats qui seront approfondis dans
la Section 3 dans le cas des variables alatoires discrtes et dans la Section 4 dans celui des
variables alatoires densit. Enfin, la Section 5 est ddie ltude des couples de variables
alatoires discrtes ou densit.

1 Calcul des probabilits


1.1 Espaces probabiliss
Dans son incarnation la plus lmentaire, le calcul des probabilits consiste associer un
ensemble A dissues dune exprience alatoire un nombre rel P(A) compris entre 0 et 1,
appel probabilit de lvnement A. Pour calculer P(A), les techniques historiques ont
montr lutilit de pouvoir lcrire comme runion ou intersection dautres vnements et de
considrer leurs complmentaires. Ce sont prcisment ces proprits qui ont t axiomati-
ses sous le nom despace probabilis par Kolmogorov laide de la thorie des ensembles
dans son trait Grundbegriffe der Wahrscheinlichkeitsrechnung publi en 1933. Ce travail
de formalisation a t la cl de lessor du calcul des probabilits qui reposaient jusqualors
sur lintuition du principe frquentiste, trop flou pour dvelopper une thorie mathmatique
consistante.
Dans lide gnrale, un espace probabilisable est un couple (, A ) o est lensemble de
toutes les issues possibles de lexprience alatoire considre, appel univers, et A est un
ensemble dvnements auxquels on souhaite pouvoir associer une probabilit. Une loi de

i i

i i
i i

i i

CHAPITRE 1 L E CALCUL DES PROBABILITS

probabilit sera alors une application P qui chaque vnement A A associe un nombre
P(A) [0, 1] satisfaisant certains axiomes assurant sa compatibilit avec les oprations
ensemblistes usuelles.

Andrei Kolmogorov (1903 1987)


Andre Nikolaevitch Kolmogorov, mathmaticien russe n Tambov en 1903 et d-
cd Moscou en 1987. Il est le crateur de laxiomatisation contemporaine de la
thorie des probabilits laide de la thorie des ensembles.

a) Espaces probabilisables, tribus

Point programme
Les notions gnrales de tribus et despaces probabilisables/probabiliss dbordent du
cadre des programmes du secondaire et leur analyse thorique sort aussi de lesprit des
preuves du CAPES et de lagrgation interne. En CPGE, la notion de tribu est intro-
duite en classe de MP et il est bien prcis quelle nappelle aucun dveloppement
thorique . Il nous apparat donc important que le candidat aux concours de lensei-
gnement sattache davantage la manipulation transparente de ces notions qu un
approfondissement de leurs proprits thoriques gnrales.

Dans toute cette section est un ensemble non-vide quelconque.


Dfinition 1.1.1 (Tribu, -algbre). Une tribu, ou -algbre, sur est une famille A
P() telle que :
(T1) A ;
(T2) Pour tout A P(), si A A , alors A A (o A dsigne le complmentaire de A
dans ) ;
(T3) Pour toute famille dnombrable (1) (An )nN A , on a

An A .
[

nN

Exemple 1.1.2. 1. P() est une tribu sur , appele tribu discrte sur ;

2. Si A , alors 0,
/ A, A, est une tribu sur , appele tribu engendre par A ;
3. {, 0}
/ est une tribu sur , appele tribu triviale sur .

(1). On prendra garde au fait quil existe plusieurs conventions pour la dnombrabilit. Dans cet ouvrage, nous
dirons quun ensemble E est dnombrable sil existe une bijection de E vers N et quil est au plus dnombrable
sil est fini ou dnombrable.

10

i i

i i
i i

i i

C ALCUL DES PROBABILITS

Remarque
Il est facile de montrer que si A est une tribu sur , alors A est stable par runions et
intersections au plus dnombrables.

Dfinition 1.1.3 (Espace probabilisable). Un espace probabilisable est un couple (, A )


o :
est un ensemble,
A est une tribu sur .
est alors appel lunivers et les lments de A sont appeles les vnements de lespace
probabilisable.

Remarques
1. On remarquera que si A est un vnement, alors il suit de laxiome (T2) que
A est aussi un vnement, appel vnement contraire de A.
2. Il est utile de noter que ce nest pas qui est un espace probabilisable mais
muni dune certaine famille A de sous-ensembles stable sous les oprations
de passage au complmentaire et de runion dnombrable. Lanalogie peut tre
faite avec la topologie o un espace topologique est un couple (E, T ) o E est un
ensemble et o la topologie T est un certaine famille de parties de E stable sous
runions arbitraires et intersections finies. De ce fait, lespace probabilisable ainsi
que les lois de probabilit et les variables alatoires qui vont lui tre associes
peuvent fortement dpendre du choix de la tribu A sur . De la mme manire,
un espace topologique (E, T ) a une structure topologique et des applications
continues qui dpendent fortement du choix de la topologie T sur lensemble E.

Si est un ensemble fini ou dnombrable, nous le munirons en gnral de la tribu P().


Cependant, si est infini non dnombrable cette tribu est trop fine pour dfinir un calcul des
probabilits satisfaisant. En particulier, si nous considrons lexemple fondamental o =
Rn , avec n 1, on prfrera considrer une plus petite tribu BRn , appele tribu borlienne
sur Rn , en rfrence mile Borel.

mile Borel (1871 1956)


mile Borel, mathmaticien franais, n Saint-Affrique en 1871 et dcd Paris en
1956. Il est lun des initiateurs du calcul moderne des probabilits.

Thorme 1.1.4 (Tribu borlienne). Soit n 1. Alors il existe une plus petite tribu (au sens
de linclusion) sur Rn contenant les ouverts de Rn .
Cette tribu est appele tribu borlienne de Rn et ses lments sont appels les borliens de
Rn .

11

i i

i i
i i

i i

CHAPITRE 1 L E CALCUL DES PROBABILITS

Dmonstration. Considrons lensemble

O = {U P(Rn ) | U est ouvert dans Rn }

de tous les ouverts de Rn et posons

TO = {T P(P(Rn )) | T est une tribu, O T }

lensemble de toutes les tribus contenant O. Cest un ensemble non-vide car la tribu discrte
contient O, cest--dire P(Rn ) TO .
Posons alors
BRn = T
\

T TO

lintersection de toutes les tribus contenant O. Cest une tribu comme intersection de tribus,
elle contient O et cest la plus petite par construction.

Puisquune tribu est stable par passage au complmentaire, il est quivalent de dire que la
tribu borlienne est la plus petite tribu contenant tous les ferms de Rn . Dans le cas particulier
o n = 1, la tribu borlienne BR contient tous les intervalles de R. De manire gnrale, la
tribu borlienne BRn contient tous les pavs de Rn . On peut de plus montrer que la tribu
borlienne sur Rn (avec n 1) est engendre par les produits dintervalles semi-ouverts de
la forme ]a, b] avec a < b rels. Bien que ce soit l une proprit essentielle pour dmontrer
un certain nombre de rsultats thoriques fondamentaux en calcul des probabilits, cela entre
plutt dans le cadre de la thorie de la mesure et sort de celui de nos programmes. Nous
renvoyons le lecteur intress par ces questions thoriques [Sch93, Chapitre V.2].

Conventions

Dans tout louvrage, sauf mention contraire explicite, on adoptera les conventions suivantes :
Si n 1, alors Rn est muni de sa tribu borlienne,
Si est un ensemble fini ou dnombrable, alors est muni de la tribu P().
Ainsi, nous voyons implicitement Nn , Zn ou Rn (n 1) comme des espaces probabilisables.

1.2 Lois de probabilit

Point programme
Ltude gnrale des lois de probabilit nest pas au programme du secondaire o lon
se limite des exemples particuliers ds la classe de Premire. Si le candidat au CAPLP
peut ventuellement se contenter de la seule connaissance des lois classiques (voir
Chapitre 2), il nous semble ncessaire que les candidats au CAPES et lagrgation
interne soient en mesure de travailler dans le cadre axiomatique gnral.

12

i i

i i
i i

i i

C ALCUL DES PROBABILITS

Dfinition 1.1.5 (Loi de probabilit, espace probabilis). Une loi de probabilit sur un es-
pace probabilisable (, A ) est une application

A R+

P:
A 7 P (A)

qui vrifie les deux axiomes suivants :


(P1) P() = 1 ;
(P2) P est -additive, cest dire que pour toute famille dnombrable (An )nN A telle
que Ai A j = 0/ si i 6= j, on a
!
G
P An = P(An ).
nN nN

Le triplet (, A , P) est appel un espace probabilis.


Exemple 1.1.6. Lexemple historique de loi de probabilit est celui de la loi dfinie, si est
fini, par
P() R+

P: card(A)
A 7 .
card()

On lappelle la loi uniforme sur lensemble fini . Ce sont prcisment les proprits l-
mentaires de cette loi qui ont motiv la dfinition axiomatique propose ci-dessus.

Remarque
Il naura sans doute pas chapp au lecteur que nous utilisons la notation nN P(An )
sans prciser la faon dont une telle somme infinie est dfinie. De manire gn-
rale, nous considrerons rgulirement dans cet ouvrage des sommes indexes par des
exemples qui ne sont pas ncessairement finis, ni mme ordonns. Le bon cadre tho-
rique pour la dfinition et la manipulation de ces sommes infinies est celui des familles
sommables de rels. Il sagit l dune notion danalyse que nous ne dvelopperons pas
et nous renvoyons le lecteur intress [Cho69, Chapitre VII.3] ou [Ouv07, Chapitre
2]. En premire approche, le lecteur pourra ignorer ces questions de convergence en
travaillant sur des univers finis et en se concentrant sur la signification des calculs ef-
fectus. On pourra aussi penser la sommabilit en termes de convergence absolue (et
donc commutative) de sries.

Il suit facilement des axiomes que si P est une loi de probabilit alors, pour tous vnements
A et B, on a les proprits bien connues suivantes, que nous utiliserons librement au cours de
louvrage :
1. P (A) [0, 1] ;
2. P(A) = 1 P (A) et en particulier P(0)
/ = 0;

13

i i

i i
i i

i i

CHAPITRE 1 L E CALCUL DES PROBABILITS

3. Si A B, alors P (A) P(B) et P(B \ A) = P(B) P (A) ;


4. P(A B) = P (A) + P(B) P(A B).
Le dernier point se gnralise toute famille finie dvnements laide de la formule de
Poincar, aussi appele formule du crible :
Proposition 1.1.7 (Formule de Poincar). Soient (, A , P) un espace probabilis, n 1 un
entier et A1 , . . . , An des vnements. Alors

! !
n
[ n
k1

P Ai = (1) P Ai1 Ai2 Aik .
i=1 k=1 1i1 <i2 <<ik n

Dmonstration. La preuve fait lobjet de lExercice 1.1.

Henri Poincar (1854 1912)


Henri Poincar, n Nancy en 1854 et dcd Paris en 1912. Il est lun des math-
maticiens franais les plus influents de son poque et est considr comme lun des
derniers gnies universels qua connu la science : il tait ingnieur des mines, phy-
sicien, astronome et mathmaticien. Ses travaux portent sur des domaines trs varis
allant de lanalyse la gomtrie en passant par la topologie, la thorie des nombres et
les probabilits. Ses travaux sont aussi importants vis vis de la thorie de la relativit
dEinstein et du problme des trois corps en mcanique cleste.

Remarque
La formule de Poincar, malgr son apparente complexit, traduit une ide intuitive trs
simple. Pour calculer la probabilit dune runion de n vnements, il faut commencer
par sommer les probabilits de tous les vnements. Mais on aura alors compt en trop
toutes les intersections deux deux donc il faut les retrancher. Mais en retranchant les
intersections deux deux, on enlve peut-tre des intersections trois trois, donc il faut
les remettre. Et ainsi de suite jusqu traiter les intersections n n.

Nous verrons de nombreux exemples de lois de probabilit au Chapitre 2. Pour la suite de ce


chapitre, le lecteur peu familier avec le calcul des probabilits pourra simplement garder en
tte lexemple de la loi uniforme sur un ensemble fini mentionne lExemple 1.1.6.

1.3 Indpendance
Lindpendance est une notion essentielle dans le calcul des probabilits. Sa dfinition axio-
matique est faite pour reflter la notion intuitive dindpendance causale dvnements ala-
toires. Ainsi, si (, A , P) est un espace probabilis et A, B A , on dira que A et B sont

14

i i

i i
i i

i i

C ALCUL DES PROBABILITS

indpendants si et seulement si

P (A B) = P (A) P (B) .

Point programme
Dans les programmes du secondaire, la notion dindpendance nest formellement in-
troduite quen classe de Terminale S. Elle napparat pas dans les autres programmes
de lenseignement gnral et est explicitement hors-programme en classe de Terminale
professionnelle.

Remarque
On notera que lindpendance des vnements A et B ne leur est pas intrinsque mais
quelle dpend de la loi de probabilit P. Il ne sagit donc pas dune notion ensembliste
mais bien dune notion probabiliste.
En particulier, on prendra soin de ne pas confondre le fait pour deux vnements A et B
dtre incompatibles, cest--dire disjoints, et le fait pour ces vnements dtre ind-
pendants. On pourra dailleurs remarquer que si A et B sont incompatibles et P (A) > 0
et P (B) > 0, alors 0 = P (A B) 6= P (A) P (B).

Si la notion dindpendance pour deux vnements est relativement familire de tous, la dfi-
nition de lindpendance pour une famille de plus de deux vnements est dj plus dlicate
et souvent source derreurs.
Dfinition 1.1.8 (Indpendance). Soit (, A , P) un espace probabilis et (Ai )iI une famille
dvnements. La famille (Ai )iI est dite indpendante si, pour tout sous-ensemble fini J I,
on a

!
\
P Aj = P (A j ) .
jJ jJ

Remarque
On prendra garde au fait que pour vrifier lindpendance dune famille (A1 , . . . , An ),
avec n 1, il ne suffit pas de vrifier que P (A1 An ) = P (A1 ) P (An ) mais il
faut bien vrifier 2n n 1 galits correspondant toutes les sous-familles finies de
cardinal 2.
Il ne suffit pas non plus de vrifier que lon a indpendance deux deux pour vrifier
lindpendance globale. Par exemple, lindpendance des trois vnements A1 , A2 et A3

15

i i

i i
i i

i i

CHAPITRE 1 L E CALCUL DES PROBABILITS

signifie que lon a les trois galits

P (Ai A j ) = P (Ai ) P (A j ) , 1i< j3

ainsi que
P (A1 A2 A3 ) = P (A1 ) P (A2 ) P (A3 ) .

Exemple 1.1.9. Considrons une exprience alatoire consistant lancer deux fois une pice
quilibre. Considrons les vnements A1 : la pice fait pile au premier lancer , A2 : la
pice fait face au second lancer et A3 : on obtient le mme rsultat aux deux lancers . On
peut alors modliser cette exprience avec lespace probabilis (, P(), P) o = {0, 1}2
(0 pour pile et 1 pour face ) et P est la loi uniforme, de sorte que A1 = {0} {0, 1},
A2 = {0, 1} {1} et A3 = {(0, 0), (1, 1)}. Ainsi,

1 1 1
P (A1 A2 ) = P ({(0, 1)}) = = = P (A1 ) P (A2 ) ,
4 2 2
1 1 1
P (A1 A3 ) = P ({(0, 0)}) = = = P (A1 ) P (A3 ) ,
4 2 2
1 1 1
P (A2 A3 ) = P ({(1, 1)}) = = = P (A2 ) P (A3 )
4 2 2
mais
1
P (A1 A2 A3 ) = P (0)
/ = 0 6== P (A1 ) P (A2 ) P (A3 ) .
8
Autrement dit, les vnements A1 , A2 et A3 sont indpendants deux deux mais ne sont pas
pour autant indpendants (2) .

Remarque
Un vnement A tel que P(A) = 1 est dit presque-sr et un vnement de probabilit
nulle est dit improbable ou ngligeable. Dans la littrature, un vnement de probabi-
lit 1 est parfois dit certain et un vnement de probabilit 0 est dit impossible mais
cette terminologie prte confusion si lunivers est infini.
En effet, considrons par exemple une pice quilibre que nous lanons indfiniment
et notons A lvnement la pice fait face chaque lancer . Si, pour tout entier i 1,
on note Ai : la pice fait face au i-me lancer . On a alors,
\
A= Ai
iN

(2). Certains auteurs prcisent que les vnements sont indpendants dans leur ensemble pour bien dmarquer
cette notion de lindpendance deux deux. Pour notre part, nous ne le prciserons jamais car la seule notion
dindpendance vraiment pertinente dun point de vue thorique est celle introduite la Dfinition 1.1.8.

16

i i

i i